AI 已經這麼強，為什麼你的公司還是很累？

9 月 13 日，我在「愛玩 AI 讀書會」分享了「企業導入 AI 避雷指南」。這篇文章，整理了那天想和大家聊的事。

如果那個想了很久的點子，終於有人能幫你做出來，你會先做什麼？一間店、一套讓同事少加班的系統，還是一直不敢開始的新服務？

先看這個畫面：一台機器人俯下身，伸手拿起綠色澆水壺。這是 Google DeepMind 的 Gemini Robotics 2 官方展示。拿東西對人很普通，機器人卻得看懂周圍、移動身體，再完成抓取；展示裡也有多台機器人合作的情境。克拉克說的「魔法」，開始有了我們看得懂的動作。（Parada, 2026）

另一段展示，是一間可以走進去看的房子。客廳、餐桌、窗戶，隨著鏡頭移動出現在眼前。這是 OpenAI 的 GPT-6 Astra 在 Blender 建立房屋模型，再轉成 Unreal Engine 5 場景的成果；看起來像空間導覽，房子其實是虛擬的。（OpenAI, 2026）

換成開教室的情境來想：原本只能拿平面圖討論的構想，如果能先走進場景看看，和夥伴討論動線、設備擺放，就有了更具體的起點。這些展示讓人期待通用人工智慧（AGI）的未來，但完成特定任務，還不能當作 AGI 已實現的證明。

展示裡完成一次，和公司每天都能靠它把事做好，中間還需要資料、流程與人的判斷。企業也不必先做這麼大的事。把鏡頭拉回一間教室：一通晚上沒人接的諮詢，就可能是值得開始的地方。

想像一位家長，白天上班，下班後接孩子、吃飯、處理家裡的事。到了晚上九點半，終於有空替孩子找課程。他想問的很簡單：「孩子適合哪一班？大概多少錢？星期六能不能試上？」偏偏教室已經下班了。

站在教室這一邊，櫃檯白天也沒閒著：照顧現場的家長，電話一響，又得從頭介紹一次課程。客人有空的時間，和我們能接電話的時間，常常對不上。這就是我們在琢奧做語音客服時，想處理的問題。

如果教室把可以對外提供的課程、價格整理好，AI 就能依這些資料先回答。接上預約系統，才有辦法查詢還有哪些時段；碰到需要特別安排的事，再把資訊交給人。家長不用等到隔天才開始問，櫃檯也能少重複講幾次相同的內容。

不過，如果 AI 說「已經幫您記下星期六」，家長可能以為預約好了，教室卻只收到一則待確認訊息。到了星期六，家長帶孩子來了，現場沒有名額——原本想省下的一通電話，反而變成一次客訴。

留下預約需求，和完成預約，是兩件事。家長要的是到場能上課，教室收到一則訊息，還不算把這件事做好。這讓我想到一個常講的神燈笑話。

有個男生得到阿拉丁神燈，心想：這下終於可以變成萬人迷了。他對神燈說：「我希望女生看到我，都會尖叫、跳起來。」

神燈說：「沒問題。」然後，把他變成了一隻蟑螂。

女生真的尖叫了。每一個字都符合要求，可是他想要的，明明是被喜歡。

回到剛才的教室。如果老闆只交代「做一個會回答問題、會收預約的客服」，業者照規格做完，未必知道老闆期待的是「家長得到正確資訊，現場也準備好接待」。誰來確認名額、何時通知家長，如果這些沒談清楚，就可能功能都有，事情卻沒辦成。

還有另一種落差，是上線以後才慢慢出現的。開發時確認的課程資訊和價格，幾個月後可能就改了；如果沒有人負責更新，AI 仍然流暢地回答，內容卻過期了。規格需要寫清楚，後續誰維護、需求變了誰決定，也要一起安排。

這類問題也出現在研究裡。RAND 訪談 65 位資料科學家與工程師，歸納的失敗原因包括問題溝通錯誤、資料不足，以及追逐技術卻忽略真正需求。（Ryseff et al., 2024）閱讀研究

費曼的一杯冰水，讓問題變得看得見

資料過期了，有人看見，問題就一定會被處理嗎？這還得看現場的消息，能不能傳到有權做決定的人那裡。費曼參與的一段事故調查，讓我很在意這件事。

1986 年 1 月 28 日，挑戰者號太空梭升空後失事，七名乘員罹難。物理學家理查・費曼參與後續調查，其中一個焦點，是固體火箭助推器接縫裡的橡膠密封圈，也就是 O 型環。NASA 事故回顧（Uri, 2021）

這個零件要靠彈性維持密封。當時要釐清的是：發射前的寒冷，會不會讓它無法及時恢復形狀、堵住縫隙？聽起來像專家才懂的問題，費曼卻用一杯冰水，把它變成大家都能理解的畫面。

在 2 月 11 日的聽證會上，他把一小段密封材料壓住、放入冰水，鬆開壓力後，材料沒有立刻彈回原狀。他向委員會指出，在這樣的低溫下，材料至少有好幾秒缺乏回彈能力。這個實驗呈現了低溫下的材料問題；事故原因仍須由完整調查確認。聽證會紀錄（Presidential Commission, 1986）

