很多公司導入 AI，一開始大家都說好用，過一陣子卻沒人在用。問題常常出在沒先看懂流程和真正的需求。我從提示工程師退燒、AI 顧問免費接案，到國外企業的導入案例，整理導入 AI 前要先做的 4 件事。
摘要：三年前，提示工程師被視為年薪千萬的新職業；現在，國外連 AI 顧問都在找免費案子接。這篇從一篇 Medium 文章出發，對照摩根士丹利、Taco Bell、Klarna 的導入經驗，以及我自己開發志工軟體的經驗，談企業導入 AI 時，真正決定成敗的往往是流程與需求。
核心結論：
- 會下 prompt 不難，難的是搞懂一個產業、一門生意，做出能用也賣得出去的東西。
- AI 導入成不成功，關鍵常常在有沒有接上真實的工作流程，以及有沒有保留人判斷和接手的空間。
- 「覺得不錯」跟「真的會打開來用」是兩回事，工具要回應剛需、融入原本的流程，才會被持續使用。
- 導入 AI 前，可以先做 4 件事：理解問題、確認流程與需求、在真正需要的地方加入 AI、小型測試再擴大。
這篇你可以看到：
- 為什麼 AI 顧問從一小時 1,000 美元，變成免費都不一定有人要
- 摩根士丹利、Taco Bell、Klarna 導入 AI 的成功與踩雷案例
- 我開發志工軟體時，從沒人用到被使用的經驗
- 導入 AI 前要先做的 4 件事
大家應該還有印象。三年前，ChatGPT 爆紅。那時候，曾經有一個新興職業，叫做「提示工程師」。也就是 prompt engineer。當時也有人暱稱是「下咒語的人」。
它一度成為最熱門的新職業。甚至有 AI 公司開出年薪 33.5 萬美元。換算下來，大約是新台幣一千萬。那時候，很多人相信：只要你會下 prompt，就能站上下一波浪潮。
我自己當時也有被影響到。因為身邊有朋友一直跟我說，這個職業之後會很重要。會下指令的人，會變成新的專業人才。我那時候也很好奇：所謂的「提示工程師」，也就是會下指令的人，到底有多厲害？
這件事到底需要多少專業？是不是真的有一套方法，不是一般人自己摸一摸就能學會？所以我還真的花錢去上課。結果上完之後，我心裡反而更懷疑了。
不是說它完全沒用。而是我發現，這件事沒有神祕到那個程度。課程會說，你要讓 AI 知道它的身份。要給它某個脈絡。要把任務說清楚。這樣它才會回答得更精準。
但如果你真的開始使用，就會發現一件事：即使用相同的 prompt，不同專業和經驗的人來操作，產出的結果還是大不相同。
從根本邏輯來看，要讓 AI 回答得好，需要的是表達清楚、目標明確、懂得拆解問題。但這些能力，本來就不是 AI 時代才出現的。
只是 AI 把它重新包裝成一個新職稱。
最近，我又看到很多新興職業和課程。像是用 AI 寫程式。用 AI 開發 App。用 AI 做自動化工具。
我又開始懷疑：AI 都可以一步一步教你做了，為什麼還需要特別學這個？而且，就算 AI 幫你做出來了，它真的有解決問題嗎？
直到最近，我在 Medium 讀到一篇文章，開始回答了我的疑點。想說也分享一下。作者說，過去 90 天，一堆 AI 顧問、AI 開發公司主動找上他。只想問一件事：「你那邊有沒有案子可以接？」「免費的也可以。」這個反差很值得想。
作者 Joe Procopio 是連續創業家，在 Medium 有 13.7 萬人追蹤。他在 2010 年，就做過最早一批生成式 AI 平台。他說，AI 最熱的時候，他和身邊的朋友，都收過「一小時 1,000 美元導入 AI」的邀約。
但現在，這些邀約幾乎都消失了。他整理了幾個原因：
- 一開始混進太多投機者，學幾個流行詞就自稱 AI 顧問
- 「用 AI 取代人力」很好賣，但投資報酬率一直沒出現
- 一般人自己也學會了怎麼下指令
- 新一代顧問開始崛起，靠的不是工具，而是產業經驗和商業理解
其中有一段，我特別有感。他說，很多人後來才發現：AI 工具本身其實不難學。真正難的，是搞懂一個產業、一門生意，並且做出「能用，也賣得出去」的東西。
這句話，我很認同。作者說，現在很多顧問願意免費做。但我覺得，免費都不一定有人要。因為沒用的東西，就算不收錢，光是坐下來溝通、解釋、開會，都在浪費彼此的時間。
對企業來說，時間本身就是成本。
回頭看當初看到「prompt 師」這個職稱，我其實也覺得很荒謬。不是說 prompt 不重要。
