前言：AI 轉型的真正挑戰
在充滿「 AI 革命」、「數位轉型」等響亮口號的時代，許多企業主管仍在思考一個根本問題：AI 到底能為我的企業創造什麼具體價值？我該從哪裡開始？
這個問題比想像中更為關鍵。企業 AI 轉型計畫時遇到困難，主要原因往往不是技術本身，而是選錯了切入點。
本文將探討如何在企業 AI 轉型過程中「選對題目」，找到最具價值且可行的 AI 應用點，為您的企業開啟真正有意義的 AI 轉型之路。
AI 與數據：理解核心關係
AI 是數據處理的強大工具
要了解 AI 能為企業創造的價值，首先必須明確一點：AI 本質上是一種處理數據的工具，能處理「非常複雜數據」的工具。如果將傳統數據分析工具比作挖礦的鏟子，那麼 AI 就是大型自動化挖礦機——不僅能挖掘數據，還能同時進行淘金和精煉。也因為 AI 的處理能力強大，而能在同樣的資料基礎上，產生更多的價值。
AI 的價值源自其處理數據的能力，而非工具本身。因此，企業在考慮 AI 應用時，核心問題應是：我的數據能創造什麼價值？AI 如何幫助我釋放這些價值？
數據的四層價值階梯
數據可以為企業創造四種不同層次的價值，這也決定了AI應用的深度與廣度：
1. 描述性分析：發生了什麼？
這是數據價值的基礎層級，回答「發生了什麼？」的問題。例如：
幫助發現「有問題，還是 沒問題？」
例如，業務部門現況知道90%的潛在客戶會索取報價單，但並不知道多少比例會往下一步走。那就無法判斷「有/無問題」。
若是發現20%的報價單都繼續往後推進了。這可能是個合理的現況，能快速判斷：沒有大問題，不需要太花精力往下深究。
但若其中高達70%的報價單都淪為無下文的狀態。可能就會判斷為「需要被改善的問題」。
描述性分析幫助企業非常快速判斷「結果上」是否存在問題、「是否存在值得往下深究的問題點」，但不解釋原因。
2. 診斷式分析：為什麼會發生？
第二層級的數據價值在於解釋現象背後的原因。例如：
透過分析，發現報價單轉換率與客戶的營業額、產業類別，以及業務人員的擅長、熟悉產業是否匹配有明顯關聯。
診斷式分析幫助企業理解問題產生的原因，但不預測未來走向。
3. 預測式分析：接下來可能發生什麼？
第三層級的數據價值在於預測未來的發展。例如：
基於歷史數據，AI 系統預測：特定客戶由 A 業務負責跟進，成交率約為35%，平均訂單金額可達50萬元；而由 B 業務負責，成交率可能提高到55%，但平均訂單金額降至30萬元。
預測式分析提供對未來的洞察，但不提供行動建議。
4. 處方式分析：應該做什麼來達成目標？
最高層級的數據價值在於提供具體的行動建議。例如：
AI 系統建議：甲客戶應安排由 A 業務負責，預計將提高成交率30%；乙客戶的報價應包含更多客製化選項，可增加訂單總額20%。
處方式分析不僅提供洞察，還給出明確的行動方向，直接指導決策。
AI 轉型選題的核心：尋找「人為判斷」
從「決策問題」到「人為判斷」
當我們討論 AI 能解決的問題時，核心其實是尋找企業中的「決策問題」——需要做出判斷的環節。
但「決策」一詞容易讓人聯想到高階主管的戰略性思考。為了更準確地描述 AI 的應用範圍，我們可以使用更普遍的詞彙：人為判斷。
在企業運作中，從基層到高層，每個人每天都在進行各種大小不同的判斷：
- 客服判斷客戶問題的類型
- 採購判斷供應商報價的合理性
- 業務判斷客戶的需求優先級
- 財務判斷支出的合規性
- 生產主管判斷生產排程的優先順序
人為判斷 = 預測
從行為本質上看，所有判斷都是一種預測 (prediction)：
- 「我判斷客戶要退貨」= 「我預測客戶要退貨」
- 「我判斷這位供應商會延期交貨」= 「我預測這位供應商會延期交貨」
- 「我判斷這個製程可能出錯」= 「我預測這個製程可能出錯」
這些預測都基於過去的經驗和積累的知識。而預測正是 AI 擅長的核心能力。
尋找高價值的判斷環節
