AI 已經能寫程式、讀合約、回答專業問題,企業卻還是很難把這些能力變成營運上的成果。一份新的調查,把這個落差說得很清楚。
01發生了什麼
02真正的問題
「68% 的企業對通用 AI 不滿意」本身不是重點。真正的問題是:AI 已經這麼能幹,為什麼企業還是很難把它變成營運成果?
我們認為,答案不太在模型本身,而在模型和一間公司實際怎麼運作之間。
03我們怎麼看
員工變快,不等於公司變好
這兩個數字不能直接相減,但它們指出一個落差:我們已經開始解決「怎麼讓一個人做事更快」,還沒解決「怎麼讓整間公司運作得更好」。McKinsey 9 月的另一篇文章,把這個落差叫做「協調稅」:工作在步驟之間靠人交接,所付出的總成本。4 如果 AI 只讓每個步驟變快,卻沒改變步驟之間的交接,省下的時間很容易被等待、核對和重工吃掉。
通用 AI 缺的,不是產業知識,而是營運上下文
「AI 不懂我們的產業」只說對了一半。現在的模型懂很多產業知識,會計原則、法規、流程都講得出來。但知道一個產業通常怎麼運作,不等於知道一間公司此刻正在發生什麼。
以會計師事務所的催件為例。AI 幾秒就能寫好一封得體的催件信;但要它真的負責催件,它得知道客戶交了沒、是用 email 還是 LINE 交的、承辦人確認了沒、有沒有主管核准的例外期限、上一次通知是什麼時候。這些資訊散在不同的系統、文件、對話和人的記憶裡,有些根本沒被記下來。
通用 AI 已經知道的
- 相關法規與申報期限
- 一封得體的催件信怎麼寫
- 事務所通常怎麼分工
要真的負責催件,還得知道的
- 此刻的狀態
- 客戶交資料了沒?從 email 還是 LINE 交的?
- 承辦人確認了嗎?上一次通知是什麼時候?
- 適用的規則
- 有沒有經主管核准的例外期限?
- 什麼條件下,可以把案件推到下一步?
- 誰有權做什麼
- 誰能確認資料是完整的?
- 誰能核准例外?
- 做完之後
- 要更新哪個狀態?
- 要留下什麼紀錄,之後才查得到?
企業需要的不只是知識,而是「營運上下文」,也就是 AI 要動手做事時,必須知道的那家公司當下的情況:此刻的真實狀態、適用的規則、誰有權做什麼,以及做完之後要更新哪個狀態、留下什麼紀錄。拿不到這些,AI 就只是站在公司外面給建議的助手。
大型企業軟體,正在往同一個方向走
這些產品的架構、客群和成熟度都不同,不能當成同一種東西。但它們都在補同一塊:讓 AI 知道公司此刻的狀態、在規則和權限內採取行動,而且每一步都留下紀錄、能被監督。換句話說,大廠也在補上面說的營運上下文;模型以外的這一塊,正在變成企業軟體真正的價值所在。
最難的一步:很多工作從來沒被記下來
Infor 把流程挖掘放進方案。流程挖掘用系統留下的事件紀錄,還原工作實際發生的順序;一份事件紀錄至少需要三個欄位:案件編號、活動名稱和時間。8
如果大部分工作發生在 LINE、Excel、電話和口頭交接之間,流程挖掘就無從還原那些沒留下紀錄的事件,AI 也一樣。問題不只是資料不夠乾淨,而是公司的實際工作,可能從來沒有被表達成系統看得懂的資訊。文件存在,不等於已經確認;付款紀錄存在,不等於已經沖銷;信寄出去了,不等於案子往前走了。
04為什麼重要
兩項研究都有限制:一項的樣本是高成長新創,一項是相關性而不是因果。但它們指向同一件事:企業導入 AI 的問題,應該從「可以用 AI 自動化哪些任務」,改成「哪些工作應該存在、哪些交接可以消除、哪些決策交給系統、哪些留給人」。
產業專用,也不代表每家公司都要從零客製。同一個產業共用大量的規則、表單和資料格式,可以做成產品;每家公司不同的權限、責任分配和例外,則應該能被清楚設定,而不是每次導入都重新開發。
衡量的方式也要跟著改。登入次數、生成字數、使用 agent 的員工比例都只是中間指標;真正該看的是端到端的成果:從客戶提出需求到交付縮短了多少、少了幾次不必要的交接、錯誤和重工有沒有減少、出了問題能不能追到責任。美國 NIST 的 AI 風險管理框架,也要求把角色與責任記錄下來,並界定人類如何監督 AI。10
05我們怎麼做
模型會繼續進步,取得智能的成本也會繼續下降;但一間公司的真實流程、資料關係、權限和責任,不會因為模型升級就自動變清楚。誰能先把這些看清楚、記下來、做成系統,AI 才有地方發揮;而這件事做過一次的經驗,會讓下一家公司做得更快。
奧望(Augvant)替流程繁多的中小企業打造營運系統,從台灣的會計師事務所開始。這是我們的做法。
先讓工作留下紀錄。我們進到事務所,第一步是讓營運看得見:資料怎麼流、錢怎麼動、期限到了沒、事情卡在誰身上。沒有這一步,後面的自動化和 AI 都只能用猜的。
把「做了」和「完成」分開。一封信寄出、一筆款項入帳、一份文件收到,都要對應到清楚的狀態和負責的人,系統才知道案子真正走到哪裡。
從一家真實的事務所,找出會重複出現的部分。我們在一家真實的企業裡,找出反覆出現的營運元件,再做成產品;每家事務所不同的權限和例外,留給設定,而不是重寫。
AI 是手段,不是目的。每個 agent 都有角色、有範圍、有負責的人,範圍外的事交給人。經不起營運現場考驗的,我們不出貨。
比起「我們還可以導入哪些 AI 工具」,更值得先問的是:如果今天重新設計這間公司的運作方式,哪些事根本不需要再照原本的方法做?
本文依據截至 2026 年 10 月 9 日的公開研究與產品資料。標為「推論」與「我們的看法」的段落是奧望的分析;廠商公布的產品成效,不代表獨立驗證的結果。
