AI導入常見障礙與組織快速落地行動方案

你生成式 AI 項目卡關的真正原因（還有怎麼解決，說真的）——給所有還困在生成式 AI 試點泥沼裡的產品和工程團隊，一份比較貼地實用的指南，教你怎麼快一點看到成果。
**作者：Shmulik Davar，AI 產品顧問**

這幾個月下來，我參與、協助了十幾家新創公司跟老牌企業摸索把生成式 AI 塞進自家產品、團隊流程，以及日常運作。嗯，其實遇到的狀況大多數都差不多啦。

每家公司都很想「搞 AI」，但坦白說，真正能做好的……其實沒幾間。

唉，好像講得太直接？不過我也不是要拆人招牌，只是現場看過太多案例，都有一種熟悉感。不信你聽聽：

大部分企業走過的流程大概是——辦了一場黑客松，全公司熱鬧兩天結果沒啥後續；自己寫個聊天機器人放內部，但沒人理它；試著上馬一個所謂「AI 搜尋」功能，可惜一直停留在「試點」階段；或者用 GPT 包裝出某工具，但高層興趣消退得比預期快。欸，我是不是也曾經參加那種活動？算了，扯遠了。

這些情境，有沒有覺得耳熟？其實癥結根本不是技術本身（話雖如此，有時候大家會迷信技術）；生成式 AI 本來就可行啊！問題反而出在——企業到底怎麼接納、推動這玩意兒的方法論上。

於是，我翻箱倒櫃整理自己看過最常出現的七道障礙，它們無聲無息拖慢你的生成式 AI 專案。而且，每個阻力背後，其實都有對應破解法，大概吧。我下面會一一說明。不小心講太長，再拉回正題好了。

你正在嘗試打造一個「沒有問題」的解決方案，這聽起來有點矛盾，不過…唉，很多團隊就是這樣開始的。大家會說：「我們要用 AI！」語氣超亢奮，但後面那句「解決什麼？」卻沒人問出口。嗯，有時候我也搞不清楚自己是不是在做同樣的事。反正，他們一頭熱啟動那些很模糊、名字又響亮的「AI 計畫」，結果呢？通常沒啥實質影響，畢竟少了跟業務緊密相連、能落地的目標。講白了，就是方向感全無，只剩下炫技。

**解決方法：**欸，要聚焦痛點啊，而不是光幻想各種可能性。我以前也會一直想像未來怎麼樣，但其實先問清楚現在最急的是什麼才對。在選模型之前，有幾個問題得老實回答自己：  

- 我們眼下到底卡在哪裡？是哪一個具體問題讓大家頭疼？  

- 30 天內，我們要怎麼知道事情有沒有改善？指標是什麼？  

- 誰該負責這成果啊，不然出事都推給 AI 嗎？

<pre><code class="language-bash">有時候——呃，我常常跟領導階層玩一個蠻煩人的小練習，就是請他們列公司目前前 5 項業務重點。然後我就忍不住追問：「哪裡可以靠 AI 在_這_個季度創造超過 $100K 的價值？」不是明年喔，就是現在這幾個月。老實說，他們大多數都答不上來。有時我也懷疑，到底誰真的準備好用 AI 做些能看得到回報的事呢？好吧，又扯遠了。但現實就是，你如果不從真實需求出發，大概只是在原地打轉而已吧。

你的團隊尚未具備 AI 思維

唉，說實話這也不是怪誰啦，就是現在產品和開發團隊對生成式 AI 的那種理解……還是有點皮毛吧。嗯，有時候甚至搞不清楚到底該用 RAG、微調還是單純靠提示（prompting），搞得人很煩躁。然後關於怎麼判斷模型產出的東西夠不夠好，大概大家心裡都沒什麼底。其實，連有效的提示怎麼下、AI 原生流程設計成什麼樣，他們也還在摸索。喔對，我剛剛想到昨天吃麵時突然冒出個念頭——算了，先拉回來。

