AI 導入的瓶頸從來不是模型：就算 AI 今天停止進步，你的公司還有幾十年的功課沒做完

先做一個思想實驗。

假設從今天開始，全世界的 AI 模型全部凍結，不再有下一代、不再有更大的參數、不再有更便宜的 token。

你的公司，接下來三年還有多少事情可以做？

如果你的答案是「那就沒什麼好做的了」，這篇文章就是寫給你的。

Y Combinator 在 2026 年 7 月 29 日放出一支訪談，Garry Tan 訪 Alexandr Wang。Wang 是 Scale AI 的創辦人，現在領導 Meta 的超智慧實驗室（Meta Superintelligence Labs）。整場三十分鐘，講創業、講人才密度、講開源，但真正值錢的只有兩句話：

「瓶頸不是 AI 模型的進展。瓶頸是把它擴散到世界的其他地方，幫助世界適應這個『已經存在』的技術。」

「就算模型從今天起完全不再進步，經濟體和世界運作的方式，還是會有幾十年、幾十年的徹底翻攪。」

幾十年。他講的不是三年。

如果他說得對，那你把時間花在比模型、比價格、等下一版 API，可能都不是最重要的事。

AI 導入不是買工具，是改流程

我猜你這一年多多少少做過下面幾件事之一：想著等下一代模型出來再說、比較哪家 API 比較強、被廠商推銷過「一站式 AI 中台」、或是拿了政府的 AI 導入補助，買了一套工具進來。

這些動作背後有一個共同假設：AI 的競爭力，是買來的。

Wang 的說法直接把這個假設拆了。如果模型能力真的是瓶頸，那砸最多錢買最強模型的人就會贏。但他說瓶頸不在那裡。

重點是什麼？

模型能力正在變成公共財。你的對手拿得到的，跟你拿得到的，是同一批東西，甚至開源就能拿。差距只剩下一件你買不到的東西：

你的組織把它吃進日常流程的速度。

AI 落地為什麼失敗：78% 在用 AI，95% 沒賺到錢

Wang 現在是 Meta 的人，講這種話你會想「他是不是在幫自家的開源生態鋪路」。這個懷疑很合理。所以我去找了兩份跟他沒有利害關係的調查。

第一份是 Stanford HAI 的 AI Index 2025：78% 的組織回報 2024 年有在使用 AI，前一年這個數字是 55%。一年衝了 23 個百分點。看起來擴散得很快，對吧？

第二份是 MIT NANDA 的《The GenAI Divide: State of AI in Business 2025》：大約 95% 的企業生成式 AI 試點，對損益表沒有可衡量的影響。

先講清楚，這兩個數字不能相減，它們是不同調查、不同定義、不同分母。但擺在一起看，畫面很清楚：

「我們有在用 AI」跑得飛快，「AI 讓我們賺到錢」幾乎沒動。

更關鍵的是 MIT 那份報告給的原因。他們說根本問題不是模型品質，是組織的 learning gap（學習落差）：通用工具不會學習、也不會適應你的工作流程。報告還點出兩個很痛的細節，超過一半的預算押在銷售與行銷，而不是後台自動化；自己蓋的成功率，只有買現成方案的三分之一。（別誤讀成「永遠不要自建」。意思是第一輪先買能真正嵌進流程的東西，等迴路跑順了，再決定哪一段值得自己做。）

一份訪談裡的直覺判斷，跟一份企業結果的實測，指向同一個地方。

到這裡，Wang 那句話就不只是 Meta 的立場宣傳了。

AI 轉型最慢的不是技術，是組織採用率

Wang 在訪談裡提到，這個生態系「幾乎每一個維度都在非常非常陡的指數上」，他列了三個：模型能力、算力、採用率。

這裡我要誠實標一下：他說的是三條都很陡，他沒有說採用率最慢。「採用率是三條裡跑最慢的那一條」是我的判讀，不是他的原話。

但我為什麼敢這樣判？因為前面那兩份調查就是證據。

能力和算力的指數是誰在推？是實驗室，是資本，一季一個版本。採用率的指數是誰在推？是你公司裡那位做了十二年、手上有三份自己維護的 Excel、跟你說「這樣做比較快」的資深同事在推。

這就像 2000 年代那一波 ERP（企業資源規劃系統）導入。軟體本身沒什麼問題，出問題的永遠是「原本的流程要不要改」。我看過太多公司花大錢上系統，最後真正的用法是：系統照跑，但決策還是在群組裡吵完才輸入。系統變成一個很貴的打字介面。

