如果你的 AI 導入停在「試用了一陣子，然後就沒有然後了」，換一個更強的模型救不了你。
卡住的專案幾乎都倒在同樣六個地方：題目選錯、沒有人真的負責、拿不到乾淨的資料、只算了工具錢、沒有驗收標準、沒處理員工的恐懼。這六個，沒有一個跟模型能力有關。
💡 本篇定位 這篇做的是根因診斷。員工抗拒的實際處理做法在員工為什麼抵抗 AI；整體決策框架看導入 AI 前該想清楚的 5 件事。
先講前提：失敗的原因通常在模型以外
據 Fortune 報導，MIT NANDA 的《State of AI in Business 2025》盤點三百多個企業案例後發現，約 95% 的生成式 AI 試辦專案看不到可衡量的財務回報，而癥結不在模型品質，在工具與組織之間的「學習落差」。
這是單一研究，數字不必當定論，但方向值得記住：失敗時第一個該檢查的不是模型清單。
原因 1：一開始就選錯題目
為什麼會這樣：人會不自覺挑「最想炫技的」題目：AI 寫年度策略、AI 協助重大決策、對外客服機器人。共同特徵是低頻、高風險、沒有標準答案。做十次錯一次，整套流程就得收回去。
該怎麼避免：從「每天都在做、規則清楚、錯了可以改」的事開始。每天做才省得出時間，規則清楚 AI 才做得穩，錯了可以改你才敢放手。
會議紀錄、客服回覆草稿、報價單初稿不性感，卻是唯一能在三個月內做出成果的。第一個題目的任務不是創造價值，是創造一個「大家都相信這件事有用」的案例。 該優先打哪一塊，中小企業用 AI 省錢有矩陣。
原因 2：沒有人真的負責
為什麼會這樣：老闆買了帳號、發下去、宣布「大家可以開始用 AI 了」，然後回去忙自己的事。沒有人看結果、沒有人調整用法、沒有人有權說「停掉」。於是專案不會失敗，也不會成功——它無限期停在試用階段，直到有人發現訂閱費還在扣。
該怎麼避免：指定一個有名有姓的負責人，給他三件東西：時間（每週明確的小時數）、權限（可以改流程，不只是改提示詞）、停損權（三個月沒成果可以喊停而不被檢討）。
少了停損權，負責人只會粉飾進度，因為承認失敗的代價比拖著大。沒有負責人的專案，一定停在試用。
原因 3：拿不到乾淨的資料
為什麼會這樣：AI 在你公司比在示範影片裡笨，通常不是它變笨了，是它讀不到你公司真正的知識。
報價邏輯在業務主管的腦袋裡；客訴怎麼處理，答案散在三個 LINE 群裡；最新規格在某台個人電腦上，檔名叫「新版（真的最終版）」。這往往是整個導入案最大的隱藏成本，卻不會出現在任何預算表上——它看起來像「順便整理一下」。
該怎麼避免：整理資料本身就是專案的一部分，不是前置作業。別立志把公司知識全部數位化，只針對你選的那一個題目整理出一份可讀的文件。哪些資料能餵進哪種 AI，AI 資料治理指南有四級分類。
原因 4：只算工具錢，沒算人力與返工
為什麼會這樣：訂閱費是唯一「看得到帳單」的成本，於是變成唯一被討論的成本。老闆看到每人每月一千多塊，覺得「這麼便宜，試試看又不會怎樣」——專案就在沒有預算、沒有工時的狀態下啟動了。
真正吃掉時間的是導入期的試錯、員工從不會用到用順的低谷，以及返工：AI 的初稿要人校對、改錯、重寫。對外文件、報價、合約的返工比例最高，而返工最容易被漏算——它藏在原本負責那件事的員工工時裡。
該怎麼避免：把六塊成本一次列完——訂閱、用量、導入、維運、訓練、治理。公式與四步試算我寫在AI 導入 ROI 怎麼算。這裡只給一個判斷：訂閱費通常是六塊裡最小的一塊。
原因 5：沒有驗收標準
為什麼會這樣：多數導入案的驗收方式是問一句「大家覺得有沒有比較好用？」，然後得到「還不錯啊」。
「還不錯」不是標準，於是專案永遠沒有結論——有效的案子講不出成果被砍掉，無效的案子沒人能證明它無效而一直燒錢。
該怎麼避免：在開始之前——不是結束之後——先把三個數字寫下來：
