這篇回答一個很常見的困惑：工具都買了、課也上了，為什麼 AI 導入沒有效果。問題通常出在兩個地方。一個是方向：多數導入只是讓某個環節快了一點，流程本身沒有動過，那一層能省的早就被舊軟體省完了。另一個是阻力：就算你看懂方向、想動流程，還會撞到組織這面牆，而那面牆不是買軟體能拆的。
- 公司正在推 AI，但效果停在「快了一點」的人
- 被指派在公司內推 AI，推不動的人
- 想導入 AI 的企業主，工具都買了卻沒看到效果
- 自己已經在用 AI，但不打算跟公司說的上班族
- 把 AI 接進舊流程，得到的是數位優化的成果
- 值得做的是「沒有 AI 就不可能存在」的做法，那才叫原生
- 員工藏起自己的 AI 能力是理性的，不是不配合
- 導入 AI 要搭配組織顧問，只買工具不動制度會停在原地
最一開始，鋼鐵只是拿去補強木屋而已
新技術剛出現的時候，人類的第一反應永遠是拿它去做原本就在做的事。
鋼鐵剛被製造出來的時候，建築業拿它去做什麼？做鐵釘。拿去把木頭房子叮叮叮地補強一下。
然後大家很開心地發現：原本木造房子只能蓋兩層樓，有了鐵釘之後可以蓋三層樓了。
這件事持續了很久。直到有一天，才有人想到：鋼鐵是一個這麼棒的材料，那我們為什麼不直接用鋼鐵蓋房子？
這一問，摩天大樓才出現。而且要注意，那不是把木屋加高而已，它不能再用木頭房子的結構，整套結構要重新設計過。
蒸汽機也是同一個形狀。它最早的用途是取代水車，工廠還是那個工廠，只是推動輪子的東西換了。要再過個七八十年，才有人問出那個問題：既然動力已經不是來自河流，那工廠為什麼還要蓋在河邊？
工廠可以蓋在原料旁邊、蓋在市場旁邊、蓋在勞動力旁邊。整個產業的地理版圖因此重畫。
從新技術出現，到有人問出那個問題，中間隔了幾十年。
你現在站在第幾層
把 AI 的用法分成三層，你會很快知道自己現在站在哪。
流程完全沒變，只是其中某一個環節用 AI 快了一點。最常見的就是社群小編用 AI 做圖文：發文流程一模一樣，只是產圖那一步變快。
開始問這條流程本身合不合理，把步驟拆掉重接。動的是流程，不只是某個節點。
第一性原理，整個打掉重練。假設一開始就有 AI，這件事根本會用另一種方式做。
大部分公司停在第一層，然後把它叫做 AI 轉型。
這裡有一件事要講清楚：能被數位優化的事，過去二十年早就被各種軟體做完了。ERP、CRM、自動化流程、報表工具，該省的都省過一輪了。你現在再接上 AI，得到的通常是 20% 到 30% 的提升。那是好事，但那不是 AI 的場景，那是數位優化的尾聲。
第三層長出來的東西不太一樣。它會長出一些「沒有 AI 就不可能存在」的做法：以前因為要花太多人力所以根本不會做的事、以前因為判斷成本太高所以只能憑感覺的事、以前因為一個人做不完所以不敢接的案子。
所以我現在講這件事都會直接說：沒有 AI 轉型，只有 AI 原生。轉型的意思是原本那件事還在，只是換個方式做；原生的意思是這件事本來就不存在，是有了 AI 之後才長出來的。
一個粗糙但好用的判準
怎麼分辨自己現在做的是哪一層？我用一個很粗但很好用的算法。
AI 能幫你的分成兩個方向：
- 賦能大腦：決策、推理、研究、看見盲點。這一塊做得好，可以乘十倍。
- 賦能手腳：自動化、批次處理、重複執行。這一塊做得好，也可以乘十倍。
兩個都吃到，理論上是一百倍的量級。所以我的判準是：如果你想的那個應用，天花板只有 20% 到 30% 的提升，那它多半是數位優化；如果它有機會出現數量級的差別，那才是值得投的原生場景。
怎麼問出第三層的問題？三句可以直接拿去用：
- 如果一開始就有 AI，這件事我還會這樣做嗎？會，那它是既有流程；不會，那後面那個答案就是你的第三層。
- 有什麼事是我以前想做但做不起來，因為人力成本太高？那些被成本擋掉的想法，現在值得重新算一次。
- 有什麼判斷，我一直是憑感覺做的？憑感覺代表沒有規則，而把規則寫下來這件事，本身就是第三層的入場券。
第三句最容易被跳過，但它是最有價值的。因為第三層要的不是更快的工具，是把你腦子裡的判斷變成可以交給 AI 執行的東西。
方向對了，然後你會撞到一面牆
上面講的是方向。方向看懂之後，真正的困難才開始。
我這段時間跟不少在企業內部推 AI 的人聊過，製造業、公部門、企業內部推動者都有。他們遇到的困難幾乎都跟「AI 好不好用」無關，全部卡在組織問題。
先算一道題。
假設一個員工用 AI 把自己的產出效率提高了十倍。接下來會發生什麼事？公司不會加他十倍的薪水，多半也不會讓他提早下班，比較可能的是給他更多工作。
那對這個員工來說，最理性的選擇是什麼？裝死。
