63％台灣中小企業仍卡關，治理力成 AI 導入決勝點

全球正進入一個高成本、低成長的時代，環顧四周，僅台灣與韓國仍維持相對亮眼的成長動能，這股動能，幾乎全數來自 AI 伺服器相關產業。但對台灣企業而言，即便擁有扎實的產業底子，也不代表就此高枕無憂，而企業競爭力的關鍵已不再只是資源多寡，而在於能否做出更快速、更精準的決策。

人工智慧科技基金會執行長長溫怡玲日前在「鄧白氏中小企業菁英獎」頒獎典禮分享相關調查內容時表示，當人人都能使用生成式 AI，且完成相同任務所花費的時間也大致相近時，真正決勝負的關鍵，便不再是「能否使用 AI」，而是企業如何在AI的基礎上，善用策略與資源脫穎而出。她指出，目前許多企業雖已導入 AI，但無論在商業效益或價值創造上，都尚未產生任何實質成效。

「有用 AI」不代表「AI 有用」

根據人工智慧科技基金會2026年所發佈的台灣產業AI化調查報告顯示，企業導入 AI 的比例
明顯提升，「Ready AI」與「Scaling AI」合計達 47.8%，這意味著台灣產業 AI 化正式邁入主流擴散的臨界點，企業已不再仰賴政府開課，而是能自主展開行動。

當產業對 AI 的應用已從觀望逐步邁向落地，如何將工具導入真正轉化為營運決策，仍是多數企業共同面臨的課題。為了解答這個問題，美商鄧白氏與人工智慧科技基金會（AIF）合作進行「Top 1000 中小企業 AI 決策力調查」，觀察中小企業如何從 AI 工具導入，逐步邁向營運與決策應用。

調查顯示，目前約有 63.1％的中小企業，仍停留在 AI 導入的前兩個階段；此外，高達 86.7％的中小企業，其投資決策尚未正式落地執行。針對此結果，溫怡玲認為，多數企業在 AI 投資決策上，仍停留在評估投資報酬率（ROI）的階段，但 AI 應用往往需要經歷大量失敗與反覆迭代，才能累積出真正可用的成果。這樣的過程，對資金運用必須錙銖必較的中小企業而言，形成了績效評估上相當嚴峻的關卡。

這正凸顯了「治理決策」的重要，因為治理包含了「要不要用 AI？」「怎麼用？」「要交給哪個部門負責？」「定義成功與失敗的標準？」「在什麼情況下該判斷放棄？」這些屬於決策的課題，最終都必須回到經營者身上，每一項都是經營者的挑戰。

而當企業真正進入「應用」階段時，所需要的則是「執行」層面的能力，其中最關鍵的兩項要素，就是數據與流程。

AI Ready已經不夠， AI-Agent Ready才是關鍵

從導入目的來看，「降本增效」仍是多數企業導入 AI 的首要目標。但溫怡玲提醒，降本增效多數企業都能做到，並不足以構成真正的競爭優勢；真正能決定勝負的關鍵，在於企業對自身數據的掌握程度，以及組織文化是否具備快速整合新資料、落實人機協作的能力。尤其組織文化與營運策略的建立，都不是 AI 或任何技術能夠代勞的課題。

在相關技術快速發展的影響之下，算力有很多種不同的配置，模型也有各式各樣可供選擇，唯有「數據」是企業發展 AI 時始終無法迴避的關鍵要素。溫怡玲說，數據分成很多種，其中一種是龐大資料的堆疊，看似規模驚人，卻尚未整理成可供 AI 有效運用的狀態。資料量龐大，不等於準備就緒；唯有「AI Ready」的數據，才能真正發揮效益。

她觀察到，企業目前面臨的挑戰，在於如何定義並整合真正關鍵的數據。當企業的數據，以及 ERP、CRM 等跨部門資料與系統的整合程度越完整，AI 導入的進展就會越快。當企業著手導入 AI、開始整理數據時，勢必也需同步梳理內部流程；而在這個過程中，往往會發現企業內部存在許多過去未曾察覺的業務斷點。她表示，只要能將這些斷點重新串接起來，即便不採用高深的 AI 技術，也能看見明確的成長。

另一方面，「AI 人才」的定義，與 2017 年相比也已出現顯著轉變。溫怡玲建議，企業可善用數位發展部發布的人才指引作為參考，並透過內部重新賦能（reskill）現有員工，以彌補招募工程師的成本缺口。

她強調，企業內部真正解決問題的關鍵，往往不是工程師，而是第一線實際面對業務的人員，他們最清楚哪些問題適合交由 AI 處理、哪些則否。

生成式 AI 熱潮下的兩極化產業落差

調查也呈現出各產業 AI 化現況的明顯落差，部分產業 AI 化比例特別偏低。溫怡玲解釋，這波 AI 進展主要由生成式 AI 帶動，而部分產業本身在生成式 AI 的應用上相對有限，它們所需要的，可能是邊緣 AI 或端對端的應用，而非網路服務型態的應用，因此生成式 AI 在這些產業中的應用率相對較低。

而不同產業前面臨的具體困難也都不同。以傳統製造業為例，最大的挑戰在於過去許多資訊系統採外包模式，導致數據並未掌握在企業自己手中；如何取回數據所有權、如何與原有資訊廠商協調合作，成為關鍵課題。同時也發現，全台約有五成企業在導入 AI 時，第一個尋求合作的對象，正是原本既有的資訊系統廠商。

除了數據治理與人才缺口之外，企業普遍表示，導入過程中真正需要的，是經過驗證的成功應用案例。對此，溫怡玲認為，重點並非直接複製他人做法，因為每家企業的目標與數據條件都不相同；真正的價值，在於理解他人從零到一的完整歷程，再依據自身情況調整出適合的路徑。她也提到，企業在導入過程中普遍需要導入顧問或技術顧問的協助，以應對過程中必然出現的種種問題。

而AIF 因較早投入此領域，已觀察過數百個失敗案例，期望能協助企業站在他人的失敗經驗上，提高自身成功的機率。她也強調，單純觀望或聆聽課程，並不足以真正推動導入，唯有實際動手，才能看見成果。

潛藏風險： Shadow AI 與 AI Slop

另一方面，隨著內部員工使用AI的比例提高，企業目前需要注意的另一項隱憂則是「Shadow AI（影子 AI）」。溫怡玲引用國外調查數據指出，目前已有約八成員工在工作中私下使用 AI 工具，但企業對於員工究竟傳出了哪些資料、又帶回了什麼樣的生成內容，幾乎毫無掌握。

她建議，企業可從兩個方向著手：首先，應針對內部資料進行機密程度分級；其次，再依據分級結果，建立相對應的使用授權機制。

伴隨員工使用AI產生的負面影響還包括了「AI Slop」（可暫譯為「AI 垃圾內容」）的出現，這個去年的年度關鍵字之一，指的正是 AI 生成後未經把關、品質低落的內容。這樣的現象目前已大量出現在工作場域中，對組織整體競爭力恐帶來負面影響。

因此，溫怡玲建議，企業在導入 AI 的同時，應同步檢視員工的技能是否真正因此轉化，能否承接更具價值的新任務，並創造出因 AI 而生的新價值。

她特別提醒，多數企業目前仍停留在「將重複的工作交由 AI 取代」階段，但下一個關鍵問題是：當這些工作被取代之後，員工該投入哪些更具價值、更有發展潛力的工作？這是每一位經營者都必須共同思考的課題。