文／洪為璽
人工智慧（AI）現在已經參與至企業的日常營運與決策流程，影響範圍從新創小型企業至大型企業都有，而新創公司與中小型企業在導入 AI 上大部分獲得了優秀的改變與成積。
至於年營收超過五億美元的大型企業，根據 LinkedIn 上對麥肯錫 2025 年報告的摘要，31% 的企業已建立明確的 AI 路線圖，42% 的企業設有專責團隊推動 AI 導入，雖然他們在 AI 成熟度上領先，然而，這些企業仍面臨組織架構複雜、決策流程冗長等挑戰，導致 AI 導入進程緩慢。
理論上，擁有最多資源、最多資料與最多人才，應該是最具備導入 AI 優勢的角色，不僅有能力投資頂尖技術，更握有龐大的內部資料集，能夠訓練出精準的模型、建立自有平台、甚至開發客製化的 AI 工具，但令人意外的是，許多 AI 的創新應用，卻往往從靈活的新創公司或中型企業中誕生。
例如，一家百人規模的新創能夠用 AI 自動生成報告、建模預測用戶行為，或建立客製化推薦系統，而某些市值數千億的大企業，卻仍停留在「導入聊天機器人」的初步階段。這並不是技術問題，更不是資金問題，而是出在大型企業特有的結構性矛盾與轉型阻力。
從四個層面分析企業導 AI 的狀況
本文將從四個層面切入，「組織架構」、「技術基礎」、「企業文化」與「資源配置」，將大型企業深度拆解，並提供實例，帶讀者了解 AI 對大型企業的影響與所面臨的核心困境。
- 組織架構層面：
當我們談論大型企業導入 AI 遇到的困境時，問題往往不是「買不起」、「做不到」，而是「動不了」。
這種動彈不得的困難，不是因為技術門檻，也不是因為內部缺乏人才或資源，而是來自企業本身的體質架構。這是大型企業普遍存在的第一個問題，白話來說是決策時間過長。任何一項創新專案，無論是導入內部客服 AI，還是建立行銷預測模型，都需要跨越多個部門才能實施。
舉例來說，一個簡單的 AI 專案，可能得先經過使用部門提出需求，再由 IT 部門評估可行性，資訊安全部門審核資料使用，法務部門審視風險，接著再送交高層進行預算審批。當流程這麼冗長，導入一個 AI 專案的時間可能動輒 6～12 個月，甚至到最後不了了之。
再來，部分部門彼此之間的目標往往不一致。業務部門追求速度與成效，但 IT 部門關注的是穩定性與資安風險；法務部門關注合規性，而高層則希望看到明確的成效。當企業缺乏明確的內部協作機制，內部無法設定共同目標，結果就變成了每個人都同意 AI 很重要，但無法真正的推動。 - 技術基礎層面：
企業在導入 AI 時，需要有乾淨一致的資料，因為 AI 的核心在於資料，沒有資料，模型就無法訓練，導致不能推理或自動化決策。
然而，這恰恰是大企業的弱項，許多大型企業的 IT 架構橫跨數十年，歷經多次導入與更換，導致內部系統混雜，例如，有些部門使用雲端 SaaS，有些仍在用自建的 on-premise 系統；有些系統使用 SQL 資料庫，有些是 Excel 表格堆疊。這些資料系統之間缺乏共通標準、沒有一致的命名邏輯。結果是：資料很多，但沒辦法用。這就是所謂的「資料富翁，智慧乞丐」現象。企業有的是資料資產，卻沒有資料能力。
此外，資料安全與隱私政策也成為限制 AI 推進的另一個重要因素。越大的企業，越必須遵守嚴格的法規，例如 GDPR、CCPA 或內部合約限制。這些法規雖是保護消費者的必要手段，但在缺乏彈性的系統與流程下，卻很容易被當作勸退企業做 AI 的理由。 - 企業文化層面：
