清晨七點，一位創業者打開電腦：他的公司沒有員工，卻有200個AI 代理人。它們昨晚替他談下訂單、寫好財報、處理客訴，還和別家公司的AI 核對採購合約。他喝著咖啡，只做一件事，就是檢查AI 們「彼此交辦」的工作有沒有出錯。這不是科幻情節，而是正在發生的現實。它正悄悄動搖一個我們以為永遠不會變的東西：現代管理學的第一塊基石。

霰彈企業管理的根基：如何更有效地管理「人」

1976年，Jensen 與Meckling 提出「代理理論」(Agency Theory)，解釋了一件直觀的事：老闆把事情交給員工做，因為無法時時盯著，於是產生三種成本：監督、約束、以及盯緊了仍會有的損失(Residual Loss)。這個洞察成為現代企業管理的根基：從企業策略、領導力、組織設計、人資、財務、專案管理到生產管理，幾乎所有管理作為，都圍繞著壓低「人」這個代理人的成本。而哈佛商學院幾十年談的題目、MBA 教室訓練的能力，本質上都圍繞一件事：如何更有效地管理「人」。
可是現在，被管理的不是人了。

AI 代理人不會偷懶，並不等於沒有成本

這是我們研究團隊目前探討的核心論點。
直覺上會以為：AI 不偷懶、不抱怨、不需休息，代理成本豈不就消失了？但是，很遺憾並不會消失，只是換了一張臉。我們稱它為「演算法代理成本」(Algorithmic Agency Costs)。AI 確實不偷懶，所以傳統的人類代理成本會明顯下降(第一個假說)。但AI 會誤解指令、會最佳化錯誤指標、會產生幻覺、會在多步驟工作流中把小錯放大成大錯，於是你得花時間驗證它的產出、稽核它的決策、處理它的例外。這些是過去管理學從未談論的全新成本(第二個假說)。更關鍵的是第三個假說：AI 究竟讓組織總治理成本變高還是變低，不是絕對的，而是有條件的。當任務愈能被清楚定義、組織的AI 治理機制愈成熟，AI 才會真正降低總代理成本。反之，當組織同時跑著數十個AI 代理人，卻沒有完整的稽核與權責機制，新增的演算法代理成本，反而就會吞掉所有效率的紅利。

從管人到管AI，管理學的內容需要重新定義

這個結論的份量在於：它不只是補一個註腳，而是動搖了根基。
當「一人公司」的成本結構從「人對人」變成「一人對多AI」，再變成「AI 對AI」，管理學今天談的領導力、組織扁平化、KPI、激勵制度，全都得重新定義。再教未來管理者如何「激勵員工」，就像教打字員換色帶：技能還在，但戰場已不在那裡。未來的管理者，要學的是如何設計 AI 代理人之間的權責邊界、如何稽核一個你看不懂的決策、如何在多代理系統中找出「誰該為錯誤負責」。這是一套全新的、學術界還沒寫出來的管理學。

為下一個世代的管理者重新打牢基石

老實說，要去重構一個已經流傳近五十年、被無數論文反覆引用、被全世界MBA 課程奉為圭臬的理論基石，並不是一件輕鬆的工作。它意味著我們必須質疑自己過去所學、必須挑戰權威、必須接受一段時間內無法給出完整答案的不確定。
但我們相信一件事：當技術已經跑在前面，學術不能只是追著拍照。
如果今天不重新定義代理成本，明天的MBA 學生就會用過時的工具，去管理一個他們完全陌生的世界。AI 代理人帶來的不是效率革命，而是治理革命。它不會消滅管理學，但會逼著管理學變革。而這，正是我們研究團隊此刻在做的事：為下一個世代的管理者，把那塊已經鬆動的基石，一塊一塊，重新打牢。

「AI City」與「智慧城市」無疑是這兩年城市治理最熱門的關鍵字。不過，從民間企業到各級政府，AI 導入之路往往荊棘遍佈。無論是內部組織的適應陣痛、底層資料的雜亂無章，還是預算資源的相對匱乏，理想與現實之間總橫亙著一道道難以跨越的高牆。

然而，台灣的農業大縣——雲林，正在悄悄走出一條新路。

過去，鮮少有人會將「農業首都」與「創新科技」畫上等號。但這兩年間，這片土地上卻陸續出現令人眼睛一亮的專案成果。從創新的「社區 AI 知識系統」，到縣府官網全面上線的「多語言 AI 翻譯」，雲林縣將智慧科技的觸角深度延伸至農業、教育、產業、交通、公共建設與社會福利。不僅縮短城鄉數位落差，更大幅提升了整體城市治理的韌性。

讓 AI 成為城市治理的新幫手

在資源相對有限的條件下，雲林為何敢大步邁入 AI 領域？「我們一直在想，如何在資源不足的狀況下，打造城市的競爭優勢？而 AI 絕對是個機會。」雲林縣政府計畫處處長李明岳不諱言，當各單位還在遲疑、受困於傳統思維時，大膽探索 AI 領域、學習善用工具，才能累積更多實戰經驗，也是雲林「彎道超車」最快的方式。

傳統的城市治理想像，往往不脫「路平、燈亮、水溝通」的硬體迷思。但在這個基礎下，是否能透過 AI 解決城市治理的痛點呢？李明岳舉例，面對公部門新興業務暴增、基層人力不足的情況，地方政府可透過導入「AI 公文系統」、「知識庫智能檢索」與「法規檢索」等數位基礎建設，大幅降低新進人員摸索流程的心力，將基層公務員從繁瑣的文書泥淖中解放。另一方面在農業應用上，也能透過導入農作物生長模擬與氣候數據分析，協助返鄉青農在面對氣候與市場波動時，擁有精準的科學數據作為決策後盾，告別「靠天吃飯」的宿命。

跳脫傳統發包思考，而是選擇戰略合作夥伴

在多數組織的轉型經驗中，預算不足是最大的絆腳石，但在雲林縣，這項劣勢卻也意外促成了與民間企業的戰略合作。李明岳剖析，正因為沒有充裕的預算讓各局處各自尋找發包廠商，反而避過系統各自為政，最終導致資料格式不一，形成難以整合的「資料孤島」情形。

李明岳坦言，既然沒有讓各單位自己發包的本錢，雲林轉而尋求可信任、能長期協助同行的戰略夥伴。並以共同打造「Total Solution（全方位解決方案）」的宏觀願景尋求合作，跳脫僵化的「甲方開規格、乙方來投標」的傳統外包方式，與企業在共同的價值主張之下合作。過程中企業不僅是技術導入者，同時也提供宏觀的技術諮詢與戰略建議。

不做單點 AI 專案，更強調基礎打底工程

接下來，雲林並沒有急著推出五花八門的 AI 應用來美化政績，而是選擇深耕底層資料建設。首要就是釐清整體架構，其中涵蓋了跨局處資料的堆疊整合、中央與地方系統的對接，甚至包含在地學術研究資源的串聯。這些極度耗費心力的基礎工程，在李明岳眼中，正是落實「循證治理（Evidence-based governance）」的核心關鍵。

他坦言，目前仍是在打基礎的階段，光是跨局處的地理圖資整合，就足足耗費了三年之久。在這個圖資基礎上，未來還得持續疊加氣候變遷、社會脆弱度等多維度數據。他苦笑說：「實際投入後才發現，這件事情根本做不完，但它又極度重要。」

這些數據的堆疊並非紙上談兵，而是能直接應用於城市治理的痛點。例如在防災領域，縣府正致力於判斷各村里的「脆弱度」；去年雲林甚至透過黑客松活動，與高雄交流關於小學區「學習脆弱度」的評估模型。這些經驗也讓團隊深刻體悟到，資料才是一個城市治理最核心、也最艱辛的地方。

在公務體系內，跨部門的資料索取往往會遇到本位主義的關卡。「有時候就算找對了局處，只要找不對承辦人，資料還是接不進來。」李明岳點出實務上的困境。為了打破僵局，團隊必須不斷與各單位溝通，讓對方理解調閱資料的目的。再加上人才匱乏的現實，由於沒有「資料科學家」與「資料治理」專家的編制，縣府只能仰賴現有的資訊人員硬扛這項跨局處的龐大工程。李明岳表示，基層承辦人員的熱情與溝通協調能力，才是推動雲林智慧轉型最根本的驅動力。

跨越政黨輪替的限制，打造永續經營的治理大腦（AI Agent）

在台灣的政治現實下，地方政府推動長期數位轉型，還必須跨越政權交替的關卡。每當縣市首長更迭，經驗無法傳承、資料散佚，甚至一切「打掉重來」的窘境，幾乎是常態。

李明岳直指問題核心：「一個新首長與團隊上任，通常需要耗費三年才能完成磨合與熟悉業務。」這對城市的長治久安與資源運用，無疑是極大的消耗。為了解決這個痛點，雲林縣府試圖透過 AI 技術與資料統整，建立一套能協助縣府持續運作的「治理大腦（AI Agent）」，穿透政治首長的屆期限制。

雲林的 AI 導入並不追求宏大的政績工程，而是優先解決基層人員的實務痛點，例如智能法規檢索、一站式計畫採購管理系統。當公務人員習慣甚至深度依賴這套系統，它的存續便不再受政黨輪替左右。

這套系統的設計主要以公務員的日常需求為起點。李明岳強調，雲林的 AI 導入並不追求宏大的政績工程，而是優先解決基層人員的實務痛點，例如智能法規檢索、一站式計畫採購管理系統。當公務人員習慣甚至深度依賴這套系統，它的存續便不再受政黨輪替左右。

與此同時，這座治理大腦也肩負收攏「歷史知識」的重任。過去跨越不同執政團隊所累積的委託研究與成果報告，是縣府極為珍貴的知識寶庫，卻長期散落在各局處承辦人的電腦硬碟中。如今，雲林透過統一資料格式，系統性地追溯並整合這些檔案，讓治理經驗得以永久保存、持續傳遞。

「這種將資料與 AI 結合的基礎建設，目的在打造一個具延續性的施政模式。」李明岳強調。透過這座跨越屆期的 AI 大腦，過去四年、八年的施政策略與經驗得以完整交棒，讓新團隊免於漫長的磨合陣痛，也展現了跨越黨派、知識傳承的可貴價值。

更多雲林的 AI 治理實踐與第一線經驗，將於 5 月 27 日的 AI Café 活動中完整呈現，歡迎報名參與。報名連結

面對全球 AI 浪潮，台灣產業正處於轉型與升級的關鍵轉捩點，然而「人才短缺」卻是多數企業普遍面臨的嚴峻挑戰。為突破此困境，數位發展部於 5 月 19 日正式發布「AI 產業人才認定指引 3.0」，攜手人工智慧科技基金會（AIF）、Hahow 以及台灣人工智慧學校等生態系夥伴，協助建立人才策略與培訓指引。

本次指引主要新增「AI 治理素養」及「AI 協作與開發」能力，協助人才建立人工智慧應用風險的框架與意識與強化人才與 AI 工具協作及開發的實務能力。同時，也邀請 AIF 聯名開發公版教材，以提供產業及民眾系統性學習與運用。

數位發展部部長林宜敬表示，產業的發展應由民間自由競爭，而非政府主導，「政府的角色是創造適合AI人才產業發展的生態系。」這也說明了指引3.0的設計精神並不是規定企業該做什麼，而是為各方建立共通的參考基準與對話起點。

