買了最強的模型，專案還是死掉：企業 AI 卡住的三個地方，多半是流程、權限與驗收

兩個 40% 的張力：為什麼買了最強的模型，專案還是死掉

預算批了、模型也挑了最強的，專案卻還是停在那裡，這是今年不少老闆問我們的第一句話。答案通常不在模型，而在流程、權限與驗收這三件事，而且採購合約裡往往一個字都沒寫。MIT NANDA 2025 年 7 月的《The GenAI Divide》指出，95% 的組織在生成式 AI 上拿不到可量測的報酬，只有 5% 把試點整合進流程後做出數百萬美元成績，這份研究訪談了 52 家企業、分析 300 多個公開專案。S&P Global 2025 年 3 月的調查從另一個角度看同一件事：42% 的企業已經放棄大部分 AI 計畫，前一年這個比例只有 17%，理由集中在價值、成本與治理說不清楚。

Gartner 的 40% 對 40%，與台灣的 7.4% 對 39%

Gartner 在 2025 年 8 月 26 日新聞稿估計，2026 年底會有四成企業應用內建任務型 agent，2025 年這個數字還不到 5%；同一個機構在 6 月 25 日的另一篇則預估，2027 年底前超過四成的 agentic 專案會被取消，原因多是成本失控、價值說不清與風控不足。分析師 Anushree Verma 的說法是，數千家自稱在做 agentic AI 的廠商裡，真正做得到的只有約 130 家，其餘多半把概念驗證包裝成產品，套錯場景很常見。McKinsey 2026 年 8 月的全球調查提供對照：大型企業已有 40% 把 AI 規模化，前一年是 27%，中小企業則停在 22%。

經濟部 2025 年 12 月發布的《2025 中小企業白皮書》給出台灣這邊的數字：中小企業真正導入或規劃導入 AI 的只有 7.4%，OECD 2025 年的同類調查是 39%。沒導入的原因裡，63.9% 說「尚無明確應用需求」、26.8% 說「不理解 AI」，換句話說多數企業卡在不知道自己能拿 AI 做什麼，而不是買不到工具。政府把 2028 年的目標訂在 50%，但產業競爭力輔導團從 2025 年 10 月到 2026 年 3 月只輔導了 2,058 家，即使到 2026 年 7 月累計到 9,249 家，換算下來覆蓋率仍不到全體的一成。

這些專案很少死在模型不夠強，多半死在沒說清 agent 接手哪項工作、誰給它權限、誰來驗收。麥當勞與 Klarna 就是最清楚的兩個例子，後面會逐一拆開。先處理第一個卡點。

卡點一：工作沒有被拆成職務說明，agent 就沒有東西可執行

企業常說「我們要一個客服 agent」，但這句話交不出東西。能交派的工作單位是「回覆草稿」與「通話摘要」這種有起點、有終點的任務。範圍模糊，agent 不知何時該停，驗收的人也說不出做完了沒。

白皮書裡那個 63.9% 的「尚無明確應用需求」，說到底就是工作從沒被拆開來看過。

從「客服」拆成「回覆草稿」與「通話摘要」：富士通與ニチレイ的拆法

日本富士通 2024 年 3 月只交出「回覆草稿」與「通話摘要」，平均處理時間從 20 分 36 秒降到 2 分 18 秒。ニチレイ・アイス 與日立合作（2025-10-15），交出「生產與配送計畫立案」，處理約 200 萬種組合與 40 項以上限制條件，立案工時減少約 70%。兩家交出去的都是具體產出，職稱本身交不出去。所以第一步是拆工作，選模型排在後面。

職務說明書的四個欄位：輸入、判斷規則、例外往上報的門檻、交付格式

拆完要寫成一頁職務說明書，四個欄位缺一不可：輸入（agent 開工拿到什麼，如客戶來信或 PDF）、判斷規則（遇到什麼情況套哪條規定）、例外門檻（金額超過多少、涉及退款或資料缺漏時停下來交給人）、交付格式（草稿、表格或直接寫進系統）。