可是說起來，這其實不能全怪他們。只是問題就是卡在這裡啊，專案進度慢慢變得像爬的一樣。

至於怎麼辦呢？欸我想最直接的路徑大概就只能加速技能提升，而且要讓內容真的是貼切自己日常工作的，不然學了半天只是空轉。

## 教學重點：

- 提示工程（Prompt Engineering）算是第一步吧。

- 大型語言模型評估也很重要，其實光是要懂原理就夠喝一壺了。

- 至於模型選擇邏輯，有點像你去市場挑魚，不對…大概比那複雜吧。

- 以 AI 為核心的 UX 設計模式，其實很多人講得神乎其神，但真正落地才難咧。

## 教學方法：

- 用真的業務數據辦短小精悍工作坊，比紙上談兵好多了。

- 指派「AI 推動者」帶頭做些內部小試驗，感覺氣氛會比較安全輕鬆（雖然每次都有人偷懶）。

- 啊，多鼓勵大家玩玩 ChatGPT、Claude 之類新工具，有的人可能玩兩下才終於有感覺。

之前有客戶試過這套方式，在起步階段八週內就推出三項直接能拿去用的 AI 功能，也挺讓人羨慕的啦。

## 3. 你可能選錯了優先解決的問題

欸好像繞遠了——再拉回主題，你選定的應用場景，是不是太複雜、太敏感或乾脆就是沒人想碰？反正如果大家看完都意興闌珊，那前面那些努力也是白搭，大概就是這種無力感吧。

看過這些案例，其實每次一看到那種「我們來打造一個 AI 財務顧問」的時候，心裡都會有點嘆氣，唉，怎麼又是這類型？然後像「讓我們用 AI 來做招聘決策」，說真的，這議題敏感到不行，我還記得上次有人在討論同樣的東西，現場一瞬間就冷掉了。還有啊，「用 AI 來摘要會議紀錄」——嗯，好像已經沒什麼驚喜，每家公司都想試試看，但聽久了難免膩。

欸剛才想到我午餐還沒買，不過先拉回正題好了。
說到解法，其實從適合的切入點開始比較明智吧。有時候不是因為不能做，而是不知道該怎麼著手。你要找那種痛點很清晰、大家都懂但風險又沒那麼高的切口，比方說節省時間啦、提升準確度或降低成本這些——嗯，也就是成效可衡量，而且別選那種半年才搞得定的大案子，大概2–3週內能有 prototype 出來最好。不知你是不是也有同感？

例子嘛，其實也不是絕對新鮮，但至少好執行。例如自動分類使用者回饋，有時候一天收到幾百則留言，看不完；還有產生產品描述，那個寫到最後都機械化，AI可以幫忙分擔一下。突然想到上次收到一封超無趣的 EDM，不…話扯遠了。個人化電子郵件回覆也是，就是省下那些重複打招呼問候的工夫，再就是從非結構化文件中擷取資料——每次看到厚厚的 PDF，我就頭大。

再聊到組織協作這塊，其實蠻多組織表面上都說支持生成式 AI，可是內部運作往往各搞各的，很煩人。我前陣子和朋友聊天，他們公司就是如此，各部門只會互丟文件、不是真的一起合作（其實這情況，到處都有）。最妙的是，有些最值得投資的應用場景反而出現在不同領域交界處，例如產品跟數據碰撞出新的火花、營運與工程激盪出一些方案、銷售及行銷混搭起來效果特別明顯。但多數團隊依賴古老交接流程，就只是把任務推給下一個人，也沒真心坐下來合力弄好。

唉我自己最近也常覺得疲憊，不過建議還是——如果真的想發揮生成式 AI 的價值，不只是在公司裡開幾個專案假裝跟上潮流，而是認真成立一個 AI 小組（不是名義上的小圈圈），讓有熱忱的人能跨部門一起討論甚至吵架（誒當然不是鼓勵吵架啦），總之共同協作比什麼都重要。好了，嘴巴乾了，我等下去倒杯水。

