事件
一家 138 年歷史、全球承保業務的保險公司投入超過 5000 萬美元發展生成式人工智能，執行長見到 Google Cloud 亞太區負責人 Harsha Konduri 時的開場問題是：「為什麼我們仍看不到合適的報酬率（ROI）？」
這看似是單一企業的困境，但 Harsha Konduri 在 Google Cloud Day Taipei 演講中揭露了行業真相：87% 的企業人工智能專案從未達到生產規模，大量專案停留在展示階段；真正把人工智能嵌入營運流程、形成競爭優勢的專案占比不到 5%。
IDC 調查顯示台灣 57% 企業已部署生成式人工智能，但焦慮從「害怕不懂」轉向「害怕跟不上」——這反映的是普遍的策略混亂，而非執行能力不足。
根本誤區
Harsha Konduri 歸納企業最常見的幾項策略誤區：
誤區一：把人工智能策略押在單一模型或單一供應商。企業通常看到 ChatGPT 的成功，就假設「最強模型 = 最強優勢」，忽略不同業務場景需要不同架構。保險業需要的或許不是語言能力最強的模型，而是能整合舊系統、處理結構化資料的系統。
誤區二：數據多 = 競爭優勢。擁有大量資料不等於能轉化為優勢。資料需要整理、標籤、驗證，還要搭配清晰的業務目標。許多企業堆積了 PB 級資料卻不知道用來訓練什麼模型、解決什麼問題。
誤區三：把人工智能當成純成本削減工具。「用人工智能替代 50 個員工」的心態導致專案從一開始就缺乏組織支持。被視為「自己要被機器取代」的員工會抵觸或消極執行，專案最後只能死掉。
斷裂的本質
這三項誤區的根源都是同一件事：策略定義時沒有清晰的「如果...那麼...」的因果鏈。
正確的人工智能戰略應該長這樣： - 定義具體業務問題（不是「變聰明」，而是「索賠審核流程從 5 天縮短到 1 天」） - 確認哪個人工智能模式（監督學習、強化學習、生成式）能解決它 - 評估現有資料、系統、人力是否支持這個模式 - 設計試點、測量因果效應、再規模化
但大多數企業的策略定義是倒著來的：「我們要做人工智能」→ 買人工智能工具 → 看能用在哪裡 → 失望。
組織能力的隱形成本
另一個被忽略的點是組織能力配備。執行一個端到端的人工智能專案，需要： - 資料工程師（整理、驗證資料） - 機器學習工程師（模型開發、監測） - 業務分析師（定義問題、測量效果） - 變更管理專家（說服員工用新流程）
但很多企業只招了機器學習工程師，期待一個人搞定全部，自然失敗。
為什麼台灣 57% 的部署率反而是警訊
台灣企業的焦慮升級（從不懂 → 跟不上）其實反映了一個險惡的模式：
企業高層看到競爭對手都在用人工智能，出於恐懼而急速部署；但沒有重新思考「為什麼要用」就匆匆上線，導致高耗損。這種現象在台灣的製造業、金融業尤其明顯——追風而不追因果。
突破口
從 Harsha Konduri 的建言來看，企業應該反過來做：
1. 從業務問題開始，不是從技術開始 2. 先試點、再規模，用 6-12 個月驗證因果效應 3. 配備完整的跨職能團隊，不要奢望一個人搞定 4. 把員工視為合夥人、而非成本項目，設計共同受益的制度 5. 承認人工智能不是銀彈，有些問題用統計方法反而更簡潔
真正的人工智能優勢，不來自於最強的模型，而來自於最清晰的策略定義與最堅實的執行組織。5000 萬美元的投入為什麼看不到報酬率？因為那些錢從第一天起就問錯了問題。