AIF執行長溫怡玲指出，根據AIF發布的《2026台灣產業AI化大調查》，人才問題長期是企業普遍面臨的困境。面對全球AI浪潮，台灣企業亟需具備人工智慧實力的人才，然而幾乎每一家企業都說「我們缺人才」，但在人才培育與資源投入上卻相對不足，「原因可能是很多人還不知道應該要怎麼做。」

正是為了回應這個根本性的困境，AIF推出以「產業AI化」為核心的教材體系，以軟體業者及AI工程生態系夥伴的實務經驗為基礎，提供其他產業與企業作為系統性參考依據。這套教材是AIF自2016年起持續累積，長期深耕產業教育與輔導，歷經十年淬煉的經驗結晶。

「它不是只有坐著上課，也不只是一套理論教材，而是一個協助建立人才策略、導入AI，並與企業營運策略相互串接的橋樑。」溫怡玲強調，這套教材內容涵蓋逾10小時、300多頁教案，並搭配教學手冊、個人能力評估工具，以及企業整體AI化能力診斷系統，是一套非常完整的產業AI教學方法。

產業實證，中小企業也能畫出自己的AI能力地圖

而這套方法論也已經在不同產業場景驗證，成效明確可見。溫怡玲提到，例如AIF與中衛發展中心在過去一年展開深度合作，由於中衛發展中心長期致力於輔導中小企業推動數位轉型與AI轉型，雙方人員全程共同運用這套教材進行能力評估、繪製企業現有能力地圖，在台灣最具代表性的中小企業群體中積累了完整的實務經驗。中衛發展中心後續也將持續針對不同產業的中小企業提供更具針對性的輔導，讓這套方法論能更廣泛地在產業中扎根落地。

面對瞬息萬變的高競爭時代，AI 門檻的降低為產業帶來了絕佳的轉型轉機。溫怡玲感性表示：「非常榮幸能在這個關鍵時刻，分享我們累積多年的教材與經驗，與大家一起參與這項台灣百年的人才基礎工程。」

技術不是真正產生價值的地方，應用才是

談及台灣的AI發展定位，溫怡玲提出了一個務實而清醒的觀點。她坦言，國外技術走在前面是不爭的事實，但一味追逐大廠技術並非台灣的正確路徑。「技術不是真正產生價值的地方，真正產生價值的地方在於應用。」這也正是此次各方齊聚一堂的核心意義，給產業一個方向感，讓不同產業、不同企業能從這個共同的觸發點出發，找到各自的需求與解方。

溫怡玲進一步分享，近年來不斷有非美、非中陣營的國家主動來台取經，探詢台灣如何將既有的「硬體優勢」結合「人才培育」，迅速轉化為 AI 時代的競爭力。她強調，台灣在推動 AI 產業化的道路上，不僅累積了豐厚的實戰經驗，更培養出不容小覷的底氣。

《AI產業人才賦能公版教材》下載連結

2025年中，行政院宣布以「AI新十大建設」作為實現智慧科技島願景的重要戰略，並明訂「主權AI」為數位基磐的核心方針。然而，政策藍圖與執行現實之間，往往橫亙著難以忽視的鴻溝。台灣儘管坐擁獨特的地緣政治條件，並掌握全球AI伺服器硬體供應鏈的關鍵優勢，政府部會在主權AI的實踐路上卻仍步步為營。當AI應用方案真正落地政府機關，現實的挑戰遠比想像中複雜。

人工智慧科技基金會（AIF）日前在TWIGF台灣網路治理論壇上，邀請政府實際建置主權AI系統之產官學界專家，聚焦主權AI的內部實戰，剖析公部門在建制AI解決方案時所遭遇的核心困境，以及實際探索之後的應對對策。

台灣發展主權AI的必要性

人工智慧科技基金會董事長詹婷怡表示，主權AI的討論核心，不僅在於國家對科技自主的掌握度，更涵蓋了資料、算力及AI基礎建設的自主權。實務上也做不到全面「一條龍」自主研發或閉門造車，而是在「部分自主、風險可控」的前提下進行策略性布局。

她進一步分析，面對潛在的數位斷網威脅、國安與機敏資料外洩等風險，加上 AI 產出的數據將深刻形塑未來的認知與文化，台灣必須爭取自身文化價值的話語權。因此，發展主權 AI 不僅具備可行性，更有其不得不做的迫切性。

法務部主任秘書余麗貞表示，目前市面上的生成式AI工具多以英文語料訓練，對台灣法律體系相對陌生，在資安與精準度上均有不足。由於司法代表國家主權，今年開始建立「法務主權 AI雲」主要是在捍衛司法主權，將法律文本的自主詮釋權掌握在台灣手中，其核心原則為「機敏資料絕不外流、偵查案情不出境」，並深度結合本土文化與檢察體系。

然而，建置實務上仍面臨重重關卡。余麗貞指出三大痛點：其一是預算與算力的落差，GPU設備價格高昂，加上公部門預算編列體制僵化，往往跟不上技術更新的速度；其二是資料清理與標注的人力耗損，國際模型對繁體中文的推理能力有限，同仁須投入大量人力進行法律文本的結構化標注；其三是效益量化的兩難，基層對AI存有過高期待，而生成式AI又難以用傳統指標加以衡量，驗收標準與驗證機制都必須重新建立。

台灣大數據的兩大痛點：本位主義與資料孤島

在資料整合層面，內政部統計處處長饒志堅指出，台灣推動大數據面臨兩大核心困境：一是各機關本位主義導致橫向整合困難，二是數據孤島現象造成資源重複浪費。

饒志堅解釋，即便透過行政命令解決了機關「不想做」的意願問題，實務上仍會碰上體制「無法做」的技術瓶頸。現行的「去識別化」機制過於僵化，使得多方資料的深度串聯形同不可能的任務。舉例而言，若想同時比對「特定身心障礙者在單親家庭中的實際收入狀況」，就必須串接內政部、衛福部與財政部三方資料。然而在現行框架下，各機關只能進行一對一的去識別化，頂多完成兩兩局部串接（A+B 或 B+C），始終無法拼湊出涵蓋三方的全貌（A+B+C）。這正是台灣大數據治理目前最難突破的實務盲點。
饒志堅也建議可引入合成資料（Synthetic Data）作為替代方案，在確保隱私的前提下，保留真實數據的統計規律與樣態。目前，內政部正積極推動未來五年的AI自動化轉型藍圖，全面導入AI進行資料抓取、圖表分析與智能決策輔助，並期盼能盡快建立國家級的數據中心。

AI評測不能流於表面，必須回歸真實任務

除制度面外，蔡宗翰也對國內AI模型的評測方式提出批評。他指出，目前坊間常見的評測，多是以「高中教科書」題目測試AI，無法反映真實能力。

他提醒，大語言模型（LLM）的真實評測，必須讓AI執行真實任務。以法務部建置的AI為例，就應實際測試其「撰寫判決書」的能力，並與人類法律專家的判斷進行比對驗證。好比要打造一台新車，絕不會只在實驗室量引擎轉速就宣稱評測合格，必須讓車子貼滿偽裝膠帶，實地在台灣街道上山下海跑過幾萬公里，才能取得真實的環境數據上市。AI模型的評測也應如此，不能流於紙上談兵。

蔡宗翰期盼，未來能結合產學界力量，在相關組織的協力下，為台灣主權AI建立一套真正可行、可靠的實戰評測標準。在此基礎之上，才有辦法確保公部門主權AI雲的可信與可靠。

我們正經歷一場橫跨過去、立足現在、奔向未來的劇烈轉型。儘管各產業的規模與業態大相徑庭，關切的痛點亦有所不同，但共通的現實是：AI 的未來不再由單一企業壟斷，也非單靠學術殿堂的人才培育就能破解所有未知。

「2026 年臺灣產業 AI 化大調查」發布會特別廣邀產官學界人士，以跨界對話的形式，共同凝聚對當前問題的認識與共識。

AI 不只是 IT 的事

AI 時代最常見的企業落差，來自於許多管理階層在面對 AI 時，仍沿用過去導入傳統 IT 系統的舊思維來評估新工具。最常見的誤區，是以「準確率」作為唯一驗收標準，但在缺乏客觀定義的情況下，驗收往往流於形式，導致專案看似順利結案，實際上線後卻乏人問津。這也引出了另一個值得深思的議題：面對 AI，企業究竟該建立哪些評斷標準？

對此，高通行銷資深總監江昆霖指出，現代企業的 AI 專案與過去的數位轉型相同，都高度仰賴「流程再造」與「組織再造」，企業必須先打好數位化與數據基礎，才有機會進一步發展 AI。過去傳統 IT 思維是「邏輯導向」，系統完全依循既定的代碼死板執行。然而，生成式 AI 卻打破了這項規則，其內部的「黑盒子」運作邏輯，往往連開發者都無法完全預測。

若企業內部缺乏專業人員進行持續的推動與優化，就無法確保 AI 大模型穩定、正確地輸出，起伏不定的表現甚至會誤導同仁，造成運作混亂。這也是近年「提示詞工程」（Prompt Engineering）應運而生的主因。

江昆霖強調，要發揮 AI 的最大效果，關鍵不在於技術本身，而在於「人才素養的普及」。此外，企業絕不能抱持 AI 產生的結果，就由引進系統者負責的消極心態。

目前業界常見的治理做法是，在要求 AI 生成解決方案的同時，也命令其同步產出詳盡的測試計畫（Test Plan）來反向檢驗。企業內部必須有明確的人員被授權、被課予責任，針對 AI 的輸入與輸出進行實質短控。唯有建立起清晰的當責機制，AI 才能在安全的軌道上為企業創造價值。

AI 時代，硬體、軟體與人無法切割

在 AI 時代，硬體、軟體與「人」是無法被切割開來的。AXON 勤工執行長林少顗從自身導入 AI 的經驗分享，指出 AI 轉型的關鍵，終究必須回歸到「服務人」與「解決人類問題」的核心需求。

林少顗認為，AI 導入的核心目的，應該是為了解決同仁在工作上覺得不方便、繁瑣或痛苦的地方。舉例來說，過去同仁為了訂定年度目標，必須花費高昂的時間與資金去研讀大量零碎、甚至過期的報告；如今透過 AI 針對公司需求自動梳理雜亂資料，當同仁真切感受到工作痛點被實質解決，對新工具的使用意願自然會大幅提升。

而在實踐的做法上，企業則需要採取漸進式策略，將大問題切成小部分執行。轉型不能太過貪心，若總想著要一次到位解決所有問題，反而容易在現實中遇到挫折、甚至引起同仁抗拒。AXON 勤工採取的方法是先培訓出幾個「種子同仁」，讓他們學著將複雜的流程切開，一個個小步解決眼前的具體問題。當大家看到實質成效、發現「這工具真的能解決問題」時，抗拒心便會瓦解，進而帶動整體組織轉向。

AI 無法一次解決所有問題，ROI也不是唯一解答

面對 AI 浪潮，許多企業常陷入數字迷思，急著追問同仁的 AI 能力與效率提升，到底該怎麼對應到實際的 ROI（投資報酬率）？對此，林少顗坦言，AI 對於 ROI 的直接拉動，現階段確實很難用單一數字量化，但這並不代表企業是在「賠錢做」。

