AI 導入案失敗的原因，八成不在模型選錯，而是一開始就沒問對問題。技術選型可以外包給廠商，但下面這五題只有你自己能回答。
該問的五個問題
1. 哪些工作值得交給 AI？
判準只有兩個：這件事「重複性高」且「錯了不會立刻出人命」。客服初步分類、報價單草稿、內部知識查詢、會議記錄整理，這類任務容錯空間大，人力成本又持續在燒，是合理的起點。反過來說，法遵判斷、財務結帳、直接對客戶的重大決策，短期內都不該全自動化——不是 AI 做不到，而是出錯的追溯成本會吃掉所有效率紅利。
經驗法則：先找「有人在做、但做得很煩、做錯了還能補救」的工作。
2. 資料要準備到什麼程度？
這題最常見的誤解是「要先把資料整乾淨才能導入 AI」。實務上這會讓專案永遠啟動不了。比較務實的做法是分層：
- 如果只是要做內部問答、文件檢索，現有的 PDF、Word、Wiki 就可以先跑起來，重點是把「哪些文件是最新版」標清楚。
- 如果要 AI 產出對外內容或做決策輔助，資料就必須經過人工審核，至少要有一份「標準答案集」讓你日後評估品質。
- 如果要接業務系統做自動化，那資料格式、權限、稽核紀錄一個都不能少。
用途決定資料準備的深度，不是反過來。
3. 效益怎麼量？
如果你答不出「上線三個月後，我要看什麼數字判斷這案子成不成功」，就先不要發案。常見的可量化指標包括：處理一件工單的平均時間、人工覆核的比例、客服一次解決率、業務回覆客戶的時間。這些數字在導入前就要先量一次當基準線，否則上線後永遠會有人說「感覺有變快」，但沒人說得清楚到底省了多少。
避免用「AI 準確率」當唯一 KPI。準確率高但沒人敢用，跟準確率普通但流程真的被改掉，後者才是你要的。
地端還是雲端，以及最常踩的雷
4. 資料安全與地端部署的取捨
這題通常被過度簡化成「怕外洩就放地端」。實際的取捨有三層：
- 合規層面：受個資法、金管會、醫療法規約束的資料，優先考慮地端或私有雲，這沒得商量。
- 成本層面：地端要自己養 GPU、養維運、養模型更新的人。對多數中小企業來說，用雲端 API 加上合約層的資料保護條款，長期成本會低很多。
- 能力層面：頂尖的商用模型還是在雲端。地端能跑的開源模型這一兩年進步很快，但要達到同等效果，通常要花更多力氣在後處理與流程設計上。
不是非黑即白。混合架構——敏感資料在地端做前處理與遮蔽，再送到雲端模型——是目前多數中型企業比較合理的落點。
5. 導入失敗最常見的原因
排第一的不是技術，是「沒有內部負責人」。老闆拍板要導入 AI，交給一個本來就滿手工作的 IT 主管兼著看，或是找了廠商但公司內沒人有時間陪跑，這種案子九成會停在 POC 階段。
排第二的是「範圍開太大」。想像一個典型情境：一家公司同時想做客服自動化、報表生成、業務助理三件事，結果三件都做到六十分，沒有一件能真的上線。務實的做法是選一個明確場景、做到能天天用，再擴散。
排第三的是「沒設定退場機制」。AI 產出品質會隨資料、模型版本、使用情境漂移，如果沒有定期回檢的節奏，半年後你會發現同事早就偷偷改回手工作業。
我們的觀察
願意花兩週把上面五題認真討論一輪的客戶，導入成功率明顯比較高。這五題不需要技術背景就能回答，但幾乎決定了整個案子最後值不值得。發案前把它當成內部作業寫一遍，會比看十份廠商簡報更有用。