AI 導入難題: 從慣性到突破的轉型之路
如何克服慣性，結合模型的理解能力與營運流程，將昂貴人本服務轉化為可規模化的解決方案，解析企業導入 GenAI 的 4 個常見場域與合適的 KPI 指標。
當一項技術過於本質，面臨的最大阻礙是人的慣性。
慣性消磨了改變的衝動，期望有人從外部點出方向，而不是自己從內部跳脫框架。
❏ 引言
嘿，大家上週過的好嗎？有曬到週二暖暖的早春陽光嗎？週三陪 kid 到大巨蛋看 Team Taiwan 對韓國樂天，現場看球感覺就是棒，而且我們贏球了！
因為工作關係，週二快閃了一趟高雄，和潛在合作夥伴商談如何在傳統製造業中推廣 AI 落地應用。
席間，夥伴提到一個他們經常遇到的客戶提問令我印象深刻：
「我有很多資料，我應該要怎麼運用 AI。導入 AI 的好處是什麼？」回程的高鐵上，我反覆咀嚼這個問題，在 Linkedin 上寫下我的思考：
企業問：究竟 AI 帶來的效益是什麼，我們要怎麼應用AI？
我內心的 OS：這個問題就跟 蒸汽機 和 網路 帶來的效益是什麼一樣 …
當一項技術過於本質，面臨的最大阻礙是人的慣性。
慣性消磨了改變的衝動，期望有人從外部點出方向，而不是自己從內部跳脫框架
蒸汽機: 無限動能
網路: 無限連結
AI: 無限理解
動能帶來的效益是什麼，我們要怎麼應用動能
連結帶來的效益是什麼，我們要怎麼應用連結
理解帶來的效益是什麼，我們要怎麼應用理解
或許，我應該這麼回答:「你問過 AI 了嗎？」這期我們來聊聊，當一項新科技/事物出現的時候，我們應該如何克服慣性轉換視角，找出連結以發揮創新；在企業應用上，又有什麼 系統化的方法，可以找出最佳的利基點，讓 AI 發揮綜效。
.
📚 文章目錄
1. 地平線擴展
2. 價值移轉 (從模型到應用程式)
3. 「營運」是實踐 AI 的理想領域
4. 衡量 AI 的成功
5. AI 下的職涯競爭力《非正式寫作》著墨琢磨 技術趨勢、溝通領導、概念理解 與 生活實踐。
每週派送，如果您還沒有訂閱，請在這裡訂閱，加入 600+ 位每週讀者的行列：
🔍 工人智慧猜你也喜歡
❏ 地平線擴展
昂貴的以人為本服務 + 人工智慧 = 更好的存取性與經濟實惠性
《Techno-Optimism and Horizon Expansion》[1] 一文中提到「地平線擴展」的概念，強調技術如何擴大對商品或服務的 可及性。
蒸氣機、網際網路，讓我們從農業時代走向工業時代，從商品時代走向服務時代。當「動能」與「連結」這兩個底層能力因為蒸氣機和網際網路這兩個變革性技術大幅擴增，民生基本需求 (食衣住行育樂) 在過去 20 年，變得大家都負擔得起，更好的存取性與經濟實惠性 (如上圖)。
為什麼科技沒有讓 教育、醫療保健、住屋 的價格顯著下降 (圖中的上半部)？我自己其中之一的解讀是：因為在滿足基本需求之前，本來就不會太在意這些，然後隨著民生基礎水平更加普及，更多人關注到更高層次的需求 (教育、保健、居住品味，等等…)，這些服務的價格自然就提高了。
另一點就是作者點出的，這些都是「昂貴的以人為本服務」(以前是拿時間換錢，現在選擇多了，時間更加珍貴)，並且進一步推論，人工智慧 (AI) 有機會像蒸氣機、網際網路技術那樣，使這些「昂貴的以人為本服務」普及化！