在企業中，不同的判斷環節具有不同的價值。一般而言，第三層(預測式分析)和第四層(處方式分析)的判斷價值較高，因為它們：
- 關乎未來而非已發生的過去
- 可以指導行動，而非僅提供洞察
- 通常直接影響業務成果，如成交率、客戶滿意度、利潤率等
如何識別企業中的判斷環節 – 實例分析
客服場景中的判斷環節
以客服工作為例，一個典型的客戶互動包含多個判斷環節：
- 訊息分類判斷：這是商品詢問？付款問題？物流問題？還是投訴？
- 處理能力判斷：我能自己回答嗎？需要轉給哪個部門？
- 資訊查找判斷：相關資訊在哪裡？哪些資訊適合現在提供？
- 情緒判斷：客戶心情如何？需要特殊處理嗎？
- 回覆方式判斷：應該用什麼語氣？多詳細？多正式？
這些判斷環節都可以透過AI輔助或自動化：
- 自動識別客戶訊息類型
- 立即提供相關訂單的最新狀態
- 推薦專業問題的標準回覆
- 在非工作時間提供基本問題的自動回覆
通過 AI 輔助這些判斷，可以提升客服效率，降低客服壓力，同時提供更一致、更迅速的客戶體驗。
財務審核中的判斷環節
財務部門在處理報銷、請款時也涉及多層判斷：
- 合規判斷：這筆費用是否符合公司政策？
- 預算判斷：支出是否在預算範圍內？
- 合理性判斷：核銷的金額是否合理？
- 有效性判斷：發票或收據是否合法有效？
- 流程判斷：簽核流程是否完整？
- 優先級判斷：這筆款項的處理優先級如何？
AI 可以輔助這些判斷，減少人為錯誤，加速審核流程，並確保一致性。
選擇企業 AI 轉型的第一個應用點
在確定了企業中的各種判斷環節後，如何選擇最適合作為 AI 轉型起點的應用？這需要平衡兩個關鍵因素：價值和可行性。
價值評估
評估一個AI應用點的價值時，可以考慮以下因素：
- 頻率：這個判斷每天/每週/每月發生多少次？
- 影響範圍：這個判斷影響多少人/部門/客戶？
- 直接收益：改善這個判斷能直接帶來多少效率提升/成本降低/收入增加？
- 間接收益：改善這個判斷能間接帶來什麼好處？（如提高客戶滿意度）
- 戰略重要性：這個判斷與企業戰略目標的關聯度如何？
可行性評估
可行性評估主要考慮兩個方面：
1. 技術成熟度
- 所需的 AI 技術是否已經成熟？
- 市場上是否有類似的解決方案可參考？
- 實施難度如何？需要多少技術資源？
2. 數據品質
- 企業是否已有相關的歷史數據？
- 數據的品質如何？
- 獲取更多數據的難度如何？
值得注意的是，技術成熟度會隨時間自然提高，即使企業不採取任何行動，各種 AI 技術也會不斷進步。
但數據品質，必須仰賴企業主動積累，不會自然改善，也無法回溯。
這就是為什麼許多企業在開始 AI 轉型時遇到的最大障礙不是技術，而是數據——無論是傳統 AI 還是生成式 AI 時代，都是如此。
從小處著手，逐步擴展
基於價值和可行性的評估，企業通常應該選擇：
- 價值明確但範圍有限的流程
- 技術可行性高的應用
- 現有數據質量相對較好的領域
從這些「跳一跳可及」的目標開始，一方面解決具體問題，另一方面建立數據積累的基礎設施和流程，為更複雜的AI應用奠定基礎。
AI 轉型的階段性演進
每個 AI 應用從零開始，都會經歷以下階段：
階段0：選題與數據累積
- 定義問題和目標
- 評估數據現況
- 開始有意識地收集數據
階段1：AI輔助決策（認知型）
- “AI 動腦不動手”
- AI 提供建議，人操作
- 例如：客戶詢價單進來，AI 分析、分類報價單內容，提供一份整理後的表單，人員再製作報價單
階段2：智能自動化（智動化）
- “AI 動腦也動手”
- 將自動化與 AI 決策系統結合
- 現有的自動化流程前端，再加上 AI 做腦
- 處理單一明確任務
- 例如：詢價單進來，AI 分析、分類報價單內容，自動依照結果生成報價單。從人的角度看到的是：詢價單進來，報價單出來。中間則由 AI 助手做掉了。
階段3：AI 代理（AI Agent）與代理工作流（Agentic Workflow）
