大多數中小企導入 AI（人工智能）失敗，不是因為模型不夠強，而是因為一開始就問錯問題。老闆常問的是「買哪個工具最快見效」；真正應該問的是：「公司哪一段流程，已經重複、昂貴、可量化到值得先被 AI 接手 20%？」能登入 ChatGPT，不等於能把一條業務流程穩定交付到 production（真正對外服務或內部長期運行的階段）。這是兩件完全不同的事。
在香港、台灣、新加坡和大灣區的中小企實戰裡，我們反覆見到：第一筆 AI 預算很少死在技術，反而死在範圍失控、資料不整、責任不清、以及 KPI（關鍵績效指標）太空泛。McKinsey 2024 指出，已有 65% 受訪企業在至少一項業務功能上使用生成式 AI，但真正把價值系統化、可擴張化的企業仍是少數。Stanford《AI Index 2024》也指出，企業採用速度快，但治理、風險與落地能力並未同步成熟。我的看法很直接：中小企第一個 90 天，不應追求「全面 AI 化」，而應該用一套三段式框架，把 AI 從新奇工具，變成可衡量的營運資產。
我把這套框架叫做 「一點突破、一路打通、一套治理」。一點突破，是先打穿一個高頻、低風險、可量化場景；一路打通，是把提示詞（prompt，給模型的指令）、資料、審批、輸出格式串成流程；一套治理，則是在擴張前先補上權限、成本、風險和驗證。90 天不是用來證明你很懂 AI，而是用來證明：這家公司能不能把 AI 變成可複製的管理能力。
不要先買最強模型，先找「最痛、最重複、最可量化」的工序
第一個落點，應該是流程，不是工具。Gartner 在 2024 年多次提醒，生成式 AI 專案最常見失敗原因，是商業目標模糊與缺乏工作流（workflow，工作流程）整合，而不是模型能力不足。對中小企而言，最適合 90 天起步的，通常不是「AI 重新發明公司」，而是以下三類工序：第一，知識密集但格式固定，例如客服回覆、報價草稿、銷售跟進電郵；第二，高頻重複但容錯可控，例如會議紀錄整理、內部 SOP（標準作業程序）搜尋；第三，原本已有人手在做，只是很慢、很貴、很容易出錯。
判斷優先順序，我建議用一個很務實的公式：價值 = 頻率 × 人工成本 × 標準化程度 × 可驗證性。例如一家香港貿易公司，每月要處理數百封英文詢價、交期追蹤和規格比對；這類工作不是完全自動化，而是先讓 AI 產出 70% 草稿，再由業務覆核。若每封信平均節省 8 至 12 分鐘，50 名員工中只要有 10 人高頻使用，一個月就可能省回數十至過百工時。Deloitte 2024 對企業生成式 AI 導入的觀察也很一致：短期最可見的回報，多來自員工生產力提升，而不是顛覆式新收入。
90 天怎樣排？不是 PoC 漂亮就算，而是要跑出第一個閉環
很多公司把前 90 天做成 demo（示範）巡演：開幾個帳號、做幾場培訓、展示幾個神奇案例，然後就沒有然後。這不是落地。真正的 90 天，應該分成三個 30 天。
第 1–30 天：鎖定場景與基線。 只選 1 至 2 個場景，定義現況基線：平均處理時間、錯誤率、人工參與步驟、交付 SLA（服務水平協議，承諾時效）。沒有基線，後面所有 ROI（投資回報率）都是感覺。這一階段還要完成資料盤點：資料在哪裡、誰有權限、哪些可給模型用、哪些涉及客戶機密或跨境資料傳輸。
第 31–60 天：做出最小可用流程。 關鍵不是模型多先進，而是把輸入、提示詞、知識庫、人工審批、輸出模板串起來。中小企最適合的是 human-in-the-loop（人類在迴圈中，也就是 AI 先做、人再批）的設計，因為它能在控制風險下快速上線。這一段要盯兩個數字：採用率（有多少目標員工真的用）與完成率（有多少任務在 AI 協助下走完整個流程）。
第 61–90 天：驗證效益與準備擴張。 到這一步，才討論是否接 CRM（客戶關係管理）、ERP（企業資源規劃）或 API（應用程式介面）自動化。若前 60 天連人工覆核規則、輸出格式、例外處理都沒穩定，太早整合核心系統，只會把混亂擴大。IDC 近年對亞太區 AI 採用的研究一再指出，資料治理與流程整合是企業從試點走向規模化的主要門檻，而不是單一模型成本。
先用 SaaS 還是自建？中小企真正要比的不是功能，而是總擁有成本
很多老闆會在「直接買現成 SaaS（軟件即服務）」與「找人做客製化」之間搖擺。我的判斷很簡單：若你的場景主要是文書生成、知識搜尋、內部助手，先用成熟產品；若你的場景涉及核心流程、專有資料和系統串接，再考慮半客製或自建。不是因為自建不好，而是因為大多數中小企低估了維運（持續更新、監控、修正）的成本。
| 方案/產品 | 大約定價（2024-2025 常見） | 定位 | 優點 | 風險/限制 |