他會繼續用原本的節奏交件，把省下來的時間留給自己，能力留著等對的場合再拿出來。這不是他人品有問題，是他做了一個很合理的計算。
所以你會看到一個很弔詭的現象：公司裡最會用 AI 的那個人，往往是最安靜的那個。而公司推 AI 推了半年，成效報告上什麼都沒有。
第二個卡點更硬：權限
另一個常見的卡點更硬。
我遇過一位在企業裡負責推 AI 的朋友問：公司的電腦帳號是綁定的，連想裝的工具都裝不了，怎麼辦？也遇過在公務體系工作的朋友，公司帳號跟私人帳號打架，兩邊的 AI 服務不敢同時開，怕出事。
我的回答通常讓人有點沮喪：這不是 AI 問題，這是組織治理問題，繞不過去。
你沒有辦法用個人的努力去繞過公司的資安政策，硬繞的風險也不該由你承擔。真正該處理的是上層：這件事到底誰能決定、資安的邊界在哪裡、有沒有合規的替代方案。
順著這個邏輯往下想，會回到前面的三層論：小公司才有可能做到 AI 原生，大公司很多時候是在還技術債。大公司有既有系統、既有權限架構、既有的分工方式，每一項都是十年前為了當時的效率設計出來的。要做第三層，等於要動這些東西，那牽涉到的已經不只是工具，是組織本身。所以大公司通常只能停在第一層，因為只有那一層不用動組織。
小公司沒有這些包袱。你今天決定用什麼方式做事，明天就可以換。這是小公司在這個時代少數的結構性優勢，而且有時效性。
公部門是另一種版本
公部門的情況又是另一種。
我聽過一線的實況：上級要求用 AI 來寫公文，甚至要求用 AI 做個資去識別化。但現實是，這類資料要真的合規處理，本地端的模型能力還不足以承擔，而能力足夠的線上服務又牽涉資料外送。中間那條線誰來畫，沒有人講清楚。
再加上城鄉差距。有位在中部公部門工作的朋友說得很傳神，大意是最新的東西都在台北，我們這裡收到的時候已經是另一回事了。同一份政策，落到不同地方的執行條件差很多。
這些都不是 AI 的技術問題，全部都是組織與制度的問題。
所以真正要處理的是這三件事
我的結論很明確：推 AI 一定要搭配組織顧問，否則遇到上面這些問題就會卡住。
工具的部分其實是最簡單的，一兩個月就能上手。難的是這三件事：
換成更多產出、換成準時下班、還是換成獎金。沒有答案，員工就不會誠實。
哪些資料可以進 AI、哪些不行、走哪個管道合規。沒有這條線，大家只能各自偷做。
不要全公司一起上。先做一個小組、做出看得見的成果，再水平展開。
第三件事其實不是新東西。製造業推精實生產、推改善活動，用的就是這套：示範小組、做出亮點、水平展開。我跟一位有三十年製造業經驗的前輩聊過，他點出這條路徑跟 AI 導入很像，也提醒我一件事：要進企業輔導，得先理解那一套人性工程，不然老師傅根本不會理你。這個對照我覺得很值得繼續追，但它目前還是一個待驗證的假設，不是已經驗證過的方法論。
給老闆的一個換算方式
如果你是老闆，我建議把 AI 的價值換一個算法。
多數公司算的是省下多少人力工時，那個數字通常不大，也很容易被質疑。但 AI 真正值錢的地方不在那裡。
它的價值不在省你半小時，在幫你看到盲點、少損失一千萬。
一份合約裡沒注意到的條款、一個報價漏算的成本、一次合作前沒查到的風險、一個市場訊號沒有被接住。這些事情發生一次的代價，遠大於整年省下來的工時。
所以與其要求全公司用 AI 提高打字速度，不如先把它用在決策這一層：讓它幫你把要簽的東西看一遍、把要投的案子壓測一遍、把你沒問的問題問出來。
這一層還有兩個好處。一是它剛好落在前面說的第三層，因為過去這些判斷你只能憑經驗；二是它不會踩到員工的計算題，因為它不是在監督誰的效率。
收尾
鋼鐵先被拿去補強木屋，蒸汽機先被拿去取代水車。這是人類面對新技術的正常反應，不丟臉。丟臉的是八十年都沒問出那個問題。
但這篇後半段要補上的是：問出問題只是第一步。方向對了之後，你還要面對制度。
員工會不會誠實交出效率，取決於制度怎麼分配好處；資料能不能進 AI，取決於治理的線誰來畫；成果能不能擴散，取決於有沒有先做出一個看得見的樣板。這三件事都不是買一套軟體能解決的。
所以如果你正在推 AI 推不動，先不要換工具。先問兩句：
第一句：如果一開始就有 AI，這件事我們還會這樣做嗎？
第二句：如果他真的把效率做到十倍，他會得到什麼？
延伸閱讀
- 為什麼你的 AI 每次都要重講一遍：教 AI 的四個步驟 第三層要的是把判斷寫下來，這篇講怎麼寫。
- 資訊時差與市場預測：怎麼比市場早一步，又不會早太多 你的客戶在哪一格，決定他現在聽不聽得懂原生這件事。
- AI 知識焦慮的解法：在快速變動的時代，找到十年不變的錨點 工具會換，先確定你要完成的那件事不會換。