文／鄭宜芬
當企業完成雲端遷移後，AI 導入已成為企業競爭力的關鍵。目前許多企業雖已完成 PoC，卻還無法將 AI 擴展到企業級規模。SAP 商業AI平台全球營收長 Mark Smith 指出，問題往往不在模型能力，而是資料治理、架構現代化與 AI 治理機制是否到位。SAP 全球 AI 產品發展負責人Richard Grandpierre 表示，企業可利用 AI 提出建議、執行重複性作業，甚至協調部分流程，但關鍵變更仍需透過人類參與流程（Human-in-the-Loop）機制進行審核，確保安全。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
AI 規模化關鍵 在於治理與基礎建設
AI 正在重塑企業的營運方式、決策方式、工作完成方式，以及產業在全球舞台上的競爭方式。
SAP 商業 AI 平台全球營收長 Mark Smith 表示，很多企業已經在做概念驗證、試點計畫，或是價值驗證；但如果要把 AI 擴大到企業級規模，仍然存在很大的挑戰。尤其臺灣位於全球科技產業的核心，也是高科技製造重鎮。AI 是企業成長、如何在高度競爭且快速創新的市場中建立差異化優勢的重要能力。
治理尤為關鍵，企業最大的挑戰之一是擔心把 AI 代理開放給所有人使用。建議當企業允許某個 AI 代理存取營運系統時，必須先設定它的驗證方式，以符合企業 IT 的防護機制。從 AI 代理建立、進入生產環境，到最後停用或退場，整個流程都需要具備可追蹤性和可稽核性。
對於高度監管產業，Mark Smith 表示，不同的組織會有不同策略，導入AI時，治理、資安、法遵與資料落地要求往往比模型本身更重要。但如果談到以程式碼或低程式碼方式採用 AI，重點就會回到治理，包括資安協議、合規協議、資料落地協議等。
主權雲也是目前國際上關注的重點，不同產業必須依照自身需求設立企業準則，確保 AI 在導入時符合安全、合規與資料落地要求。部分組織開始願意採用標準化做法，同時必須符合政府規範與在地法規要求。
[ 推薦閱讀：地緣政治進入供應鏈，企業無法迴避的現實 ]
資料孤島仍是企業邁向AI的最大障礙
資料整合始終是企業AI轉型最困難的工作之一。Mark Smith 表示，許多企業同時存在 ERP、CRM、資料倉儲與各種雲端平台，資料分散在不同系統與部門之中，導致企業難以建立完整的業務視角。
「如果資料散落各處，企業就很難真正根據業務流程做決策。」Mark Smith 指出，資料策略不只是技術問題，更是企業推動 AI 規模化的核心基礎。
他認為，企業需要建立可互通且具治理能力的資料架構，並透過統一資料層與知識圖譜等技術，讓 AI 理解資料之間的關聯與業務脈絡。
[ 推薦閱讀：供應鏈 IT 五大演化趨勢 ]
AI Agent 進入企業核心流程 治理新課題
當資料架構逐步完善後，下一個挑戰便是如何管理大量進入企業流程的 AI 代理。
Mark Smith 觀察到，許多企業雖然完成雲端遷移，但其實只是把既有系統搬到雲端。它們仍然保留大量客製化，沒有建立完整的資料架構，也沒有讓資料平台現代化；不同整合平
台並存，應用程式之間可能已經串接，但缺乏完整治理，尚未真正現代化。
他表示，未來企業可能同時管理數十甚至數百個 AI Agent，因此必須建立完整的 Agent 治理機制，包括權限控管、生命週期管理、稽核追蹤以及風險監控。還有，維持核心系統乾淨、避免過度客製化，讓 AI 代理運用基於業務脈絡的知識圖譜，並且內建治理與合規能力，讓企業能真正推動成果並做出決策。
對 CIO 而言，另一項重要任務是向董事會說明 AI 投資效益。他建議，除了衡量 AI 是否縮短流程時間、降低人工作業與提升決策速度外，也必須建立可視化的管理機制，持續追蹤 AI 對企業流程與營運績效的影響。
從 AI Agent 到自主營運企業 人類是最後把關者
SAP 全球 AI 產品發展負責人Richard Grandpierre 則從 AI Agent 實際落地角度提出觀察。他表示，企業未來將面臨多個 AI Agent 協同運作的情境，因此需要建立「代理對代理」（Agent-to-Agent，A2A）協作能力，讓不同Agent能依據流程順序完成跨部門工作。
舉例來說，應計項目代理產生應計項目後，可能需要將工作交給過帳代理，或交給帳務代理；接著，帳務代理就可以接手後續工作。也就是說，AI 代理之間並不是各自孤立運作，而是可以根據流程順序與職責分工，將工作從一個 AI 代理交給下一個 AI 代理，完成端到端的流程。
當然，自主營運企業並不代表完全移除人類角色。在供應鏈、財務或主檔管理等關鍵流程中，人仍必須保有最終決策權與核准權。AI 可以提出建議、執行重複性作業，甚至協調部分流程，但關鍵變更仍需透過 Human-in-the-Loop 機制進行人工審核。
以製造業中的物料主檔變更為例， AI 代理可以提出變更建議，也可以準備相關內容，但不會自行完成這類關鍵變更，這類關鍵變更仍然必須由人來核准。
他並表示，企業不需要一開始就全面導入 AI Agent，可以先從小範圍開始，例如先從財務著手，再逐漸擴展到人力資源、供應鏈等其他領域。重點是結合流程管理與營運監控機制，建立完整治理框架，協助企業從營運與流程角度管理 AI 代理，確保 AI Agent 能夠被端到端管理與監控。
[ 推薦閱讀：當 AI Agent 開始做事，CISO 真正該管的是什麼 ]
AI 落地最大的挑戰 從 PoC 邁向正式上線
許多 AI 專案最大的挑戰在於從 PoC 走向正式生產環境的過程，也就是部署給最終使用者之後，可靠度與準確度是否夠高。
Richard Grandpierre 表示，在 PoC 階段，企業通常可以接受一定程度的誤差；但一進入實際營運流程，可靠度與準確率就成為關鍵指標。他建議企業在導入 AI 前，透過真實資料進行大量驗證與調校，並建立風險評估機制，才能確保 AI 真正支援關鍵業務流程，避免增加新的營運風險。
從企業發展的現況來看，AI 競賽將逐漸從模型能力轉向治理能力、資料能力與組織能力。當 AI 代理開始參與企業核心流程，企業面對的不再只是導入工具，而是如何建立管理、追蹤與可擴充的營運機制。從雲端化、資料整合到AI代理治理，自主營運企業的實現，將取決於企業是否已完成這些基礎能力的建設。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
