先問業務，再講工具：傳統產業 AI 落地為什麼卡住，以及該從哪裡切

企業導入 AI 失敗的樣子很固定：花錢買了服務、資安部門不放行、業務單位不會用，半年後回到原本的做法，最後結論是「AI 沒那麼實用」。

但把實際接觸過的案子攤開比對——半導體封測、美業代理商、食品加工廠、淨水設備廠——會發現卡住的環節出奇地一致，而且幾乎沒有一個是技術問題。

四個產業，同一組卡點

資料能不能用，比模型好不好用先決定成敗。封測廠的資料所有權屬於 IC 設計客戶，保密協議直接排除公有雲選項；淨水設備廠的客戶名單缺安裝日期與機型，自動化跑起來只會更快地把錯誤訊息發給錯的人。兩者的共同點是：模型再強，餵不進去或餵進髒資料，結果都一樣。

資料的所有權分散，而導入的人沒有權限整合。美業代理商夾在品牌方與門店之間，銷售、行銷、客服三塊資料分屬三個角色，沒有任何一方看得到完整鏈路。這種情況下導入三套工具，成效無法累積也無法歸因。

風險等級不同的任務被混在一起處理。食品加工廠想同時做標示與行銷，但標示出錯是違法、行銷出錯是丟臉。這兩件事必須用完全不同的流程，混在一起做通常是兩邊都做不好。

所以順序應該倒過來

常見的做法是「先評估工具，再找地方用」。實際上該反過來：先找出一個值得做的任務，再回頭問這個任務需要什麼。

挑第一個標的時，三個條件同時成立才動手：

• 驗收標準明確　「這份合約有沒有超過 30 天付款條件」有客觀答案；「讓文案更有吸引力」沒有。沒有標準就沒有辦法判斷成不成功，也沒辦法改進。
• 資料你自己拿得到　不需要跟品牌方、客戶或其他部門協調就能取用。需要協調的題目留到後面，先在自己掌握的範圍做出成果。
• 有人願意負責維運　這是最常被跳過、也最致命的一項。導入後 prompt 要調、流程要修、產出要抽查。沒有指定負責人的案子，通常在三到六個月內回到原本的做法。

三者缺一，這個題目就先不要做——不是因為技術做不到，而是因為做完之後撐不住。

為什麼是 RAG，不是直接用大模型

企業不敢把資料丟進公有雲模型，擔心的是資料被用於訓練。RAG（檢索增強生成）的作法是把公司文件存在自己的向量庫裡，模型回答前先檢索，答案有出處可查。

這個架構的兩個實際好處：資料可以留在內網，以及答案可以追溯到來源文件。後者在稽核與客訴處理時特別重要——「AI 說的」不能當理由，「這段話出自 SOP 第 12 頁」可以。

但要注意 RAG 不是萬靈丹。檢索品質不好，答案一樣會錯，而決定檢索品質的通常不是向量資料庫選哪一款，是切塊策略與檢索方式。

邊界：什麼情況下不該急著導入

• 資訊化基礎還沒有　關鍵資料還在紙本或個人電腦裡時，先做結構化。這件事本身可以用 AI 加速，但不能跳過。
• 沒有人能空出時間　導入期需要有人回答「這個答案對不對」。找不到這個人，就先不要開始。
• 目標是「因為別人都在做」　沒有具體要解決的問題時，任何工具都會變成擺設。

常見問題

企業導入 AI 該從哪個任務開始？

建議挑同時滿足三個條件的任務：驗收標準客觀明確、所需資料自己就能取得不需跨部門協調、以及有明確指定的維運負責人。三者缺一即不建議作為第一個標的。常見的合適起點包括文件檢索問答、合約條款檢查、客訴分類等，這類任務答案有標準且資料通常自有。

為什麼企業 AI 專案常在半年內失敗？

最常見的原因是沒有指定維運負責人。工具導入後需要持續調整 prompt、修正流程、抽查產出品質，這些工作若無明確歸屬，通常在三到六個月內回到原本作法。其次是資料取得或品質問題，以及選了驗收標準模糊的任務導致無法判斷成效。

RAG 和直接使用大模型差在哪？

RAG 先從企業自有的資料庫檢索相關內容，再交由模型依據這些內容作答。兩個實際差異：資料可留在內網不外傳，以及答案能追溯到來源文件。後者在稽核與客訴處理時特別重要。但 RAG 的品質取決於檢索效果，切塊策略與檢索方式的影響通常大於向量資料庫的選擇。

資訊化都還沒完成，可以直接做 AI 化嗎？

要分開看。不需要用到特定客戶正確資料的任務（如內容產製、常見問題回應、報價文件產製）可以立即進行。需要用到個別客戶資料的自動化（如回購提醒、個人化推播）則必須先完成資料結構化，否則自動化只會加速錯誤訊息的發送。資料清理本身可以用 AI 加速。

出處

本文為顧問實務觀察整理，所述產業卡點來自實際接觸的評估與導入案例，已就客戶可辨識資訊予以隱去。文中不含未經查證之效益數據。相關產業的個別分析可參見本站封測、美業代理商、食品加工與淨水設備的專文。