現在的 AI 導入，很多是同一齣戲在重播。

台灣企業 AI 導入的陷阱：把「上線」當成「落地」

講一個台灣很實在的狀況。

你去看「AI 導入補助」「AI 轉型輔導」這幾個關鍵字，在台灣的搜尋需求非常紮實，產發署的輔導、各種補助案、AI 轉型總裁班，一整排。這是好事，資源進來了。

但補助案有一個結構性問題：它的驗收 KPI 通常是「導入完成」。

導入完成長什麼樣子？系統上線了、教育訓練辦了、結案報告交了。

擴散完成長什麼樣子？完全是另一回事。是這個月的退貨處理時間從三天掉到六小時，而且沒有人再偷偷回頭用舊流程。

想像一下這個場景。你早上打開電腦，客服主管跟你報告：「我們的 AI 客服上線三個月了。」你問他，那客服人力有沒有調整？他說沒有。你問他，第一線的回覆時間有沒有變快？他說差不多。你再問，那 AI 現在在幹嘛？他說，同事會先問它，然後自己重寫一遍。

那你買的不是 AI，是一台很貴的草稿產生器。

我自己踩過這個坑。我把 AI 放進部落格的內容產線，一開始的用法就是「叫它寫一篇，我再改」。省了大概兩成時間，然後就卡住了，怎麼調都只有兩成。真正的轉折是我不再把它當寫手，而是把整條線拆成可以自己跑的迴圈：找題目、查證、寫稿、自我批判、改一輪、配圖、上稿，每一段都有明確的交付標準和退回條件。省下的時間才從兩成變成一個量級。

差別在哪？前者是把 AI 塞進舊流程，後者是為 AI 重畫流程。

小公司的機會：從大衛對歌利亞，變成歌利亞對歌利亞

Wang 有一個比喻我很喜歡。十年前創業是大衛對歌利亞，你資源少，所以你要聰明、要找角度、要鑽大公司看不上的縫隙。

他說現在變了：

「現在比較接近歌利亞對歌利亞。只是新創比較像是被 agent（AI 代理程式）大幅增強過的『機甲歌利亞』。」

這裡有個轉折要先講清楚：如果瓶頸是擴散速度，而不是採購模型的財力，那組織越小、決策鏈越短，反而越有機會先把 AI 變成日常。

以前你的劣勢是資源少，優勢是速度快。現在你的劣勢還是資源少，但優勢從「速度快」升級成「沒有包袱」。

大公司不是不會用 AI。大公司是擴散得慢。

他們有流程、有合規、有三十個利害關係人要點頭、有一套「我們一直都是這樣做」的肌肉記憶。這些東西在穩定的年代是護城河，在擴散的年代是水泥鞋。

如果你問我，這是台灣中小企業這十年來最好的一次結構性機會。因為這一輪落後的不是資本密度，是決策密度。而決策密度剛好是小公司的主場。

但別急著開香檳。要吃到這個機會，你的公司得有兩個條件：老闆或高階主管能直接下令改流程，而且資料還沒散到整合不起來。不是所有小公司都會贏，會贏的是敢把舊流程關掉的小公司。

AI agent 導入第一步：找出「純搬運資訊」的那條流程

Wang 講到具體做法時，給了一個框架，我覺得很值得抄。

他說，公司本質上就是一個大型的回饋迴路，人站在迴路的每一條邊上。你獲得客戶、你想辦法讓客戶更滿意、客戶滿意就買更多、買更多你就能請更多人、更多人再去找更多客戶。中間還有無數個小迴路在轉。

他說他們在 Meta 內部看過，只要迴路設計對了、給 agent 的評估指標對了，一群 agent 可以很輕鬆地勝過一支一百人的工程團隊。

這句話要打折。這是他的說法、Meta 的內部數據，外面驗不到，而且他有立場。

但框架本身是對的，而且免費。

把你的公司畫成一張迴路圖，然後問一個問題：

這條迴路上，哪一條邊現在是人在做，但那個人其實只是在搬運資訊？

那些邊就是你的第一批目標。不是挑最難的那一條，是挑搬運量最大的那一條。

至於評估指標本身怎麼設才不會自欺欺人，我另外寫過一篇講 eval 品質校準，這裡就不重複了。

先把立場標清楚

在你把這篇當結論收走之前，我必須把來源的立場標乾淨。Alexandr Wang 現在領導 Meta 的超智慧實驗室，訪談裡有幾段要當成公司立場，不能當中立分析：

► 「個人化超智慧」（personal superintelligence）的願景，說世界上每個人都會有一個專屬於自己的 AI。這是 Meta 的產品路線圖，不是產業共識。

► 他強調 Meta 押注開源、要讓模型便宜到人人可用。這對 Meta 是策略：開源可以打亂對手的定價，也能把開發者生態綁在自己身上。它不是慈善。

► 他提到 Meta 平台上現在有 2 億家企業，應該要成長到數十億。這是業務目標。

► 他說自家模型比競品便宜好幾倍。任何價格宣稱都當廣告看就好。

還有標題那個「一生一次的文明級機遇」（once-in-a-civilization opportunity），那是他的主觀修辭，不是事實描述。矽谷的人講願景一向不省形容詞，關於科技領袖的時程宣稱該打幾折，我另外寫過。

