AI 導入說不出成效？先搞懂哪些工作能交給 AI

月費照付，有人天天用，有人從沒打開過；問主管都說有幫助，問省了幾個小時，沒有人量過。這是我們常看到的企業 AI 導入現況。我們的看法是，問題多半不在 AI 好不好用，而在導入前沒有先回答兩件事：要交給 AI 的是哪一個步驟，交出去能換到什麼。

AI 導入失敗的原因是什麼？

BCG 2025 年調查全球 1,250 家以上企業，只有 5% 大規模取得 AI 價值，60% 表示完全沒有得到實質價值。報告描述落後企業的管理層「fails to articulate any clear value ambition」——說不出要 AI 創造什麼價值，就把 AI 交給不確定該怎麼用的中階主管。同一份報告的結論是，多數障礙出在人、組織與流程；成效領先的企業有六成以上嚴格追蹤 AI 價值，停滯的企業只有 17%。

技術當然也重要：資料接不進來、AI 產出不穩，仍是常見關卡。但 AI 導入失敗時只換一套更好的工具，通常解決不了「不知道要它做什麼」——企業 AI 導入要先定義的是用途，不是工具。

AI 取代工作？多半取代的是步驟，不是整個人

「AI 會不會取代員工」直接影響大家配合的意願。國際勞工組織（ILO）2025 年的研究是這樣判斷的：「As most occupations consist of tasks that require human input, transformation of jobs is the most likely impact of GenAI.」——多數職業由需要人參與的任務組成，最可能的影響是工作被改造。全球只有 3.3% 的就業落在最高曝險等級；各職業類別中，文書類整體曝險最高。

所以「AI 取代工作」要拆成步驟看：哪些步驟交給 AI、哪些仍要人做。導入前也先講清楚，省下的時間要拿去做什麼；說不出來，員工容易往最壞處想。

職位拆成步驟示意圖，AI 生成，展示同一份工作中哪些步驟交給 AI 代勞、協助，哪些仍由人做

哪些步驟能交給 AI？先用 7 題勾選

OpenAI 與賓州大學的研究（arXiv 工作論文，精簡版 2024 年刊於《Science》）用這個標準判斷一項任務是否受生成式 AI 影響：用 AI 能把完成時間減少至少一半，而且品質相當——收件人不會察覺或不在意用了 AI。

先寫下一個具體步驟（例如把詢價信整理成報價草稿），再逐題勾選：

勾選	為什麼問這題
□ 輸入和產出都是文字、數字或圖片	需要動手操作實物的工作，研究評為無曝險（OpenAI／賓大）
□ 讓 AI 先做一次，你修改完的時間不到自己做的一半，收件人看不出差別	對應研究的判定標準：省一半時間、品質相當
□ 需要的資料，你願意也能讓 AI 看到	要查公司內部資料就得另外串接系統，是另一筆投資
□ 人做一次不到一小時	Anthropic 2026 年的 API 使用資料（成功與否由 Claude 判定）：任務越長越容易失敗，不到一小時約六成成功，五小時以上約四成五；一小時是參考，不是門檻
□ 出錯時有人能抽查，錯的代價承受得起	生成式 AI 可能產出錯誤內容（NIST，見下文；程式碼的實測見〈AI 寫程式能賣給客戶嗎？〉）
□ 不需要高度人際互動，例如當面示範	研究把高度人際互動的任務評為無曝險
□ 這件事一個月做很多次	次數太少，建置與檢查的成本攤不回來

全部打勾，可以讓 AI 代勞，但仍要抽查；只勾到一部分，就讓 AI 協助人做，最後由人把關。Anthropic 同一份報告也顯示，在 Claude.ai 的對話中，協助人做（52%）略多於直接代勞（45%）。

先把那一段講清楚，再圍繞 AI 重新設計流程

選好步驟之後，要回答三件事：輸入是什麼、判斷的規則或範例是什麼、怎樣算完成。講不清楚的步驟，也很難寫成給 AI 的指令。這和〈系統導入後反而更慢？問題不在系統，在管理〉講的是同一件事。

但不必等全公司的 SOP 都寫好。McKinsey 2026 年的調查（1,719 位受訪者）發現，高績效企業「fundamentally redesign workflows that are enabled by AI rather than insert AI into existing ones」——圍繞 AI 重新設計流程，而不是把 AI 塞進原本的流程；近四分之三的高績效者這麼做，其他受訪者只有四分之一。可以先從一段流程開始，但前後步驟也要跟著改，不是只在原步驟多加一個 AI。

