AI 很快，但治理設計要走在自動化前面。

目標和流程沒想清楚，AI 可能讓我們失敗得更快、錯得更多，也花得更多！

最近國外的趨勢剛好跟這期《商業周刊》封面呼應：「AI 開始變貴了。」

精確一點說，Token 成本下降，沒辦法抵銷成本消耗的速度。真正失控的原因可能是「AI 代理人的使用量，增加得比降價速度還快」。一些案例如下：

• Uber 在 2026 年前四個月，就用完一整年的 AI 工具預算，後來只好限制每位員工、每項工具，每月最多使用 1,500 美元。
• Facebook 母公司 Meta 也曾用排行榜，鼓勵全公司八萬五千名員工多用 AI；燒掉超過七十兆個 Token 後，排行榜下架了，現在反過來即時追蹤各團隊的用量與花費。Amazon 也悄悄撤下類似排行榜。
• 連 Palantir 執行長 Alex Karp 最近都公開質疑：企業付了這麼多 Token 費用，卻說不清楚得到什麼結果，這個模式可能出了問題。

台灣也一樣。《商周》訪問的一家大型金控估算，未來如果把全流程交給 AI 代理人，Token 用量可能增加一百倍。

這已經不只是工具採購，而是一個治理問題。

從顧問諮詢看到的企業對 AI 的擔憂與期待

昨天的一場企業諮詢、今天下午在懷世代的一場團隊輔導，也剛好都討論到同一件事：AI 可以怎麼導入？

伴隨上述的趨勢，當企業現在問我這個問題，我更想往前問一步：為什麼要導入 AI，以及導入之後，會不會讓我們失敗得更快、錯得更多，還花更多錢？

剛好前陣子讀到《商業周刊》訪問特斯拉前總裁、現任 DVx Ventures 創辦人 Jon McNeill 的文章。裡面幾個案例，跟這兩天的討論一直在我腦中連起來。

我把想法整理成導入 AI 前值得先問的五件事。

1、先確認要改善一點，還是跳一個量級

#第一關不是 AI 用在哪，而是我要去多遠

今天下午陪伴的這支團隊在市場上，聲量越來越大，且營收也不錯。而近兩年，在洽案時，他們看到市場需求增加，就開始思考要不要先做自動化，以應接市場的擴大。

這個想法固然合理，但要先把目標的刻度對清楚：接下來只是想多服務一點，還是準備跳一個量級？

前特斯拉總裁 McNeill 提過一個特斯拉案例。馬斯克要求把製造成本砍掉一半，團隊沿著原本流程怎麼省都做不到，最後只好重新設計底盤，把約三百個零件縮成三個。

這讓我重新看待「目標」的作用。目標只想改善 5%，通常會在原本的流程裡找答案；但目標一旦變成 50%，原來那套走不下去了，才會逼著大家重新想整套做法。這在國際上常被稱為 10x 思維——想跳一個量級，就得從頭重新設計。

也就是說，第一關的考慮，不是「AI 用在哪」，而是「我要去多遠」。只想多做一點，就先別急著碰 AI；真的要跳一個量級，自動化才談得上必要。

2、先算清需求、對象與經濟規模

#市場撐不起目標，自動化只會放大空轉

目標拉高之後，還得回頭驗證：市場真的撐得起來嗎？

今天跟團隊討論與辯證很久的，就是需求不能只停在「感覺變多」，而要精準說出對象是誰、有多少人、他們的需求是什麼（為什麼願意合作）、願意付多少（錢從哪種預算來），以及整體經濟規模有多大。

這幾個數字，決定前面設定的服務目標能不能成立，也決定投入自動化後，規模是否足以回收成本。

如果這些還講不清楚，也透露出另一個問題：想交給 AI 的服務項目，可能還沒有被定義清楚。連服務誰、解決什麼需求、對應的預算來源都說不準，很難判斷究竟該自動化哪一段。