但有一件事值得注意：「瓶頸在擴散」這句話，跟他的商業利益其實有點衝突。他賣模型，他卻說瓶頸不在模型。

一個人講出對自己不利的話，那句話的可信度會高一點。

AI 導入到底要怎麼做？

一段話講完：AI 導入的起點不是選模型，是選流程。最小可行的做法是找出一條高頻、規則講得清楚、資料拿得到、目前由人在搬運資訊的流程，把它整條交給 AI agent 或自動化工作流，設好品質的評估指標，最後把舊流程關掉。只要舊流程還開著，這條 AI 就還沒有真正落地。

下面是拆解。

AI 導入行動清單：接下來三個月做什麼

切入重點，如果你是經營者或主管，這幾件事現在就能動：

► 先停掉「選模型」這件事。 挑一個夠好的，鎖定它，不要再花時間比較。模型能力已經不是你的變數了。關於程式碼變便宜之後競爭力如何換位，我在這篇講得更細。

► 把核心流程畫成一張迴路圖。 標出每一條邊上的人在做什麼，圈出「純粹在搬運資訊」的那幾條。這件事一個下午做得完，但九成的公司沒做過。

► 選一條邊，做到底，不要平均分配資源。 不要五個部門各導入一點。選搬運量最大的那一條，做到不需要有人回頭補救的程度。做不到底的導入，等於沒導入。

► 把 KPI 從「導入完成」改成「舊流程被關掉」。 只要舊流程還開著，人就會回去用。這幾乎是所有 AI 導入失敗案例的共同結局。

► 盤點你的資料和權限，而不是盤點工具。 MIT 那份報告講得很清楚，通用工具的問題是不會適應你的流程。它要能適應，前提是它讀得到你的東西。

► 看人的時候看動詞，不要看名詞。 抽象層一直在往上移：以前是寫程式，現在是指揮 agent，之後是設計一整群 agent 的分工。系統思考不會過時，這點我在Netflix CPTO 那篇講過。

常見問題

Q：AI 導入的瓶頸到底是什麼？
A：依照 Alexandr Wang 在這場訪談的判斷，瓶頸不在模型能力，而在「擴散」，也就是技術被推進真實流程、組織適應它的速度。第三方數據支持這個方向：Stanford AI Index 2025 顯示 78% 的組織回報使用 AI，但 MIT NANDA 的報告指出約 95% 的企業生成式 AI 試點對損益沒有可衡量影響，根因是組織的學習落差而非模型品質。

Q：模型能力大家都拿得到，我的競爭優勢在哪？
A：在組織吸收的速度。具體來說是三件事：你敢不敢關掉舊流程、你的資料和權限能不能讓 AI 讀得到、你有沒有把一條完整的迴路交出去而不只是交出一個步驟。

Q：小公司在 AI 時代還打得贏大公司嗎？
A：Wang 的判斷是機會反而變大了。他認為現在比較接近「歌利亞對歌利亞」，新創可以被 agent 大幅增強。大公司的劣勢不是不會用，是擴散慢，決策鏈長。如果你發現公司裡每個人都在用 AI、團隊速度卻沒變，這篇可能更對症。

Q：AI 導入和 AI 轉型差在哪？
A：AI 導入通常是把工具或系統放進某一段流程，驗收的是「有沒有上線」。AI 轉型是重新設計工作方式、決策流程、資料權限和績效指標，驗收的是「成本、速度或收入有沒有變」。很多公司做完前者就以為做完後者了。

Q：哪一種流程最適合先做 AI agent 導入？
A：挑高頻、資料來源清楚、判斷標準寫得下來、錯了的成本可控，而且目前需要大量複製貼上或跨系統查詢的流程。不要一開始就挑最複雜、最靠人情判斷的那一條，那是第二輪的事。

最後

Wang 在訪談收尾時說，未來稀缺的不會是智慧，也不會是代理能力，而是願景和企圖心。

這句話當雞湯喝沒什麼意思，但當成資源配置的判斷就很有用：當智慧變便宜，你唯一需要精算的，是你要把它指向哪裡。

不是我說，這一輪的差距不會出現在誰的模型比較強。

會出現在誰先把 AI 從「試點」變成「預設」。

（黃仁勳講的「AI 取代的是任務，不是職業」，其實是同一件事的另一面，有興趣可以接著看。）

資料來源

• Alexandr Wang: "This is a Once-in-a-Civilization Opportunity"，Y Combinator，Startup School 2026，2026 年 7 月 29 日發布，訪談人 Garry Tan。文中英文引述已對照 YC 官方逐字稿查核。
• Stanford HAI, AI Index Report 2025
• MIT NANDA,《The GenAI Divide: State of AI in Business 2025》

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。