林少顗強調，企業看待 AI 的投資，不該抱持「投入一塊錢，產出就要立刻增加一塊錢」的傳統 IT 心態，而是應該用「直化」的方式去評估。企業需要從根本重新架構組織流程，並觀察 AI 帶來的實質改變，例如：同仁有沒有因為 AI 改善了繁瑣的工作流程？跨部門的流程重構有沒有往好的方向發展？與客戶的溝通是不是變得更簡單、更精準？

林少顗認為，目前企業大多仍在摸索，只要願意多往前一步、多嘗試幾天，就可能比別人更早找到出路。重點在於，是否透過 AI 看到以前看不到的事情、找出以前沒發現的錯誤、並發現以前沒想過的可能性。

AI 正在打破科系與部門壁壘

在 AI 時代，未來人才最重要的特質，是必須具備「跨語言、跨領域的視野」，並學會整合各方資源。例如，AXON 勤工內部主導 AI 技術的同仁是森林系畢業的；國立政治大學傳播學院副教授陳宜秀也提到，自己有新聞系畢業的學生，如今在科技公司擔任 AI 工程師。

這些案例反映出，不同科系的人才正持續跨界流動。在國外，這種趨勢早已十分普遍。大學就讀什麼科系，既不代表畢業後只能從事該行業，更不妨礙跨入科技業或其他產業的可能。

陳宜秀認為，AI 時代真正困難的挑戰，絕不是照著既有套路解題，因為每個行業、每家公司都有其獨特的痛點。未來需要培養的人才，是當他面對產業獨有的問題時，有能力將其「轉化」為 AI 可以協助處理的形式。她強調，無論是大學教育還是產業轉型，我們都不曾失敗，最重要的是保持好奇心，勇於探索、勇於創造屬於「人」的新價值。

隨著 2026 年產業 AI 化調查的發布，臺灣企業正集體邁入一個不再回望過去、而是向未來五十年索取價值的關鍵時刻。正如與會專家所言，這場轉型不只是為了技術領先，更是為了為下一代留存更具意義的社會價值。

延續上篇討論結果，當研究將尺度縮小到鄉鎮時，如何有效運用這些指標？首先，可定位出同時在人口結構、經濟弱勢、氣候災害三個主題都超過P75（前25％）門檻的「三高風險複合鄉鎮」，全國共21個，平均綜合風險指數60.9。

找出三高風險複合鄉鎮：21個優先關注的地帶

這21個鄉鎮的地理分布並不平均，其中花蓮縣有6個（富里、玉里等）、高雄山地有4個（六龜、甲仙等），是最密集的兩個區塊。全國綜合風險指數第一落在高雄市六龜區，達70.5，其中氣候85.5、經濟91.2、人口結構90.8，風險係數相當高。

而這21個三高複合鄉鎮的共通點，是所面臨的風險挑戰彼此牽動，如果只有單一部會介入難以見效。像是高齡長者無法負擔氣候調適的成本（如冷氣、屋舍修繕），氣候災害又讓本就脆弱的農業收入更不穩定；或人口外移讓社福服務、醫療服務的單位成本上升，又加速了下一輪人口流失。

這種型態的惡性循環，正是跨部會整合最有槓桿效應的地方。把這21個鄉鎮作為跨部會資源整合的優先試點，可能比平均撒資源到全國每個縣市，更容易在短期內看到具體的成效。

另一個被忽略的群體：都會中的高齡弱勢

如果只看花東屏高，很容易以為高齡化社會風險是「偏鄉議題」。但鄉鎮層的分析點出了另一個容易被忽略的事實：在一般印象中風險最低的雙北地區，仍有 12 個高風險鄉鎮。

但是，這類地區的風險結構，與花東屏高完全不同。這些地區主要風險並非氣候脆弱，而是在繁榮都市中出現的老化與相對貧窮的孤島。以萬華為例，老舊街區聚集大量獨居長者、低收入戶、街友，與信義、大安這樣的高消費地區相差甚遠。這種「富裕都市中的高風險社區」，在縣市平均值底下完全看不見，以台北市的數據來看，綜合風險指數並不高。

因此，就算同樣被標記為「高齡高風險」，偏鄉與都會型態需要的政策工具並不一樣。很可能偏鄉需要的是區域型綜合治理，長照、氣候調適、產業扶植必須一併規劃，而都會型弱勢區需要的是社福資源在行政區內的再分配、老舊社區更新與服務派送方式的調整、獨居長者的日常連結機制。若用同一套方案回應兩者，並無法解決真正的風險。

容易被忽略的訊號：社會參與指標的可能偏誤

研究中還有一個細節，對高齡政策特別關鍵：社會參與風險分數，可能系統性地低估非原住民偏鄉的社會孤立。

原因是社會參與的主要指標，如文健站密度、部落大學參與率、樂齡學習參與率，很多原住民族社區才有的服務資源。這些資源確實發揮作用，讓原民鄉鎮的參與率偏高；也因此，當分數上升時，就把非原民部落但同樣偏遠、同樣高齡的鄉鎮相對推。這些地方沒有文健站、沒有部落大學，但長者的社會連結同樣可能斷裂。

這是一個值得所有從事高齡政策的人細想的提醒：當指標顯示某地區「社會參與表現不差」時，不一定代表那裡真的沒事，也可能是我們還沒有工具去了解真實樣貌；一位住在雲林沿海小鎮的獨居老農，他的孤立程度可能與花蓮山區某個部落長者不相上下，但現有指標無法呈現。

這提醒我們：指標設計本身就是政策。沒被測量的問題，就不會進入資源配置的議程。也是這個研究計畫的初衷之一：檢視政策指標的可信度、確認資料的可得性、為現況定錨，也找出尚未被留意的風險。

對高齡化社會風險治理的啟示

從這份研究看高齡化議題，初步可以延伸出三個值得思考的方向。

第一，把鄉鎮層資料作為政策設計的標準配備。過去台灣的長照、社福、高齡友善政策多以縣市為單位配置，但同一縣市內部的鄉鎮差異，往往比跨縣市差異更大。花蓮縣富里鄉與花蓮市的處境落差，可能遠大於花蓮市與宜蘭市的落差。未來的政策規劃，需要把鄉鎮甚至村里層的資料顆粒度視為基本門檻，而非選配。

第二，分辨「獨立型」與「複合型」高齡風險，對應不同的政策工具。縣市層看到的老化—貧窮—公共安全高相關性，在鄉鎮層被打散。這告訴我們：高齡化在某些鄉鎮是獨立問題（如都會中的獨居長者），在另一些鄉鎮則是多重壓力的疊加（如花東山區）。把兩類地區用同一套資源邏輯處理，是資源浪費也是服務失準。21個三高複合鄉鎮，值得作為跨部會整合的優先試點。

第三，持續檢視指標是否能反應真實風險。社會參與指標的潛在偏誤是一個重要的提醒，任何風險地圖都只是當下資料工具所能看到的輪廓。當社會結構變化，像新住民二代成年、都市空屋率、零工經濟擴散……等，既有指標可能漸漸失靈。日後定期發布新一版地圖固然重要，但同樣關鍵的是，每一次更新都應檢視既有指標是否符合真實風險的樣態。若只更新數據而不檢視指標，地圖很可能會愈來愈精緻，卻離真實愈來愈遠。

風險地圖不是答案，而是提問的起點

這份研究最大的價值，或許不在於它告訴我們「誰排第幾」，而是示範了拆解問題與循證治理的可能性：高齡化如何分布、如何與其他風險交織、如何被既有指標偏誤掩蓋，都被攤開在同一個分析框架內。

對於所有關心台灣超高齡社會治理的決策者而言，這個研究結果絕非縣市施政排名，而是關於台灣高齡化空間結構的新提問；更重要的是，可做為奠定精準施政創造社會福祉的關鍵基礎。

根據《2026台灣產業AI化大調查》報告，台灣企業雖已具備對AI的基礎認知與導入意願，卻普遍卡在同一道關卡：找不到問題，或無法精準定義問題。若核心痛點說不清楚，再多的工具投入也難以轉化為真實的商業價值。

人工智慧科技基金會於四月底的報告發佈會上，特別邀請政治大學國際傳播學院副教授陳宜秀出席，以設計思考為框架，探討AI時代最關鍵、也最常被忽視的能力，從定義問題開始。

在業界與課堂的多年觀察中，他看到許多人面對AI時，往往急著討論「怎麼用AI解決金融業的問題」、「怎麼用AI解決醫療業的問題」，卻鮮少有人先停下來問：我們到底有什麼問題？

「這就像是我們手上抓到了一把很利的刀，就開始想什麼東西可以砍。」陳宜秀說，真正應該做的，是先釐清需要解決的問題，再回頭思考什麼樣的技術能夠派上用場，而不是讓工具決定問題的形狀。

問題定義，才是設計思考的起點

然而，定義問題並不容易。現實中的挑戰往往牽涉多方利害關係人、價值衝突複雜，很難找到單一的切入點。陳宜秀在課堂上常以台灣少子化為題，要求學生提出解方。學生們起初認真蒐集報告、提出各種提升出生率的方案，卻忘了思考真正的問題是什麼？

學生最後才發現「提高出生率」未必是真正需要解決的問題，而是在問題背後還有更根本的經濟結構、老齡化與勞動力問題待釐清。問題一旦被重新定義，解法的空間便截然不同。

定義問題的重要性，在設計思考的經典「電梯問題」中看得更清楚。當乘客抱怨電梯太慢，多數人的直覺反應往往是換設備、加強馬達。但真正該問的是：問題是「電梯太慢」，還是「等待的人太不耐煩」？前者指向硬體升級，後者或許只需要在電梯裡裝一面鏡子。問題的框架不同，解法的成本與效果便天差地別。

而這正是設計思考的核心精神，也是陳宜秀一再提醒的陷阱：我們很容易用最有效率的方式，去做最沒有效果的事。面對問題時，第一件事不是解題，而是先質疑題目是否問對了？

這個道理在AI時代尤為關鍵。當新工具、新模型以每日的速度迭代更新，真正的問題不是跟不跟得上技術，而是我們的解決方案已經遠遠超過我們能夠定義問題的能力。我們不缺答案，缺的是能將問題轉化為能應用解方的形式。

橫亙在問題與解法之間的三道斷層

陳宜秀指出，即便有心定義問題，實務上仍有三道斷層阻礙著思考推進。一是科技與專業領域的斷層，懂技術的人不懂業務，懂業務的人不懂技術，兩者之間缺乏共同語言。二是複雜現象與思考結構的斷層，由於現實問題往往盤根錯節，讓人不知從何納入框架。三是線性思考與發散思考的斷層，大多數人習慣邏輯推演的思維，因而過早收斂及鎖定答案，錯失更有創意的可能。

為了跨越這三道斷層，陳宜秀介紹了「AI Canvas（AI畫布）」這種結構化的思考工具，用固定的框架逼使思考具體落地，引導使用者在選擇任何技術之前，先把問題想清楚。

