從評審桌上的一句「有人用嗎」，談 AI 時代的採用與治理
近年有機會擔任一些大型比賽的評審，我們在討論作品時，經常遇到一個有點尷尬的狀況：團隊很認真、服務看起來也不錯，願景更是動人；但一問到「使用量」或「實際接觸人數」，數字卻低得可憐。這篇想談的，就是這個落差在 AI 時代會變成什麼樣子，以及為什麼設計營運（DesignOps）反而更重要。
- 問題：AI 把「做得像樣」變得又快又便宜，但好用與被接受，並沒有跟著變便宜。
- 兩種誤區：放任 AI 野生生長，或在缺乏實據前就押一場大型轉型。
- 解法：DesignOps 從「產出治理」走向「採用治理」，並落實三件事。
好棒棒，不等於好好用
使用人數少，當然不一定代表服務有問題。有些議題面對的本來就是少數群體；但更多時候，目標族群明明不小，服務真正觸及的範圍卻相當有限。
這個問題聽起來有點掃興，好像評審只看 KPI，不在意團隊處理的問題。但我反而認為，這才是關鍵：一個服務好不好用、能不能發揮價值，最後不能只由提供者自己判斷，還是得看使用者願不願意用。
所以，我和幾位評審最近有一個共識：「好棒棒」很可能只是一種自我感覺良好。做得再完整，如果沒有真的被使用，也沒有得到市場或服務對象的回應，它就還不能算有用。
這個問題一直都存在，只是過去藏得比較深。以前要把東西做「好」很慢，中間還有不少機會發現方向不對；現在 AI 把「做得像樣」變得又快又便宜。每一個 AI 都能生出看起來很不錯的東西，但它不一定好用，更不代表有人願意接受。
從兩篇文章，看到 AI 導入的兩種誤區
最近我讀到兩篇文章，剛好讓我把 AI 導入時常見的兩種反應放在一起看。
第一篇其實不是在介紹一個新工具，而是把 AI agent 大量進入企業之後的壞消息放在一起看。SAP 提到，企業正在部署數百個專門代理；有些代理會碰觸關鍵任務與敏感資料，還能選擇工具、彼此協作、自己做決定。數量一多，風險就不只是一個答案講錯，而是組織可能連有哪些代理正在工作、它們碰過什麼資料、做過哪些動作，出了問題又該由誰接手，都說不清楚。這就是 agent sprawl：很像過去的影子 IT，但代理會自主行動，所以代價更高。
看到這些壞消息，我們很容易跳到另一個直覺：既然 AI 會重新拆解工作，乾脆趁導入時，把流程、角色、權責與營運模式一起大翻修。這個想法放在簡報裡很完整；回到真實組織，就會發現它很難。流程圖可以重畫，但人對責任的理解、跨部門的信任、績效制度與既有習慣，不會跟著專案時程一起改。Matt Whetton 在〈You don’t need to rebuild the business first〉這篇文章寫得很好。
比較適切的順序，是先交付一個小而真實、放在既有工作方式旁邊也能產生價值的東西。讓結果先出現，再根據證據決定要放大什麼、哪些流程真的需要改；如果連單獨的價值都還沒有，就早一點停，不要先把整個組織綁在一場尚未被證明的轉型上。
放在既有工作方式旁邊也能產生價值
用證據決定放大什麼、哪些流程真的要改
不要把整個組織綁在未被證明的轉型上
這兩篇放在一起看，可以看到同一件事：不要放任 AI 的運用野生生長，也不要在缺乏實據前，就先押一場大型轉型。
否則，AI 治理如果只剩封鎖，員工一定會繞路；如果只剩快速試做，組織最後會養出一堆沒有人敢關的代理。
DesignOps 原本的野心，不只是行政支援
談到這裡，剛好最近國外的設計趨勢中，開始在興起一個過去曾經紅極一時，但後來卻常被做小的概念：DesignOps。
Nielsen Norman Group 將 DesignOps 定義為對人、流程與設計實作的編排與優化，用來放大設計的價值與影響。它談的有三塊：
| 三個範疇 | 它在處理什麼 | 典型的工作 |
|---|---|---|
| 我們怎麼一起工作 | 組織與人的安排 | 團隊怎麼編、角色怎麼定、會議節奏、新人怎麼進來 |
| 我們怎麼把事情做完 | 流程與工藝的一致性 | 流程被記錄下來、工具統一、設計系統、研究資料找得到 |
| 我們的工作怎麼產生影響 | 成效與擴散 | 什麼叫「做完」、品質怎麼衡量、怎麼讓非設計師也用得上 |
可惜的是，後來不少組織把它縮成行政支援：管 Figma 授權、排會議、追進度。這些事情固然要有人做，但 DesignOps 原本的野心大得多。它要處理的是，怎麼把「以人為本」從少數設計師的堅持，變成換了人也能繼續運作的機制；也要讓研究、設計、測試與決策，真的被組織接得住。
而 AI 正在把「產出」變得又快又便宜。以前 DesignOps 很大一部分力氣，放在怎麼把好東西穩定地做出來；現在，產出速度上來了，真正的瓶頸反而往後移：這個東西有人用嗎？被接受嗎？創造的價值撐得起維護成本嗎？誰會被留在外面？出了問題，誰接得住？
| 過去：產出治理 | 現在：採用治理 | |
|---|---|---|
| 要解決的問題 | 怎麼把好東西穩定、一致、快速地做出來 | 怎麼讓好東西真的被用起來、被接受 |
| 成功的定義 | 產出的品質與一致性 | 有人用、被接受、價值撐得起維護成本 |
| 最稀缺的能力 | 做得出來 | 判斷值不值得做、誰會被漏掉、誰負責 |