建立你的小組結構，唉我其實每次看到這種分工還是會想：真的要這麼切分嗎？不過現實上大概還是需要吧。不然沒人負責就亂成一團了。好，反正要有一位產品經理，他要對成果最後拍板，大約就是那種「欸你怎麼又延期？」的角色吧。有時候產品經理很累，看得出來。再來得找個開發人員，不然講半天也造不出東西，寫程式的是他啦。然後還有設計師，欸這個很重要，不是說隨便畫圖而已，是在乎用戶點下去會不會迷路啊那種感覺。總之設計師的存在常常被低估。最後一定得有領域專家，就是真的懂那些數據的人啦，如果全靠大家自己猜，那結果只會變得更離譜。說到數據，有時候一堆專業名詞我根本看不太懂，啊、又扯遠了，總之四個角色都得到齊才行。

協助團隊快速推進的方法嘛，其實也不是什麼宇宙級新招，但就是要定一個明確單一目標啦，不然大家各自解讀每次都歪掉。有時候覺得明明很簡單的東西，就是因為沒講清楚，搞到最後四不像；嗯，好像有點抱怨過頭了。接下來 4 週衝刺時程，聽起來壓力超大，可是真正能讓事情快點動起來，有期限比沒有期限好太多（雖然每次都拖）。工具預算支持也是重點，我就想，如果什麼軟體都不能買，那叫我們生產力從哪裡冒出來？不是魔法師咧。另外還要容許嘗試與失敗，有時候做錯一步，也不要馬上怪罪誰嘛…這種寬容氛圍其實滿難得，可惜很多主管並沒有學會。

說真的，最怕遇到什麼委員會審查啦，各種冗長流程，每次提案都被卡住，好煩，所以這裡直接強調不用那一套。強調團隊成員行動一致，不管你是哪一類型的人，只要目標一致，就一起衝了。有些人可能還是不放心，但如果大家不同步，很快就卡住。

第五條喔——法務與合規進度停滯問題，我真的是每次看到這邊，都有種無奈感湧現。安全性疑慮在創新階段就一直冒出來擋路。本來以為只有開發跟設計吵架，其實最大的障礙往往是法務部門。他們很嚴謹，也不是沒道理，就是容易卡住啊。比如說產品部門想把 AI 用到客服，「反正先弄再說」的心情完全能理解。但法務馬上追問：「如果出現錯誤回應該怎辦？」唉，好像永遠無解，到底誰該負責？但又不能不顧法律，那才真的是自找麻煩。我曾經幻想如果不用管法規就好了……呃、不行，再拉回主題，就是安全跟創新的拉鋸戰總是在這環節浮現，一步也走不了。

如果我們真的哪天資料外洩了怎麼辦？欸，就是這種雞皮疙瘩的問題。_> _產品：『好吧。那沒關係。』_…唉，說得倒輕鬆，但其實大家心裡都會怕吧，有時候夜深人靜還會胡思亂想。然後又拉回來，其實解法也不算太玄——弄個安全的實驗區域出來，大概能安心點。

欸，我有時候想法務部門應該很煩，因為要早點跟他們討論合作，才能把規則劃清楚。我說這種「核准工具」，像 Claude Enterprise、Azure OpenAI 之類的東西，他們一定要一項一項認證過才讓用嘛，不然誰敢隨便拿數據亂丟？而且「安全數據」部分，也只能用去識別化、合成資料或者公開資訊，不然萬一被挖到就慘了。

再岔個題，我前陣子看到有人只做半套，結果最後還不是被罵翻，所以測試範圍一定得限定，比如說只能用在內部工具或沙盒，不能亂連生產環境。有點囉唆但沒辦法哦。而且審查頻率這件事常常被低估，其實每週一次才比較保險，每季一次根本等於放生（我自己也老是拖延，可是真的出事就笑不出來）。

有些客戶乾脆直接建了一個有完整防護措施的 AI 沙盒。我記得那位負責的法務主管，也是在專案剛啟動後才開始檢查產出的內容，有點晚啦，但反正他們可能覺得先跑著看再補洞也行。不過話又說回來，那家案例裡 6 個月內居然完成了 12 個成功試點專案喔，你說神奇嗎？大概就是多做多學吧。