讓問題變得可被檢視、團隊一起討論的AI Canvas

陳宜秀進一步說明，這套工具主要分為兩大部分，上半部分聚焦於團隊的業務願景，因此，即使成員完全不懂AI，也能回答「想解決什麼問題」、「希望AI具備的能力」、「期待看到的結果」；下半部則是需要與AI工程師共同討論的技術層次：現有哪些資料、輸入是什麼、該選用什麼模型，以及輸出的形式為何。這樣的設計，讓不同背景的團隊成員可以在同一張畫布上對話，避免各說各話。

成員也可藉此檢視問題是否有盲點，包括資料定義是否清晰？蒐集的資料與實際應用是否對應？AI的使用範圍是否明確？陳宜秀指出，能夠看見這些問題，本身就是重要的進步。

他指出，許多資工科系學生雖然對各種模型、資料庫與套件如數家珍，但對於這個技術要解決什麼問題，卻往往只能回應能從Kaggle抓了什麼資料、套了什麼模型、做了什麼分析，繞了一大圈，卻始終沒有回應原來的問題。

在陳宜秀的課堂上，資工背景未必是優勢。而他真正想幫助學生的，不是再多學一項技術，而是學會問出與技術對應的好問題。

資料從不匱乏，決定價值的是問題

學會問好問題之後，下一步是問對問題。陳宜秀指出，面對豐富的資料來源無論是台灣的Open Data還是國外的資料庫，真正決定能挖出多少價值的，是我們用什麼樣的問題去撬開它。

他觀察，學生面對資料時，往往在兩種問題類型間擺盪：一種是統計性的問題，也就是「什麼樣的情況下，什麼樣的人會做出什麼樣的事」，尋求的是規則；另一種則是AI的問題，也就是建立判斷能力、對個案進行預測。兩者的差異至關重要，如果答案只需要規則就能推導，根本不需要AI。因此，在動用任何工具之前，必須先判斷自己面對的是哪一種問題。

這也引出了當前兩種AI類型的差異，預測型AI追求的是精準性，也就是給定已知資料，對未知情境做出最佳預測。例如醫療影像判讀、晶圓瑕疵檢測等應用，都屬於此類。這類問題需要的是確定的答案，而非多種可能性。

生成式AI則截然不同。「很多人說生成式AI有很多幻覺，這句話其實不完全對，因為它產出的東西全部都是幻覺，只是有些符合人類經驗，有些我們可以接受。」陳宜秀直言，生成式AI的所有輸出本質上都是機率生成的結果。因此，生成式AI適合用於需要參考想法、或需要一個人看得懂的答案的場景，而非追求精確判斷的情境。

這也意味著，兩者的成功條件也因此不同：預測式AI的價值取決於訓練資料的品質；生成式AI則是「可以參考、不能全信」，適合作為集思廣益的來源，或以更人性化的方式呈現資訊。

而當前最值得關注的，正是生成式AI該如何被使用，包括人的介入、所給予的脈絡，以及如何整合進既有的工作流程，將決定它AI能否真正發揮價值。

歸根究柢，資料從不缺乏，工具也從不缺乏，缺乏的始終是一個好問題。在所有的AI能力之中，最難被取代的，恰恰是定義問題的能力。除了看穿問題的本質、拒絕被既有框架綁架，在「要解決的問題」與「能解決的工具」之間，找到真正對應的路徑。這，才是AI時代最值得鍛鍊的核心素養。

缺工，已是台灣服務業心照不宣的集體困境。少子化浪潮持續壓縮人才供給，零售、餐飲、物流等第一線業者正同時承受「找不到人」與「難以長期留用」的雙重壓力。而 AI 浪潮的興起，讓情況更加棘手，當生成式工具快速滲透職場，零售服務業卻是台灣各產業中 AI 人才策略最為薄弱的一環，不只缺人，更缺乏能夠帶領組織駕馭 AI 的領導人才。人力斷層與數位轉型的雙重壓力，迫使產業界必須重新思考人才培育的根本方式。

根據人工智慧科技基金會發布的《2026 台灣產業 AI 化大調查》結果顯示，零售貿易服務業的 AI 人才發展策略得分僅有 16.94 分，高達 58.1% 的零售業者至今尚未制定任何 AI 人才培育做法。數字凸顯企業有轉型意圖、也陸續導入工具，卻始終找不到能夠承接、執行與內化的人才的現實。

為了協助產業培養驅動組織永續發展的新世代團隊領袖，三商家購攜手三商投控、三商餐飲、三商友藥妝等集團企業，結合零售、餐飲、科技、物流及服務業等跨域夥伴，共同成立「社團法人台灣新世代團隊領袖發展協會（ANGEL LAB）」。這是台灣產業界主動集結、跨域協力的具體行動，也是國內首個以 ESG 為核心、致力於跨產業人才永續發展的協作平台。

協會並設置智能科技、團隊領袖與零售服務三大學院，學院廣邀各界實戰領袖領軍，由推動產業 AI 化多年的人工智慧科技基金會執行長溫怡玲出任智能科技學院院長、專注體驗式領導培訓的歷奇國際創辦人吳兆田出任團隊領袖學院院長、橫跨金融與零售實務的雀莉家創辦人黃鐘慶出任零售服務學院院長。

你的企業有接班人嗎？台灣人才斷層的隱形危機

「現在公司裡的重要職位，兩年內有接班人嗎？」

這個問題，讓在場許多管理者陷入沉默。團隊領袖學院院長吳兆田指出，企業在檢視自身競爭力時，往往聚焦於產品力、市場占有率、營收表現等「顯性因素」，卻長期輕忽組織內部管理與人才發展等「隱性因素」。等到關鍵職位出現斷層，才發現無人可以接手，往往已是亡羊補牢。

他觀察到，缺乏人才「板凳深度」，是台灣各行各業普遍面對的共同隱憂。這一困境固然與少子化帶來的人口結構變化有關，但更直接的衝擊，來自高科技與 AI 產業對優秀人才的大量磁吸——當越來越多年輕世代湧向科技領域，服務業的人才梯隊便愈發單薄，接班斷層的風險也隨之持續加劇。

面對這道產業裂縫，吳兆田認為，坐等人才自然養成已不可行，團隊領袖學院必須主動出擊。學院致力於協助台灣企業建立系統性的 AI 人才訓練機制，讓數位能力的培育真正落地於組織內部，而非停留於口號。值得關注的是，隨著 AI 技術持續演進，未來企業組織的樣貌可能將大幅改寫——中階主管的部分職能，很可能逐步由 AI Agent 承擔。這不是遙遠的預測，而是企業現在就必須開始正視與準備的現實。

企業想用 AI 解決人力，卻不知道需要什麼樣的人才

面對人力短缺，許多企業將目光投向 AI，積極採購設備、收集資料，希望靠科技補上人力缺口。然而，智能科技學院院長溫怡玲直言，許多企業直覺找幾個 AI 工程師，就能將公司的 AI 化全部交給他們了。但千萬不能這麼做。

溫怡玲說，工程師雖然熟悉演算法與數據，但數據的意義、企業核心要解決的問題，都必須由深入理解業務場域的人才能定義。一旦將這件事全數外包給技術人員，推動過程中往往會出現一種隱性阻力。那就是同仁們表面配合、實則消極抵制，讓轉型工作陷入停滯。

這正是智能科技學院課程設計的核心關鍵，同時涵蓋了 AI 應用場景，以及整個組織的能力建構與領導力發展，這兩件事必須同步推進。

根據基金會多年累積的經驗，AI 導入成敗的關鍵始終在於「人才」。然而現實是，企業將大量資源投入算力採購、資訊系統建置與資料整理等技術問題，而真正落在人才培育上的預算卻很少。更值得注意的是，多數企業企業需要的AI人才的能力，並不是掌握最新的模型技術，而是「找到 AI 真正能解決的問題」，以及「評估 AI 實際成效」的判斷力，但這兩種能力，只能從組織內部扎實長出來，無法外購。
智能科技學院的課程架構融合了基金會多年的產業輔導經驗，並引入一套將「設計思考」與「AI」結合的框架，協助企業系統性地拆解與應對複雜的導入挑戰。

溫怡玲認為，AI Agent 的快速崛起將為企業帶來遠超預期的衝擊，不只是資安防線的重大缺口，更將動搖現行的評估準則。而這些問題，都是企業必須超前思考的新課題。

此外，人工智慧科技基金會後續也將推出人工智慧的基礎課程，作為全台 AI 人才素養的起點。溫怡玲強調，數位轉型從來就不是終點，而是過程。真正的目標，是讓企業能夠永續經營，持續做有意義、有價值的事。AI 是過程中強而有力的工具，但不是唯一的答案。

不只是缺工，更要讓年輕人想進來

零售服務學院院長黃鐘慶期許，學院能讓年輕世代真正看見零售業的價值與可能性。他直言，台灣不只有半導體可以出口，零售業累積的軟實力同樣具備輸出海外的潛力。

「技術照顧了規模，服務照顧了人心。」黃鐘慶說，AI 可以提升效率、擴大規模，但真正留住消費者的，永遠是服務背後那份人的溫度，這是零售業存在的根本價值，也是任何技術都無法完全取代的核心競爭力。學院未來將透過黑客松、產業參訪與年度零售論壇，邀請年輕世代直面產業真實痛點，讓零售業變得更有吸引力。

縮短摸索期，加速傳承台灣服務業智慧

「我們希望透過協會，將我們經歷過的，讓大家更快應用，不需再花兩三年摸索。」ANGEL School 校長邱光隆表示，協會與學校成立的核心使命之一，是將三商集團多年來在零售、餐飲與科技領域累積的實戰經驗系統化，讓後進者不必重走漫長的試錯之路。

他也呼籲在場的企業夥伴，不只是參與者，更是協會的共同設計者與創造者。ANGEL LAB 的目標不止於台灣，未來更希望將台灣服務業的人才培育模式與「厚道」文化，輸出至海外市場，讓台灣成為亞太服務業人才發展的重要基地。

課程方面，認證課程預計於 2026 年 8 月正式啟動，並開放給 25 至 45 歲社會青年參與常態公開課，也將針對大三以上學生辦理 3 至 5 天的職涯定向營隊，在年輕人踏入職場的關鍵第一個五年，為他們奠定成功的根基。

根據人工智慧科技基金會（AIF）發布的《2026 台灣產業 AI 化大調查》結果顯示，台灣企業的 AI 應用已在今年進入爆發期。高達 85.8% 的企業明確表示將於今年啟動或擴大 AI 佈署。然而，亮眼數字的背後，仍存在不容忽視的落差。

這種落差在企業中更為明顯，現實常見的情境是：團隊成員各自摸索、各用各的 AI 工具，有人習慣用 AI 做文件草稿，有人倚賴它處理數據，有人則從未使用過。顯示所謂的「AI 導入」便停留在個人層次，始終無法真正滲透進組織的運作核心。

而要真正讓 AI 發揮組織層級的效益，關鍵並不在於引進更多工具，而在於建立一套屬於組織自身、可被所有成員共同遵循的工作流程。

試著回想日常工作時，是否也遇過這樣的情境：每次請 AI 整理會議記錄或翻譯外電，都得重新想一遍怎麼下指令，甚至反覆試錯才能得到理想結果？或是同事問起「你都怎麼問 AI？」，往往很難直接分享自己的方式？更常見的是，每個人各自發展出一套使用習慣，部門內沒有人了解彼此的做法，成果品質自然參差不齊。這種「AI 用法各自為政」的困境，在企業中比想像中普遍。

