個人感受 vs 公司財報
80%:37%
員工覺得做事變快了，但要反映到公司的財務報表上，還有很長一段路。
McKinsey，The State of AI in 2026（2026 年 8 月，97 國 1,719 位受訪者）
Article · 會後文章
文章重點與全文
10/30 新商業學校企業 AI Strategy Lab 的現場觀察。先看七個重點；想讀完整脈絡，再展開全文。
- 企業之間的 AI 落差已經拉開。有公司在算 ROI 和明年預算，有公司才剛辦全員培訓，很難再用同一套標準進度衡量。
- 同一家公司，看到的世界也不一樣。80% 的人覺得個人生產力變好，只有 37% 看到 EBIT 的貢獻；主管與員工對訓練是否足夠的看法差了 22 個百分點。
- 四種生態，各有瓶頸。國家公園用得淺，大草原由強勢部門帶著走，雨林工具多卻重複，溫室停在 POC 和簡報。
- 談 ROI 先分清三種技術。機器學習、生成式 AI、流程自動化可以混著用，真正產生效益的是整段工作流程的改變。
- 省下的工時只是過程指標。要看有沒有變成更多產出、更低成本、更好服務或更高獲利。
- 保樂力加從經營成果倒推選場景。D-STAR 採納率約 85%，Matrix 約 60–70%；決策愈重大，對可靠度與責任歸屬的要求愈高。
- 經營者要自己搞懂在投資什麼。不同階段的下一步不同：打底期找場景、擴散期清點與集中、驗證期把效益與成本分清楚。
AI 應用的落差正在拉大：企業開始算 ROI，卻未必想清楚該投資什麼
10 月 30 日 Jason 與我參加了《新商業學校》企業 AI Strategy Lab，現場坐著金融、軟體、電子製造、物流、食品和教育科技的企業代表。聽完一輪自我介紹，可以明顯觀察到企業之間的 AI 應用程度，已經拉開非常明顯的差距。
有些公司因為高階主管直接支持，早就成立 AI 策略辦公室，要求各事業單位交出具體應用。幾個走得快的部門甚至已經重組工作流程，現在煩惱的是怎麼算投資報酬率（ROI），以及明年的預算該往哪裡投。
但同一個場合裡，有些公司才剛要辦全員 AI 培訓，有些多年前買了工具卻幾乎沒人用。還有公司只有少數部門玩得很熟，其他部門連基本操作都跟不上。現在談企業 AI 轉型，已經很難用同一套標準進度來衡量。
大家都在使用 AI，但彼此看到的世界很不一樣
今年的國際調查也反映出同樣的落差。麥肯錫在 2026 年 8 月發布的《The State of AI in 2026: On the Road to ROI》調查了 97 個國家的 1,719 位受訪者。裡面有 80% 的人覺得 AI 改善了個人生產力，卻只有 37% 表示 AI 對公司整體的息前稅前利益（EBIT）有正面貢獻。員工感覺做事變快了，但要反映到公司的財務報表上，還有很長一段路要走。
華頓商學院 2026 年 10 月發布的《AI Adoption Report》則指出另一種落差。78% 的主管認為公司給了足夠的 AI 訓練，但在基層與中階員工裡面，只有 56% 同意這件事。至於公司到底有沒有一致的 AI 策略，主管和員工的看法也差很多。
這兩份研究的調查對象跟衡量方式不同，不能直接拿來證明所有企業的落差都在擴大，但它們跟我在企業現場看到的情況非常接近。同一家公司裡面，高階主管、資訊部門、人資和第一線員工，對 AI 導入程度的認知往往完全不同。
四種生態環境，定位自己的組織狀態
有些公司像國家公園，管理規範很完整，人人都有工具，但限制多、用得淺，能做出來的應用很有限。有些像非洲大草原，少數強勢部門跑得極快，其他單位根本追不上，最後連教育訓練和預算分配都跟著這些強勢部門走。
還有一種像熱帶雨林，各單位自主權很高，每個人都在寫自己的小工具，成果很豐富。我之前幫一家企業盤點內部應用，發現同仁已經做出六十多種小系統，大概十多種每天都在用。這時候他們遇到的問題完全不同：這些工具有多少功能重複？能不能串成一套正式系統？甚至有沒有機會開放給客戶或經銷商使用？
第四種是溫室。公司有明確規範，也愛辦創新競賽和成果發表，但專案常常停在概念驗證（POC）或簡報階段。員工做出很棒的展示，接下來卻不知道誰來核准、誰給資料、誰負責讓它正式上線。
