大家好，我是 Eric。
Google Cloud Day 2026 的時候，講者 Harsha Konduri 在投影片上發表了一個十分血腥的數字「87% 的企業 AI 專案從未達到正式營運規模，真正把 AI 嵌進核心營運循環的公司不到 5%」
（87% 這個數字出自 VentureBeat 的分析，可見 MIT Sloan Management Review〈Achieving Return on AI Projects〉；「不到 5%」為講者當天投影片上的數據）。
回頭看了一下 applemint 內部的 AI 相關專案，其實這個數據並不誇張。
我們公司從今年 3 月正式定調了「AI First Policy」這樣的政策方向，我們在導入的過程中，遇到了大家都發生過的「品質不穩定、無法正式上線」、「檢驗產品的時間比自己動手做還久」的問題。
在一路試錯的過程後，如今才逐漸把最核心的廣告業務逐步穩定的交由 AI 管理。
這篇文章，我想針對在導入 AI 過程中，大多數公司可能會有的迷思，以及我們實際上做了些什麼來應對，進一步的討論。
不論你是被指派為協助為公司導入 AI 的人，或是企業負責人，只要你對於「該如何導入 AI」這件事還有疑惑，都可以從這篇文章裡找到答案。
還在問 ChatGPT 還是 Claude 比較好？你已經走錯第一步了
導入 AI 的成敗不在挑哪一家廠商，而在有沒有把它嵌進日常的作業循環。Konduri 在演講中列出了 8 個企業最常見的錯誤迷思，排在第一個的，正是「以為 AI 策略就是挑對廠商」。
以下是這 8 個迷思：
- 以為 AI 策略就是挑對廠商
- 以為公司內部的數據就已經是有競爭力的護城河
- 以為公司需要大型的 AI 轉型計劃
- AI 可以精簡人事，節省成本
- AI 服務的先行者可以搶佔市場
- 以為「自建地端 vs 購買服務」是導入 AI 的核心決策
- AI 的投資報酬率評估方法應該跟其他 IT 部門一樣
- 認為企業需要有專屬的 AI 團隊「掌控 AI 導入進度」
如果你還在糾結於上面 8 個迷思，導致遲遲無法往前，那麼你已經錯失了 AI 可能帶來的複利效應。
我是這麼定義「AI 複利效應」的：「既然未來 AI 的使用情境只會越來越多，能夠在更廣泛的情境下與 AI 相處的人，一定會比拒絕與 AI 互動的人還要更能適應。而兩者之間的落差只會越來越大。」
既然是 Google 的場合，他們針對這 8 個迷思的解答，自然是回到自家推出的 GCP 生態，以及 multi-agent 的 Agent Platform 服務。但我認為答案並不一定只有一個，而且中小企業也不見得真的都有能力可以導入 Agent Platform。
其實，早在聽到上面的 8 個迷思前，我對於 AI 導入就十分保守，一方面我相信 AI 的複利效應，但同時，我也深知這不是主管一時興起，說要「加強導入 AI」，就會有成果的事。
我從 3 月起採取了下列 3 個方式進行 AI 導入，並在 5 個月後，在自己目前主要管理的廣告操作部門，深化了 AI 涵蓋率。
從員工問卷回饋來看，我們使用 AI 的作業比例，從 5 月首次評估的 50%，提高到 8 月評估的 70%，並擴大了實際的使用情境，從廣告報告撰寫、素材與 SEO 部落格企劃，到個別客戶工作量的估算、競品分析等。
中小企業導入 AI 該從哪裡開始？
從已經在做的工作裡拆出小情境，而不是從「該導入哪套系統」開始。applemint 從 3 月起只做了三件事，5 個月後廣告部門的 AI 作業比例從 50% 提高到 70%。以下是這三件事的具體內容。
如何創造 AI 的使用情境？
