AI 導入

工具買了、帳號開了、教育訓練也上過了,為什麼損益表上還是看不到東西?這裡整理企業推動 AI 時真正卡住的地方:組織吸收的速度、流程裡的等待、被寫成 SOP 的判斷,以及上線之後怎麼改進、怎麼算得過。適合要對老闆交代 AI 成效的主管與推動者。

這一頁談的是組織那一層。

個人用 AI 用得很順,跟公司真的因為 AI 變快、變省,中間隔著採購、權限、流程、驗收好幾關。

以前導入一套系統,上線那天就算結案,接下來叫維運。現在導入 AI,上線才是開始:流程要改、判斷要寫下來、失敗要有人記,帳還要算得過。

想像一下,月會上老闆問你:「AI 導了半年,到底省了多少?」你手上有使用次數、有滿意度,就是沒有一個數字接得上損益表。

如果你問我,導入卡住的地方幾乎都不在模型。

模型大家都買得到,差距出在組織吸收它的速度。這裡從瓶頸診斷、第一個題目怎麼挑,談到上線後怎麼改進,適合推動 AI 的主管,也適合被要求「把做法寫下來餵給 AI」的資深同事。個人怎麼把工具串成流程,看 AI 工作流 主題頁;大型組織的平台、治理與成本,看 企業 AI 主題頁。

從哪裡開始讀

先看清楚卡在哪

流程與人的那一層

上線之後,別讓它空轉

常見問題

AI 導入的瓶頸到底是什麼?

依 Alexandr Wang 在 Y Combinator 訪談中的判斷,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。Stanford AI Index 2025 顯示 78% 的組織回報使用 AI,MIT NANDA 的報告則指出約 95% 的企業生成式 AI 試點對損益沒有可衡量影響。見這篇。

MIT 說 95% 的 AI 投資零回報,意思是 AI 沒用嗎?

沒有這個意思。那份報告量的是損益表上有沒有量得到的改變,並沒有在評模型聰不聰明,報告也寫明落差來自做法。報告也顯示,中型企業的頂尖表現者從試點到全面上線平均 90 天,年營收破一億美元的大企業要九個月以上。見這篇。

第一個 AI 導入題目該怎麼選?

挑高頻、資料來源清楚、判斷標準寫得下來、錯了成本可控,而且目前需要大量複製貼上或跨系統查詢的流程,最靠人情判斷的留到第二輪(見這篇)。精誠講堂的評估矩陣則用「商業價值」和「技術可行性」兩個維度打分數,資料不齊的題目分數再高也排後面(見這篇)。

TypeSafe AI 的 Jev 是什麼?適合拿來做什麼?

TypeSafe AI 是前 OpenAI 研究員 Diogo Almeida 創立的公司,Jev 是它推出的模型。Jev 不生成文字:你定義輸入和輸出格式(schema),它回傳每個選項的機率。適合分流、評分、路由這類「在已知選項裡做選擇」的事,不適合需要推理鏈或即時外部資訊的任務。見這篇。

「自我改進的 AI」是行銷詞:解碼 Warp 的 agent 迴圈,真正在改進的是那道人類核准關卡

AI Agent

「自我改進的 AI」是行銷詞:解碼 Warp 的 agent 迴圈,真正在改進的是那道人類核准關卡

Anthropic 官方案例說 Warp 做出了「會自我改進」的 agent。我把它拆完,還去查了它連出去的公開範例,結論跟標題不太一樣:真正在改進的不是 AI,是那道人類核准關卡。這篇拆給台灣電商:怎麼把公司的判斷變成可以看 diff、要簽名才能改的檔案,以及為什麼回饋要挑人,不是越多越好。

By Lewis wang