我們替客戶做的報價解析系統就是這樣切出來的。客戶要的是財報解析教學，範圍鎖定讀取公開財報、對齊科目、自動算比率。輸入是每年約 225 到 240 家醫院的 PDF 與掃描圖，例外是字型編碼損壞的檔案往上報，交付是左邊選醫院、中間對話、右邊儀表板。因為功能單一、範圍清楚、驗收標準具體，才做得成。

卡點二：權限沒有給對，agent 永遠停在對話框裡問答

前一章把工作拆成一頁職務說明書，接著要回答的是：這張工作單交出去之後，agent 到底能動到什麼。我們執行長講得很直白，用了 AI 卻沒有賦予權限，它就會一直停在對話框裡問答，你問一句它答一句，永遠不會真的把事情做完。因為它只能給建議，不能改資料、不能寄信、不能建單，所以卡點不在模型聰明與否，而在你有沒有把鑰匙交出去。

Deloitte 的 40% 已放手，與四分之一說不清責任

Deloitte 2026 年的調查（3,500 位主管、25 國）顯示，40% 的企業已允許 AI 不經人批准就執行決策，但近四分之一表示出事時責任歸屬不清。這兩個數字擺在一起，意思是工作交出去了，交接單卻還沒寫完。問題在於 agent 沒有法律人格，不能簽名、不能負責，出事時扛責任的是公司與那位被指派的自然人；歐盟的 AI Act 也要求高風險系統必須由真人有效監督。

因此權限要分級，一級一級給，每一級都對應一個明確的風險界線。

Anthropic 的 Claude Code 把預設值設成唯讀，要改檔案、跑指令都得先問，因為一路按同意的提示疲勞本身就是漏洞。微軟的 agent 治理文件則要求每個 agent 都要有一位負責人，存取權限也不得超過所需時間。

回到台灣現場，客戶最常卡住的其實是不願意給權限。老闆擔心一放手就出事，於是把 agent 關在對話框裡，結果花了錢只換到一個比較會聊天的搜尋引擎。我們的建議是挑一個範圍很窄的職務，給它剛好夠用的權限，並指定一位同仁當負責人，出錯時知道要找誰。有了權限，它才真的能幫你做事。

替代方案有限公司觀點：我們自己七個 agent 的分法，與三個卡點的對應

我們公司自己跑七個 agent，不是為了展示技術，而是客戶問「到底要幾個」時，總得有自己的答案。跑了一年多，體會是：數量不是重點，分法才是。因為分得清楚，權限才給得下去，它才真的能接手工作，而不是停在對話框裡陪聊。

七個 agent 的分工表：兩個直接交代、兩個排程、一個對內、一個對外、三個重型

我們先分內外，再分主動與被動。兩個 agent 負責直接交代的任務，人當下講、它當下做；另外兩個處理排程，時間到就自己啟動，例如定期整理資料、追蹤進度。對內那個像營運長，管的是內部流程與文件；對外那個像業務長，負責名單整理與對外溝通草稿。剩下三個處理重型任務，像大量文件解析、報表生成這類吃算力、跑得久的工作。

這套分法剛好對上企業最常卡住的三個地方。流程上，真人只做前期規劃與後期檢討，中間盡量不插手，因為一插手效率就掉，專案幾乎一定失敗。權限上，七個 agent 全跑在集中管理的本機環境，每個只拿它那個職務剛好夠用的權限。驗收上，我們看的是環境長什麼樣，不聽它回報「我做完了」。

有一條界線要講清楚：agent 沒有法律人格，不能簽名、不能負責。出事時負責的是公司，以及那位被指派的自然人，所以每個 agent 我們都掛一位同仁當負責人。

給台灣企業的建議是：先做單一功能的 agent，權限設定好，只負責那幾件事，不要一次到位。我們自己也踩過坑，最常見的是沒算成本，純地端與純雲端都不划算，實務上一定是端雲混合。把這幾件事做對，七個或兩個其實都夠用。