昂貴的以人為本服務 + 人工智慧 = 更好的存取性與經濟實惠性這個公式，我覺得也很適合用來思考企業該如何應用 AI (找出企業中有哪些昂貴的以人為本的作業流程 + 人工智慧可以提升存取性和經濟實惠性的部分)，例如：
教育：
客製化學習平台： AI 分析學生的學習數據，提供客製化的學習內容和進度 (
昂貴的以人為本服務)，讓學生能更有效率地學習，降低補習或家教的需求。AI 輔助教師： AI 可以自動批改作業、回答學生問題，協助老師處理重複性工作 (
昂貴的以人為本服務)，讓老師能將更多時間投入到學生個別輔導和更深入的教學設計上。
醫療保健：
AI 診斷輔助： AI 分析醫學影像、病歷等數據 (
昂貴的以人為本服務)，協助醫生更快速、準確地診斷疾病，減少誤診和延誤治療的風險。AI 心理健康輔助： AI 聊天機器人提供初步心理諮詢與支援 (
昂貴的以人為本服務)，降低尋求心理健康服務的門檻。
住屋：
AI 房地產估價： AI 分析市場數據和房屋資訊，提供更準確的房地產估價 (
昂貴的以人為本服務)，讓買賣雙方能更公平地交易。
.
❏ 價值移轉 (從模型到應用程式)
大型 AI 模型將會商品化 ... 真正的價值在於建構在這些模型之上的應用。
— Nandan Nilekani, Infosys Chairman
歷史經驗告訴我們，當變革性的底層技術出現，價值會由底層向上擴散 [2]。AI 的發展路徑亦不例外，它將逐漸成為普及化的基礎設施。善於整合並提供卓越使用體驗的公司，將會像過去的鐵路大亨和網路巨頭一樣，收穫巨大的成功。
即使不是 B2C 的企業 (像是傳統產業、製造業)，仍可以向內檢視哪些流程適合透過 AI 與既有流程整合，將內部協作的不同單位視為終端客戶，用產品思維提升原本協作上的存取性與經濟實惠性。
.
❏「營運」是實踐 AI 的理想領域
麥肯錫的營運部落格文章《Generative AI will first be successfully scaled in business operations》指出 [3]，生成式人工智慧 (Gen AI) 將首先在企業營運中成功擴大規模，並可能為營運帶來 1.4 至 2.6 萬億美元的節約機會。
文章中指出 GenAI 在企業營運中適合發揮功效的 4 個營運範疇 (4C)：
簡潔 (Concision)：Gen AI 具備詮釋大量非結構化資料的能力，用以辨識和總結營運流程中各個節點的大量資訊。
定制內容生成 (Creative content)：Gen AI 對於定制內容的潛在處理能力，可根據特定需求和情境，快速量身打造複雜且結構化的檔案。
個人化參與 (Customer engagement)：Copilots (副駕) 的對話互動方式，可以在不同領域引導客戶以最適合他們的方式完成任務。
軟體開發 (Coding and software)：Gen AI 輔助軟體開發和編碼讓企業更快速地從傳統系統進行大規模遷移。
硬湊成 4 個 C 開頭的單字雖然有一點牽強，不過這 4 個營運範疇讓我更進一步思考，所謂「理解能力」究竟涉及了哪些更具體的面向，以致於可以在這 4 個營運範疇有更好的發揮。
我上 Perplexity 利用 R1 推理模型詢問：