這四種環境都有機會長出好應用，也都有各自的管理瓶頸。所以大家嘴上都說要提高 AI 使用率，背後要解決的問題其實完全不同。當這些企業開始算起 ROI，還有一個更基本的問題得先講清楚。
我們談的 AI ROI，究竟是在算什麼？
現在企業只要導入 AI，老闆很快就會問：花了這麼多錢，到底有多少效益？
這個問題很合理，但我常看到大家把三種完全不同的技術混在一起談。
第一種是演算法與機器學習（Machine Learning）。公司拿歷史資料來抓關聯跟規律，用來預測需求、辨識風險或調整資源配置。像是看過去的銷售、價格、通路和客戶資料，預測哪些產品會賣得比較好。
第二種是生成式 AI（Generative AI）。這也是現在大多數課程教的重點，包含寫文章、整理資料、寫程式、做內容，或是幫我們發想不同觀點。它能拉高個人工作效率，也讓以前非找工程師不可的部分開發工作變得容易許多。
第三種是流程自動化（Automation）。當一件事的步驟、條件、例外處理和權責都很清楚，直接寫程式或靠工作流程系統就能自動跑完，例如核對訂單、轉換資料、傳檔案、出例行報表。這些工作有些根本不用 AI，單靠自動化工具就夠了；有些則會接上機器學習或生成式 AI，來處理那些沒辦法寫死規則的環節。
這三種能力可以拆開用，也可以混著用。生成式 AI 甚至能幫公司寫出自動化程式，但最後真正產生效益的，其實是整段工作流程的改變。
問題就出在這裡。假設公司同仁用 ChatGPT 寫出一套訂單處理系統，把原本人工處理一張訂單的十分鐘縮短成兩分鐘。省下來的這八分鐘，到底該算在生成式 AI、軟體開發，還是流程自動化的帳上？
如果公司付了生成式 AI 的訂閱費，又另外花錢做系統整合跟維護，算 ROI 的時候成本該怎麼拆？而且，就算員工每天省下一小時，如果訂單處理量沒增加、交期沒縮短、實際開支也沒減少，財報上又能看出什麼效益？一個人每天省一小時聽起來很棒，但如果下一個關卡還是要卡兩天，客戶拿到東西的時間根本沒變，這一小時對公司的財務貢獻就非常有限。
所以要算 ROI，還是得回到公司真正想改善的營運績效。個人省下多少時間、系統被點開幾次，都只是過程指標。最後還是要看這些改變有沒有變成更多產出、更低成本、更好服務，或是更高的獲利。
至於用生成式 AI 幫主管想策略、檢查假設或提升決策品質，觀察期又更長了。這類工作當然還是能評估，像是比較決策前後的資訊完整度、方案品質和執行成果，但很難把每一次跟 AI 的對話直接換算成營業額。為了講述這個概念，我臨時決定將在課堂上跟學生討論的一個酒業個案拿出來分享。
保樂力加：從經營問題選擇 AI 應用場景
法國酒業集團保樂力加（Pernod Ricard）手上有威士忌、伏特加、琴酒等許多知名烈酒品牌。集團靠著長期併購擴大品牌組合，再交給各國市場團隊負責銷售與行銷。這種模式帶來一個管理難題：品牌愈來愈多，各國市場差異也愈來愈大，以前靠業務經驗和品牌經理直覺的做法，已經應付不來。
2020 年，保樂力加決定推動數位轉型，用數據和 AI 改善營運決策。這個個案最值得看的地方，是他們怎麼挑應用場景。
那時候集團把供應鏈、裝瓶作業、銷售和行銷全都評估了一輪。他們發現烈酒的毛利率高，而且集團每年砸下龐大的廣告與促銷預算，如果能改善銷售與行銷決策，帶來的財務價值遠高於去改生產流程。於是他們從二十多個候選專案裡挑出六個優先項目，最後發展出四個核心數位計畫。在哈佛商學院的個案研究裡，最成熟的兩套系統分別叫作 D-STAR 和 Matrix。
D-STAR 是給業務代表用的銷售建議系統。它把店家特性、歷史銷量、周邊人口和市場環境等資料收進來，用機器學習算出哪些店值得優先拜訪、該推哪支酒，以及拜訪頻率怎麼調。
這套系統對業務的幫助很直接。以前業務可能照習慣每週跑固定店家，現在系統會直接標出哪些店的成長潛力高。只要建議準確，業務就能做出業績，公司也能拿採用建議的店家跟對照組比對銷量變化。
另一套 Matrix 就複雜得多。它負責幫品牌經理決定廣告預算該投給哪個品牌、哪個市場，以及放在哪些媒體或活動上。比方說，某個國家原本把大筆預算砸在成熟品牌，系統跑完數據後，可能會建議砍掉這個品牌的預算，挪去給別的品牌或換個媒體投。
