根據國際研調公司Gartner預估，全球至2024年將有65%的應用程式會從Low-Code平台開發，只要透過圖形介面、拖拉組合，即使沒有程式背景的使用者也能輕鬆使用工具完成工作。不過，若企業想要導入No-Code AI工具，終究要先了解自己要解決什麼問題、面臨什麼困境，並且培養具AI知識的員工仍是必須的成本。
中小企業導入No-Code AI平台的挑戰：缺乏資料概念
近幾年興起的Low-Code（低程式碼）工具，指的是使用少量的程式碼進行開發，透過視覺化的介面，加上點擊、拖拉、選單等直覺、簡易的操作方式，取代部分程式碼的撰寫；而No-Code（無程式碼）則是連一行程式碼都不需要寫，就能開發應用工具，包括了各式應用程式、自動化流程、虛擬助理或是分析工具。近來，也有越來越多No-Code AI 平台出現，強調不需要培養一組AI工程團隊，就可幫助企業推動AI專案。
不過，人工智慧科技基金會首席資料科學家蔡源鴻認為，No-Code工具的發展雖然有助於降低程式門檻，幫助非技術部門人員快速解決繁雜的工作，減少IT人員負擔。但是，AI專案的開發流程包括了資料處理、模型設計、模型部署及訓練，若是任務本身過於複雜且必須涉及不同類型資料的處理，則模型設計與訓練需要高度客製化，這也就超過No-Code AI工具所能解決的範疇。
由於AI開發的流程繁複，為了加速整個開發流程，MLOps是近幾年出現的熱門概念，讓模型部署與維護的流程變得更簡單，這也是No-Code AI工具十分重要的核心功能。PGi樺鼎資深技術顧問張凱瑞介紹，所謂的MLOps結合了ML與DevOps兩種意涵，Devops是為了確保軟體產品的快速交付與品質的方法，大幅縮短軟體開發的週期。MLOps的目的就是要確保ML模型能快速交付，自動化、監督其預測品質與版本控管也是MLOps平台最大的共通重點。
許多No-Code AI工具多瞄準中小企業作為主要使用者，強調不用培養AI團隊與快速看到結果。但是，蔡源鴻認為，中小企業更需要先克服的是資料的基礎建設，「有些公司說有資料，其實是沒有有效資料。」如果企業主對於何謂有效資料沒有概念，且不了解其價值，並有意識地搜集與管理資料，更重要的是，資料需要被數位化，否則後續將沒辦法往下推進。
如何將問題轉化成AI問題？關鍵Key Man
另一方面，公司內部仍然需要有熟悉No-Code AI工具的人，負責學習平台並熟悉它。這個人必須可以與提出需求的單位討論，拆解問題與功能設計，提供相對具體的建議，才能讓員工快速上手。蔡源鴻不諱言，如果沒有具備人工智慧的基礎知識，並不建議直接使用No-Code AI平台，所產生結果效益也不會太明顯。
他觀察到，目前許多人對於人工智慧的能力及概念仍不清楚，有些人覺得AI萬能，只要是人類不喜歡的、覺得困難的事情都可以交給AI完成；另外有些人則是覺得AI就是資料分析，對於人工智慧的能力並沒有明確了解，提出的許多需求多半是資料分析範疇的問題，「有一點像BI，還不到AI。」
人工智慧本質上是個強大的數學函式，具有分析、解釋甚至預測功能。「解析任務是種能力。」蔡源鴻認為，需要對AI有認識，才能將單位需求的任務轉換成XY函式。由於AI很多時候會被應用於預測上，這時候放進模型訓練的數值，會跟預測結果有關聯，但要如何判斷哪些數值適合？例如機台上的參數要不要放？需要觀察哪些數值？這些資料的判斷都考驗著使用者對於人工智慧的了解與基礎，如果加入了過多的資訊很可能變成雜訊，進而影響模型的預測能力。（推薦閱讀：為什麼人工智慧是個強大的數學函式？蔡炎龍教授這麼說）
No-Code AI平台這麼多，企業要怎麼選？
蔡源鴻建議，面對這麼多的No-Code AI平台，企業一定要先了解這些不同平台所針對的使用對象、產業是誰？適合什麼樣的人、產業、情境。
他認為，No-Code AI平台主要是針對比較不會寫程式的人，但資料科學家等已經會寫程式的人，可能就不是主要使用的單位。
挑選平台時，要先知道欲解決的是什麼問題以及需求，若公司有資料團隊，也要了解團隊是否有習慣的工具？平台該如何與現有工作流程串接？此外，若在意資料安全及隱私的話，也需要特別留意平台工具在這方面是否有相對應的處理方式。此外，隨著可信賴AI的議題興起，No-Code AI平台的可信任性，包括模型的可解釋性、相關的規範等信任議題都需要特別注意的地方。