這正是 AIF 推出 WOLF（Workflow AIF）的初衷。WOLF 是專為企業設計的 AI 工具，協助每一位員工將專業經驗與作業流程轉化為標準 SOP，並將個人的 AI 使用方式發布給團隊共同沿用，讓 AI 不再只是個人習慣，而是整個組織共享的工作能力。

以下是關於 WOLF 的基本介紹：

WOLF 是什麼？能解決什麼問題？

在實際工作場景中，多數人使用 AI 的方式往往是「一次性」的：輸入文件、貼上提示詞、得到結果。這樣的流程難以標準化，也很難複製給其他人使用。

WOLF 的設計出發點，是讓使用者能以「拖拉卡片、串接流程」的方式，把輸入來源、AI 模型設定與輸出結果組裝成一套固定流程。建好之後，只需點一下發布，整個群組的人都能直接使用，不需要了解背後的設計邏輯。對企業來說，這意味著流程只需設定一次，就能快速部署給所有同仁立即使用，大幅縮短導入與推廣的時間。

此外，將任務拆解為多個步驟串接的設計，有助於穩定 AI 的產出品質、降低錯誤率；而標準化的流程模板，更能將資深同仁的專業經驗轉化為可共享的 SOP，讓新進人員也能快速上手，無縫承接團隊的工作方式。

核心概念：畫布與 聊天室

進入 WOLF 之後，會看到兩個主要的操作層次：

畫布是設計流程的地方，也就是「後台」。你可以在這裡選擇需要的功能卡片、調整順序、設定 AI 的工作指令與使用的模型，完成後儲存即可。畫布以專案為單位，同一個畫布中可以建立與管理多個流程。

聊天室是實際使用的介面，也就是「前台」。流程發布後，使用者只需要透過對話框輸入文字或上傳檔案，就能直接得到結果，完全不需要接觸背後的畫布設計。

這種「後台設計、前台使用」的架構，將流程設計者與流程使用者的工作明確分開。設計者預先將複雜的作業邏輯封裝完畢，使用者便能直接上手，無需理解背後的運作原理。對企業而言，只需安排一位熟悉業務的同仁負責規劃流程，其餘員工即可直接使用現成成果。不必每個人從頭摸索如何拆解作業、如何在平台上建立流程，大幅降低了學習門檻與導入成本。

【圖1：登入後的首頁畫面。系統預設範例流程，點選即可直接進入 聊天室 體驗，適合新使用者快速上手。】

四步驟建立第一個 AI 流程

接下來以「外電編譯小工具」為例，帶大家看看一個流程是怎麼建起來的。這個工具的功能是：貼上一則外媒新聞連結後，自動將報導翻譯成繁體中文，並針對文中的關鍵專有名詞產出 85–100 字的「背景小百科」。

如果你目前只是想了解 WOLF 能做什麼，也可以直接跳到後面的「發布後，使用者怎麼用？」，從使用者的角度感受一下實際體驗。

第一步：建立畫布並命名
登入系統後，進入畫布介面，點選上方名稱欄位為畫布命名。命名完成後，系統會跳出「編輯畫布資訊」視窗，可在此填寫畫布說明並設定所屬群組（也就是這個畫布屬於哪個團隊，群組成員才有編輯權限）。

【圖2：「編輯畫布資訊」視窗。畫布說明可幫助成員快速了解此畫布的用途；所屬群組決定哪些人擁有編輯權限，建立後仍可隨時修改。】

第二步：新增功能卡片並串接
點開工具箱，可以看到幾種功能卡片：流程起點、檔案來源、文字來源、Agent、Agent 結果，以及發布流程。其中「流程起點」與「發布流程」是每個流程必備的兩端，其餘卡片則依需求選用。

外電編譯小工具的輸入是一則新聞網址，因此選用文字來源卡片。值得一提的是，WOLF 的文字來源內建自動擷取功能，貼入網址後會直接抓取該頁面的文字內容，不需要手動複製貼上。串接順序如下：
流程起點 → 文字來源 → Agent → Agent 結果 → 發布流程

【圖3：畫布中卡片串接完成的畫面。文字來源卡片接收使用者貼入的網址，Agent 負責處理翻譯與百科生成，連結線標示資料流向。】

第三步：設定 AI 模型與工作指令
點選 Agent 卡片，即可選擇要使用的 AI 模型，以及撰寫這個 Agent 的工作指令（也就是告訴 AI 它是誰、要做什麼、輸出格式長什麼樣子）。

WOLF 支援 OpenAI、Google 等主流線上模型，也支援企業自行建置的內部模型（資料不會傳到外部網路，適合有資安或保密需求的使用情境）。

以外電編譯小工具為例，工作指令會這樣告訴 AI：「你是一位國際新聞編譯專家，請將使用者提供的外電內容翻譯成繁體中文，排除廣告與圖說文字，並從文中挑選 1–2 個重要的專有名詞，各寫一段 85–100 字的背景說明。輸出格式依序為：中文標題、翻譯全文、關鍵詞百科、參考來源。」

這種清楚告知 AI 角色、步驟與輸出格式的寫法，能大幅提升每次產出的穩定性與一致性。

設定完成後，點選「執行」，就能在畫布中直接預覽 Agent 的輸出結果，確認格式與內容是否符合預期。

【圖4：Agent 結果卡片展開後的畫面。點擊「讀取」查看結果，若產出內容較長可點選展開圖示瀏覽完整內容，確認格式與輸出規範一致後即可進行下一步。】

第四步：發布流程給群組使用
確認輸出結果符合預期後，在「發布流程」卡片填入流程名稱、使用說明，並選擇可以使用此流程的群組，即完成發布。

【圖5：發布流程卡片。「流程名稱」將顯示於用戶首頁；「流程描述」將顯示於 聊天室，告知使用者如何操作此流程；最後選擇可使用此流程的群組，按下發布即完成。】

發布後，使用者怎麼用？

流程發布後，使用者端的體驗非常直覺。以外電編譯小工具為例：進入首頁，點選該流程，即會進入 聊天室 介面；只需將外媒新聞的網址貼入對話框送出，稍等片刻，畫面上便會出現完整的中文編譯結果——包含中文標題、翻譯全文，以及文末附上的關鍵詞背景小百科。
整個過程不需要輸入任何指令，也不需要知道背後用的是哪個模型——使用者看到的，就只是一個乾淨的對話介面與格式一致的編譯產出。

【圖6：外電編譯小工具的 聊天室 介面。使用者貼入新聞網址後，AI 自動產出中文標題、翻譯全文與關鍵詞百科，排版清晰、格式統一。】

這正是 WOLF「畫布」與「聊天室」分層設計的核心價值所在：設計者只需設定一次，使用者每次都能得到一致的輸出品質。

雲端、地端、多模型組合與比較，一個平台全支援

WOLF 在模型使用上提供了相當高的彈性，不只是「選一個模型來用」，而是讓使用者能針對不同需求自由組合。

支援雲端與地端模型：可以連接 OpenAI、Google 等主流雲端 AI 服務；若企業有自行建置的地端模型，也能直接串接，確保資料不會傳出內網。這對金融、醫療、法律等對資料保密要求較高的產業來說，是在合規環境下導入 AI 工作流程的關鍵條件。

同一流程，多個 Agent 分工：一個流程裡可以串接多個 Agent，且每個 Agent 可以各自指定不同的模型與工作指令。實際應用上，這讓你能依照任務複雜度做分工——例如用成本較低的模型負責前期的格式整理或摘要，再交由能力較強的模型負責深度分析，兼顧效率與成本控制。

同一指令，多模型並排比較：把相同的工作指令同時送進兩個不同的 Agent，就能在同一個流程裡直接比較不同模型的輸出差異，讓團隊有具體依據決定正式上線要採用哪個模型，而不是憑感覺做選擇。

【圖7：新增 LLM 設定畫面。為模型輸入一個可辨識的名稱，再從下拉選單選擇要使用的模型，即可完成基本設定。目前支援 Google、OpenAI 等主流雲端模型。】

小結

WOLF 的核心價值，在於將「個人的 AI 使用經驗」轉化為「團隊可共享的工作工具」。無論是編輯、法務、HR 或業務，任何人都能在無需工程背景的情況下，設計出符合自身工作流程的 AI 助手，並讓整個團隊共同受益。平台也內建合約初審、職務適配性分析、競品分析、多報告產出等多種範例流程，方便使用者直接套用，或以此為起點進行調整。

隨著 AI 工具日益普及，下一個競爭力的真正差距，或許不在於誰用了 AI，而在於誰能將 AI 用得有系統、可複製、可傳承。WOLF 試圖回答的，正是這個問題。

想了解更多 WOLF 的最新功能與應用案例，歡迎持續關注 AIF 知勢電子報，或填寫使用者意願申請表單。

台灣產業AI化指數今年從36.77分躍升至47.26分，增幅近26%，整體產業AI化程度處於「 Ready AI」 與 「Scaling AI」 的企業合計佔比已達近五成。台灣企業正式從「知道但做不到」的摸索階段，跨入全面落實的普及新局。然而，數字亮眼的背後，真正的挑戰才正要開始。

企業進入「深水區」，導入AI已無法成為優勢

人工智慧科技基金會（AIF）執行長溫怡玲指出，隨著AI應用進入普及化，台灣企業已進入新賽局。這不僅意味著市場競爭全面加劇，更代表企業必須跳脫單純的工具引進思維，轉向核心競爭力與組織架構的全面重構。

她以「紅皇后效應」形容當前的競爭態勢，當所有企業都在用AI、生產力都得以提升，光是導入工具已不足以建立優勢，真正的分水嶺在於能否比對手更精準地找到值得解決的核心問題，進而打造出難以複製的競爭護城河。

這樣的警示，在傳統製造業體現得尤為真實。勤工股份有限公司成立於1996年，起初以製造堆高機與物流運搬設備零件為主。深耕台灣堆高機特殊改裝設備市場逾30年，長期為各大國內堆高機廠牌指定改裝廠。2017年正式成立AXON品牌，並於2021年帶領研發團隊跨足無人自動化堆高機領域，結合大數據與人工智慧技術，推出AMR自主移動堆高機，致力於協助製造業客戶以最少人力創造搬運最大的可能性，從傳統設備製造商蛻變為智能運搬解決方案提供者。

從失敗中汲取無可取代的價值

一路走來當然絕非一帆風順。隨著AI技術快速演進，「跟不跟得上」的焦慮感幾乎蔓延至每一位企業經營者。執行長林少顗坦言，「自己會不會被淘汰」幾乎是所有人心底共同的壓力。花錢購買工具也許可以解決這份焦慮，但真正困難的，是如何讓AI從外部工具轉化為企業內部真正的核心能力。

這樣的體悟，源自一段並不輕鬆的摸索歷程。林少顗說，傳統製造業過去普遍認為AI與自身無關，工廠有ERP、MES、WMS就夠了。然而2016、2017年數位轉型浪潮席捲而來，勤工也跟上腳步。成立工業物聯網公司、引進軟體廠商、申請政府補助，大量資源投入後，換來的卻是一場曇花一現。

這段過程讓林少顗沉澱出兩個關鍵思考。第一，企業僅是追求特定硬體或技術堆疊，在AI快速迭代的今天根本沒有長期價值。第二則是和團隊一起摸索、再站起來，以及陪著客戶走過困境所累積的實戰經驗，才是最難被複製的資產。