這種建議也許符合短期投資效率，卻很容易跟品牌經理長年累積的經驗起衝突。設想一下，你帶一個品牌十年了，很清楚它在市場上的分量，也知道品牌資產需要長期養。現在總部的 AI 系統叫你明年砍預算，你真的會照做嗎？
而且 Matrix 需要長期且完整的歷史數據，才能建出可靠的反應模型。遇到剛併購的品牌或資料不全的通路，預測能力就會打折。更麻煩的是，短期銷量成長並不能完全代表長期品牌價值的變化。
根據哈佛商學院的保樂力加個案研究，截至 2023 年，D-STAR 在已部署市場的採納率大約是 85%，Matrix 則落在 60% 到 70% 之間。整體數位計畫在不同市場帶來 1.5% 到 4.5% 的銷售額成長，行銷效率最高提升了 15%。這些數字很亮眼，但還不能直接當成扣掉所有開發、整合與營運成本後的最終 ROI。
這兩套系統的採納率差異，很值得我們多想一層。D-STAR 改的是業務每天跑店的選擇，有沒有效果很快就能從個人業績看出來。Matrix 動的卻是品牌之間的預算分配，還要主管扛起模型預測失準的財務後果。
保樂力加的經驗告訴我們，工作流程整合、獎勵制度、主管支持和教育訓練都會影響系統推不推得動。當系統介入的決策愈重大，主管對模型可靠度、長期風險和責任歸屬的要求自然愈高。
這個個案裡還有一個很有意思的制度。當某個數位專案預計能創造額外獲利，集團總部會要求地方市場把其中至少 60% 寫進績效目標和三年預算裡。也就是說，如果模型預測明年能多賺 100 萬美元，地方分公司就得把至少 60 萬美元放進績效承諾。
這是一個很現實的管理問題。預測還沒實現，數字就已經進了預算表。如果模型的資料本來就不完整，或者照著系統建議做會傷到長期品牌價值，地方主管該扛多大責任？總部又該負責證明什麼？AI 系統能不能算準，跟組織該不該照這個預測去綁預算，終究是兩件不同的事。這也正好接回我們前面談的 ROI。
開始算 ROI 之前，我們選對場景了嗎？
現在很多企業急著看到 AI 導入成果，開始算使用率、省下的工時、工具成本，甚至要每個部門交出自己的 ROI。這些指標都有用，但如果一開始挑的場景就沒有足夠的商業價值，後面算得再精，也很難擠出讓人滿意的數字。
保樂力加給我的啟發是，企業得從經營成果倒回來想。他們挑業務拜訪跟行銷預算配置下手，是因為這兩個決策每天都在發生，而且直接影響集團的營收跟獲利。至於後面要用機器學習、演算法還是自動化，都是等經營問題確定了才要處理的技術選擇。
生成式 AI 雖然大幅降低了寫程式跟個人應用的門檻，卻沒有幫企業解決挑選場景的問題。一家公司可以在短時間內做出幾十個 AI 小工具，但裡面有多少真正改掉了核心工作流程？有多少提升了決策品質？又有多少真的進了公司的損益表？下一階段，企業應該把力氣花在回答這些問題。
還在基礎培訓階段的公司，全員教育還是要做，讓大家知道 AI 能做到什麼程度、邊界在哪裡。但同時也要挑出少數值得驗證的業務場景，讓員工親眼看到 AI 怎麼放進實際工作。已經做出一大堆應用的公司，下一步則是清點手上的系統，看看哪些功能重複、哪些流程可以串起來，把資源集中投給真正有價值的專案。
至於已經在盯 ROI 的企業，就得把預期效益、實際看到的改善，以及真正靠 AI 多賺來的獲利分清楚，同時把買資料、養模型、改流程、訓練人員和治理的成本全部算進來。
這件事沒辦法全丟給資訊或人資部門。經營者自己要搞懂現在到底在投資什麼，知道哪些問題該用機器學習、哪些適合生成式 AI，哪些其實做流程自動化就夠了。我現在去企業講課，都希望高階主管一起坐進來聽。畢竟員工選錯工具，頂多浪費幾個小時；主管看錯投資方向，卡住的可能是整個組織未來幾年的資源配置。
AI 的技術還會繼續往前跑，企業之間的落差也不會馬上消失。那些用得比較深的公司，現在面對的已經是另一層管理問題：跨部門怎麼協作、誰有決策權、誰來扛風險，以及怎麼證明這筆投資真的賺到了錢。
下次再有企業主管問我 AI 的 ROI 怎麼算，我大概會先反問他：在公司每天做的幾百、幾千個決策裡面，你最希望 AI 幫你改善哪一個？為什麼是這一個？
把這個問題想透了，才會知道錢該投去哪裡、成果怎麼驗收，以及下一筆預算該怎麼花。