為什麼許多企業投入大筆資金做人工智慧轉型，最後卻紛紛卡關？根據 台灣 CIO 雜誌 報導，高達百分之九十的科技主管相信人工智慧是未來的核心，但最終只有百分之十的專案能真正進入量產階段。所謂量產，就是把原本在實驗室測試的小工具，變成全公司每天都能穩定使用的正式系統。為什麼落差會這麼大？問題往往不是出在技術不夠聰明，而是企業在導入前有沒有做足準備。
以生技製藥公司 Moderna 為例，他們推出的生成式 AI 工具成功讓超過半數員工成為活躍使用者。生成式 AI 指的就是能像人類一樣自動寫文章、畫圖或寫程式碼的智慧工具。他們的成功秘訣，在於將百分之三十的心力放在確保技術運作，卻花高達百分之七十的心力去教導員工理解並使用技術。公司不僅開設訓練課程，還舉辦指令競賽，讓大家學會如何撰寫提示詞。提示詞就是我們對 AI 工具下達的指令與問題。
除了員工意願，數據品質也是關鍵。機器學習演算法無法直接讀取雜亂的試算表，必須先把資料整理乾淨並匯入資料湖。資料湖就像是一個數位大水庫，把公司未經整理的各種原始數據通通集中存放。如果餵給系統的資料品質太差，再先進的模型也算不出好結果。
再看看金融業的星展銀行，他們早在七年前就開始建置資料基礎建設，並培訓了超過九千名員工。這些長期打底讓他們在兩年內將 AI 創造的經濟價值從一億五千萬新加坡元提升到超過三億七千萬新加坡元，到了二〇二四年更創造了高達七億五千萬新加坡元的效益。
相反地，美國房產平台 Zillow 曾在二〇二一年過度信任預測房價的演算法來直接買房，結果因為模型無法準確預測市場波動，最後關閉業務並認列高達三億零四百萬美元的損失。直到多年後，他們改變定位，將工具轉為輔助房仲與買家的搜尋助手，搭配即時檢查機制，反而讓營收成長了百分之十八。
金融巨擘摩根大通在處理每天高達數萬億美元的詐欺偵測時，特別採用了金絲雀部署機制。金絲雀部署這個詞源自早期礦工帶金絲雀進礦坑預先偵測毒氣，在科技界是指先讓百分之一到百分之五的少數用戶試用新功能，確定安全無虞後才全面開放。
這說明了關鍵不在於取代人類，而是要把人工智慧放在對的位置，並建立持續監控與修正的機制。企業只有打好資料與組織的地基，才能真正展翅高飛。