「以前我們在意投了多少錢，後來才發現，錢反而是最不重要的，最重要的是怎麼走過這條路。」林少顗重新審視這段歷程後，得出一個結論：AI與所有人過去的想像都截然不同，而關鍵在於「人才」。

下一步的競爭：誰先建立AI治理能力

林少顗指出，過去企業比的是誰先導入AI，接下來的競爭則將取決於誰先建立AI治理能力。其中，人才觀念的轉變是最根本的起點。首先，人才的觀念必須改變。技術缺口確實是企業轉型的一大障礙。根據世界經濟論壇預估，未來將有39%的勞工面臨核心技能的根本性改變。過去工廠倚重的是能寫程式、會畫機構圖的專業技術人員，但在AI輔助下，這道門檻正在快速降低。未來只要能清楚描述想法，AI就能協助將其具象化，工作的職能需求正在改變。

除此之外，資料的保護與管理同樣是企業不能迴避的課題。林少顗說，許多企業員工為了方便作業、盡快向主管交出成果，習慣將公司內部資料直接輸入外部AI平台取得答案，在無意間將敏感資訊暴露於外部風險之中。隨著這幾年國際治理標準逐步成形，歐盟也於今年二月正式實施AI新規範，資料管理已從企業的選擇題，變成必須認真面對的必答題。

林少顗強調，在解決人才斷層之後，企業下一步必須認真盤點資料分散在哪裡、如何妥善保護，並建立可安全運用的機制，才能真正讓資料成為AI的燃料，而非潛在的風險來源。

技術決定你跑多快，但治理決定方向是否正確

「你（經營者）沒有架好公司的框架，員工在下面再努力也是白費，AI一年三變，一場浪潮掃過來，什麼都垮了。」林少顗說，許多主管以為AI轉型是叫員工去學、考取架構師認證就夠了，但需要成為架構師的是企業主自己。

企業真正需要的不是跟上每一次的技術更新，而是建立內部的框架與架構。沒有治理的AI，只能創造短期的成效，真正的轉型需要像備戰馬拉松一樣，有規則、有秩序、有流程地長期投入，才能讓AI真正成為企業持續成長的核心動力。

林少顗提到許多企業在AI導入上常過度依賴外包，但外包廠商給的是規格，不是理解；給的是工具，不是能力。因此，經營者與管理者必須親自建立公司的AI架構，把值得解決的題目先定出來，再按優先順序逐步推進。更重要的是，過去員工各自學習AI、各自使用，累積的個人經驗，一旦離職便帶走了。AI治理真正要做的，是把思考邏輯與決策框架沉澱回公司，讓知識得以傳承，不因人員流動而流失。

資料、流程與架構是企業穩固的核心

數據孤島則是另一個關鍵障礙。林少顗說，部門之間若缺乏串聯，資訊流就會像假日高速公路一樣動彈不得。而勤工的做法是先將架構建立起來，讓數據能夠跨部門流動。以製造與品檢部門為例，過去評檢只是被動防堵錯誤流出，對提升品質幫助有限。導入AI後，讓品檢與製造兩個部門協作而非分工，製造過程中就能即時完成檢查與修正，徹底消除重複工序。

此外，許多企業習慣跟著技術跑，買了各種帳號、比對各種答案，卻忽略了一件最根本的事：最終做出判斷的，永遠是人。他強調，企業必須建立一套一致的決策架構與判斷基準，讓每一位同事在面對AI輸出時，都能用相同的邏輯加以評估與應用。否則，主管花了錢、員工用了工具，做出來的結果卻天差地遠，問題不在技術，而在於雙方思考基準根本不在同一條線上。

「有了判斷邏輯與基礎，知識才能真正轉化為智慧。」林少顗說，企業必須穩固的核心是資料、流程與架構這三件事。模型可以換，但這三件事不會變。當架構建立起來，題目的優先順序自然浮現，每個人不再只是各自為了績效表現，而是在同一個思維平台上共同協作、共同治理。

從賣設備到賦能客戶，傳統製造業的商業進化

這套治理思維，也徹底改變了勤工的商業模式。林少顗將核心方法論濃縮為「4A模型」：先定目標、評估風險與價值、分配責任、持續追蹤。在這個框架下，部門邊界逐漸模糊，取而代之的是跨部門共同解題的協作文化。

勤工也從過去單純販售硬體設備，轉型為提供可交付的「AI能力」。他強調，這不是賣訂閱平台、不是租工具，而是走進客戶現場、深入理解痛點，陪著客戶一起進步。「當你成為一個解題的公司，客戶就會和你長期共生。」這套模式更具備跨產業複製的潛力。

林少顗也重新定義了勤工的使命。從製造能力出發，疊加智慧力與自主力，勤工正透過AI將過去難以實現的生態系整合逐步實體化。「Empower Your Move，」他說，「我們雖然是移動設備製造公司，但我們真正在做的，是賦能所有的客戶與夥伴。」

當 AI 從少數企業的專屬工具演變為產業標配，一場新賽局悄然展開。然而多數企業尚未意識到，競爭優勢的關鍵已不只在於是否導入 AI，更在於能否透過完善的政策框架，做出正確的資源配置決策。

根據人工智慧科技基金會今年發布的《2026 台灣產業 AI 化大調查》結果顯示，台灣產業 AI 化雖已正式跨越普及門檻，但在治理面卻有高達 61.8% 的企業，內部 AI 應用完全脫離組織管控；而長期被忽視的算力配置問題，更與實際應用需求之間存在日益擴大的錯位。

人工智慧科技基金會執行長溫怡玲指出，儘管「台灣缺算力」的聲音不絕於耳，但歷次調查數據顯示，台灣企業似乎並不缺算力。實際上，多數企業多半直接使用國際大型公有雲，大型企業更已自建地端伺服器。然而，這並不意味著算力佈局的問題可以置之不理。

若將眼光放遠至 2027 年後，全球算力供應恐將出現供過於求的局面，缺乏政策引導的重複投資將造成龐大的資源浪費。她強調，算力佈局必須從企業層次提升至政策層次統籌規劃，從地緣政治風險、實際應用需求到產業鏈特性等多重角度出發，積極推動多元算力架構，確保資源真正用在刀口上。

小模型能力提升，加速AI應用的典範轉移

面對這場新賽局，高通行銷資深總監江昆霖從技術層面指出，近兩年小型模型能力持續躍升，綜合表現已足以超越過去 700 億參數規模的大型模型，所需的運算資源與記憶體門檻也同步降低，AI 推論從雲端走向地端的條件日趨成熟，這波演進同時加速了 AI 應用的典範轉移。

隨著 Agentic AI 浪潮興起，每個人都能培育屬於自己的 AI Agent，而成熟的 Agent 將能統合不同模型與周遭智慧裝置，協同完成複雜任務。正因如此，分散式應用架構的重要性日益凸顯，不僅能滿足個人需求，更能回應企業對資料安全、算力掌控與主權性佈局的核心訴求。

江昆霖表示，Agentic AI 若要真正落地，光靠軟體進步還不夠，更必須走向 Physical AI 的整合。唯有在地端有效解決低延遲、隱私保護與資料自主性等關鍵問題，搭配雲端與地端協同運作的「混合式架構」，方能在效能、成本與資料主權之間取得平衡，真正實現 AI 的全面規模化。

AI已成為人與裝置的全新互動介面，帶動生態系建立

他指出，Agentic AI 工作流在行動裝置上其實已然成型。以手機為例，使用者只需透過語音或文字對話，便能指示手機完成規劃生日派對、預訂餐廳、訂購蛋糕等一系列複雜任務。這背後有兩個關鍵驅動力：其一，AI 已成為人與裝置之間全新的互動介面，無論語音、圖像或影像輸入，Agentic AI 都能在後台自動調用最適合的模型即時回應；其二，Agentic AI 不僅能調動不同模型，更能串聯使用者身上的各種穿戴裝置，持續累積個人化資料，形成真正專屬於個人的 AI 體驗。他將這套以個人為核心、跨裝置協同運作的生態模型稱為「Economy of AI of Things」，也是 AI 從工具演變為生活基礎建設的關鍵一步。

江昆霖認為，Agentic AI 的應用載具也將從手機逐步擴展至各類智慧裝置。隨著裝置端 AI 能力持續提升，裝置之間得以互相傳遞個人資訊，無論是車內座椅與溫度的自動調整，還是跨裝置切換時的無縫銜接，核心的 Agentic AI 都能將使用者的個人喜好與操作習慣跨裝置一致地呈現與實現。而這樣的多裝置協同，也進一步凸顯了算力分層配置的必要性。

雲端與地端分層協作將是未來趨勢

關鍵概念在於，雲端與地端之間應是分層協作而非相互取代的運算架構。江昆霖指出，企業可在兩者之間部署 On-prem Edge，讓資料留存於公司廠房內而不外流，同時藉助高達數千 TOPS 的本地算力，在企業內部運行數十億乃至數百億參數的大型模型，供各部門靈活調用。

江昆霖進一步點出，Edge 端成為 Agentic AI 規模化關鍵的核心原因在於，AI 的持續進化有賴高品質資料的持續輸入，然而近兩年前沿大型模型的問世頻率明顯趨緩，根本原因在於可供訓練的真實公開資料幾近耗盡。未來真正有價值的資料，將來自企業內部與使用者日常場景中持續產生的現場資料。如何將這些資料回傳雲端進行再訓練或 Fine-tuning，再重新部署至地端，形成持續優化的資料閉環，也是決定 AI 競爭力的關鍵。而這也正是連接能力（Connectivity）不可或缺的戰略價值所在。也凸顯了高通在串聯 Edge 端與 Cloud 端連接能力的核心優勢。

另一方面，江昆霖也提到，隨著無線通訊技術持續演進，6G 的發展目標已不僅止於提升資料速率，更必須承載來自邊緣端日益增長的 AI 推論需求。

為進一步降低技術落地的門檻，高通也針對工業電腦、機器人、零售等多元產業提供邊緣 AI 解決方案，並透過收購 Foundries.io、AnythingLLM 與 Arduino 等關鍵夥伴積極賦能開發者生態。其中 AnythingLLM 能即時收集產線、廠房與機器手臂上的現場資料，在線上完成模型 Fine-tuning 後重新部署，讓模型持續貼近實際應用需求；Arduino 則擁有全球 3,700 萬開發者社群，提供從電腦視覺到大型 LLM 的完整開發環境，開發者可將驗證成果直接套用至機器人、機器手臂或 AGV，實現從原型到落地的快速轉化。
高通認為，硬體、場域與開發者生態三位一體的整合佈局，將是推動邊緣 AI 真正規模化、讓 AI 從技術概念走向產業現實的關鍵所在。

台北，2026年4月30日——由財團法人人工智慧科技基金會（AIF）與高通技術公司 (Qualcomm Technologies Inc.)共同主辦的《2026 台灣產業 AI 化大調查》發布會在台北舉行，公布台灣企業今年導入人工智慧（AI）的進程。