費曼在報告附錄 F 還指出，工程人員與管理階層對可靠性的判斷有巨大落差；有些異常因為以前發生過、卻沒釀成災難，逐漸被當成可以接受。過去沒出事，並不能證明下一次也安全。他在這份報告最後寫下這句話：

回到教室，櫃檯發現 AI 報錯價格，得知道找誰修改；必要時，也要有人能決定先暫停這類回答。改完以後，再問一次，確認顧客聽到的已經是新價格。把這些事安排好，同事才知道，反映的問題會有人處理。

假設價格、預約這些問題都處理好了，AI 回答正確，同事也覺得好用。這樣就算導入成功了嗎？對每天使用的人來說，也許已經幫了大忙。但企業主還有一筆帳要算：客戶少等了多久？同事有沒有少做重複的事？這些改善，值不值得新增的支出？

換一個業務報價的假設例子。業務用 AI，十分鐘就整理好一份報價。他當然很高興，自己少做了不少事。可是報價送去簽核，還得等主管兩天；核准後，又要把相同資料輸入另一套系統。快了的是業務手上的那一步，客戶還是在等。

所以，問「AI 有沒有用」時，要先說清楚看的是哪一件事。McKinsey 在 2026 年調查了 97 個國家的 1,719 位受訪者，分別問到個人生產力，以及 AI 對企業整體息稅前利潤（EBIT）的影響。下圖的兩個數字，回答的就是這兩個不同的問題。（Tinkoff et al., 2026）

員工是否省力，以及公司是否受益，我會分開追蹤。至於卡在哪裡，還是要回到自己的流程裡找。

回到報價的例子，如果主管又要求大家把 AI 的結果另外填進一張追蹤表，舊工作一件沒少，新工作卻增加了。員工說「導入 AI 只是多一件事」，就不難理解。卡住的地方在核准、交接和重複輸入，只把報價寫快，還碰不到這些問題。

誰願意聽第一線的問題？誰有權取消重複作業？需求變了，誰做決定？組織文化就在這些安排裡。主管要回答的是：新流程上線後，原本哪一步可以不用再做？

老闆訂了新目標，員工每天卻還是卡在同一張簽核單，確實很難有改變。《原子習慣》作者 James Clear 談習慣時說過一句話，我覺得也適合拿來想想公司的做事方式：

那明天回公司，從哪裡開始？我會先選一段原本就在做、大家也知道很花時間的工作，縮小範圍試一次。教室可以先挑一類課程，處理它的諮詢與試上預約，不必一開始就把所有課程都放進去。

開始前，先約定怎樣才算預約完成，也記下現在人工處理要花多久。試做之後，再看同樣的工作花了多少時間；檢查 AI 的回答、修正錯誤，都要算進去。系統費用與維護支出另外記錄，才有辦法判斷這次省下的工時，值不值得這筆投入。

還有一件事，試做前就要找好人。誰更新課程資料？特殊需求交給誰、多久內回覆？AI 說「會請專人聯絡您」很容易，但隔天真的有沒有人打這通電話，要靠我們安排。可以拿下面的分工圖，和實際接手的同事一起確認。

做到這裡，才有依據討論人力怎麼安排：「原本需要一整個客服團隊，以後是不是只要一個人？」每天有多少通諮詢、尖峰集中在什麼時候、多少問題需要人來判斷，都會影響答案。要怎麼調整人手，得等試做後才比較清楚。

我的建議是，先讓原本的諮詢、預約做得更順，再想要不要開一種新的服務。原本的流程和新的商業模式一起改，成效不好時，團隊很難知道究竟是哪裡出了問題。

一家教室賣的是課程，日常卻離不開課程表、價目表和預約名額。這些資訊整理得好不好，會影響家長問不問得到答案，也影響同事要花多少時間補救。微軟執行長納德拉在 2015 年的 Ignite 演說裡，談企業與數位能力的關係時說：

我對 AI 的期待也很接近：它會像語言一樣，成為我們做事的基本能力。除了交代自己想做什麼，也要看得出 AI 交回來的結果，哪裡還需要修改。

例如，「幫我安排一下」少了很多資訊。換成「查一下星期六這堂課還有沒有名額，確定登記成功再告訴家長；額滿就先問我」，AI 才有比較明確的工作可以做。至於它是不是真的登記成功，還是得看系統紀錄。我們不能把公司裡沒說清楚的事，全寄望 AI 猜對。

知識都放在人的腦中，可以接著讀企業 AI 導入的知識萃取；需求一直變、需要一起調整，可以看琢奧的 FDE 合作方式。

回頭看晚上九點半的那通諮詢。家長想趁有空時，把孩子的課問清楚；教室的人也需要下班，白天還有現場的學生要照顧。如果這段工作能安排好，兩邊都少一點等待和忙亂，就已經值得試試看。

在琢奧，我們會先和你一起看公司怎麼運作，找出哪一段值得試，再選工具，和實際使用的人一起調整。等這段工作做順了，省下來的時間，你想拿去做什麼？

你可以帶著現在最想改善的一段工作，和我們聊 30 分鐘。不用先寫好一整份需求規格書，說說現在怎麼做、哪裡最麻煩，我們就有地方開始。

留下需求，安排 30 分鐘諮詢 ↗