## 6. 沒有人擔任 AI 計畫負責人

唉，每次討論到 AI 專案，大家都興致勃勃地想「要參與」，可是真要問誰負責，好像就沒人舉手。這情景看起來很荒謬，但其實也蠻常見的吧？IT 部門老是把 AI 當成某種基礎設施在處理，反正有伺服器、有 API 就算完成一半了（真的是嗎？）。然後資料部門又扯到研究專案，嗯，他們搞不好還會寫點 paper——雖然說真的，不知道那些報告最後去哪裡了。我突然想到上週開會時，有人提過創新部門想拿 AI 做簡報用，看起來挺厲害，可惜總是停留在 PPT 裡頭。啊對，產品團隊最妙，他們覺得這事不是他們份內，所以乾脆默不作聲地等別人主動。

有時候真的想喊停：「欸，各位，是不是該分個工？」好啦，我自己講完也覺得煩，有點跑題……但回來說重點，就是缺乏明確的負責人，AI 推動到哪裡去根本沒譜。

**解決方式：** 那就只能指定一位 DRI（直接負責人），總不能讓計畫自生自滅吧。這個倒楣、呃我是說幸運的人，要去追蹤所有 AI 實驗進度，也要碰到卡關時協助排除障礙。其實協調各路英雄很累，不過沒辦法。不只如此，他還得分享成功經驗跟操作手冊——聽起來很多瑣事，其實每一步都重要。另外，每週彙報進度狀況也是必要的程序（雖然我懷疑大家有沒有認真聽）。影響評估呢？當然必須衡量對業務帶來什麼實際變化，就別再紙上談兵好了。

你可以把 DRI 看做內部那個什麼都要管的 AI 領導者。如果沒有這角色，AI 要規模化推進，大概只能繼續原地打轉罷了。

## 7. 嘗試一次解決所有問題

啊——完美主義真的是團隊前進的大敵。有些同事就是非等全部條件齊全才肯動手，那到底要等到何年何月？大家常常糾結在數據一定要清理徹底才開始，好像多一筆髒數據就世界末日似的；提示語句子也要求精雕細琢，一逗點不順眼就重寫十遍。我講到一半忽然想到，上次資安審查居然拖了一季才通過，有夠誇張……嗯拉回主題。不只如此，還有人堅持基礎設施一定得萬無一失才能啟動，更別提 UI 介面被磨成藝術品那樣精緻。

結果六個月咻一下就過去了，你猜怎樣？啥成果都沒看到，只剩下滿桌子的草稿和待辦事項罷了。唉，人心難測啦。

唉，有時候真的很想把產品直接甩出去了，不管它長什麼樣子，先丟了再說。外觀歪七扭八也無妨啊，反正那麼多人還不是照用不誤。其實，早點釋出產品，比起磨到完美來得重要太多。嗯……有個「3-week rule」你知道嗎？搞原型只要一超過3週，大概代表你已經在自找麻煩了吧，規模太大，失控了嘛。

啊——剛才差點忘記主題。我猜最初應該還是從幾個地方下手比較穩，比如：流程就挑一條主要的，不要貪心；介面能簡單就別複雜化（誰會想被一堆按鈕淹沒）；某些步驟乾脆手動做掉算了，省得寫到頭都痛；然後提示語也要刻意設計一下，免得用戶看不懂亂操作。對了，一開始最好找小規模、自己人測試看看啊——我之前就是沒這樣，被罵慘。

回饋拿到之後，再慢慢修嘛，要擴展什麼等有數據再說好了。總之，就是完成比完美還更讓人安心。有種「先上車後補票」的感覺吧。

話又說回來，你是不是也有種把生成式AI當成傳統軟體看的錯覺？其實很多團隊搞AI時，都繼續沿用舊那套開發法則。但這樣做，好像哪裡怪怪的喔。不知怎地，我每次看到有人這麼搞，都會忍不住皺眉頭——該換換腦袋思路了，大概吧。

