九成企業都在用 AI，為何只有約三分之一真正規模化？

先看結論：企業買的不是模型，而是完成工作的能力

報告引用 McKinsey 2025 年調查：接近九成受訪企業已在至少一項職能常態使用 AI，62%開始試驗 AI Agent，但真正進入組織級規模部署的企業仍只有約三分之一。這組落差說明，市場缺的不是更多會展示的模型，而是能穿過資料、權限、流程與責任邊界的生產系統。AI 功能進步得很快，企業改造速度卻受預算、法遵、組織與既有系統限制，兩者形成明顯剪刀差。

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。九成企業都在用 AI，為何只有約三分之一真正規模化？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

試點通常刻意縮小問題：資料已整理、使用者少、例外由工程師手動處理，因此很容易得到漂亮結果。正式部署卻必須面對即時資料、跨系統權限、錯誤回復、稽核紀錄、員工培訓與尖峰流量。任何一個環節失靈，原本在展示中正確的 Agent 就可能無法承擔責任。企業要跨過這條線，必須把工作流程、資料治理、人機分工與績效制度一起重做，而不是只在舊系統旁邊增加一個聊天框。

企業 AI 的難題已由『有沒有模型』轉成『能不能改造流程』。正式環境裡，資料品質、系統權限、稽核要求、員工採用與績效指標彼此牽動；任何一項沒接好，都可能讓漂亮的展示停在會議室。真正的生產化不是多買一套工具，而是把誰負責、資料從哪裡來、錯誤如何回復、成果如何計價，一次設計清楚。

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

調查中僅39%的受訪者認為 AI 已對企業整體 EBIT 產生影響，而且多數企業的 AI 貢獻仍低於 EBIT 的5%。這代表局部效率改善尚未大規模轉成公司損益。64%的企業認為 AI 促進創新，卻不表示創新已覆蓋導入成本；財務上還要扣除資料整理、系統串接、模型推論、人工覆核、資安與變革管理。若沒有在專案開始前設定基線，團隊最後往往只能報告使用次數，無法證明投資報酬率。

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

一個可執行的起點，是挑選高頻、高成本、資料可取得且錯誤可回復的流程，例如客服工單分類、業務提案準備或內部採購查核。先記錄人工流程的時間、錯誤、等待與轉換基線，再讓 Agent 在小範圍與人工組並行。只有當任務成功率、週期、人工介入與財務指標都能持續比較，才應擴到更多部門。這比一開始宣布『全公司 AI 化』慢半步，卻通常更快走到可用結果。

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

高採用、低規模不一定全是技術失敗。有些企業仍在等待法規明朗、模型成本下降或既有合約到期；另一些流程本來就不值得自動化。把所有未擴張專案都視為落後，可能迫使組織為了追風口做低價值功能。更合理的判斷，是看企業是否建立可重複的場景篩選、測試、治理與停止機制，而不是只比較採用家數。

判斷一個專案是否成熟，不能只看模型測試分數。至少要同時檢查實際使用率、任務完成率、人工接管率、錯誤成本、週期縮短與財務成果。若只有『生成速度更快』，卻沒有對收入、成本、風險或客戶體驗形成可追蹤差異，仍然只是較華麗的試用版。

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

台灣企業常有流程藏在 Excel、LINE、Email 與資深同仁腦中，這既是阻力，也是機會。先把一條流程的規則、資料來源、核准權與例外整理成可查的資產，再導入 Agent，成功率會遠高於直接採購工具。中小企業尤其不需要同時改造全公司；選對一條現金流相關流程，把成功模式做成範本，才是低風險的規模化起點。

接下來可固定追蹤：1、正式使用者占員工比例；2、工作流程重構比例；3、AI 對 EBIT 的可歸因影響；4、人工接管與負面事件率。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。