Gen AI 專案為何停滯？7 個常見卡點與企業推進策略

最近常跟一些團隊聊，發現大家對生成式 AI 有個共通的焦慮。嗯...也不是焦慮，更像是一種...卡住的感覺。

嘴上都說想「導入 AI」，但實際上一團亂。辦了個黑客松，當下很嗨，然後就沒有然後了。做了個內部聊天機器人，結果根本沒人用。說要測試 AI 搜尋，測了半年還在「試營運」。感覺很熟悉嗎？

說真的，問題通常不是技術。現在的 Gen AI 模型，你說 GPT-4o 還是 Claude 3，其實都已經非常強大了。問題是我們「怎麼去用它」。我看來看去，大部分公司卡關，都是踩到幾個差不多的坑。

重點一句話

你的 AI 專案會卡住，根本原因不是技術不行，而是你還在用「做軟體」的舊思維去搞一個「機率性」的新東西。你得先從 mindset 開始改。

為什麼你的 AI 專案總是雷聲大雨點小？

在我們談怎麼解決之前，先看看幾個最常見的「死法」。這些都不是單一問題，它們常常是環環相扣的。

我自己是覺得，最核心的有三個...不，四個主要類型。一個是方向問題，一個是人的問題，還有流程，最後是那個最麻煩的...風險。

• 方向錯誤：為 AI 而 AI，根本不知道要解決什麼商業問題。像是拿到錘子，滿世界找釘子。
• 團隊沒跟上：PM 和工程師還不懂 AI 的「語言」。不知道什麼時候該用 RAG，什麼時候該微調（fine-tuning），也不知道怎麼評估 AI 產出的品質好壞。這不是他們的錯，但這確實會拖慢整個進度。
• 組織藩籬：AI 最強的應用，往往誕生在跨部門的灰色地帶，像是「產品＋數據」、「營運＋工程」。但大部分公司還是習慣各做各的，靠交接單而不是協同作戰。
• 過度謹慎：法務和合規部門一聽到 AI 就緊張。擔心它胡說八道（幻覺），擔心資料外洩...結果就是，產品團隊乾脆啥也不做了，免得自找麻煩。

所以你看，技術本身反而是最單純的。真正的挑戰，都在技術之外。

怎麼做：從這幾個地方開始「解鎖」

好，那既然知道問題在哪，該怎麼辦？其實不用想得太複雜，不用去搞什麼超龐大的「AI 轉型戰略」。從幾個小地方，就能把卡住的齒輪重新轉起來。

我自己歸納了一下，大概可以分成幾個步驟，或者說...幾個可以同時進行的思路。

1. 先找痛點，再找 AI

這點最重要，所以放第一個。拜託，不要再開那種「我們來想想 AI 可以用在哪裡」的會議了。這種會通常不會有結論。

換個問法。直接跟老闆們開會，列出公司這個季度最重要的 5 個目標。然後問一個很實際的問題：「這裡面，哪件事如果用 AI 來幫忙，有機會省下或多賺 300 萬？」

不是明年，就是「這個季度」。把時間拉近，目標具象化成錢，大家思考的方向才會對。

先有商業問題，AI 只是可能的解決方案之一，不是唯一的。

2. 挑「好欺負」的問題先動手

很多團隊一上來就想搞個大的，像是「AI 理財顧問」或「AI 招募系統」。想法很好，但太複雜、風險也太高了。這很容易一搞就是一年，然後...就沒有然後了。

我自己是覺得，要找那種「痛點高、風險低」的題目。所謂的 Goldilocks zone，恰到好處的區域。

什麼樣的算好問題？

• 能輕易衡量成效：像是省下多少工時、提升多少準確率。
• 原型開發快：大概兩三個禮拜就能做出個能用的東西。
• 內部先用：風險可控，就算出錯也不會影響到外部客戶。

舉幾個例子，都蠻實際的：

• 自動化分類用戶回饋
• 幫電商產品生成多種版本的文案
• 從非結構化的文件（像是 PDF 合約、報告）裡抓取特定資料
• 個人化的 Email 回覆草稿

這些事看起來小，但一旦做起來，能幫團隊省下大把時間，也能讓大家快速建立對 AI 的信心。

3. 組建「AI 衝鋒小隊」，不是「AI 專案委員會」

傳統的專案模式在 AI 時代太慢了。你需要的是一個小而精、被充分授權的團隊。

理想的配置大概是這樣：

• 1 個 PM：負責定義問題和最終成果。
• 1 個開發者：負責把東西做出來。
• 1 個設計師（可選）：如果需要使用者介面，他很重要。
• 1 個領域專家：他最懂業務邏輯和資料。

給這個小隊一個明確的目標、四週的衝刺時間、一點工具預算，還有最重要的——「失敗的許可」。不要讓他們每週都要跟一堆委員會報告。給他們空間，讓他們去衝。

常見的卡關點 vs. 其實可以這樣想

為了更清楚，我把它整理成一個表。很多時候只是換個念頭，路就通了。

風險與應變：如何跟法務/合規部門「共舞」

這點要特別拉出來講，因為太多創新死在這一關。你不能把法務當成敵人，要當成夥伴。

與其等東西做出來再去審，不如一開始就把他們拉進來，共同建立一個「AI 實驗沙盒」。

你們要一起定義幾件事：

• 核准使用的工具：比如只能用有企業方案的 Azure OpenAI 或 Google Vertex AI，不准員工隨便把公司資料餵給免費版 ChatGPT。這點在台灣很多公司都很在意。
• 可以使用的資料：初期只能用匿名化、合成的假資料，或是已經公開的資訊。
• 測試的範圍：先從內部工具開始，比如優化內部知識庫搜尋，而不是直接拿去回覆客戶。
• 審查的節奏：每週快速同步進度，而不是每季開一次冗長的審查會。

說到這個，國外像是美國的企業，他們可能更習慣用雲端服務，對數據上雲的規定也比較有彈性。但在台灣，特別是金融業或政府標案，對於資料落地的要求就嚴格很多。這時候，參考一下像是我們「數位發展部」發布的一些指引，或是跟熟悉在地法規的顧問聊聊，會比只看國外文章來得實際。你得先搞清楚在台灣的遊戲規則，才能跟法務在同一個頻道上溝通。

最大的誤區：你把 Gen AI 當成一般軟體在開發

講了這麼多，其實核心就一個觀念轉變。

傳統軟體開發是「確定性」的。你寫 `if a then b`，它就永遠是 `b`。但 Gen AI 是「機率性」的，你給它同一個指令，它每次產出的東西可能都有一點點不一樣。它的答案是「可能」，不是「絕對」。

所以，如果你還在用瀑布式開發、追求一次到位、花半年寫一份完美的規格書...那注定會失敗。

成功的團隊，他們的思維模式是這樣的：

• 從確定性思考 → 轉變為機率性思考
• 從功能驅動 → 轉變為成果驅動
• 從規劃路線圖 → 轉變為快速實驗

簡單講，別再問「我們下個版本要做什麼功能」，而是問「我們下兩週要驗證哪個假設」。

Done is better than perfect。這句話在 AI 時代，比過去任何時候都更真實。先動起來，看到回饋，再修正。不要等到一切完美，因為那一天永遠不會來。