把現有的工作拆成更小的原子，情境自然就長出來了。Konduri 在分享裡提到，同一時間導入 AI 的公司，用於 3 個情境跟用於 30 個情境，過了 3 年後差異會十分巨大，而這個差異來自拆解的細度，不是工具的強度。
這句話聽起來理所當然，但很多人不知道怎麼樣去「增加使用情境」，或者更精確的說，怎麼樣去創造使用情境。
尤其在體制還尚未穩定，一人可能會身兼多職的中小企業中，很有可能發生「想要一次做好全部流程」，最後卻四不像，檢驗結果比自己動手做還花時間的結果。
那要如何創造使用情境呢？
首先，試著把目前的工作細分成更細小的原子，我在〈數位行銷公司如何導入 AI First 政策〉曾提過，applemint 如何將「產生廣告月報」的一個情境，拆分成不同的小情境 (MCP 擷取原始數據、整理數據、產生邏輯推論、品質管控與檢查)。
在這樣的過程中，每一個小情境，又可以套用在不同的大情境底下，例如邏輯推論的技能，也可以用於提案的場合、品質管控的技能，可以用於廣告上架的前置作業。
沒有文件的公司，如何打造資料的循環？
先讓現有的零散資料被 AI 讀得到，比先建一套文件制度更快看到效果。中小企業最容易發生的問題是「沒有文件」、「沒有固定格式的文件」，但真正卡住決策的，往往不是文件不存在，而是它們散在各處、從來沒被拿出來用。
儘管在數位化的時代，我們開始可以把資料儲存到雲端硬碟，但是這些資料並沒有真的運用在決策上。
這時候透過生成式 AI 可以有效的整合公司內部跨來源資料。以我們公司來說，目前就會透過 Claude + Asana + Google 文件的連結，直接把跟客戶開會的結論轉為可執行追蹤的 Asana 任務。
此外，我們近期也透過整理公司 Google Workspace 內部文件，把新進人員第一個月訓練期會遇到的 FAQ 整理給 AI，降低新進員工檢索文件資料的時間。
除了具體的資料外，廣義的「資料循環」還包含建立基礎知識。
如果 AI 的產出只有 60 分，對於能力只有 30 分的人來說，他會以為 AI 的成果有 200 分，惟有原本實力超出 60 分的人能夠判斷落差。
許多 AI 應用領域的進階使用者們都提過，他們在使用 AI 時，會把產出的內容，當作延伸學習的基礎，也就是把「現有的知識」作為資料輸入，將「產出的結果」再作為新的資料。
員工對於導入 AI 有疑慮，該怎麼溝通？
很多企業負責人都誤會了，相信「導入 AI 可以節省成本」，事實上，由天下雜誌引用的 Orgvue 調查中提到，有 55% 的主管承認為了 AI 裁員是錯誤的決定，因為誤判能被取代的職務而裁員、不雇用特定職能的員工，反而造成更大的損失。
applemint 針對內部員工進行的第一輪 AI First Policy 調查中，有員工指出「AI 應該是加快速度的手段，而非目的」，這其實也反映了中小企業導入 AI 的過程中，絕對不能忽略的「人」的因素。
首先，主管和負責人要瞭解到，「導入 AI」跟受僱員工會產生利益衝突。
這是因為在理性選擇底下，「提升公司整體產值」並不是員工的核心利益，換句話說，在缺乏溝通的情況下，「協助導入 AI」對員工而言，會有以下三點衝突：
- 被取代的風險: 雖然前面提到企業近期開始有「AI 裁員不對」的反思，但如果員工本來的職務範圍是重複作業，這樣的擔心確實會存在
- 這是額外的工作: 從基層員工的理性思考來說，改善公司制度、流程是額外的工作，如果為了導入 AI 而使自己沒辦法在時間內完成原本能做完的事，那就是額外的成本
- 沒有省到時間: 這是我目前最常聽到的回饋，儘管我們將 AI 整合進廣告成效月報的製作過程，但員工反應最後檢查結果的時間算下來，不會比自己從頭到尾寫還要快
對此，我認為溝通的方向包含：
