讀完 MIT 那個 95% AI pilot 失敗數字後，我一直想到幾個企業現場

前陣子讀到 MIT NANDA 2025 的那份 GenAI Divide 報告。

最被大家拿出來轉貼的數字，是 95%。

95% 的 enterprise GenAI pilots 沒有帶來可衡量的 P&L impact。

這個數字當然很刺耳。尤其這兩年每家公司都說自己在導 AI，每個主管都在問「我們是不是也該做點什麼」，結果一份報告說，絕大多數 pilot 其實沒有真的進到損益表。

但我讀完以後，腦中浮出的不是一張很漂亮的顧問簡報。我想到的是幾個企業現場。

一間公司買了 ChatGPT Enterprise，然後在全員大會宣布「大家可以開始用 AI」。三個月後，真正每天用的人不到一成。

一個團隊做了內部 RAG，demo 很漂亮，但第一線同事不知道什麼問題該問它，最後還是回去問旁邊資深同事。

一位主管很苦惱地問我：「我們去年砸了一筆預算導 AI，為什麼現在沒人在用？」我通常會反問：「你們導了什麼？」答案常常是幾個 tool names。

那個瞬間其實滿有感的。因為很多公司以為自己導入的是 AI，但實際上買進來的是一組訂閱。

---

重點不是 systems don’t adapt，是沒有人幫 AI 安排位置

MIT 報告把問題歸因於 learning gap、workflow integration、systems don’t adapt。這些說法都對。

只是我自己在企業內訓和導入現場看到的版本，更日常一點。

不是大家不知道 AI 很重要，也不是完全沒有人會用。而是 AI 被放進公司以後，沒有人真的重新安排它的位置。

它不是工具列裡多一顆按鈕而已。它會改變誰負責初稿、誰負責 review、誰提供 context、誰留下紀錄、誰判斷最後版本可不可以出去。

當一個工具被發給所有人，但沒有人重新分配這些責任，AI 就會變成一個很聰明但無處安放的存在。員工不知道什麼時候該用它，主管不知道怎麼評估它。每個人都可以用，最後就變成每個人都可以不用。

我自己比較相信小範圍、有痛點、有期限的導入。不是「全公司從今天開始 AI 化」，而是找一個團隊、一個痛點、一段時間。客服回信太慢、會議紀錄沒有人整理、BD outreach 草稿一直卡住，先選一個小問題，讓 AI 進去當新同事，三週後回頭看，它到底幫了什麼、哪裡失敗、要不要繼續教。

這聽起來很不宏大。但組織變化通常就是從這種很不宏大的地方開始。

---

萬能 agent 通常最後會變成沒有人信任的 agent

第二個常見的現場，是把一個 AI agent 寫成萬能同事。

同一個 prompt 裡希望它會寫 email、整理會議、做市場研究、生成簡報、回答法務問題、順便幫主管想 strategy。

我理解這種衝動。因為 AI 看起來什麼都會，所以人類就很自然地想把所有事情都塞給它。

但人類團隊不會這樣組。你不會雇一個新人，叫他同時當 marketing、BD、PM、legal、HR、財務和行政，然後三天後罵他為什麼輸出不穩。

AI 同事也是。它需要 scope。

在 Numbers，我們後來把 AI 同事拆成比較窄的角色。每一個都有自己的職責、自己的 prompt 版本、自己的 review 對象。Amy 寫 marketing draft，Jordan 做 BD outreach，Clara 看 community，小鳳整理資料，阿張看程式 review，老科校稿。

拆窄以後，prompt 變短，context 變清楚，錯誤也比較容易被追到來源。

這不只是技術設計。這其實是組織設計。

---

沒有 audit trail，AI 工作流就很難交接

第三個現場，是公司裡出現一位 AI 達人。

他很會用，產出很快，主管很開心，於是大家覺得公司 AI 導入很有希望。

但你仔細看，會發現那套工作流只存在他的腦袋裡。prompt 沒有版本，sample 沒有留，什麼情況可以用、什麼情況不能用，全靠他現場判斷。

這很像一個沒有文件的 codebase。遠看像魔法，近看很難維護。

AI 工作流如果沒有 audit trail，很快就會變成個人技藝，而不是組織能力。

這也是為什麼我後來越來越在意 TAEA 裡的 Auditable。不是因為我喜歡流程表格，而是因為沒有紀錄就沒有 onboarding，沒有 onboarding 就沒有 scale。