資料來源
-
Infor,〈Infor Unveils Its Expanded Infor Industry AI™ as New Global Research Finds Off-the-Shelf AI Falls Short for Two Out of Three Businesses〉,PR Newswire,2026 年 10 月 6 日。https://www.prnewswire.com/news-releases/infor-unveils-its-expanded-infor-industry-ai-as-new-global-research-finds-off-the-shelf-ai-falls-short-for-two-out-of-three-businesses-302899181.html ↩ ↩2
-
Erik Brynjolfsson、Danielle Li、Lindsey Raymond,〈Generative AI at Work〉,The Quarterly Journal of Economics 140(2): 889–942,2025 年。https://academic.oup.com/qje/article/140/2/889/7990658 ↩
-
McKinsey & Company,〈The state of AI in 2026: On the road to ROI〉,2026 年 8 月 25 日。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai ↩ ↩2
-
McKinsey & Company,〈Cutting the “coordination tax”: How agentic AI can reshape workflows〉,2026 年 9 月 18 日。https://www.mckinsey.com/industries/industrials/our-insights/cutting-the-coordination-tax-how-agentic-ai-can-reshape-workflows ↩
-
SAP,〈Joule Agents: How SAP Uniquely Delivers AI Agents That Truly Mean Business〉,SAP News Center,2025 年 2 月。https://news.sap.com/2025/02/joule-sap-uniquely-delivers-ai-agents/ ↩
-
Palantir,〈Platform overview〉,Foundry 文件。https://www.palantir.com/docs/foundry/platform-overview/overview/ ↩
-
ServiceNow,〈ServiceNow expands AI Control Tower to discover, observe, govern, secure, and measure AI deployed across any system in the enterprise〉,2026 年 5 月 5 日。https://newsroom.servicenow.com/press-releases/details/2026/ServiceNow-expands-AI-Control-Tower-to-discover-observe-govern-secure-and-measure-AI-deployed-across-any-system-in-the-enterprise/default.aspx ↩
-
Wil van der Aalst,〈Event Logs: What kind of data does process mining require?〉,Eindhoven University of Technology,2016 年。https://www.processmining.org/old-version/files/event_logs_the_input_for_process_mining.pdf ↩
-
Hyunjin Kim、Rembrand Koning、Dahyeon Kim,〈Mapping AI into Production: A Field Experiment on Firm Performance〉,INSEAD Working Paper 2026/20/STR,2026 年。https://www.insead.edu/faculty-research/publications/working-papers/mapping-ai-production-a-field-experiment-firm ↩
-
National Institute of Standards and Technology,〈Artificial Intelligence Risk Management Framework (AI RMF 1.0)〉,NIST AI 100-1,2023 年 1 月。https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf ↩