AI 2.0時代的新 4 P：人員、流程、產品與企業定位

生成式 AI 賦能員工，卻無法解除經營者的焦慮

吳漢章說，第一個P是賦能員工與客戶（people），也是目前有最多成功案例的階段，AI可以用來協助企業知識管理、客戶服務等工作。由於各產業每天都會產生新的領域知識，但因缺乏即時知識整理機制，導致員工培訓不易，內部資訊共享受阻。而許多傳統製造業如營造、食品或製鞋業者，因為企業本身沒有足夠的 IT 支援，以前在知識管理上並沒有積極作為，直到這一波生成式 AI 的應用，為他們提供了新的解決方案。

例如營建業者的專案往往具有高度相似性，透過生成式 AI 可以分析過去的提案，提取關鍵資訊，實現知識的有效管理和再利用。又或者，製鞋業者由於員工來自不同國家，內部管理規範或生產文件翻譯費時費力，因而需要一個能快速、低成本地將資訊傳遞給所有員工的知識庫。也可以看到媒體產業、金融業等紛紛將生成式 AI 應用於內容創作和客戶服務，提供更個性化、更即時的資訊。

不過，吳漢章提醒，賦能員工雖然提升了員工的滿意度，卻無法讓經營者直接感受到效益，尤其，RAG（Retrieval-Augmented Generation）等技術的出現，降低了 AI 應用的門檻，但企業若不了解背後的技術原理和限制，很容易因過高的期望而產生更大失望。

這也形成了企業在導入過程中真實面臨的挑戰。例如，許多企業高層對 AI 的效益仍持觀望態度，認為 AI 只能提升員工滿意度，無法直接帶來顯著的效益，並有效緩解經營者的焦慮感。

讓人有感的還是流程優化與效益提升

因此，第二個P、流程（process）的改變，才是真正讓企業有感、也是經營者能計算出效益的部分。吳漢章以藥物研發為例，生成式 AI 透過預測蛋白質結構，將以往需要一至兩年的研發時間，大幅縮短至幾週，加速新藥製造上市的時間。另一個例子則是電商的推薦系統，這並不是一個新的應用，過往做法為了提升準確度，需要調整多種參數，但透過大語言模型，企業只要將用戶的購買行為，轉化為語言模型可處理的文本資料，生成式 AI 就能夠更精準地預測用戶的偏好，並提供個性化的推薦。用戶只要有想法，並連結到資料就可以找出各式各樣的問題，使用方式直覺且便利許多。

吳漢章說，當企業在流程上得到不錯的效果時，由於最後使用者還是員工，連帶也會影響員工賦能的要求，逐漸形成組織內部的正向學習循環。

當 AI 應用在產品，將成為企業彎道超車的關鍵

但對公司成敗能產生直接影響的，往往是第三個P產品（product），吳漢章說，許多人將這波生成式 AI 類比為 AI 應用的作業系統，使得人和電腦的互動有了新轉變，並衍生出許多應用。如果依照這個軟體應用的角度來看，當 AI 結合產品之後，所有的 SaaS 都會變成 AI SaaS，一方面使得產品過去累積的使用者數據更有價值；加上應用本身若能善用領域知識的話，會對顧客產生更大影響力。「每一種產品應該都有自己的 AI 故事。」吳漢章強調，當產品多了生成式 AI 後，企業與競爭者的差距也就開始拉大，甚至會成為彎道超車的機會。

新的 Generation，新的 Position

吳漢章認為，生成式 AI 對許多企業來說，除了策略之外，更必須思考企業的定位（Position），例如企業在供應鏈中是否能有新的位置？例如PC 產業就在這兩年開始思考與論述自己的定位，因此今年AI PC成為兵家必爭之地，也是觀察AI下一步發展的重要指標。

不過，對企業而言，這 4P 並不一定要循序漸進發生，但如果沒有經歷過前面三個P，也不容易產生對第四個P的思考。而企業成員因為職責的不同，對於4P的掌握程度也不盡相同，例如負責公司內部管理資訊系統MIS（Management Information System）多半只能理解賦能（people）部分；而工廠端人員則較能想像流程（process）；老闆多半常常思考產品（product）；至於企業定位（position），則是這波生成式AI浪潮中最讓人焦慮之處，但許多經營者往往不熟企業定位，雖然不需要專業的技術就能寫好故事，許多企業往往在這裡卡關。加上新聞媒體推波助瀾，以及資本市場上的反應等，都讓經營者焦慮不已。

吳漢章說，對於非常在意效益的人來說，如果在 4P 的理解上不夠或者用錯評估方式，就不容易理解為何投入許多資源，卻永遠找不到利基點，甚至可能多數都投入在第一個P上，並且永遠不會滿意內部團隊給的計畫。「這不是在爭單一產品或單一技術，而是爭在整個產業中的位置，」吳漢章提醒，生成式AI帶來的改變不是短期、或單一產品，而是新的產業邏輯重構，因此必須建立新的經營思維，才能掌握技術的趨勢轉化為無可替代的核心優勢。