人工智慧科技基金會進行台灣產業AI化大調查已邁入第五年，2026年的調查報告顯示，台灣企業的 AI應用已在今年進入爆發期。過去數年，企業熱議的是「要不要做 AI」，而今年問的則是「該如何導入 AI」，顯示隨著生成式 AI 工具快速普及，大大降低了技術門檻，AI已從趨勢正式邁入落地階段。

調查指出，在滿分為100分的基準下，整體企業在產業AI化指數由去年的 36.77 分躍升至 47.26 分，近 10 分的漲幅，凸顯出企業對於AI工具的應用與認知顯著提升，且在人才培育、技術應用與經營策略三大面向都出現成長，若從「創新傳佈理論」觀察，這也象徵台灣產業 AI 化已迎來「早期大眾」的出現，正式邁入主流市場。然而，數據成長的背後，卻也隱藏著被低估的結構性風險。

財團法人人工智慧科技基金會執行長 溫怡玲 指出，導入 AI 後，企業需要掌握AI治理方法論，盤點人才、基礎建設、工作流程等面向的改變，也需考量應該如何評估與驗收，這些都是轉型過程中的挑戰。其中包括何時確認實驗失敗該喊停、何時該繼續，都是企業往前邁進正在面對的真實問題。

近半數企業跨越技術門檻，轉型進程呈現兩極化

依循過去幾年的研究架構，基金會同樣依據企業的 AI 成熟度，將其分為四個階段：Unknowing AI（完全不了解）、Conscious AI（初步瞭解）、Ready AI（準備就緒）、Scaling AI（規模化應用）。

相較於 2025年，調查結果顯示，整體產業處於 Ready AI 與 Scaling AI 的企業合計佔比已達近五成，而處於 Unknowing AI狀態的企業僅剩不到三成，顯示 AI 基礎認知已在企業界廣泛普及。

即便如此，企業導入 AI 的進程卻出現明顯落差。領先的企業已跨越專案測試階段，開始將 AI 全面應用在業務中，並著手建立管理規則與重塑經營模式；相較之下，進度較慢的企業則仍困在數位基礎建設不全、人才不足，以及找不到核心問題的泥淖中。此差距顯示，企業的AI 競爭已不再只是技術好壞的問題，更是考驗企業整體的經營體質，以及轉型決策的眼光。

針對此議題，國立政治大學傳播學院副教授陳宜秀 認為，企業發展 AI 的成敗關鍵在於「定義問題」的能力，企業應該要清楚痛點是什麼、要回答什麼問題，以及為什麼要選擇這樣的解決方式，他也強調：「不能只把重點放在技術是否到位，卻忽略的最核心的問題定義」。

跨產業 AI 轉型步調各異：資通訊布局完善，零售展現強勁成長動能

各產業在 AI 化的轉型步調上，也展現出截然不同的面貌。資通訊科技產業是 AI成熟度最高的產業，AI 策略布局最為完善；零售服務業則展現最強勁的增長動能，「經營面向」分數成長率高達 144%，技術與人才面亦呈現翻倍增長；而專業服務業在導入 AI 時，呈現兩極化的分歧，領先者持續進化、落後者卻停滯不前。

這場 AI轉型競賽同樣在製造業中發酵，為協助業者應對挑戰，人工智慧科技基金會自去年開始與資策會數位轉型研究院合作，透過《製造業 AI 普及度調查》挖掘產業痛點，該調查不僅揭示了製造業導入 AI 的關鍵洞察，更藉由示範案例的分享，協助企業在技術浪潮中精準定位。

驅動邊緣 AI 規模化，打造智慧新時代

此外，隨著生成式AI (Generative AI) 與代理式AI（Agentic AI）加速滲透各類應用場景，企業正加速推動AI轉型，身處全球AI硬體供應鏈核心地位的台灣，正面臨關鍵課題：如何有效部署邊緣AI解決方案，讓AI運算工作負載能在「最合適的節點」發揮效益，並結合雲端深度推論與邊緣即時反應，打造可規模化的混合式AI（Hybrid AI）運算架構，加速產業AI化落地，掌握競爭先機。

高通技術公司業務副總裁 吳南億表示，AI 應用早已突破單一終端裝置的限制，從終端、邊緣一路延伸到雲端，每一個節點都扮演不可或缺的角色。高通認為，結合雲端與邊緣算力的「混合式 AI」，將是能全面釋放 AI 潛能、同時兼顧效能、即時性與隱私需求的最佳架構。

吳南億進一步指出，高通相信「AI is the new UI」：未來人機互動將從以應用程式為核心，轉變為以AI Agent為核心的全新體驗。企業在推動AI轉型的過程中，可透過部署於邊緣端的AI Agent，讓終端裝置具備即時感知、理解情境並主動執行任務的能力，在兼顧隱私與資訊安全的前提下，提供更即時且高度個人化的使用體驗。憑藉超過十五年AI研發的技術優勢，高通將持續以Snapdragon®與Dragonwing™兩大平台為核心，分別深化消費性與工業、企業市場的AI布局，協助各行各業打造橫跨終端裝置、車用與產業應用的AI運算生態系，實現更智慧的決策與更高的營運效率，開啟AI規模化落地的全新時代。

企業缺乏 AI 治理，藏結構性風險

調查顯示，企業對 AI 轉型的急迫感顯著提升，進一步分析後卻發現，企業的戰略佈局與具體執行細節尚未同步，這道落差正成為轉型過程中的阻礙。

數據指出，企業內部有 61.8% 的 AI 應用完全脫離公司的管控。在缺乏資安準則與隱私框架的狀態下，這種「野蠻生長」的模式使企業暴露於資料外洩與法規合規的威脅之中。

除此之外，多數企業雖具備轉型願景，卻因缺乏具體的發展藍圖，導致難以擬定執行策略，成為阻礙 AI 落地最顯著的瓶頸。

勤工股份有限公司執行長 林少顗表示：「突破 AI落地瓶頸的關鍵，在於建立一套完善的 AI 治理方法」，他強調，即便技術領先，轉型的核心仍須回歸於「人」，唯有透過治理，建立透明與信任，才能讓 AI成為驅動企業穩健增長的動能。」

為了協助企業建立安全、合規的 AI 治理框架，人工智慧科技基金會宣布將推出全新版本的《AI 落地指引》，持續結合多年在產業輔導與技術顧問的經驗，針對不同成熟度階段的企業，提供導入策略與實作建議。

關於財團法人人工智慧科技基金會（AIF）

財團法人人工智慧科技基金會（AIF）藉由長期持續的調查，深入描繪台灣產業導入 AI 的實際情境。《台灣產業AI化大調查》參考國際相關文獻及分類建議，將 AI 應用能力分為經營策略、人才培育及技術應用等三大面向，再將分數加總平均。依據分數不同分為四個群組，並針對每個群組提供導入AI 的建議方案。期望協助企業快速理解自身所在位置，並對標整體產業落點，了解如何使用 AI 技術協助營運，或進行企業轉型。

如欲瞭解更多人工智慧科技基金會（AIF）的完整洞察，請造訪aif.tw  

隨著 AI 技術持續深化，人工智慧已由「科技趨勢」正式跨入「實質落地」階段。財團法人人工智慧科技基金會（AIF）深耕五年、長期追蹤產業界 AI 導入動態的《台灣產業 AI 化大調查》顯示，在歷經前四年的緩步成長後，今年的 AI 化指數呈現顯著躍升。目前處於「準備就緒（Ready AI）」與「規模化應用（Scaling AI）」的企業合計佔比已達 47.8%，象徵近半數企業已跨越技術門檻，開啟規模化轉型的新局。

然而，在亮眼的成長數據背後，調查也看出企業轉型過程中隱而未現的風險與集體焦慮。

意願高漲，成效卻仍在過渡地帶

調查發現，儘管 AI 基礎認知已在企業界廣泛普及，更有高達 85.8% 的企業明確表示將於今年啟動或擴大 AI 佈署，Ready AI 與 Scaling AI 合計佔比亦已達 47.8%，顯示企業對 AI 轉型的急迫感與投入意願呈現積極增長趨勢，但調查數據反映出，實際成效的推進速度尚未與意願同步。

在實際應用端，企業「目前應用人工智慧的程度」平均得分僅 36.84，且導入後「暫無明顯成效」的企業仍達 23.0%；在組織配套端，44.7% 的企業尚未制定任何 AI 人才培訓做法，61.8% 的企業 AI 應用游離於組織管控之外；在落地深度上，真正將 AI 完全整合進核心營運流程的企業更僅有 6.6%。

這些數據同時也反映出，多數企業的 AI 化，仍停留在「想做」與「開始做」之間的過渡地帶，工具的引進未能同步帶動治理機制的建立、人才職能的轉型與流程的系統性整合。高昂的導入意願，尚未轉化為可衡量的組織成效。

且當我們進一步探問不想導入AI的企業，也可發現最大的阻礙在於缺乏適用的應用場景（23.6%）： 尚未找到能具體解決業務痛點的切入點，擔憂為了導入而導入。

花大錢投資 AI 仍失敗？問題出在「定義問題」的能力

這樣的困境，是基金會近年協助企業轉型時經常看見的情況。部分企業即便已投入 AI 研發逾一年仍頻頻碰壁，往往是因為最初認定的「痛點」只是表象，而非問題核心。這也是轉型必經的認知轉換歷程，企業無法僅憑想像就找準方向，必須在實際落地、真槍實彈運行後，才能看清真正的問題。

因此，在本次發布會上，基金會特別邀請國立政治大學傳播學院陳宜秀副教授，以設計思考為方法論，協助企業重新聚焦與定義痛點，釐清哪些只是表面現象、哪些才是真正影響成效的關鍵。

以設計思考重新定義「企業痛點」

生成式 AI 展現了無限的想像空間與應用潛力，技術更新的速度更是一日千里。然而，當我們希望解決的問題與「人」密切相關時，問題本身就具有高度複雜性，且各環節相互連動、持續演變。若只看到表層現象，沒有深入理解問題的根源，即使有再好的技術或解決方案，也不過是隔靴搔癢，甚至徒勞無功。

在生成式 AI 出現後，視覺內容、音樂、3D 模型、影像，都能透過問答方式快速生成；幾乎任何問題，AI 都能在極短時間內給出答案。陳宜秀副教授引用英國建築學者 Cedric Price 1966 年的提問：「如果科技是答案，什麼才是問題？」置換到當下的 AI 時代，這個問題同樣值得深思：如果人工智慧是答案，那什麼才是問題？

設計思考（Design Thinking）的核心在於共情（Empathize）與定義問題（Define）的步驟。對於解決方案的開發者而言，以同理心理解潛在需求，將有助於建構問題全貌，並精準鎖定核心痛點。

完美的技術若錯置應用場景，終將淪為無效投資

為什麼定義問題的能力如此重要？因為最完美的技術，若錯置了應用場景，終將淪為無效投資。這種「以人為本」的認知轉換，在國際公衛實踐中提供了經典範例。

以瘧疾防治為例： 瘧疾長期是非洲各國重大的公衛挑戰，更是 5 歲以下兒童的五大死因之一。政府曾大規模發放蚊帳，根據世界衛生組織（WHO）報告，蚊帳的推廣使多數非洲國家的死亡率下降了 50～60%。

