OpenAI 為何重押 FDE：一百萬家企業之後，真正瓶頸是工作流程改造

先看結論：企業買的不是模型，而是完成工作的能力

報告指出，OpenAI 已有超過100萬家企業使用其產品與 API，但模型採用不等於核心流程完成改造。2026年5月，OpenAI 成立獨立 Deployment Company，並規畫收購 Tomoro，預計帶入約150名具企業部署經驗的 FDE 與專家；同時聯合19家投資、顧問與系統整合夥伴，投入超過40億美元擴大企業 AI 部署。這代表模型公司主動往業務診斷、工作流程重做與正式交付延伸。

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。OpenAI 為何重押 FDE：一百萬家企業之後，真正瓶頸是工作流程改造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

典型 FDE 專案先與經營團隊挑選少數高價值流程，再進入客戶組織完成設計、開發、測試與部署，把模型接上資料、工具、控制與日常作業。OpenAI 內部的 Codex 實踐又顯示，流程若要交給 Agent 長期執行，必須把文件、技能、架構限制、測試、日誌、指標與 Trace 編進 Harness。人類設定環境與回饋，Agent 負責執行，形成『人類掌舵、Agent 做事』。

不同廠商的共同方向，是讓少數核心 FDE 攻克複雜現場，再用平台、夥伴與客戶自助擴大覆蓋。差別在於資產沉澱在哪裡：Palantir 放進本體模型與 AIP，模型公司放進技能與執行框架，雲端業者放進 Agent 平台與夥伴交付工具，企業軟體公司則把多年流程與權限直接寫進底座。

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

報告整理的內部案例中，三名工程師約五個月驅動 Codex 合併約1,500個 PR，整體開發時間估計約為人工方式的十分之一。這不是單純用模型取代十倍人力，而是工程師把工作轉成環境設計、能力補充與品質門檻。對 OpenAI 而言，若 FDE 能把成功模式轉成平台能力，部署投入將提高企業用量與黏著；若每個客戶都需長期高人力，則會壓低模型業務原本的高毛利。

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

值得學習的是失敗處理方式：Agent 失敗時，不只重新寫提示，而是問系統缺少哪一項工具、文件、護欄或驗證，再把缺口編回執行環境。如此一次問題會成為所有後續任務的能力。企業可以為每個高頻失敗建立責任人與修正類型，讓提示、工具、測試與架構文件共同演進。

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

報告所述 Deployment Company、收購與投入計畫仍需觀察實際完成度與財務成果。OpenAI 的內部程式開發環境也不等於所有產業：程式有自動測試與版本控制，許多業務流程的成功較難客觀判斷。把 Codex 的生產力倍數直接套到法務、銷售或醫療，會忽略資料與責任差異。

廠商案例多半是公司或報告選出的成功樣本，不能直接外推到所有客戶。閱讀時要分清楚已上線的實際成果、合作公告、產品規畫與券商推論；尤其 2026 年的新組織與新平台仍需時間驗證續約、毛利與複用程度。案例可以提供路線，不能替財務證據簽名。

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

台灣軟體與製造企業可以借鏡『環境先於提示』：先整理架構規則、測試、文件、工具與觀測，再要求 Agent 做更多。對服務商而言，與大型模型供應商合作時，價值不能只停在轉售 API，而要掌握產業流程、資料介面與上線治理；模型愈通用，最後一哩的業務資產反而愈重要。

接下來可固定追蹤：1、Deployment Company 與收購進度；2、FDE 專案轉成模型用量的效率；3、合作夥伴的複製能力；4、Codex 任務成功與人工審查成本。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。