算效益：交給 AI，換到什麼？

「大家都在用」不是理由。美國國家標準與技術研究院（NIST）自願採用的 AI 風險管理框架，建議先記錄預期效益，也記錄 AI 出錯可能造成的成本（包含非金錢的），並判斷「whether its development or deployment should proceed」。

項目	怎麼算
省下的時間	每次節省的時間 × 每月次數
要扣掉的時間	下指令、等結果、檢查與修正 AI 產出
另外的成本	建置、月費、串接公司資料
出錯的代價	錯一次要花多少時間或金錢收拾

以一個虛構示例來算（非客戶案例）：

	每次	每月 120 次
原本人工做	20 分鐘	40 小時
只看 AI 產出時間	5 分鐘	10 小時（以為省了 30 小時）
加上檢查與修正 8 分鐘	13 分鐘	26 小時（實際省 14 小時）
對照清單	13 分鐘超過原本的一半	這一步該讓 AI 協助、由人把關，不是代勞

常被漏算的就是檢查時間。METR 在 2025 年找了 16 位資深開發者做實驗：他們事前預期 AI 能讓自己快 24%，事後也自覺快了 20%，實測卻多花了 19% 的時間。該機構 2026 年的更新認為，工具進步後現在可能已經變快，但變快幅度的證據很弱。這組實驗只限資深開發者，不能直接套到行政工作，但它說明了一件事：自己覺得變快，不等於真的變快。導入前量一次工時，導入後再量一次。

AI 效益試算示意圖，AI 生成，展示原本工時扣掉下指令與等待、檢查修正後才是淨省時間

AI 會出錯：放對位置、有人把關、留下紀錄

NIST 的生成式 AI 指引說明，這類模型靠統計預測產出內容，可能產出正確一致的結果，「it can also produce outputs that are factually inaccurate or internally inconsistent」——也可能產出錯誤或自相矛盾的內容。OpenAI 開發者文件也寫：「the content generated from a model is non-deterministic」，同樣的問題不保證得到同樣的答案。

這和系統要的「結果一致」相反，位置要放對：帳務、庫存這類要能對帳的計算，維持固定規則；AI 放在擬稿、分類建議、摘要、異常提示這些最後由人確認的環節。並記下 AI 給了什麼、誰核可——出了問題才查得回來。

AI 放置位置示意圖，AI 生成，展示帳務與庫存走固定規則、擬稿與分類建議等交給 AI 並由人確認

我們怎麼做？

不論找哪一家 AI 導入顧問，先用上面的清單挑出要交出去的步驟，報價才比得出差別。我們的做法分兩步。

第一步是不收費的初步判讀：寫信附上勾選結果、那段工作現在怎麼做、多久做一次，我們會回你這段適不適合、大概怎麼做。

第二步是顧問諮詢，單獨報價：盤點流程，挑出適合交給 AI 的步驟，試算效益，並把那一段的做法寫清楚。交付的文件歸你所有，拿去給其他廠商比價也可以。做法細節寫在 AI 流程自動化。

常見問題

AI 導入失敗最常見的原因是什麼？

多半卡在做法與組織：說不清楚要 AI 創造什麼價值、沒有圍繞 AI 重新設計流程。BCG 2025 年調查 1,250 家以上企業，只有 5% 大規模取得 AI 價值，並指出多數障礙在人、組織與流程。資料接不進來、產出不夠穩定，也仍是常見關卡。

哪些工作適合交給 AI？

看步驟，不看職位。輸入和產出都是文字、數字或圖片，讓 AI 先做一次、你修改完的時間不到自己做的一半，出錯時有人能抽查、代價承受得起，也不需要高度人際互動——這幾項都符合的步驟，才適合讓 AI 代勞。只符合一部分，就讓 AI 協助人做。

AI 會取代員工嗎？

國際勞工組織 2025 年的研究認為，多數職業由需要人參與的任務組成，最可能的影響是工作被改造，而不是整個被取代。AI 多半接手的是其中某些步驟，評估時也應該用步驟來拆，而不是用職位來問。

導入 AI 一定會變快嗎？

不一定。METR 2025 年的實驗中，資深開發者自覺快了 20%，實測卻多花 19% 的時間；該機構 2026 年的更新認為工具進步後可能已經變快，但變快幅度的證據很弱。要知道有沒有變快，導入前後各量一次工時。

導入 AI 之前要準備什麼？

找 AI 導入顧問之前，先挑一段要交給 AI 的工作，把輸入、判斷規則、怎樣算完成講清楚；算效益時扣掉下指令與檢查 AI 產出的時間；再決定誰負責抽查、AI 的判斷怎麼留紀錄。不必等全公司的 SOP 都寫好，從一段流程開始就好。