M06.07｜AI 導入評估框架：技術可行 ≠ 商業可行
不是所有能 AI 化的流程都值得 AI 化
本講學習重點
技術可行：AI 在技術上能解決這個問題
商業可行：解決這個問題能帶來足夠的商業價值，且成本合理
四維評估框架：資料就緒度、ROI 潛力、風險、組織準備度
資料就緒度：資料量、資料品質、標籤完整性、歷史深度
最佳試點：高重複性、規則明確、有量化指標、低風險、人員支持
隱性成本：資料清理、變更管理、員工培訓、維護費用
Go/No-Go 矩陣：商業價值 vs 實施難度 的二維評估
🎙️ Podcast（中文）
一句話搞懂
AI 導入評估就是在問「我們應該做嗎？」而不只是「我們能做嗎？」——一個系統性的評估框架能在花大錢之前，先確認這個 AI 專案真的值得投資。
白話解說
「技術可行」的陷阱
2018 年前後，有一家零售連鎖企業決定「用 AI 優化門市人員排班」。技術上完全可行——他們有三年的歷史排班和銷售資料，AI 確實能學習出一個預測模型，根據預期客流量推薦最佳班表。技術團隊花了四個月開發，模型的準確率達到 82%。然後系統上線了。
結果呢？門市店長幾乎沒有人使用。因為台灣的勞基法對工時有嚴格規定、每個員工有不同的個人需求（孩子要接送、學生有課）、人際關係也是排班要考慮的隱性因素——這些複雜的「軟性限制」讓 AI 的建議在實務上幾乎沒有可執行性。最終這個系統在六個月後被棄置，幾百萬的投資付諸東流。
這就是「技術可行但商業不可行」的典型案例。AI 技術確實解決了「根據數據預測最佳人力配置」這個數學問題，但沒有解決「門市主管實際上能接受並執行的排班決策」這個商業問題。
四個評估維度：從「能做」到「值得做」
要避免上述的陷阱，在啟動 AI 專案之前需要系統性地從四個維度進行評估：
維度一：資料就緒度（Data Readiness） 這是最常被低估的維度。AI 的效果完全依賴資料的品質和數量。評估問題包括：這個問題需要的訓練資料存不存在？資料量夠不夠（通常至少需要幾千到幾萬筆）？資料品質如何（空值比例、格式一致性、錯誤率）？如果需要標記資料（Labeled Data），標記的成本和時間是多少？一個資料就緒度低的 AI 專案，往往在資料準備階段就消耗掉預算的六到七成。
維度二：ROI 潛力（Return on Investment） 計算 AI 專案的投資報酬率時，很多企業只計算「AI 模型的開發成本」，卻忘記了一大串隱性成本：資料清理和整理的人力、整合到現有系統的 IT 工程費用、員工培訓和變更管理的時間成本、以及長期的模型維護和更新費用。另一方面，效益的估算也要誠實：自動化 20 人的工作，不代表公司能立刻少 20 個人，員工通常會轉型做其他工作。ROI 計算要同時誠實面對全部成本和實際可實現的效益。
維度三：風險程度（Risk Assessment） 不同的 AI 應用場景有截然不同的風險等級。一個「幫市場部門自動生成社群貼文初稿」的 AI，出錯的後果最多是品牌形象略受影響；而一個「自動審核貸款申請」的 AI，出錯可能造成法律糾紛、監理機關罰款或系統性歧視問題。風險評估要考慮：出錯的後果嚴重性、出錯的可偵測性（是否有人會在損害發生前發現錯誤）、以及監管合規性。 高風險場景不是不能 AI 化，但需要更嚴格的驗證和人工監督機制，這意味著更高的成本。
維度四：組織準備度（Organizational Readiness） 再好的 AI 系統，如果員工不願意用，就等於沒有導入。組織準備度評估包括：相關部門的主管和員工是否對 AI 導入持開放態度？是否有人被 AI「取代工作」的恐懼感需要管理？是否有推動這個專案的內部倡導者（Champion）？企業文化是否習慣「用資料做決策」？組織面的阻力往往比技術問題更難克服，也更常被技術導向的評估框架所忽視。
試點選擇：從哪裡開始最聰明？