卡點三：驗收只看自我報告，不看環境終態，你就不知道它真的做完了

agent 回你一句「已完成」，跟事情真的完成，中間隔著一整段距離。它說的完成，是它自己認為的完成；你要的完成，是資料庫裡多了一筆訂位、系統裡少了一張待處理工單。這兩個完成只要不對齊，驗收就只能靠運氣。

Klarna 是最典型的例子。它的 AI 客服上線後，處理量一度相當於 853 名全職人力，平均解決時間從 11 分鐘降到 2 分鐘以內（Customer Experience Dive，2025）。數字很漂亮，但 2025 年 5 月執行長自己承認，團隊把成本當成主要評估指標，品質因此下滑，公司重新招募人類客服（Economic Times，2025）。換句話說，它通過了「省了多少錢」那套驗收，卻沒通過「客人有沒有真的被服務好」這一關。

麥當勞的得來速語音點餐是另一種版本。這套與 IBM 合作的系統，內部自訂準確率門檻是 95%，實際跑起來只有 80 幾%，2024 年 6 月雙方結束合作（MIT AI Incident Database，2024）。問題在於門檻訂了，卻沒在真實車道逐項驗證：鄰道聲音會串進來、客人講到一半改單、口音與背景噪音，全都讓辨識歪掉，而這些情境在實驗室裡看不到。

看環境終態：訂位有沒有真的寫進資料庫，而不是聽它說完成了

所以驗收的動作要換一個方向，不看 agent 的報告，去看它動過的那個環境。Anthropic 的評估方法文件講得很直接：要看的是結果狀態，例如訂位有沒有真的寫進資料庫，而不是聽 agent 宣稱完成（Anthropic，2025）。實務上可以這樣做，先寫下這個職務的完成定義，指定一個可查核的終態，再要求每次交付附上可驗證的痕跡，例如單號、寫入筆數、異動前後對照。

三個卡點走到這裡，可以整理成一份自查清單。三項都答得出來，再談要不要把工作交出去。

• 流程：這個職務的輸入、判斷規則、例外門檻、交付格式，寫得出來嗎？
• 知識：教材裡有沒有寫清楚誰在什麼情境、依據哪一條規定、看什麼資料？
• 驗收：完成時環境會變成什麼樣子，誰去查、查哪裡？

常見問題 FAQ

Q：我們公司也買了很強的 AI 模型，為什麼專案還是做不起來？是不是模型不夠好？
卡住的地方通常在流程、權限與驗收，模型排在最後。Gartner 估計 2027 年底前超過四成 agentic 專案會被取消，原因多是成本失控、商業價值說不清與風控不足；MIT NANDA 的報告則指出，95% 的企業生成式 AI 試點對損益沒有可量測的影響，主因是通用工具學不到公司流程。所以先別急著換模型，先問這個工作有沒有寫清楚輸入、判斷規則、例外誰接、誰來驗收。

Q：把權限開給 AI，資料會不會流出去？真的出事誰負責？
這兩件事都要在給權限之前先講清楚。我們自己的做法是權限先分級，只給那個職務剛好夠用的範圍，並指定一位負責人。Deloitte 2026 年的調查顯示，四成企業已允許 AI 在中等程度上不用人批准就執行，但近四分之一表示出事時責任歸屬不清。至於資料會不會外流，機敏資料要嘛自己處理，要嘛只交給權限最窄、每一步都有紀錄可查的流程。

Q：這跟我們平常用的聊天機器人差在哪？為什麼一定要給它權限？
差在它能不能真的動手做事。只用 AI 但不給權限，它就會一直停在對話框裡問答，只有把權限交出去，它才真的能幫你做事。客戶最常卡住的地方，第一是老闆想一次到位，第二是不願意給權限，第三是資料混亂。真正做得成的都是單一功能的 agent，權限設定好，它就是拿來做那幾件事，範圍清楚、驗收標準具體，像我們做的財報解析系統就是這樣才做得成。

📩 有任何問題或需要協助，歡迎聯絡我們：[email protected]