GenAI 的強項是對語言的理解能力，企業要導入 AI 取得效益首先得找出企業流程當中，哪些環節可以透過這個理解能力來增加效率或革新流程。
但是，理解能力是一個比較廣泛的抽象，比較難馬上讓人聯想到這個能力可以發揮在什麼地方。
因此，是不是我們可以針對語言的理解能力，做一個面向分解，看看所謂語言的理解能力究竟包含哪些實質，透過這些實質更好的聯想到，如何在日常或企業流程中加以應用。來看看模型的回答 (我覺得挺不錯的)：
語言理解能力是生成式 AI 的技術核心，可分解為六大技術層次與對應的企業應用場景。以下是從技術本質到業務價值的結構化分析：
一、語言解析基礎層
1. 語法結構解析
依存句法分析：建立詞語間的邏輯關係圖譜 (如主謂賓結構)
詞性標註：精確識別動詞/名詞/形容詞等語法角色
應用場景：
合約審查自動化 (識別責任主體與義務條款)
技術文檔結構化 (提取 API 參數與函數關係)
2. 語義單元拆解
命名實體識別：定位人名/組織/日期等關鍵元素
指代消解：釐清代詞指涉對象 (如"該產品"的具體指向)
應用場景：
客戶郵件自動分類 (識別產品型號與問題類別)
會議紀要關鍵信息提取 (決策事項與負責人映射)
二、上下文理解層
3. 意圖識別
多輪對話狀態跟蹤：維持跨對話輪次的上下文連貫性
隱含需求推斷：從表面詢問推導真實需求 (如"系統慢"可能需硬體升級)
應用場景：
智能客服工單自動升級 (識別客戶情緒與緊急程度)
銷售線索質量評分 (判斷採購意向強度)
4. 領域適應
專業術語建模：構建行業專用詞庫與知識圖譜
上下文消歧：解決一詞多義問題 (如金融領域"頭寸"特指)
應用場景：
醫療報告自動解析 (區分藥品名與化學成分)
法律條文對照分析 (特定法條的適用場景判斷)
三、價值創造層
5. 知識推理
邏輯鏈構建：從分散信息推導結論 (如故障現象→可能原因)
時序關係建模：識別事件因果鏈 (訂單延遲→供應鏈瓶頸)
應用場景：
設備維修知識庫自進化 (故障碼→解決方案匹配)
供應鏈風險預警 (多源數據關聯分析)
6. 多模態融合
跨媒介語義對齊：整合文本/圖像/表格信息
多語言統一表示：建立跨語種的概念映射
應用場景：
工程圖紙智能解讀 (文字標註與CAD圖關聯)
全球合規審查 (多語種法規交叉驗證)
.
❏ 衡量 AI 的成功
營運領域是實踐生成式人工智慧（Gen AI）的理想場域，這不僅因為其強大的語言理解能力能在各環節大幅降低成本，更由於營運流程通常具備較成熟的測量與報告機制，有助於精確評估 Gen AI 所帶來的效益。
當導入一項新技術時，若主要目標並非開拓新的營收來源，而是優化營運效率，那麼如何讓這些優化成效清晰可見，便成為關鍵所在。
在我接觸過的許多 AI 導入案例中，失敗的原因往往在於初期未能明確定義目標成效，僅以「試試看」的心態進行概念驗證（POC）。這導致最終結果無論好壞，都難以釐清成功的原因或失敗的改進方向。
《Measuring gen AI success: A deep dive into the KPIs you need》[4] 一文深入探討了如何衡量生成式人工智慧的關鍵績效指標（KPI），包括模型品質、系統效能、業務營運、採用率以及商業價值等面向，並提供了如何透過這些指標最大化 AI 投資回報率（ROI）的實用建議，值得參考。
.