- AI 會把任務鏈條做完：AI 協調並執行複雜任務序列
- 多個 AI 系統協作
- AI 能自主學習優化
- 例如：客戶丟詢價單，AI 自己收，開始做整理、自己做報價單，直接寄回給客戶。客戶回簽，會自己歸檔。完成詢價 – 報價 的流程。
- 跟階段2不一樣的地方是，沒有寫死的流程存在，但 AI 自己會知道現在挑哪一條走。例如：AI 自己寄報價單給客戶後，如果客戶說有修改需求。它可以自己判斷，不是往歸檔的路線走，而是要重新報價。
- 這中間不是完全沒有人出現，人還是會在需要的節點上做審核、放行。
企業數據：從”暗數據”到可用資產
廣數據與暗數據
在討論企業數據時，有兩個概念值得關注：
廣數據（Wide Data）：不同於大數據強調量的概念，廣數據強調質和深度，包括企業的專業知識、客戶關係記錄、流程執行數據等，往往以文本、圖片、表格、音檔等形式存在。
暗數據（Dark Data）：企業收集但未被有效利用的數據。就像一個雜亂的倉庫，東西雖然存在，但找不到或無法使用。
企業的廣數據往往同時是暗數據。以電子郵件為例，其中包含大量有價值的客戶溝通、決策依據、問題解決方案等，但這些信息往往雜亂無章，難以系統化利用。
從暗到明：數據資產化
將暗數據轉化為可用的數據資產，需要：
- 流程設計：重新設計工作流程，使數據在產生時就有結構性
- 系統整合：減少信息孤島，打通各系統間的數據流
- 標準化：建立數據標準，確保一致性
- 自動化收集：減少手動登錄，增加自動收集
- 知識萃取：從非結構化數據中提取結構化信息
例如，報價單在傳統流程中可能是暗數據：
業務為提高效率，報價單上細項常常概括籠統，導致下游採購、生產、倉庫無法精準對應原物料和數量，造成連鎖效應。
通過流程再設計和系統支持，可以實現：
業務產生結構化報價單，系統自動關聯產品庫、材料庫，既提高業務效率，也確保數據可被採購、生產系統準確使用，建立從報價到生產的數據鏈。
為什麼現在是企業 AI 轉型的黃金時代？
生成式 AI 降低了數據門檻
傳統 AI 時代，企業常因缺乏足夠的結構化數據而難以開始 AI 轉型。生成式 AI（如大型語言模型）的出現改變了這一點：
- 能處理更多類型的數據：文本、圖像、表格等混合形式
- 對非結構化數據更友好：能從自然語言描述中提取信息
- 降低了數據量需求：少量但高質量的示例也能產生良好效果
- 上下文理解能力：能理解更複雜的業務場景和需求
這意味著，企業現有的”廣數據”——那些包含專業知識、客戶關係、操作流程的非結構化信息——變得更加有價值。
AI 不再是大企業專屬
隨著生成式 AI 技術的普及和成熟，AI 工具變得更加：
- 可負擔：更合理的成本結構
- 易於使用：不需要深厚的技術背景
- 靈活部署：可根據企業需求逐步擴展
- 快速見效：從小範圍試點到看到成效的時間縮短
這為成長型企業提供了借助AI建立競爭優勢的機會。
結語：平衡當下與未來
企業 AI 轉型是一場平衡當下業務需求與未來競爭力的旅程。
在選擇AI應用的切入點時，企業應該：
- 聚焦於人為判斷環節：識別日常業務中的各種判斷，評估其價值和可行性
- 從小處著手：選擇”跳一跳可及”的目標，確保快速見效
- 兼顧數據基礎建設：在解決具體問題的同時，建立數據收集和利用的長期機制
- 階段性演進：接受 AI 應用的逐步成熟過程，從輔助決策到智能自動化，再到 AI 代理
最後，記住一點：在缺工、缺才、高流動率的現代商業環境中，AI 不僅是提升效率的工具，更是企業維持經營水準、探索新機會的關鍵能力。那些今天開始培養”數位員工”的企業，將在未來的競爭中占據優勢。
現在，正是開始的最佳時機。
宇鯨智能 Beluga AI 擁有多年 數據、自動化、AI 技術開發、企業流程系統規劃經驗的團隊。我們協助企業找到最適合的AI應用切入點，從數據評估、方案設計到實施落地，提供全方位支持。如果您想了解更多關於AI轉型的協助，歡迎與我們聯繫。