而是它沒有重要到，可以單獨變成一門生意。你可能下得更精準，產出會有一點差異。但隨著 AI 越來越強，這個差異正在快速縮小。
所以，當大家都在談某個趨勢時，我們真的要多問幾句：
這是不是真的需求？
這個需求是不是真的夠痛？
這件事難到需要你幫忙嗎？
還是它只是看起來很新？
AI 導入成不成功，關鍵不是技術，而是流程
我最近也查了一些國外企業導入 AI 的案例。發現最有趣的地方是：成功案例，通常不是因為 AI 技術多驚人。失敗案例，也不一定是因為 AI 不夠強。
真正的差別，是在它有沒有接上真實的工作流程。如果 AI 解決的是每天都會發生的痛點，它就很容易被使用。但如果 AI 只是為了展示「我們也有導入 AI」，那就算技術看起來很新，也很容易卡在現場。
先說一個成功的案例。美國投資銀行摩根士丹利，在 2023 年推出給理財顧問使用的 AI 助理。它沒有一開始就說要取代理財顧問。
它先解決一個很具體的痛點：公司內部有超過 10 萬份研究報告和文件。理財顧問平常要花很多時間翻找資料。AI 助理上線後，理財顧問能順利找到的文件，從大約 20% 提高到 80%。
最後，超過 98% 的理財顧問團隊都在使用。這就是好的導入。不是因為 AI 很炫。而是它真的接上了日常工作流程。
再看一個踩雷的案例。美國速食連鎖 Taco Bell，從 2023 年開始，在 500 多家得來速導入 AI 語音點餐。原本想減少點錯，也想加快速度。
結果有人惡作劇，一次點了 18,000 杯水。也有人點了大杯飲料，AI 卻一直追問：「要搭配什麼飲料嗎？」相關影片在網路上被看了上千萬次。
後來，他們的數位長公開表示，會重新思考哪些店、哪些時段適合使用 AI。尖峰時段，還是要讓員工在旁邊看著，隨時接手。
瑞典金融科技公司 Klarna。2024 年，他們說 AI 客服一個月就處理了三分之二的客服對話。等於 700 位全職客服的工作量。公司也因此凍結招聘。
但到了 2025 年，執行長自己承認，當初太看重成本，服務品質掉下來了。所以他們又開始重新招募真人客服。
三個案例放在一起看，差別好像不在誰的 AI 比較厲害。真正分出高下的地方是：有沒有先搞清楚這門生意。有沒有理解使用者真正卡在哪裡。有沒有把 AI 接進日常流程。有沒有保留人可以判斷和接手的空間。
MIT 的研究也有類似結論。在他們研究的企業裡，大約 95% 沒有從生成式 AI 專案中，看到可以衡量的財務回報。問題多半不在模型。而在 AI 沒有真正接進公司的日常工作流程。
我自己也踩過：大家都說好用，然後就沒人用了
這件事，我自己也踩過坑。之前在一個志工專案裡，我開發了一個軟體。第一次推出時，大家都覺得很不錯。操作不難。介面也可以。現場反應也很好。
但很快地，它就沒什麼人用了。後來回頭看，原因很單純：它不是大家的剛需。也沒有真正融入志工原本的流程。所以就算大家覺得不錯，實際用處還是有限。
「覺得不錯」跟「真的會打開來用」，完全是兩回事。第二次，我把它跟真正的剛需綁在一起。它才開始被使用。差別在哪裡？差別在於，我有沒有真的理解幾件事：
這個工具要解決什麼問題？
它對原本流程有沒有幫助？
這個功能是不是回應某個剛需？
它有沒有接上關鍵機制？
這就是理解。不是我覺得它好用。也不是大家口頭上說不錯。而是它有沒有真的卡進日常工作裡。
這跟過去設計思考剛進台灣有點像：單純導入工具，很快就沒吸引力了
昨天剛好跟一位資深顧問聊到這件事。如果設計思考、服務設計，只是單純幫別人導入工具，那其實不是最難的。因為工具一直會變。方法論也一直會變。而且每個組織的狀態都不同。
真正困難的是：
我們怎麼理解這門生意？
怎麼理解組織裡的人？
怎麼用工具幫助他們對話、判斷、做決策？
到了這個層次，工具的產出就不是重點了。重點是，它有沒有讓組織真的往前走。那位顧問過去是做六個標準差的。他聽完也非常認同。
因為不管工具叫什麼，真正有價值的，都不是工具本身。而是你能不能把它接回真實的商業問題。
因此，我在導入 AI 之前，會先做的幾件事
回到我自己的工作。這幾年，我用 AI 越來越多。但順序我一直盡量守著。
第一，先理解問題。
到底目前問題出在哪裡？解決這個問題的價值有多高？（會不會現在的方法雖不好，但影響範圍小、代價不高，根本不急迫、不重要）
