AI 無法解決資訊本身的問題

AI 助理看起來真的很厲害。

員工可以直接用自然語言提問，搜尋過去需要花很多時間才能找到的資訊，幾秒鐘內就能得到看似有用的答案。

直到有人問起某個客戶，才發現兩套系統裡的資料對不上。

另一個人詢問公司政策，AI 找出了三個在不同時間制定的版本。

AI 給出的答案聽起來完全合理，但沒有人能確定它究竟參考了哪一個版本，也不知道那個版本現在是否仍然適用。

AI 並沒有做錯什麼，它只是在根據我們提供給它的資訊工作。

真正複雜的，是這些資訊本身。

這些資訊問題其實一直都存在。不同的是，AI 可能讓這些問題變得更難被看見。

當 AI 讓混亂看起來井然有序

傳統系統有一個特點：很多資訊問題其實很難忽略。

欄位是空的、搜尋不到資料、兩份報表的數字對不起來，或是使用者根本找不到所需的資訊。

問題就擺在眼前。

AI 改變了這種情況。

AI 很擅長跨越原本分散、難以整理的資訊來尋找答案。如果三套系統對同一位客戶記錄了不同的資訊，AI 可能有能力把三邊的資料都找出來、整理其中的差異，最後給你一個看起來完整而合理的答案。

如果文件庫裡同時存在好幾個版本的公司政策，它甚至可以把每一份都讀完。

這當然很有用，但新的問題也隨之出現：

哪一筆客戶資料才是對的？

哪一個版本的政策現在才真正適用？

AI 能夠找到、整理甚至解釋這些資訊，並不代表原本存在於資訊中的不確定性也跟著消失了。

以前，人們往往看得見資訊有多混亂。

現在，AI 卻可能讓同樣的混亂看起來井然有序。

而這件事之所以重要，是因為 AI 同時也非常擅長「把話說得很好」。

即使背後的資訊不完整、已經過時，或本身存在模糊空間，它仍然可能產生一個清楚、完整，而且相當有說服力的答案。

以前的問題可能是：「我找不到答案。」

現在的問題卻可能變成：

「我有答案，但我不知道能不能相信它。」

空白的欄位，一眼就能看出少了資料。但一個根據錯誤資訊寫得非常漂亮的答案，不會主動告訴你它有問題。

隨著大家越來越習慣從 AI 即時取得答案，這個差異也會變得越來越重要。

使用 AI 的體驗可以變得非常好，但底層資訊的品質可能從頭到尾都沒有改變。

很自然地，接下來大家會想到：那就讓 AI 連接更多資訊——更多文件、資料庫、應用系統與企業內部知識。

有時候這確實有必要，但多接十套系統，並不代表問題就解決了。

AI 只是多了十個地方可以找答案。

大多數企業並沒有一套乾淨、一致、且早已整理好的資訊，只等著 AI 來使用。

現實通常是一套又一套多年累積下來的系統與文件。

政策改過很多次；客戶資訊散落在不同應用系統；不同部門使用同一個詞，指的卻可能不是完全相同的內容。

有些資訊建立時是正確的，但現在已經不正確；有些資訊仍然正確，卻只適用於特定的情況。

而且，還有相當多真正重要的脈絡，只存在於人的腦袋裡。

人知道的事，系統不一定知道

想像一個再普通不過的問題：詢問某位客戶的狀況。

對業務來說，「客戶」可能代表整體商業關係；對財務來說，可能指的是簽約與付款的法人帳戶；對客服來說，眼前的「客戶」則可能是此刻正在電話另一端的那個人。

人們在這些差異之間切換時，往往不需要特別思考。我們知道自己現在正在處理什麼，也記得之前發生過什麼；可能知道某一套系統的資料通常比較新，也知道某項政策在這個特殊情況下並不適用，因為六個月前曾經發生過某件事。

然後，我們把 AI 接上同樣的系統，卻期待它自然而然地也知道這一切。

有時候 AI 的確做得出奇地好，有時候則做不到。

這也就是為什麼一個答案可能在事實上看起來完全合理，放到實際情境裡卻是錯的。

問題甚至不一定出在資訊本身。

真正缺少的，可能是脈絡：

這項資訊對眼前這個人、在現在這個情況下，究竟代表什麼？

當 AI 不再只是幫我們找資料、整理摘要，而開始參與更多實際工作時，這個差異就會變得更加重要。

如果 AI 把一份文件摘要錯了，也許有人看了之後會發現並修正。

但錯誤的客戶狀態，可能進一步影響下一個建議；過時的政策，可能影響接下來該怎麼處理；缺少關鍵脈絡，也可能讓整個工作流程走向錯誤的方向。

一旦 AI 開始採取行動，而不只是提供建議，一個錯誤可能在被發現之前，就已經影響了後面更多的事情。

原本看起來只是資訊品質上的小問題，很快就可能變成實際的營運問題。

這些問題不一定是 AI 造成的。有時候，只是 AI 處理資訊的速度太快，過去人們靠經驗、判斷與默契彌補資訊不足的方法，開始跟不上了。

但這件事也有另一面。

如果 AI 助理一再發現彼此衝突的客戶資訊，也許真正值得處理的，是企業本來就存在的客戶資訊問題。

如果沒有人能確定幾個不同版本的政策究竟該用哪一個，那個不確定性並不是 AI 創造的。AI 只是把它找了出來。

如果 AI 不斷需要那些員工「本來就知道」的資訊，這也反映出企業有多少重要的營運脈絡，從來沒有真正進入系統。

我們很容易把這些現象都當成 AI 的問題，然後不斷調整 AI，直到表面的症狀消失。

有時候，這確實是正確的做法。

但有時候：

AI 只是讓我們看見了一個早已存在多年的問題。

當人們開始能夠依賴 AI

我們追求的並不是完美的資訊。

沒有任何企業擁有完美的資訊。如果要等到所有資訊都完整、正確之後才開始使用 AI，也不切實際。

更重要的是，當 AI 給出答案時，我們有充分的理由相信它背後所依據的資訊。

當有人詢問某位客戶時，AI 所使用的資訊，應該符合當下所談的客戶與實際情境。

當有人詢問公司政策時，一份早已過時、卻仍然躺在文件庫裡的舊文件，不應該和目前真正適用的政策具有同樣的份量。

而當某些重要資訊其實並不確定時，也不應該只因為 AI 能產生一個聽起來很有說服力的答案，那份不確定性就跟著消失。

做到這一步，AI 才開始不只是令人驚豔的搜尋與摘要工具，人們也才有可能真正放心地把它運用在重要的工作上。

而這件事只會變得越來越重要。

AI 模型還會持續進步。它們會有更好的推理能力、能處理更多資訊、執行更複雜的任務，也會參與企業的更多日常工作。

當 AI 的能力越來越強，底層資訊的重要性並不會因此降低，反而會變得更加重要。

對企業而言，錯誤的資訊有時甚至比沒有資訊帶來更大的風險。

沒有資訊時，人們知道需要進一步確認；真正危險的，是錯誤、過時或缺乏脈絡的資訊，看起來仍然合理可信，讓人據此做出判斷。

因此，真正的機會不只是把越來越強大的 AI 連接到越來越龐大的企業資料，而是建立一個讓人有充分理由信賴的資訊基礎。

AI 無法解決資訊本身的問題。

它反而讓資訊品質比以前更加重要。