- 導入 AI 確實會取代掉重複的工作，但是我們在取代重複工作的同時，也引導他們進一步去檢查 AI 的結果，並根據 AI 的產出，做出更具有深度的思考
- 為了能讓員工願意花時間導入 AI，也必須重視「怎麼樣讓員工感受到使用 AI 帶來的成就感」，例如透過 AI 濃縮原本需要繁瑣確認的信件。
- 隨時蒐集員工在使用時的回饋，如果是「確認結果的時間，比我自己做還久」，那需要進一步思考的是「這件事交給 AI 做，可以省下多少時間，值得花時間去調校嗎？」為此，我用下列這張表，以頻率跟省下的時間來判斷是否值得投入，前陣子在社群很流行的一張對照表，就概略的畫出了不同「頻率x省下的時間」值得投入的時間，我把它從原本 5 年濃縮成 1 年的尺度。
| 每次省下 | 每天 | 每週 | 每兩週 | 每月 | 每季 | 每年 |
|---|---|---|---|---|---|---|
| 1 分鐘 | ✅ 4 小時 | 50 分鐘 | ❌ 25 分鐘 | ❌ 12 分鐘 | ❌ 4 分鐘 | ❌ 1 分鐘 |
| 5 分鐘 | ✅ 2.5 天 | ✅ 4 小時 | 2 小時 | 1 小時 | ❌ 20 分鐘 | ❌ 5 分鐘 |
| 30 分鐘 | ✅ 15 天 | ✅ 3 天 | ✅ 1.5 天 | ✅ 6 小時 | 2 小時 | 30 分鐘 |
| 2 小時 | ✅ 60 天 | ✅ 12 天 | ✅ 6 天 | ✅ 3 天 | ✅ 1 天 | 2 小時 |
| 半天 | ✅ 125 天* | ✅ 25 天 | ✅ 12 天 | ✅ 6 天 | ✅ 2 天 | ✅ 4 小時 |
✅ 值得做（可投入半個工作日以上）／空白 視情況／❌ 不值得（可投入不到 30 分鐘，以目前 skill 化的成本做不出可靠的東西）
(* 這只是計算的理論值，這種工作根本不該交給人來做)
企業導入 AI 最不該碰的地雷是什麼？
讓員工自費使用個人版的 AI 服務。前面講的都是該做的事，這一節要講一件絕對不該做的。這件事表面上只是省下一筆訂閱費，實際上卻是把公司的資料治理，外包給每一位員工的個人帳號設定。
有很多公司會擔心「使用 AI 的話，敏感資料是不是就會被拿去做訓練了？」
答案是：會也不會。
如果你使用的是商業版，根據目前各大廠商的條款，都會保證不使用輸入和產出來訓練模型 (例: Claude)。
換句話說，如果你是中小企業的負責人，並且想要導入 AI，這筆投資真的不要省。
我自己聽過蠻多中小企業的小主管，直接跟底下的同仁說「你那個用 AI 做一下就好了」，意即要員工自己使用個人版的生成式 AI，但是個人版預設會把輸入與產出用於模型訓練。
雖然各家都提供關閉選項，但公司完全無法介入設定，也無法稽核全公司的人是否都有關閉，更無法在客戶問「你們的資料怎麼處理」時拿出任何憑據。
如果是有心想要導入 AI 的話，企業應該選擇商業版解決方案，但不要浪費時間在比較「哪一家」，因為主流的幾家廠商，在處理文書、整理資料、日常作業、檢索的能力大致相同。不是說沒有差異，但是這些差異不構成拖延的理由。
此外，要在工作條款中明確禁止員工在涉及客戶資料、涉及未公開的財務或人事資訊、任何要對外交付的產出時使用免費版、個人付費版的 AI 服務。
結語
以上是 applemint 近半年來積極導入 AI 的心路歷程，雖然我是到了 6 月才聽到 Konduri 的分享，但回頭看 3 月開始 AI First Policy 的方向，我們發現在一開始的時候，也曾有過他提到的那些迷思，但也很快速地修正了導入的方向。
如果你正在評估將 AI 導入自己的公司，還卡在「該從哪個流程開始」或「員工不買單」，歡迎與我們聯絡，我們很樂意與你們分享踩過哪些坑，並協助你們少走一點冤枉路。
從這裡聯絡 applemint！