即使評估結果是「值得導入 AI」，也極少有企業應該「全面同時導入」。最明智的策略是選擇一個最佳試點（Pilot），用最小的成本驗證假設、積累經驗、建立信心，再逐步擴展。
最佳試點的特徵：
- 高重複性：每天或每週發生很多次，自動化效益累積快
- 規則相對明確：不依賴太多「人情味」或複雜的例外情況
- 有清晰的量化成功指標：能在三個月內看到數字上的改善
- 失敗風險低：即使 AI 結果不好，可以讓人工覆核，不會有嚴重後果
- 有熱情的內部推動者：有一個部門主管真的想解決這個問題
選好試點後，以三到六個月為一個驗證週期，量化結果，再決定是否擴展、調整，或者停止。試點的目的不是要「成功」，而是要「學習」——即使試點失敗，從中獲得的認知也是組織極寶貴的資產。
Go / No-Go 決策矩陣
把所有候選的 AI 導入機會，依「商業價值高低」和「實施難度高低」排列在一個二維矩陣中：
- 高價值、低難度（快速勝利區）：立刻做，作為第一個試點
- 高價值、高難度（策略投資區）：排入中長期規劃，先做資料準備
- 低價值、低難度（填補區）：有餘裕再做，不是優先
- 低價值、高難度（避免區）：不要做，資源投入不符效益
應用場景
| 候選 AI 專案 | 資料就緒度 | ROI 潛力 | 風險 | 組織準備度 | 建議決策 |
|---|---|---|---|---|---|
| 客服 Email 自動分類 | 高（有歷史 Email 與分類標籤） | 中（節省分類時間） | 低（人工最終確認） | 高（客服主管主動要求） | 立刻試點 |
| 財務報表自動生成 | 中（資料在不同系統分散） | 高（節省大量人時） | 中（需確保數字正確） | 中（財務主管有疑慮） | 先做資料整合，再啟動 |
| AI 自動核准採購申請 | 低（只有12個月歷史） | 高（流程瓶頸） | 高（財務合規風險） | 低（法務部門反對） | 暫緩，先處理組織阻力 |
| 產品圖片自動標籤 | 高（百萬張圖片已有） | 中（節省標記人力） | 低（錯誤可人工修正） | 高（電商團隊熱烈支持） | 立刻試點 |
| 銷售預測模型 | 中（資料品質不一） | 高（庫存優化效益大） | 中（預測錯誤影響採購） | 低（業務不信任 AI 預測） | 先清理資料 + 教育業務團隊 |
常見誤區
誤區 1：「技術可行就代表應該導入」
技術的進步速度遠快於我們消化和應用它的能力。今天能用 AI 自動化的事情比五年前多了十倍，但公司的資源、注意力和變革管理能量是有限的。「技術可行」只是導入的必要條件，而非充分條件。 評估一個 AI 專案時，每個「技術上能做」後面都應該跟著問「那商業效益夠嗎？風險可接受嗎？我們的組織準備好了嗎？」。對那些技術可行但商業不可行的想法，最勇敢的決策往往是「決定不做」。
誤區 2：「ROI 計算只要看節省的人力成本就好」
這是最常見的 ROI 計算錯誤。一個 AI 專案的完整成本包括：初始開發或工具授權費、資料清理和整合（往往是最被低估的項目，可能花費總預算的 40-60%）、員工培訓、變更管理（幫助組織適應新流程的軟性成本）、IT 系統整合、以及長期的模型維護和漂移監控（模型部署後隨時間效能下降，需要定期重訓）。另一方面，效益端也不能只算「省了幾個人的薪資」，還要考慮錯誤率降低節省的損失、決策速度加快帶來的競爭優勢、以及員工從重複性工作解放後投入更高價值工作的產出。完整的 ROI 計算才能做出不後悔的投資決策。
誤區 3：「試點成功就代表可以直接全面推廣」
試點環境和全面推廣環境之間往往存在巨大差距。試點時通常有：最有動力的使用者、最乾淨的資料、最配合的外部條件、以及高度關注的資源投入。一旦擴展到全公司，就會遇到：各式各樣動機不同的使用者、參差不齊的資料品質、各地不同的流程變體、以及有限的維運資源。試點成功後，正確的下一步是「小規模擴展試驗（Pilot+）」，而不是立刻全面鋪開。 先從試點的三個部門擴展到十個部門，在更多樣的環境中驗證可擴展性，確認挑戰後再做全面部署。跳過這個步驟的代價往往是一個「在小環境成功，在大環境失敗」的昂貴教訓。