然而，儘管蚊帳已被證實有效，迦納中產階級家庭的使用率卻僅有 14%。經研究人員深入訪查發現，多數家庭認為蚊帳影響美觀、阻礙空氣流通且使用不便，這些「生活細節」才是真正阻礙防疫的關鍵。基於這些洞察，設計團隊最終開發出兩款貼近當地審美與生活習慣的新型設計：錐形拉鍊入口網與彈出式帳篷網，這才真正解決了問題。

同樣地，任何希望透過 AI 解決的業務難題，都應採用設計思考的路徑：先累積資訊、後拆解脈絡、最終分析根因。 當技術門檻不再是障礙，唯有精準定義問題，才能讓 AI 投資轉化為真正的競爭力。

當技術門檻愈來愈低，定義問題的能力，才是真正的決勝關鍵

跨越了技術導入的門檻後，企業更需掌握系統化的 AI 治理方法論。轉型的下一步，不僅是科技的更新，更是組織全方位的重構：從人才職能的再定義、數位基礎建設的加固，到工作流程的自動化整合，乃至於建立一套科學化的評估與驗收機制。這些深層挑戰雖然艱巨，卻是決定企業能否將 AI 潛力轉化為實質產出、實現規模化成長的必經之路。

AI 轉型從來不只是技術的競賽，更是一場關於「如何定義問題」的能力考驗。

今年的發布會，我們將從三個面向陪您看清全局：透過最新調查數據，解析台灣產業在策略布局、人才發展與技術應用上的真實進度與潛在機會；引入設計思考方法論，協助您穿透表面現象、直擊核心痛點，找出真正影響轉型成效的關鍵所在；並從資料治理到人才梯隊建置，提供讓 AI 脫離實驗階段、在組織中穩定創造價值的長遠路徑。

根據人工智慧科技基金會（AIF）最新發布的《2026 台灣產業 AI 化大調查》，高達 85.8% 的企業計畫在今年導入或擴大 AI 佈署。然而，多數企業寄望 AI 緩解人力成本壓力的同時，「AI 人才缺乏」卻反過來成為轉型最大的阻力。

調查顯示，「缺乏關鍵人才與技能」是所有 AI 導入障礙中佔比最高的項目（49.5％)，揭示AI 落地成敗的關鍵，最終仍回歸到「人」的身上。

數位基礎穩健，但「人才」與「治理」成轉型天花板

調查顯示，台灣企業在 AI 轉型的三大評估維度中，呈現顯著的發展不均：技術層面平均得分最高（50.63 分），經營層面次之（48.61 分），人才層面則以 39.73 分明顯落後。三者之間的落差清楚揭示了當前的轉型困境：基礎設施已到位，策略意願也在增強，但能夠承接並深化 AI 應用的人才能力，卻尚未跟上。

這個缺口也具體反應在「AI 人才發展策略」指標上，整體產業平均得分僅 29.17 分，是三大維度中得分最低、落差最大的單一指標。這些數字共同指向同一個現象：多數企業雖已深刻感知 AI 帶來的衝擊，在系統性人才培育與職能發展的行動上卻幾乎停滯，認知走在前面，行動遠遠落後。

同樣不容忽視的還有治理面的缺口。調查顯示，僅約 10% 的企業訂有明確的 AI 使用規範，61.8% 的企業內部 AI 應用完全處於缺乏管控的「野蠻生長」狀態。這也帶出了一項警訊，AI 工具雖已提升員工個人生產力，但若未能有效轉化為組織流程的結構性優化，隨著競爭者同步提升效率，個體間的相對優勢將逐漸消弭。也就是當所有人都在跑，速度本身就不再是優勢，企業可能跑得更快，卻依然停在原地。

面對人才斷層與治理真空的雙重挑戰，技術採購與資料整備固然必要，但唯有能將 AI 工具轉化為實際流程改善的人，才是決定落地價值的核心變數。這在製造業中尤為具體：生產現場的 AI 落地，不缺技術，缺的是理解場域脈絡、能夠設計解法並推動變革的人才。那麼，面對這樣的困局，企業能從哪裡找到突破口？

製造業落地治理方法：勤工以「賦能」化解員工 AI 焦慮

面對產業普遍存在的人才落差與組織隔閡，本次報告發表會特別邀請近年來積極導入 AI 的勤工股份有限公司，分享其轉型歷程與治理實踐。

以堆高機與物流運輸設備製造起家的勤工，近年來已成功將業務擴展到無人化設備領域。然而，這場轉型並非一帆風順。勤工執行長林少顗指出，製造業導入AI的一大挑戰，來自於員工對於AI的焦慮感 。他觀察到，傳統的電焊與組裝工人與新世代的AI工程師之間存在巨大的鴻溝，雙方語言不通，甚至會產生「這是要監督我、操控我」的抗拒心理 。

為解決「人的問題」，勤工重新審視了AI落地的核心，強調AI應該是「賦能」而非「取代」 。因此，公司推動了一項名為「專才變通才」的計畫，透過跨部門工作坊，打破各個職能部門之間的隔閡 。林少顗認為，過去只專注於自身技能的「專才」模式已經過時，現在每個人都必須成為能夠互相理解與協作的「同儕」 。

在工作坊中，大家會面對面討論問題、分配資源，而不是透過書面文件互相推卸責任 。公司的目標不是要「檢討任何人」，而是要「解決問題」 。此外，勤工還透過工作坊與問卷調查，確保AI專案的成果能夠被員工「有感」地體驗到，這比評估能賺多少錢或省多少錢更為重要 。一路走到現在，勤工將AI視為協助客戶與自身共同成長的夥伴，並將品牌重新定位為「賦予你的行動力量（Empower your move）」 。

只有解決『人』的問題，AI 才能真正發揮價值

人工智慧科技基金會指出，台灣產業 AI 化正處於「工具普及、治理滯後」的關鍵期，企業的核心挑戰已從「是否導入工具」，轉向「能否建立可持續的組織治理能力」。

AI 治理不是一蹴而就的工程，而是一場需要全員參與的長期旅程。在這波 AI 浪潮中，若企業僅是盲目跟進工具，不僅難以創造真正的價值，更可能在不知不覺間累積龐大的組織隱性成本。正如勤工執行長林少顗所強調：唯有先解決「人」的問題，AI 才能真正從工具蛻變為推動企業成長的力量。

以台灣來說，台北市大同區的獨居長者、花蓮縣富里鄉的高齡農戶、高雄市六龜區的偏遠部落、雲林沿海小鎮的老農，雖然同樣是統計表上超高齡社會的組成份子，但由於所在的地區與環境不同，所面對的風險結構、可用的資源完全不一樣，因此要有效預防高齡化社會風險的政策思維，必須深入審視許多不同面向的指標。

國家發展委員會委託亞洲大學與人工智慧科技基金會，共同以資料科學為基礎進行《高齡化社會風險地圖》研究。這份研究所要探究的並不是縣市排名，反倒是讓我們重新思考，如果長期以「縣市」作為政策規劃的基本單元時，究竟有多少結構性的重要差異被平均值掩蓋了？

在這個研究中涵蓋 22 個縣市、368個鄉鎮市區，以六大主題為骨幹，分別是人口結構、經濟弱勢、健康醫療、公共安全、氣候災害、社會參與。由於研究當下能夠蒐集到的資料有所差異，因此縣市層採33項指標，鄉鎮層採24項指標。

這些指標是如何來的？主要參考國外面對超高齡社會採用的指標，包括全球高齡觀察指數（Global Age Watch Index，GAWI；HelpAGE International, 2015）、活躍老化指標（Active Ageing Index，AAI；UN, 2019）、高齡社會指數（Aging Society Index，ASI；Chen, C et al,2018））、人類發展指標（Human Development Index，1990年開始每年出刊，2026年版）、全球高齡社會指數Global Aging Society Index（GASI；Chen, C et al, 2024）等，評估哪些指標可應用到國內。

花蓮縣的風險，不等於花蓮市的風險

在縣市層，目前綜合風險指數63.5是全國22縣市中最高分。但當分析尺度調得更細、以鄉鎮為單位時，現象就變得複雜許多。以花蓮縣為例，就數據資料看來，富里、玉里這些深陷老化、貧窮與氣候壓力交織的鄉鎮，與花蓮市的處境完全是兩回事。

同樣地，在一般印象中風險最低的雙北地區，仍有12個鄉鎮區經過數據分析後，被標示為高風險地區，其中包含台北市萬華、大同，新北市平溪、瑞芳等。這些在縣市平均值底下完全看不見的「高風險地帶」，正是這個研究想要辨別並找尋答案的問題。

透過「高齡風險地圖」重新錨定問題

在方法論上，研究特別保留A、B兩個版本的對照，並選擇版本B做為最終結果。

版本A直接平均所有指標分數，但很快發現，由於健康醫療面向有9個指標，影響力是只有2個指標的經濟弱勢的4.5倍。因此光是在方法論上就可以明白看到，資料的完備程度對於議題比重有極大的影響力。

版本 B 則讓六大主題各六分之一等權重，主題內再依指標項目再均分。指標的選擇原本就是價值的選擇，決定了六種風險同等重要，不因為某個主題被研究得比較多、數據較多，就造成整體結論的失真。
這個判斷，在處理高齡化議題時特別重要。因為人口結構的指標（扶老比、老化指數、獨居老人比率等）往往會與其他主題的指標產生複雜的交互作用，若不先把權重處理乾淨，後續的共現分析與空間分析就難以解讀。

人口老化在哪裡「獨行」，又在哪裡「疊加」？

在初步研究成果中另一個值得注意的，是提供了兩種看待高齡化風險的方式：什麼時候老化是一個獨立問題，什麼時候會與其他風險綁在一起惡化且互相影響。例如在縣市層，相關性矩陣顯示：

• 人口結構X經濟弱勢：r =0.66
  老化與貧窮在縣市層高度同步。這意味著，在宏觀尺度上，高齡化最嚴重的縣市，往往也是經濟條件最弱的縣市。
• 人口結構X公共安全：共現次數= 4（縣市層配對中最高）
  高齡化縣市同時面臨公共安全壓力。
• 社會參與X人口結構：共現次數= 0
  老化最嚴重的縣市，社會參與風險反而不高。兩個問題不是同一批縣市。

光是選擇這三個數字就可以看出，在縣市尺度上，高齡化是「複合型風險的核心」，傾向於與貧窮、公共安全同步惡化，但與社會參與呈現反向關係。

但是當視角切到鄉鎮層，關係變了。人口結構與其他主題的高度相關性，在鄉鎮層並不明顯。反倒看出不同的可能性，例如：

• 公共安全X人口結構：r = −0.16
  高交通事故、停水次數多的鄉鎮，與老化的農村，落在不同的地方。
• 社會參與X經濟弱勢：r = −0.46
  貧窮高風險鄉鎮的社會參與分數反而低。

為什麼縣市層與鄉鎮層會出現這樣的落差？原因在於，縣市是異質鄉鎮的集合體。當我們說「這個縣高齡化嚴重」，實際上可能是縣內幾個偏遠鄉鎮極端老化，拉高了整體平均；而縣內的市區鄉鎮，現象與成因也可能有很大差異。縣市層的高相關性，其實是把兩群不同性質的地區「打包」後產生的統計假象。

從這樣的數字已經隱然看出，以縣市為單位配置的長照、社福、公安資源，可能只解決了錯誤的問題，卻錯過了真正需要被照顧的地方。