Embedded Files
原型成功了。
一個小團隊把 AI 模型接上企業內部的一些資訊，交給它一項有實際價值的任務。很快地，就做出了一個值得展示的成果。
大家看過之後，很快就能理解它的潛力。
然後有人問：
「那可以讓全公司一起用嗎？」
通常到了這裡，討論就開始不一樣了。
不同員工應該可以看到哪些資訊，哪些不能看到？它能不能和員工平常真正使用的系統整合？資訊不完整，或 AI 判斷錯誤時怎麼辦？可以讓 AI 直接執行動作嗎？等到開發原型的團隊投入其他工作之後，又由誰來負責維護與管理？
這些問題並不代表實驗不成功。
正因為實驗成功了，這些問題才開始變得重要。
原型已經證明 AI 可以創造實際價值。
但它還沒有證明，企業可以放心地依賴它。
成功的 Demo，終究還是 Demo
成功的 Demo，終究還是 Demo
今天的 AI 最令人興奮的地方之一，就是一個想法可以非常快地變成實際可用的東西。
一個小團隊可能只需要幾天或幾個星期，就能驗證一個應用情境，而不必先花幾個月建立完整的基礎架構，最後才知道這個想法究竟值不值得繼續投入。
可以先做、先試、從中學習；不行就放棄，有效就繼續往前。
這正是實驗應該有的樣子。
真正的問題，是把一個成功的實驗誤認為「快要完成的產品」。
原型真正需要證明的，其實是一個相對單純的問題：
AI 在這裡，能不能做出有價值的事情？
它並不需要一開始就處理所有企業正式使用之後會遇到的問題。
而且，一場成功的展示背後，往往還有一些不容易被看見的條件。
開發原型的人知道載入了哪些資訊、AI 應該做什麼、哪些問題最好不要問、哪些答案看起來不太對，以及目前還有哪些地方不夠成熟。
他們知道原型的界線在哪裡，因為那些界線就是他們自己設定的。
接著，一個完全沒有參與實驗的人開始使用它。
他不知道哪些文件是特別挑選過的，也不知道原型背後有哪些假設。他不知道某一類問題 AI 回答得非常好，而另一類問題其實還不太穩定。
對他來說，這些都不重要。
他只期待這個東西能正常使用。
這時候才會發現，原型之所以能成功，有一部分其實是靠熟悉它的人在旁邊補足。
一旦走出原本的小團隊，原本由人補上的那些東西，就必須逐漸變成系統本身的能力。
接下來，它要面對的就是企業的真實運作環境。
原型使用的是精心挑選過的一小批文件；企業裡卻累積了十五年的文件。
原型只有二十個人使用；現在兩千個人都想要存取。
原型處理的是一項定義清楚的任務；真正的工作裡卻到處都是例外。
不同系統裡的資訊可能互相矛盾，政策會改變，不同部門可能用不同的方法處理同一件事。不同的人有不同的職責，也有不同的資訊存取權限。
還有許多重要的知識，仍然只存在於人的腦袋裡。
AI 不會進入一個乾淨、整齊、所有資訊都已經為它準備好的理想環境。
它必須面對的，就是企業現在真正的樣子。
AI 模型只是整體能力的一部分
AI 模型很自然地會成為大家關注的焦點，因為我們所看到的「智慧」，大多來自模型本身。
但對員工來說，他們真正依賴的其實不是一個模型。
他們需要的是一套真正能幫助他們完成工作的能力。
他們期待所需的資訊能夠正確取得，不該看到的資訊則受到妥善保護。
他們期待 AI 周邊的系統能夠正常運作，也期待 AI 對正在處理的事情有足夠的理解，並能在適當的情境下做出適當的回應。
而當 AI 沒有做到時，也必須有人知道接下來該怎麼處理。
當 AI 開始真正參與企業的日常運作，這些要求就變得更加重要。
讓 AI 幫忙草擬一封 Email，和讓 AI 直接把 Email 寄出去，是兩件很不一樣的事。讓 AI 告訴員工某張訂單目前的狀態，和允許 AI 直接修改訂單，也完全不同。同樣地，讓 AI 提出下一步的建議，和讓 AI 直接執行下一步，所代表的責任與風險也不一樣。
模型本身也許完全有能力做到這些事情。
真正困難的問題是：
在真實的營運環境裡，企業是否已經準備好放心地讓它這麼做？
而從「實驗」走向「正式使用」，有時候甚至不是一個經過明確討論後做出的決定。
一開始只是幾個人在使用，接著他們推薦給另一個團隊。更多資訊被接進來，有人又新增了一個工作流程，使用的人也越來越多。
直到某一天早上，它突然不能用了。
這時候，大家才發現這個原本的「實驗」，不知不覺已經變得有多重要。
到了這個階段，可靠性的重要程度，和只有五個人在測試時已經完全不同。
系統的變更需要被管理，使用者需要支援，成本需要被控制。AI 可以存取哪些資訊，以及被允許執行哪些動作，也變得遠比當初展示原型時更加重要。
成功本身，也會帶來新的期待。
打造能夠走得比實驗更遠的企業能力
打造能夠走得比實驗更遠的企業能力
就在企業摸索如何運用 AI 的同時，AI 本身也在快速改變。
新的模型不斷出現，既有模型持續進步，使用成本也在不斷變動。六個月前還很困難的事情，可能很快就變成稀鬆平常的能力。
原型開發時看起來最先進的技術，一年後可能已經不再特別。
這大多是好事，但也帶來一個很實際的問題：
企業需要的能力可能要花很多年才能具備，但今天用來實現這項能力的 AI 技術，生命週期可能短得多。
沒有人希望每當 AI 技術改變，就必須重新打造一次重要的企業能力。
一項實驗可以從某個特定的 AI 模型開始，但當它逐漸成為企業真正依賴的能力之後，就必須能夠承受底層技術的持續變化。
模型可以換，企業所需要的能力不能因此每次都重新開始。
當這件事做得好，AI 本身反而會逐漸不再是最值得注意的事情。
員工使用它，是因為它可以幫助他們做得更好。
他們不需要知道背後使用的是哪一個模型，也不需要知道為了提供這項能力，背後串接了多少套系統。
他們知道哪些事情可以放心交給它，也知道哪些事情仍然需要人的判斷。而當底層技術改變時，企業也不需要因此從頭再來。
更重要的是，討論的焦點開始改變。
大家不再一直討論：
「這個 AI 有多厲害？」
而開始討論：
「因為有了這項能力，我們現在可以把什麼事情做得更好？」
企業當然應該積極進行 AI 實驗。能夠快速驗證一個想法，正是今天 AI 帶給企業最大的機會之一。
在投入成為大型計畫之前，先做出原型、實際試試看，確認這個想法是否真的能創造價值。
但當原型成功之後，也必須清楚理解這個「成功」究竟證明了什麼。
它證明了這件事是可以做到的。
而企業級 AI 真正開始的地方，是當這個「做得到」，進一步成為企業與員工可以持續依賴的能力。
不是因為 Demo 做得更大，也不是因為用了更強的模型，而是因為 AI 已經真正成為企業能力的其中一部分。
到了那個時候，企業不再需要說「我們正在做一個 AI 實驗」。
它可以很自然地說：
「這件事，我們現在做得到。」
Page updated
Report abuse