AI 的導入除了技術升級外，更是企業內部文化上的改革。在大型企業中，許多員工已經習慣特定的工作流程多年，從報表撰寫、數據分析、內部請款流程，到客戶服務 SOP，這些制度建立在高度標準化與穩定性的前提下，當 AI 一旦加入，許多舊流程就會被重建，甚至被取代，這對員工而言無疑是一種適應困難與執行挑戰。
基層員工可能會擔心自身能力被 AI 取代，中階主管則可能擔心 AI 模型將部門效率可視化，而影響工作崗位，這些疑慮都有各自的道理，但若企業沒有建立一套完善的內部溝通機制與教育訓練體系，這些疑慮就會變成隱藏的抵抗力量，表面上服從，但心理因素的抗拒導致轉型困難，其結果就是，AI 專案雖然上線了，但沒有人使用、也沒人信任，最終變成「死資料」、「死系統」。
要讓 AI 被接受，不是靠硬推，而是靠引導，需要輔導內部知道 AI 是來「輔助工具」，這需要領導層建立文化願景，讓企業內部真正朝 AI 共生轉型。 - 資源配置層面：
許多人會以為，AI 不普及是因為「太貴」，但事實是，大企業最不缺的就是錢與資源，因此問題不在缺乏，而是使用得太保守。在多數大型企業中，預算的審批制度非常嚴格，新提案若沒有明確的效益預測、短期投資報酬率，往往無法通過高層的批准。
而 AI 的本質是長期疊代、跨部門協作、且初期可能不見成效，這與企業常見的「年度 KPI 評核制」或「季報績效文化」格格不入。換句話說，預算結構與 AI 專案的特性本質上便會有衝突。
此外，根據過往經驗，越大的傳統品牌越害怕錯誤，AI 一旦出錯，不只會導致營運風險，更可能被放大為品牌災難。因此，即使資源充足，許多高層反而更傾向「先觀望」、「做小一點」、「不要對外公開」，而這種心態讓 AI 難以真正規模化推進。而在這段時間內，更靈活的新創與中型企業已經跑在前面，快速收割第一波 AI 紅利。
從實際案例學習 AI 導入
根據上述我們了解到，大型企業在導入 AI 的過程中，資源與技術並非成功的唯一關鍵，真正左右成果的，是由多項因素所交織而成的複合系統，即便擁有強大的技術團隊與可觀預算，也可能因策略錯誤或內部阻力而導致成效不彰。
[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 IG，與全球CIO同步獲取精華見解 ]
為了更具體地呈現這些關鍵變因如何影響成敗，以下將以兩家大型企業為例進行對比，分別是奇異公司（GE）與寶僑（P&G）。這兩者在企業規模與全球影響力上不相上下，但在 AI 導入的過程中，卻走上了截然不同的路線，也獲得了完全不同的結果。
- P&G（寶橋）
首先簡單介紹 P&G（寶橋）的背景，P&G 作為全球最大消費品企業之一，旗下擁有數百個品牌與龐大的供應鏈體系。早在 2018 年，P&G 即啟動全球資料整合計畫，建立名為 Business Sphere 的決策平台，將原本分散在全球各地、格式不一的行銷與供應數據整合起來，供高層即時掌握銷售與庫存狀況。P&G 在 AI 的導入策略上，展現了三個值得參考的成功關鍵。
第一，從痛點的業務流程切入，在行銷方面，P&G 使用 AI 結合自然語言處理與情緒分析技術，分析消費者的社群評論與回饋，進行廣告優化與素材微調，使其行銷投資回報（ROI）提高了超過 20%（根據 ConsumerGoods.com 2024年研究）。而在供應鏈預測方面，他們建立 AI 模型預測不同地區的需求變化，成功降低了缺貨率與倉儲積壓，同時提升生產排程的靈活性。
第二，重視資料治理的基礎建設，AI 要能準確判斷，必須有乾淨、統一、可追溯的資料。因此，他們投注大量資源在資料清洗、標準化與即時更新機制的建立上，確保 AI 模型能在良好的資料條件下穩定運行。根據 Cleverence 報導，P&G 將資料視為核心資產，並將其資料平台逐步擴展至整個製造與供應鏈體系，使得 AI 應用真正具備影響力。