一個 AI 同事至少要留下幾件事：它負責什麼、不負責什麼、常用 prompt、好的輸出範例、壞的輸出範例、誰最後 review。

這些東西很瑣碎。但 AI 導入要從個人聰明變成公司能力，靠的通常就是這些瑣碎。

---

工具預算太高，整合預算太低

第四個現場，是預算比例很怪。

很多公司願意花大錢買工具，卻不太願意花時間整理工作流、訓練同事、建立文件、重新設計 review 機制。好像買到工具，就等於買到能力。

但 AI 的能力越 generic，真正的差異就越不在工具本身。差異在你的資料、你的流程、你的語氣、你的判斷標準、你的組織記憶。

Numbers Protocol 從 2025 年 4 月開始全面 AI 導入。我們反而停掉了一些原本用了很多年的 SaaS，把工作環境往 Google Chat、GitHub 和自家流程收斂。一年內，年度 SaaS / Infra 支出下降約 60%。

我講這個不是想說每家公司都該照做。每個組織的脈絡差很多。

我只是越來越覺得，預算應該從「買更多工具」移一部分到「讓工具真的進入工作」。後者比較不性感，但比較可能留下來。

---

那 5% 也許沒有那麼神秘

MIT 報告裡的 5% 成功者，聽起來像少數菁英。但我讀到後來，反而覺得他們沒有那麼神秘。

他們大多不是用了最潮的 model。他們比較像是把 AI 放進一個清楚的工作場景裡，從一個小 win 開始，讓它持續學、持續被 review、持續被整合進 workflow。

換句話說，他們把 AI 當成會學的新同事，而不是買回來就應該完美的工具。

這個差別其實很關鍵。很多公司用 Google 的期待在使用 AI——輸入一個問題，希望一次得到正確答案，不準就說它笨。但 AI coworker 的使用方式比較接近帶新人，不是查字典。新進同事第一個月不懂公司脈絡很正常，你會教他，他會改善。AI 也是這樣，只是它的 onboarding cycle 可以很短。

這件事講起來很簡單，做起來很吃組織耐性。它要求主管承認，導入不是宣布；要求團隊承認，AI 不會自己變成公司能力；也要求人類同事承認，自己要學會管理一個不完美但很有 leverage 的新夥伴。

這裡面其實沒有很炫的祕密。比較像日常管理。

---

我們也還在這個問題裡

如果一家公司現在卡在 AI pilot 裡，我不會急著說「你們做錯了」。

老實說，大家都還在學。我們自己也踩過不少雷。AI 同事也常常很自信地寫出奇怪的東西。工具會改版，模型會變，昨天有效的 prompt 今天不一定穩。

但我現在比較確定的是，AI 導入如果只停在買工具、辦課、開入口，大多數時候會慢慢失去動能。

它需要被放進組織裡。需要名字、角色、邊界、文件、review、記憶，也需要有人願意在中間翻譯。

MIT 那個 95% 數字之所以刺耳，不只是因為它說很多公司沒有拿到 ROI。它也提醒我們，AI transformation 這個詞被講得太大以後，很容易忘記真正讓一家公司改變的，常常是一些很小、很慢、很日常的動作。

我自己還滿相信那些小動作。

---

延伸問答

Q: MIT 95% 這個數字指的是什麼？

A: MIT NANDA 2025 的 GenAI Divide 報告指出，多數 enterprise GenAI pilots 沒有帶來可衡量的 P&L impact。相關報導也提到，只有約 5% 的 pilot 帶來快速 revenue acceleration。

Q: 公司還沒開始 AI 導入，應該先做什麼？

A: 不一定要先做全公司策略。比較實際的是選一個小團隊、一個具體痛點、一段測試時間，讓 AI 進去處理一個很明確的工作，再回頭看是否值得擴大。

Q: 為什麼把 AI 當新同事會比較有效？

A: 因為新同事需要 scope、onboarding、review 和交接文件。這些剛好也是 AI 工作流能不能從個人用法變成組織能力的關鍵。