所以，我認為：DesignOps 在 AI 時代重新被重視，是因為產業趨勢從「產出治理」走向「採用治理」。表面上，它在管 AI 工具與代理；實際上，管的是一個新能力如何進入組織、改變人的工作，最後留下什麼結果。
AI 時代，DesignOps 要做的三件事
- 1先定義什麼算成功，再從小地方改變習慣把成功放回真實旅程裡定義，不要拿產出當成果
- 2刻意去找沒有被資料代表的人AI 整理的是「已經被記錄下來的世界」
- 3讓每一次試作都能被負責、被交接，也能被管理誠實的入口，要比偷做更省事
一、先定義什麼算成功，再從小地方改變習慣
AI 專案很容易拿產出當成果：做了幾個代理、省了多少操作步驟、回覆速度快了多少。這些數字看似厲害，但還不夠。
DesignOps 要把成功放回「真實旅程」裡定義：使用者在什麼情境下使用？他真正要完成的事情有沒有完成？原本的價值有沒有送到他手上？失敗時，他知不知道下一步可以找誰？
說白一點，稽核不能只問「有沒有做錯」，還要問「有沒有人用、值不值得留」。如果一個代理完全合規，卻沒有人願意用，它仍然是一筆維護負債。
而要做到這件事，通常不用先把整套流程打掉重練。比較實際的做法，是先找到一個會影響日常習慣的小地方，再用制度、規則或績效設計，讓新的行為慢慢留下來。
例如，組織想了解每個專案投入了多少工時。過去的做法，多半是請大家另外填表；到了 AI 時代，我們是不是就要再做一套很厲害的監測系統？
其實不用（這樣也太貴了）。簡單來做，可以先請大家在行事曆活動名稱裡帶上「專案名稱」，AI 就能從既有紀錄整理各專案投入，協助看出資源配置與缺口。改變很小，卻讓原本依賴大家事後補填的工作，變成日常工作自然留下的資料。
二、刻意去找沒有被資料代表的人
這一點，是服務設計與設計倫理特別需要介入的地方。
AI 很會整理資料，但它整理的是「已經被記錄下來的世界」。沒有進到系統的人、習慣打電話而不填表的人、需要別人協助才能完成流程的人，從一開始就很容易被排除。
我在一場病友共創分享會裡，感受特別深。客戶希望理解病人在醫療歷程中的痛點，但網路上的相關資料，多半出自醫師、衛教單位與研究者。那是專家轉譯過的病人，不等於病人自己。
那時我們才聽見一句很關鍵的話：
這句話不在網路裡、也不在大眾書籍裡。因此，AI 可以整理已經被聽見的聲音，但「真正不發生在數位足跡上的聽見」仍需要有人設計方法、場域與關係。
因此，AI 治理若只檢查模型準不準、資料乾不乾淨，仍然少了一半。設計師還要一起檢查：我們實際服務到誰？哪一群人根本沒有進入資料？效率提高之後，那些原本就不容易接觸服務的人，有沒有被留在外面？
三、讓每一次試作都能被負責、被交接，也能被管理
設計很重視「用手思考」。當然不是不用腦，而是透過做出東西，讓原本藏在腦中的假設提早浮現。所以，「先做再說」固然重要，後面一定還要接一套很土、但有用的檢核：
- 1這是誰建的？他明天離職，還有人知道它怎麼運作嗎
- 2規格與判斷紀錄放在哪裡？還是全部在某個人的對話紀錄裡
- 3出了問題，誰負責，而且這件事寫在哪裡？不是「大家都有責任」，是白紙黑字的那一個人
- 4能不能關掉？關掉之後，哪一段工作會斷掉？可逆性是底線，不是加分項
這四題回答不出來，代理做得再漂亮，都還不能算組織能力。它只是某個人帳號裡的一段聰明對話，而不是組織集體共識的結果。
同樣地，治理入口也不能比偷做更麻煩。如果登記一個代理要填三張表、等兩週，而自己做只要一個下午，大家當然會自己做（人沒有比較壞，只是在算成本）。所以，治理入口的第一個設計原則，是讓誠實比隱藏更省事：用簡單的方式留下用途、負責人、資料範圍、成效指標與退場條件，之後再依風險決定需要多少審查。
這才是 DesignOps 可以補上的地方。它不取代 IT、法務、資安或稽核，而是把使用者情境、行為、成效與責任接進同一套運作方式，讓小規模的價值有機會放大，也讓沒有價值的東西可以好好結束。
最後：有人用嗎？
我知道這篇談了不少治理，但我並不是要替 AI 潑冷水。剛好相反，AI 的速度真的很迷人；只是能力變便宜之後，稀缺的東西換了位置。以前稀缺的是「做得出來」，現在更稀缺的是判斷值不值得做、有沒有人真的需要、誰可能被漏掉，以及組織願不願意為結果負責。
所以下一次看到一個很厲害的 AI 成果展示，我會先問四個問題：
- 1有人真的用嗎？合規但沒人用，仍然是一筆維護負債
- 2誰沒有被看見？哪一群人根本沒有進入資料
- 3出了問題，誰負責？而且這件事寫在哪裡
- 4這個東西能不能被交接，也能不能被管理？關掉之後，哪一段工作會斷
這四句是我認為 DesignOps 在 AI 時代最該守住的工作。AI 讓「做得好」愈來愈容易；至於「有沒有用」，仍然要回到人與現場才算數。
參考資料與延伸閱讀
- SAP News Center：AI in 2026: Five Defining Themes
- SAP News Center：AI Agent Sprawl — Why AI Governance Is Now a Board-Level Issue
- Matt Whetton：You don’t need to rebuild the business first
- Nielsen Norman Group：DesignOps 101
- Mike Wu：以病人為中心的醫療服務創新——重要性、阻礙與實踐做法