Gartner 曾預測，超過四成的代理式 AI 專案，可能在 2027 年底前被取消，原因就包括成本上升、商業價值不明，以及風險控制不足。

很多專案未必是敗在技術，而是一開始就沒有證明：這個需求真的值得被自動化。

3、先分清楚標準化與客製化

#不要用自動化解決客製化，最後把價值一起刪掉

今天在輔導過程，團隊多次提到：很多專案需要高度客製化，這很消耗人力。

反過來說，會不會這些專案的價值就在於客製化？自動化會不會反而捨棄了原本的存在？

客製化固然可以用 AI 輔助，但它和自動化的邏輯不完全一樣。自動化依賴重複、穩定、可以被定義的流程；客製化的價值，往往正好來自因人而異的理解與判斷。

如果直接用自動化解決客製化問題，很可能效率還沒增加，就先把服務中最有價值的部分刪掉了。

放回治理設計，我會先跟夥伴討論清楚，要自動化的是哪個環節，人與系統搭配該怎麼做，才能發揮兩倍的果效。

4、需求找對了，還要確認修的是對的問題

#自動化錯了環節，成本會跟著錯誤一起放大

即使需求真的存在，要自動化的項目也是客戶需要的，仍然不能直接往下做。因為找錯問題、修錯環節，一樣很慘。

當馬斯克要求線上銷售成長二十倍，不少人的直覺是：誰會在網路上買一台八萬五千美元的車？如果沿著這個判斷往下走，團隊可能會增加廣告、改善銷售話術，甚至做一個 AI 購車顧問。

但 McNeill 拆解流程後發現，顧客完成一次線上購車，至少要點擊六十四次，其中四十多次都跟車貸、租賃文件有關，而且大量內容只是長年累積下來的慣例。

他們重新確認哪些資料真的必要，再找願意合作的銀行修改流程，最後把六十四次點擊降到十二次左右。

問題不在顧客不願意線上買車，而是原本的流程讓人根本買不下去。

如果沒有先找對這個問題，只把原本六十四次點擊自動化，顧客或許按得更快了，卻還是得走完一個不合理的流程（而且每一步都繼續燒 Token）。

這也是我對 AI 自動化最直接的提醒：先刪除不必要的，再簡化流程，最後才決定哪一段值得自動化。

5、不要只要求同事配合，要重新設計他的角色

#機器接走重複工作，人要回到判斷與關係

前面四關都走過了，真正開始導入，同事卻不太動。這其實很正常，因為對他來說，「配合 AI」很可能聽起來像是「把自己的工作交出去」。

我很喜歡 McNeill 處理新人訓練的案例。特斯拉快速成長時，新進門市同仁原本需要一個月，學習數百種銷售與服務情境。他沒有再寫一本更厚的 SOP，而是留下簡單的服務原則：「好到讓顧客願意在晚餐時跟別人聊到你。」再把其他情境整理成可以查詢的案例，最後把訓練縮短到兩小時。

同仁通常比我們想像得更有能力。他需要知道為什麼要改、可以依循什麼原則，以及自己還擁有哪些判斷空間。

如果需求真的會讓團隊供不應求，我們要的未必是少一個人，而是讓同一批人做得更多、更準：機器接走重複的工作，人回到理解、判斷與建立關係。

這兩天的討論，最後都沒有急著回答「要不要導入 AI」。但至少，我們更清楚接下來應該先驗證什麼、先看清楚什麼。

MIT NANDA 2025 年的報告指出，約 95% 的企業生成式 AI 試點，沒有產生可衡量的損益影響。這不代表 AI 沒有價值，而是買到工具與產生結果之間，還隔著目標、需求、流程、成本與人的角色。

便宜 AI 的錯覺正在結束。接下來要比的，或許不是誰用掉最多 Token，而是誰能先把治理設計想清楚。

下一次想導入一套 AI 工具時，先把真正要解決的問題寫下來吧。

（若需要 AI 導入前的目標盤點、服務流程或治理設計，歡迎聯絡我，一起把方向對清楚喔！）

#AI導入 #自動化 #治理設計 #服務設計 #組織轉型