企業 AI 需要更深客製，AI Coding 卻讓重交付重新算得過來

先看結論：企業買的不是模型，而是完成工作的能力

企業 Agent 與傳統 SaaS 最大差異，是客戶買的不是一個獨立功能，而是一條能把事情做完的工作流程。每家公司都有不同的資料結構、ERP／CRM／MES、審批規則、權限與產業語言，因此客製需求不會因模型更通用而消失，反而在 Agent 進入核心流程後變得更深。看似矛盾的是，AI Coding 與自動化測試又大幅降低串接與程式開發成本，讓過去毛利太差的重交付重新具有商業可能。

這個題目值得獨立拆解，因為企業 AI 已經走到第二個階段。第一階段比的是模型能不能回答，第二階段比的是系統能不能在資料不完整、權限複雜、流程跨部門的環境裡，穩定交付可衡量結果。企業 AI 需要更深客製，AI Coding 卻讓重交付重新算得過來不是技術名詞的排列組合，而是一個組織、工程與財務必須同時成立的問題。

運作機制：把人的經驗翻成 Agent 可執行的規則

報告把成本下降拆成三道門檻：產業知識萃取、客製開發與複合人才供給。Agent 可以協助整理訪談、生成介面程式、測試案例與文件，使 FDE 將時間移到問題澄清、架構判斷、產業規則抽象與效果評估。這不等於客製消失，而是客製的工序改變：重複的程式工作交給 AI，人類集中處理價值判斷、責任與例外。

FDE 的價值是把客戶現場變成產品研發的一部分。前線團隊先找出高價值工作流程，再把資料介面、規則、權限、測試資料集與例外處理做成系統；專案結束後，還要把可共用部分沉澱成技能模組、連接器、產業範本與平台能力。少了最後一步，FDE 就容易退化成高價外包。

實務上應先畫出原有流程的輸入、判斷、工具、輸出與例外，再決定哪些環節交給 Agent、哪些需要人工核准。這個順序很重要：若先拿模型找題目，團隊容易做出技術可行但商業低頻的功能；若先找出高成本、高等待或高錯誤的流程，再設計資料與執行環境，投資報酬率才有機會被驗證。

財務視角：從專案收入走向能力複製

當客製成本下降，廠商可以承接過去因合約不夠大而無法服務的流程，也能用較短週期測試客戶付費意願。報告提到 OpenAI 投入超過40億美元擴大企業部署能力，AWS 則宣布投入10億美元建立 FDE 組織，顯示大型平台不再把最後一哩完全交給傳統系統整合商。不過資金規模只代表企圖，真正財務證據仍是交付週期、每位 FDE 支撐的收入與後續軟體毛利。

財務長應把成本拆成五層：場景診斷、資料與系統串接、模型推論、執行框架、上線後的人工作業。初期毛利偏低不必然代表模式失敗，因為第一批客戶可能同時支付產品學習成本；但下一批同類客戶若沒有明顯縮短交付週期，代表知識沒有資產化。最重要的曲線，是每一元新增收入需要多少新增工程人力與模型成本。

收入品質也要分開看。一次性顧問費能證明客戶願意付錢，訂閱與用量收入則更能反映系統已進入日常流程；成果分成若能建立清楚基線，可能提高上限，但也會帶來歸因與合約爭議。健康的商業組合通常是以前期服務完成導入，再讓軟體、技能模組與執行量成為後續擴張主體。

執行方法：從一個高價值流程開始

導入上應把客製分成三層。第一層是標準連接器與權限，優先產品化；第二層是產業規則與測試資料集，做成可設定範本；第三層才是客戶獨有流程，保留少量專案程式。若所有需求都塞進第三層，維護成本會失控；若過早強迫全部標準化，又會失去 AI 真正接近業務的價值。FDE 的工作，就是持續把第三層往前兩層推。

導入時應先定義成功與失敗。成功不只包含平均任務時間下降，也包括錯誤率、人工覆核、法遵事件與使用者採用；失敗則要能被分成模型、資料、權限、工具、流程或組織責任。分類清楚後，每次錯誤才會變成測試資料與產品改進，而不是群組裡又多一張『AI 怎麼又壞了』的截圖。

反方論證：重交付也可能只是昂貴的人力生意

AI Coding 也可能製造新的技術債。程式寫得快，不代表架構一致、測試完整或後續容易維護；若每個 FDE 都用自己的工具與風格生成客製程式，短期交付加速，長期反而形成更多孤島。重交付能否規模化，取決於共用規格、程式碼審查、測試、可觀測性與平台治理，而不是單純比較一天能生成幾行程式。

FDE 是否可規模化，要看收入與人力的相對速度，而不是工程師人數。健康模式下，同類客戶第二次部署會更快、所需人天更少、可複用資產占比更高；若每個新客戶仍要從頭訪談、串接與改寫，營收再漂亮，也只是把專案公司穿上 AI 外套。

此外，報告整理的數據包含企業調查、公司案例、產品公告與研究判斷，可信度與時間點並不完全相同。本文保留原始頁碼，並把已發生事實、廠商所述規畫與延伸分析分開呈現。對快速變動的 Agent 市場而言，最危險的不是判斷暫時錯，而是把尚未驗證的規畫寫成已經實現的財務成果。

台灣企業可以怎麼用：先做流程資產負債表

台灣資訊服務商可把既有產業顧問與系統整合能力，升級為『產業知識＋AI 工程＋平台沉澱』。最有價值的不是替每位客戶重寫一套，而是把常見的發票、採購、製造品質、維修與客服流程做成可設定元件。對企業買方而言，合約也應要求交付文件、測試資料集、權限模型與可攜資產，避免只留下供應商才能維護的黑箱。

接下來可固定追蹤：1、客製程式中可重用元件比例；2、原型到正式上線週期；3、每位 FDE 支撐的客戶收入；4、AI Coding 產生的維護與返工率。這些指標同時涵蓋技術、流程與財務，能避免團隊只挑對自己有利的數字。對台灣企業而言，最務實的起點通常不是成立一支龐大 AI 部門，而是選一條跨資料、跨系統、又能直接衡量成本或營收的流程，讓小型 FDE 團隊與業務負責人共同完成第一個生產閉環。

最後要記住，真正的護城河不是 Prompt 數量，而是企業願不願意把規則、失敗案例與決策邊界持續沉澱。模型會升級、單價會下降、工具名稱也會換季；留在公司裡的本體模型、測試資料集、連接器、技能模組、權限設計與營運紀錄，才是能在下一輪技術變化中繼續複利的資產。