| 要量的事 | 導入前 | 三個月後 |
|---|---|---|
| 同一件事平均花多久 | 記下現在的分鐘數 | 再量一次 |
| 一個月做幾次 | 記下次數 | 對照有沒有變 |
| 錯誤／被退回重做的比例 | 記下現在的比例 | 對照有沒有惡化 |
第三列最常被忽略。速度變快但錯誤變多是淨損失，不是進步——當錯誤由下游的人收拾，你只是把成本換個部門放。導入前那一欄要在啟動前量，事後回想會被記憶美化。
原因 6：忽略信任與抗拒
為什麼會這樣：員工心裡的第一個問題不是「這工具好不好用」，是「我用得越熟，是不是越快被換掉」。
這個問題沒被回答，你就拿不到誠實的回饋。員工不會說「我怕被取代」，他會說「這工具不太準」「還是手動比較快」——聽起來像技術問題，其實是信任問題。更糟的是反過來：員工怕被貼「跟不上」的標籤，回報「用得很好」，私下照舊。你拿到的不是回饋，是一份讓你安心的假象。
該怎麼避免：把「省下來的時間要拿去做什麼」講到員工可以驗證。「我們不會裁員」是空話；「會議紀錄自動化省下的時間，拿去做客戶回訪」才是可驗證的方向。具體的方向，勝過抽象的承諾。
我不建議的做法：一開始就做「全公司 AI 轉型」
有立場地說：我不建議任何中小企業把第一步定義成「全公司導入」。
理由是數學，不是保守。各部門的性質與意願完全不同，你等於同時開五個獨立專案，每個都會遇到上面六個坑；任何一個失敗，士氣損失都會擴散成「這波又是三分鐘熱度」。
挑一個部門、一件事、三個月內能看到結果的先做。 做出第一個可信的案例後，推第二個部門會容易得多：你手上不再是一份簡報，是一個同事做給同事看的成果。
坦白說：有些事現在真的不適合交給 AI
有三類工作，就算六個坑全避開，現在交給 AI 仍然不划算：
- 需要當責判斷的事：出錯要有人負法律或財務責任的決策（核准付款、簽約、醫療與法律判斷）。AI 可以做初稿，但責任不能外包給一個不會被追究的系統。
- 需要跨部門協調的事：瓶頸如果是「業務和倉管對不上帳，誰都不想先讓步」，那不是資訊問題，是權責問題。AI 只會把混亂自動化。
- 資料根本不存在的事：你要的分析，如果依據的數字公司從來沒記錄過，那不是導入問題，是管理問題。先記錄，明年再談。
認出這三類，比學會任何提示詞技巧都值錢。 而上面六個原因，沒有一個叫「模型不夠強」。
常見問題
換更強的模型真的不能解決問題嗎？什麼時候該考慮換？
該換的訊號很具體：同一份提示詞、同一批資料，輸出品質本身就是瓶頸，例如需要長文件推理而現有模型穩定做不到。但如果症狀是「用一陣子就不用了」「講不出省了多少時間」，換模型幫不上忙——瓶頸不在那裡。
我是 10 人以下的小公司，沒有人可以專職負責怎麼辦？
負責人不等於專職，合理配置是一個人每週固定三到五小時，而且要在行事曆上真的排出來。關鍵不是時數，是他有沒有權限改流程、有沒有權利喊停。如果連三小時都排不出來，那答案很可能是「現在不是導入的好時機」——先不做確實是正當選項。
員工回報「用得很好」，但我看不出效率有變，該怎麼查？
不要用問的，用量的。挑一件具體的事請他做一次給你看，記錄花了多久、要改幾個地方。你會很快看出是真的在用，還是先用舊方法做完、再補一段 AI 紀錄交差。 重點不是追究，是理解他為什麼需要偽裝。
參考來源
- MIT report: 95% of generative AI pilots at companies are failing — Fortune（約 95% 生成式 AI 試辦專案無可衡量回報；癥結在學習落差而非模型品質）
- The GenAI Divide: State of AI in Business 2025 — MIT NANDA 報告全文（PDF）