|---|---|---|---|---|
| ChatGPT Team / Enterprise（OpenAI） | Team 約 US$25-30/人/月；Enterprise 議價 | 通用生成、知識工作助手 | 上手快、模型能力強、生態成熟 | 流程治理需自行補；深度系統整合要額外開發 |
| Microsoft Copilot for Microsoft 365 | 約 US$30/人/月 | 已重度使用 M365 的企業助手 | 與 Outlook、Word、Excel、Teams 整合自然 | 若公司原本協作紀律差，效果會被資料品質拖累 |
| Google Workspace + Gemini for Workspace | 約 US$20-30/人/月（視版本） | Google 生態中的辦公 AI | 文件、郵件、會議支援完整 | 適合 Google-first 團隊；跨系統治理仍要補 |
| Claude Team / Enterprise（Anthropic） | Team 約 US$30/人/月；Enterprise 議價 | 長文本、分析、寫作輔助 | 長上下文（可處理更長內容）表現佳，文件推理穩定 | 企業整合與地區可用性需視市場而定 |
| Azure OpenAI + 自建工作流 | 用量計費 + 開發成本 | 半客製/企業整合 | 可接內部系統、權限與治理較可控 | 需要技術團隊；PoC 便宜，長期維運不一定便宜 |
這張表真正要看的，不是月費高低，而是每節省一小時人力，你要付出多少導入與管理摩擦。Forrester 與 Deloitte 對 Copilot 類工具的觀察都很一致：若企業已經有良好的文檔結構、會議紀律和帳號管理，價值釋放會很快；如果文件亂、權限亂、命名亂，AI 只會更快把混亂擴散出去。
沒資料科學團隊，還能做嗎？可以，但你需要「業務負責人 + 流程設計 + 輕技術」三角組合
中小企常見誤解是：導入 AI 一定要先請資料科學家。其實第一個 90 天，多數場景根本不需要。需要的是一個有業務權威的人當 product owner（產品/專案負責人），一個懂流程的人負責把任務拆成步驟，再加一個能處理 SaaS、權限、表單、API 串接的輕技術角色。這個三角，比一個很會講模型參數的人更實際。
在實戰導入中，我們反覆見到，失敗專案往往不是沒人懂 AI，而是沒人對結果負責。比如客服主管希望縮短回覆時間、IT 擔心資安、老闆只看成本，最後三方都參與，卻沒人定義「什麼叫成功」。我建議每個 90 天試點只設 3 個 KPI：時間節省、錯誤率、採用率。不要一開始就追求「提升創新能力」這種無法驗證的目標。
先上線就贏嗎？不，治理慢半拍，擴張會翻車
這不是說先試再管沒有價值，而是說治理不必等到全面上線才開始。尤其在香港、台灣、新加坡與中國內地跨境運作的企業，資料存放地、客戶保密條款、員工可否把合約或報價直接貼進公有模型，都是一開始就要畫清楚的紅線。IBM《Cost of a Data Breach 2024》指出，資料外洩平均成本仍然高昂；對中小企而言，一次事故未必只是罰款，更可能是客戶信任直接流失。
治理最少要包括四件事：第一，哪些資料可用、哪些不可用；第二，誰可以用哪些工具與模型；第三，輸出如何抽查與留痕（audit trail，可追溯紀錄）；第四，成本怎樣看板化（dashboard，儀表板化）管理。Gartner 2024 亦預警，隨著「影子 AI」（shadow AI，員工私下使用未批准工具）增加，企業真正的風險不在官方採購，而在看不見的資料流動。
重點帶走：中小企第一個 90 天，不是做大，而是做對
如果你現在正準備啟動 AI，請記住三個判斷。第一，先選工序，不先選模型：挑最痛、最重複、最可量化的場景。第二，先跑閉環，不先追自動化率：有人工覆核的穩定流程，比看起來很聰明但不可控的全自動更有商業價值。第三，先補治理，再談擴張：當一個場景已證明可節省時間、錯誤可控、員工願意使用，再複製到第二、第三個流程。
我給中小企管理層的決策框架很簡單：用 90 天證明一件事——AI 能否把你公司某段流程，從「靠人撐」變成「靠系統穩定交付」。如果答案是否定，就不要急著擴大預算；如果答案是肯定，下一步才是整合 CRM、ERP、客服、採購或跨境營運流程。
自我檢查
- 我們要優先導入的，是一個熱門工具，還是一段每週都在燒工時的流程？
- 我們有沒有在開始前量度基線：時間、錯誤率、採用率與風險邊界？
- 如果明天把試點擴到 30 個人使用，我們的權限、審批、資料規則是否撐得住？
