企業 AI 專案卡住的不是模型：舊系統、資料孤島與權限才是真正冰山

企業 AI 專案最迷人的時刻，往往是第一次 Demo：資料丟進去，幾秒後出現像樣答案，所有人都覺得轉型近在眼前。最危險的時刻，也常是同一刻。因為 Demo 把困難集中在看得見的輸出，真正決定能否上線的條件，還藏在水面下。

第一層：資料不是『有』或『沒有』

企業通常不是沒有資料，而是資料分散、定義不一、更新延遲、權限不清。客服系統的客戶編號和財務系統不同，產品名稱在各部門有不同縮寫，重要決策依賴一份只有資深同事知道的 Excel。模型可以讀到內容，卻未必理解哪一份才是有效版本。

FDE 要做的不只是資料串接，而是確認語意與責任：誰是來源系統、誰能修改、多久更新、衝突時以誰為準。這也是 Ontology 或企業語意層真正有價值的地方。

第二層：系統整合有大量例外

老舊 ERP 可能沒有現代 API，內網和雲端之間有安全限制，某些動作需要多層簽核，批次作業只能在特定時間執行。這些不是模型供應商在測試環境能預先知道的事，卻是生產環境每天都會遇到的現實。

第三層：流程原本就沒有被說清楚

AI 導入會把組織的模糊放大。當兩個部門對『合格商機』定義不同，Agent 不可能自動解決；當例外案件一直靠主管私下判斷，系統也無法憑空長出規則。FDE 必須先讓流程可描述、可觀察，再決定哪些步驟適合自動化。

第四層：治理不是最後補上的表單

只要 Agent 能讀取敏感資料或採取行動，權限、稽核、人工覆核、錯誤處置與版本評估就必須從第一版設計。否則 POC 成功得越快，後面重做的代價越高。

第五層：員工不採用，再準也沒有 ROI

使用者可能不信任輸出、害怕責任轉移，或覺得新流程比原本更麻煩。採用不是辦一次教育訓練，而是讓工具嵌入工作、回應使用者痛點，並清楚規定何時相信、何時覆核。

用一張清單決定 POC 能不能進生產

• 有明確的業務負責人與基準 KPI。
• 真實資料、真實權限與真實例外已進入測試。
• 錯誤成本、人工覆核與停止機制已定義。
• 模型品質、延遲與單次任務成本都有量測。
• 第一線使用者願意持續使用，而不只是主管覺得有趣。

企業 AI 的最後一公里其實不只一公里。它是一段穿過資料、系統、流程、治理與人性的山路。

這是「FDE × 企業 AI 落地」第 7 篇。整套策展只追一個問題：AI 如何從模型能力，變成企業每天可驗證的營運能力？