第二，確認流程與需求。
目前的流程長什麼樣子？人們的真實需求是在哪邊？（不要導入了，卻沒有人要使用）
第三，在真正有需要的地方加入 AI。
找到AI能發揮關鍵的地方（不外乎就是具重複性、大量資訊等）那些還需要人的部分，請留下來（如果涉及五感的品質、財務、安全或生命可靠度，大概就還是需要有人）！
第四，小型測試，再逐步擴大。
先小規模測試，看看是否解決問題，找一個清楚的場景。找一群真的會用的人。先看它能不能解決問題。再看它有沒有辦法融入流程。如果測試結果有效，再慢慢擴大。
如果測試結果不好，也不要急著怪使用者不懂 AI。更應該回頭問：
是不是問題定義錯了？
是不是流程沒有接上？
是不是需求不夠剛性？
是不是這裡根本不需要 AI？
這些問題問清楚，才有機會讓工具真的產生價值。
工具會不斷出現，底層邏輯不會
回頭看這幾年，工具一直在換。從各種方法論、框架，到現在的 AI。以後一定還會有新的東西出現。但真正需要累積的，不是追逐每一個工具。
而是理解真實世界的底層邏輯。
這門生意怎麼運作？
組織裡的人怎麼做決定？
第一線每天實際在處理什麼？
使用者真正的痛點在哪裡？
這個工具能不能接進既有流程？
工具會不斷出現。趨勢會一波一波過去。我們可以善用工具，但不要把工具誤認成價值本身。真正的價值，不是你會不會用 AI。而是你能不能用 AI，解決一個真實、重要、值得解決的問題。
所以，下一次再聽到某個很紅的新趨勢時，也許我們可以先問一句：這真的是需求嗎？還是它只是另一個被包裝得很漂亮的工具？
參考資料
- Joe Procopio (2026). The “AI Consultant” Market Is In Serious Trouble. Entrepreneurship Handbook（Medium）. https://medium.com/entrepreneur-s-handbook/the-ai-consultant-market-is-in-serious-trouble-afa0c97e886f
- Bloomberg (2023). $335,000 Pay for ‘AI Whisperer’ Jobs Appears in Red-Hot Market. https://news.bloomberglaw.com/daily-labor-report/335-000-pay-for-ai-whisperer-jobs-appears-in-red-hot-market
- OpenAI. Morgan Stanley customer story. https://openai.com/index/morgan-stanley/
- BBC (2025). Taco Bell rethinks AI drive-through after man orders 18,000 waters.（轉引自 AI Incident Database）https://incidentdatabase.ai/reports/6654
- Entrepreneur (2025). Klarna Is Hiring Customer Service Agents After AI Couldn’t Cut It on Calls. https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396
- MIT Project NANDA (2025). The GenAI Divide: State of AI in Business 2025.（報導：Computing）
延伸閱讀
（想知道 AI 時代找顧問前該問什麼，請點這篇文章）
（想了解 AI 讓產出變便宜之後，為什麼更需要設計營運，請點這篇文章）
（想看我怎麼用 AI 做產業研究、再到現場驗證，請點這篇文章）
關於作者
伍志翔 Mike Wu，DreamVok 意集設計與 5% Design Action 共同創辦人，台科大服務設計博士，長期陪伴企業、政府與公益組織做服務設計、ESG 策略與組織變革。想討論 AI 導入前的流程梳理或工作坊合作，歡迎到合作頁和我聯繫。