小練習
練習 1：AI 導入評估案例分析
某家擁有 200 名員工的保險仲介公司，正在評估以下兩個 AI 導入提案。請根據四維評估框架（資料就緒度、ROI 潛力、風險、組織準備度）分析各自的可行性，並給出建議：
提案 A：AI 自動回覆客戶詢問 Email
- 每天收到約 150 封詢問 Email，目前由兩名客服人員處理
- 有過去三年、共約 16 萬封的 Email 和回覆記錄
- 客服主管表示「如果能幫忙處理標準問題，我很樂意」
- 估計 60% 的 Email 屬於可自動回覆的標準問題
提案 B：AI 自動審核保單申請，決定是否核保
- 每月約 500 件申請，目前由五名核保人員審核
- 有五年的申請資料，但過去三年才開始數位化，格式不統一
- 核保部門主管對 AI 有疑慮，「保險核保需要專業判斷」
- 核保錯誤可能導致保險公司承擔過高賠付風險
查看答案
**提案 A：AI 自動回覆客戶詢問 Email — 建議：立刻試點** | 維度 | 評分 | 分析 | |------|------|------| | 資料就緒度 | 高 | 16 萬筆有標記的歷史 Email，資料量充足、有清楚的輸入（Email 內容）和輸出（回覆）對應 | | ROI 潛力 | 中高 | 60% 自動化率節省兩名客服大量時間，可轉去處理複雜問題；回應速度加快也提升客戶體驗 | | 風險 | 低 | Email 回覆可以設計成「AI 起草、人工確認後寄出」的流程，即使 AI 草稿不佳，不會直接傷害客戶；敏感問題可轉人工 | | 組織準備度 | 高 | 客服主管主動支持，這是成功的關鍵訊號 | **結論**：四個維度均呈正面，是教科書般的試點候選。建議從「60% 標準問題」中再挑出最高頻的前 20 種問題類型做第一版，快速驗證。 --- **提案 B：AI 自動核保 — 建議：暫緩，先處理前置問題** | 維度 | 評分 | 分析 | |------|------|------| | 資料就緒度 | 低中 | 五年資料只有三年數位化，且格式不統一；資料清理工程量大，可能耗費大量前置時間 | | ROI 潛力 | 高 | 500 件/月、五名核保人員，如果能自動化，節省的人力成本相當可觀 | | 風險 | 高 | 核保決策直接影響公司的財務風險暴露；AI 系統性錯誤可能導致大量不當核保，損失難以估量；保險業受監理機關規範，需考量「AI 可解釋性」要求 | | 組織準備度 | 低 | 核保主管有疑慮，未來的使用者不支持是極高的失敗風險 | **結論**：風險高且組織未準備好，不建議現在啟動。建議的行動計劃： 1. **先做資料整合工程**（6-12 個月）：將過去的申請資料統一格式 2. **教育核保部門**：展示 AI 作為「輔助工具而非決策者」的定位，消除被取代的恐懼 3. **重新設計方案**：改為「AI 提供風險評分建議，核保人員做最終決定」，降低風險等級 4. 完成以上前置後，再重新評估試點可行性練習 2：ROI 完整計算
一家製造廠正在評估「AI 品質瑕疵偵測」系統：用攝影機 + AI 模型取代目視品管，系統每秒可檢測 20 個產品。
已知資訊：
- 目前配置 8 名品管人員（年薪各 NT$600,000），計劃裁員 5 名
- AI 系統導入費用：NT$3,000,000（一次性）
- 年授權/維護費：NT$400,000
- 資料標記費用（需要標記 10,000 張瑕疵圖片，每張 NT$50）：需計算
- 現有品管的錯誤率 2%，AI 系統預計可將錯誤率降至 0.3%
- 每年生產 500,000 個產品，每個瑕疵品流出成本（客訴、退換貨）約 NT$200
請計算：三年 ROI 是多少？這個投資值得嗎？