AI 做成功了，為什麼公司卻沒省到錢？

—從概念驗證（PoC）到損益（P&L）：AI 落地必須回答的五個流程問題

✎ 【財團法人資訊工業策進會產業情報研究所 】張人偉 博士    |   2026-09-10 

二、最大的誤解：把「導入工具」當成「改善流程」

        多數 AI 專案仍以準確率、延遲、使用率與採用率驗收。這些可以說明技術表現與工具被採用的程度，卻還不是流程的成績單。AI 技術成功，不等於流程改善。

       例如導入前是「人工讀文件→人工鍵入→人工確認→主管核准」，導入後變成「AI 讀文件→AI 鍵入→人工重新確認→主管核准」。

       節點數本身不是重點。流程改善可以來自刪除、合併、縮短、自動化或重新配置；真正要看的是非加值作業、等待、交接與人工處理時間（human touch time）有沒有下降。在這個例子裡，人工覆核仍在，甚至因為不確定 AI 是否出錯而更謹慎；簽核前的等待與部門間的交接一次也沒少。企業得到的是 AI 輔助流程，不一定是 AI 帶動的生產力。

       因此，除了技術指標，還要看流程前置時間、作業週期時間（cycle time，即單一作業完成一件工作所需的時間）、人時、重工率、流程產出量（throughput）與單位交易成本（見表一）。尤其品質成本最容易被忽略：AI 若讓前端處理更快，卻增加後端複判、客訴或返工，表面節省的工時可能很快被吃掉。

        方法上，價值流程圖（value stream mapping, VSM）可以直接比較導入前後的作業、等待、交接與重工。若 AI 只是替換某一站的執行者，該站的作業週期時間確實下降，但其他等待與簽核仍原封不動，整段流程的前置時間就不會有明顯改善。

三、從 PoC 走向 P&L 的五個問題

       以下五個問題，貫穿 AI 從概念驗證（proof of concept, PoC）走向損益（profit and loss, P&L）的五道關卡（見圖一），用來檢查技術成果是否真正轉化為流程與經濟成果。

       第一，AI 到底要改善哪一個流程？「提升效率」太模糊，改善對象必須有名字，例如來料檢驗報告入庫流程、自動光學檢測（automated optical inspection, AOI）異常複判流程、客訴處理流程或生產排程流程。沒有流程名稱，就沒有改善對象。

       第二，它要改變哪一個關鍵績效指標（key performance indicator, KPI）？準確率、延遲與可用性是技術 KPI；流程前置時間、作業週期時間、重工率、人工介入率（human intervention rate）、例外率（exception rate）、流程產出量與單位交易成本，才是營運 KPI。技術 KPI 是必要條件；若未達技術門檻，便不具備進一步規模化的前提。而流程與經濟 KPI，則決定它是否形成企業價值。企業 AI 的經濟價值不只來自人力縮減，也可能是成本降低、成本迴避、產能提升或品質損失降低。真正該問的是：投入、產出與品質結果，有沒有因此真正改變？

       第三，AI 上線後，哪一道作業真的被改變？作業可以被刪除、合併、縮短、自動化，也可以被重新配置——把人從資料謄打移到異常判斷，同樣算數。AI 多做了一件事，不代表人少做了一件事。這一問要看兩個數字：人工介入率，指 AI 處理後仍需人員修改、補充判斷、重做或接手的比例，看的是人實際接手多少；例外率，指案件因信心不足、特殊條件或規則外情形而無法走完標準自動流程的比例，看的是多少案件偏離了標準流程。使用率上升只代表大家願意用；人工介入率與例外率則應在品質與風險門檻不變的前提下，與導入前的基準值及目標值比較，才能判斷自動化程度是否真正提升。

       第四，完整的總持有成本（total cost of ownership, TCO）是多少？不能只算模型費用，還要納入授權、推論、整合、資料治理、資安、監控、人工覆核、維運、錯誤重工與品質成本；完整 TCO 應同時涵蓋初期建置與持續營運兩部分。先以單件營運成本為例：假設導入前每件工作包含人工 60 元與既有系統 20 元，合計 80 元；AI 上線後人工降至 35 元，既有系統 20 元不變，另新增推論、人工覆核、維運與錯誤重工合計 15 元，單件營運成本為 70 元。換言之，人工成本雖減少 25 元，單件總成本實際只下降 10 元。而單件成本下降只是第一步；上述 70 元尚未攤提一次性導入成本，仍需評估累積效益能否覆蓋初期投入，以及預期的投資回收期。

       第五，誰對最後的營運結果負責？技術負責人負責模型、系統、準確率與可用性；流程負責人（process owner，例如該流程所屬的營運或部門主管）負責標準作業程序（standard operating procedure, SOP）、人機分工、人力配置、流程前置時間與作業週期時間、成本與品質。兩者都不可缺，但最終營運成效不能只掛在 AI 團隊身上——真正有權改流程、調人力與重設 KPI 的，是流程負責人。AI 專案如果只有技術負責人，沒有流程負責人，就很容易永遠停留在 PoC。

四、AI 專案也需要「死亡機制」

       企業常見的問題是：AI 專案有出生機制，卻沒有死亡機制。PoC 結束後，決策可歸納為三種主要方向（見圖一）：擴大（scale），技術與經濟價值都成立，就擴大部署；重新設計（redesign），技術可行但流程沒動，就重設標準作業程序、人力配置與覆核規則；停止（kill），流程已改但經濟價值仍不足，就結束投入。停止不是失敗，而是把有限資源從低價值機會，重新配置到更高價值的機會。

       這結合了階段關卡（Stage-Gate）的決策紀律，以及規劃－執行－查核－行動（plan-do-check-act, PDCA）循環的持續改善精神：每一階段都要有明確判準，也必須允許停止或重新設計。PoC 的目的不是證明每個專案都值得做，有時它最大的價值，就是及早證明「這件事不值得做」。

五、結語：最後一哩路，其實是工業工程問題

       隨著模型與 AI 工具快速商品化，「擁有 AI」本身不會形成長期優勢。真正拉開差距的，是企業能否重新設計流程、安排人與 AI 的分工、管理例外、設定 KPI 並配置資源。

       生成式 AI 第一階段，比的是誰更早用；下一階段，比的是誰更會把 AI 變成生產力。模型不會替企業盤點工序，也不會替企業改寫 SOP，更不會自動決定哪些例外應交給人、哪些工作值得取消。AI 落地的最後一哩路，不只是模型問題，而是流程設計問題——說到底，那是一個典型的工業工程問題。

參考資料

1. Rother, M., & Shook, J. (1999). Learning to See: Value Stream Mapping to Add Value and Eliminate Muda (Version 1.2). Lean Enterprise Institute. ISBN 978-0-9667843-0-5.

2. Cooper, R. G. (2008). Perspective: The Stage-Gate® idea-to-launch process—Update, what's new, and NexGen systems. Journal of Product Innovation Management, 25(3), 213–232. https://doi.org/10.1111/j.1540-5885.2008.00296.x

3. Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386

4. Agrawal, A., Gans, J., & Goldfarb, A. (2022). Power and Prediction: The Disruptive Economics of Artificial Intelligence. Harvard Business Review Press. ISBN 978-1-64782-419-8.