❏ AI 下的職涯競爭力
如果人工智慧模型可以做我做的事，而且做得更好、更快，那我的職業生涯該怎麼辦？
《How to have a career even when OpenAI's o3 drops》針對這個問題提出了一個有意思的觀點：
這種顯著的進步取決於一個關鍵因素：存在明確定義正確與錯誤答案的資料集。沒有這樣的驗證，幾乎不可能訓練出超人的 AI 模型。你無法優化你無法測量的東西，而你也無法在沒有基本真相來源的情況下產生合成訓練資料。
這也解釋了為什麼具有明確對錯答案的領域，例如數學或程式設計，會最先出現超人的 AI 表現。明確指標的存在使得這些領域容易受到自動化的影響。
如果你的任務或工作夠清晰可辨，可以放入資料集，AI 公司遲早都會找到方法將它自動化。
人們可以從中汲取什麼教訓呢？我認為主要的教訓是：如果你的工作有足夠的可讀性，讓人們可以做出一個數據集，清楚地指出哪些是對的，哪些是錯的，那麼你在你的工作上，人工智慧模型成為「超人」的風險是最高的。如果能夠以可驗證的方式闡明您的思考過程，風險就更大了。
以網站設計師 K 為例：
K 的價值不在於網站設計的技術能力：大部分都是基本的 HTML、CSS 和 JavaScript。他的價值其實是來自於瞭解客戶的需求、他們想要的整體美感，然後以極度嚴謹的細節將其轉換成可運作的網站。要找人來標示這樣做是 「對 」還是 「錯」，既困難又昂貴 - 每項設計決策的成功與否，都取決於環境因素和特定客戶未明言的偏好。不像數學問題有明確的正確答案，如何建立一個數據集或驗證者的思考過程模型來引導 LLMs 找到正確的答案，是完全不清楚的。
我們可以用「品味」這個詞來理解這種能力。這種能力之所以難以被數據化，是因為它的成功與否取決於情境、主觀判斷，以及那些難以正式化的隱性知識。
展望未來，企業在招募人才時，將更加重視這些「品味」型的特質，並評估候選人是否能夠善用 AI 工具，將自身的品味以事半功倍的效率放大。這將成為人才競爭中的一個關鍵優勢。
.
❏ 結語
回到文章開頭的核心問題：「究竟 AI 帶來的效益是什麼，我們要怎麼應用 AI？」經過深入探討，我們可以得出一個系統性的答案：
AI 的核心價值在於讓昂貴的以人為本服務變得更容易存取且更經濟實惠。
隨著 AI 模型能力的逐漸飽和，未來的價值將更多地來自於基於這些模型的創新應用。即使企業內部沒有直接的應用實體，「營運」本身作為富含人為操作的領域，也能透過 AI 的抽象化能力，進一步節約成本並提升體驗。
透過深入理解語言模型的能力，我們可以識別出營運流程中最高價值的部分，並將其與 AI 技術結合。同時，關注對應的指標以具體化成效，將有助於 AI 技術在更多場域中順利推展。
最後，AI 自動化所節省的時間與人力，應該被重新投入到更具「品味」的思考與規劃中。無論是個人職涯的發展，還是企業的人才藍圖，都需要在 AI 時代中重新定位，找到那些難以被自動化的核心價值，並以此為基礎，創造更大的影響力。
~
🦥 parting thoughts 🦥
為了讓我們之間的連結更加緊密，我特別創建了一個開放的 Telegram 群組，作為我們共同成長與交流的專屬空間。在這裡，不僅能即時分享最新內容的延伸討論，還能彼此激盪想法、交換心得，甚至提出你感興趣的主題，讓未來的內容更貼近你的需求 👬。
Coffee chat：如果想和我線上聊天，也歡迎預約《非正式閒聊》。無論是技術創新、團隊管理，或是個人成長 方面的話題，都歡迎尬聊。期待透過輕鬆愉快的對話，與各位交流分享、互相學習 🥳。
如果這篇文章有幫助到你，記得按讚加分享 👍，請我喝杯咖啡 ☕，我們下期見！
🔖 參考資料
[1] Techno-Optimism and Horizon Expansion -
[2] The Great AI Power Shift - From AI Models to AI Applications -
[3] Generative AI will first be successfully scaled in business operations - https://www.mckinsey.com/capabilities/operations/our-insights/operations-blog/generative-ai-will-first-be-successfully-scaled-in-business-operations
[4] Measuring gen AI success: A deep dive into the KPIs you need - https://cloud.google.com/transform/gen-ai-kpis-measuring-ai-success-deep-dive
[5] How to have a career even when OpenAI's o3 drops - https://pradyuprasad.com/writings/how-to-have-a-career-even-when-o3-drops/