生成式 AI 這東西，其實不是什麼單純的技術層面罷了。唉，說起來好像有點無力，但它確實讓很多事情都變得不太一樣。有時候我會想，它到底是怎麼影響我的日常？嗯，好像扯遠了。拉回來，現在產品的建構方法就開始變調——以前那種模式慢慢被顛覆掉。決策怎麼做、團隊怎麼合作、甚至我們賺錢的方法，都因為這玩意兒而產生一些微妙的變化。欸，真的蠻多地方都被牽動到，不只是表面上看起來那麼簡單。

具備競爭力的企業嘛，他們通常會比較願意嘗試新東西。我自己覺得啦，也許是怕落後吧。不過，他們採用新的思維模式也是真的。例如，把「確定性」放一邊，開始接受「機率性」帶來的不確定與驚喜感。有時候想想，不確定才是真正的現實？啊，我又離題了。再者，以前交付都是功能導向，現在反倒強調成果，只管最後能不能產生效果。另外，那些老掉牙的路線圖規劃也逐漸讓位給快速實驗，有點亂中有序的感覺。還有，原本部門之間壁壘分明，如今則是跨職能團隊一起摸索，一起踩坑——有時候真的滿累人的。

說到真正產生成效，其實在生成式 AI 應用上，有幾家公司展現出某種共通點。我常常納悶，到底他們憑什麼搞得比別人快？仔細觀察下去，大概可以歸納三個方向吧。他們很少直接聚焦於 AI 本身，而是從業務問題切入：比如說，「到底哪裡浪費最多時間、人力或者金錢？」然後才考慮該怎麼處理。嗯，這方式聽起來雖然樸素，但其實挺有效。

還有一件事也很重要，就是推動整個組織提升 AI 素養。不光只靠工程師單打獨鬥，就連產品經理、客服甚至行銷的人員，都會學著怎麼跟 AI 打交道。有時候我覺得他們是不是學太快了……唉，不過總歸這樣比較合理。

最後，他們特別強調快速且頻繁地把產品推上市場。在他們眼裡，同時推出 10 個還沒完全成熟但已經可用的生成式 AI 功能，比僅僅展示一個精雕細琢卻永遠卡在測試階段的小玩意兒，要更值得肯定。我偶爾也懷疑這種策略是否長久，但目前看起來效果還不錯吧。

## 下一步行動

唉，每次講到生成式 AI，總覺得大家都還在原地踏步，真的有點煩躁。先不說這個——好像又要開新會議了。欸，我們是不是應該先靜下心來想一想？這週能不能乾脆列出3個明明就能靠生成式 AI 處理的實際業務問題。然後不是只是寫在白板上發呆，而是真的從裡面挑1個，看它夠不夠實際、3週內有沒有可能拼出個原型。嗯，小組負責人你是誰啊？趕快找幾個人分工測試，不要再拖。

（剛才腦袋突然飄去午餐吃什麼…回來。）再講一次——本月我們最好能把那個由 AI 驅動的功能給丟上線，不管成品多陽春都無妨啦，反正先做起來。有數據才比較安心嘛！接下來衡量一下，看看它到底對業務帶來什麼變化。如果沒感覺，大概也只能苦笑。但如果有效果，就記得拉一場內部分享，有學到啥、遇到啥鳥事也坦白一點，其實大家都蠻想聽八卦的吧？

說穿了，其實一季很快就過去了喔…這段時間，我們大概會知道哪些方法行得通，那些懶蟲方案還是放棄算了（對不起，有點直接）。然後團隊彼此間對 AI 的理解，要是沒提升我真的很難受，所以每次討論至少裝作自己略懂風水輪流轉。

話題繞遠了一點。不過啊，生成式 AI 這玩意兒一直在往前衝，大公司小公司全都跟著追趕。我偶爾會懷疑這是不是真的「競爭優勢」，但據說擁抱技術的人比較容易勝出。所以慢一步，好像也就只能認命被甩開而已吧。