最後，強調 AI 必須落地在跨部門的工作流程。與許多將 AI 視為「IT 部門專案」的企業不同，他們成立內部「資料學院」（Data Academy），為來自行銷、財務、供應鏈等非技術部門的員工提供 AI 素養訓練，讓業務人員能與資料科學家共同設計應用場景，強化內部信任與使用意願。這樣的做法有效降低了導入阻力，也讓 AI 真正成為組織文化的一部分，而非單一專案。 - GE（奇異）
與 P&G 的務實導入形成鮮明對比，GE（奇異）則成為了 AI 數位轉型的反面教材之一。早在 2011 年，GE 就投入超過 40 億美元開發 Predix 平台，立志打造工業物聯網與 AI 的整合生態系，希望透過平台統一監控所有工廠設備、預測維修時機、優化能源調度，成為全球製造業的數位標竿。
但這轉型最終在不到十年內宣告收縮，Predix 成效不如預期，GE 不得不於 2019 年縮減數位部門規模、調整平台定位，甚至部分業務被出售。這場失敗可從以下三個面向具體說明。
首先，策略定位模糊。Predix 平台起初是為 GE 自用設計，後期卻改為向外部客戶商業化販售。然而平台功能並無法滿足市場需求，導致產品難以聚焦，團隊無法衡量目標成效。根據 Applico 對 GE 的深入分析，Predix 曾被寄予實現每年 150 億美元軟體營收的厚望，卻在 2020 年時營收不到預期目標的五分之一，顯示策略與現實落差極大。
第二，組織結構分散，各事業單位如航空、能源、醫療等擁有極高自主權，且系統不統一、資料規格各異，使得 Predix 難以整合資料。即使平台建置完成，也無法與實際工作流程接軌，根據 ASCM 報告指出，GE 的數位化平台無法克服橫向溝通的障礙，導致落地速度極慢，應用場域只能侷限於特定工廠或場景。
最後，GE 缺乏內部文化與信任建立機制。現場操作員與管理階層之間對 AI 工具的理解出現斷層，使用端多半未被納入平台設計與測試，結果部署後使用率極低。與 P&G 強調 AI 共創文化相反，GE 將 Predix 打造成頂層主導的工程計畫，忽略基層員工的參與與熟悉度，最終導致內部「不信、不用、不配合」。
關鍵是誰讓 AI 真正動起來
從本文探討可以發現，AI 對大型企業的影響絕非單一面向的技術升級，而是一次跨結構、跨文化、跨流程的深度轉型挑戰。理論上，大型企業擁有更豐沛的資源、龐大的資料量與強大的研發能力，但現實中卻往往在導入 AI 上進展緩慢。
這正是因為企業「體質」問題未解，無論是組織層級過深、資料系統過雜、文化抗拒變革，抑或是投資過度謹慎，都使得 AI 難以真正落地。
對比 P&G 與 GE 的案例也讓我們看到，導入 AI 成功與否，不在於投入資源的多寡，而在於是否找對了場景、整合了組織、建立了信任與學習機制。
[ 閱讀 洪為璽 的所有專欄文章 ]
從成功的案例知道，P&G 並非從高層開始，而是從業務痛點出發，逐步建立資料治理基礎與跨部門信任，讓 AI 成為決策流程的一部分。而 GE 雖有強大技術與資金後盾，卻因策略不清、組織割裂與文化落差，使得 AI 最終難以發揮其潛力。
對大型企業來說，真正的挑戰不在於「要不要做 AI」，而是「能不能讓 AI 成為組織的一部分」未來的競爭不再是「誰用 AI」，而是「誰讓 AI 真正動起來」，而對大型企業而言，導入 AI 的關鍵，不在速度，而在於能否建構出承接變革的體質與機制。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
