AI 優先是一種紀律，不是一句口號
在 ChatGPT 問世到最近一次財報電話會議之間的某個時刻，「AI 優先」不再是技術判斷，而變成了一套裝扮。賣洗衣機的、賣保險的、做會計服務的公司，如今都自稱 AI 優先——儘管生產環境裡往往連一個模型都沒有。這句話幾乎不花錢，它背後的營運紀律卻不然。本文談的就是那套紀律：AI 優先應該意味著什麼、為什麼它對一般公司重要，以及誠實做到位時會是什麼樣子。
「AI 優先」應該意味著什麼
一家 AI 優先的公司，不是一家經常提到 AI 的公司，而是一家把智慧當成設計材料的公司：在產品或流程決策的一開始就納入考量，用與其他任何工程選擇同樣嚴格的標準來評估，並且只在有實證證明它確實有幫助的地方使用它。
真正的 AI 優先實踐與裝飾性表態之間，有三個區別：
- 它從工作出發，而不是從模型出發。 分析的單位是一件待完成的工作——一張客服工單、一次業務跟進、一份核保審查——問題在於模型能否改變它的成本、速度或品質。
- 它有證據迴圈。 關於 AI 價值的說法，要用基線資料檢驗，而不是用示範來證明。
- 它讓人始終負起責任。 模型負責建議、起草與自動化；人負責決定、核准，並為結果負責。
以上任何一項都不需要你賣一個 AI 產品。它們需要的是一套管理系統，把 AI 當成具有特殊性質的普通基礎設施。
風險已經不再是假設
如果你只讀行銷文案，很容易把 AI 當成炒作。但來自日常工作現場的證據，就沒那麼容易打發了。
- 普及速度超過以往任何技術。 ChatGPT 在 2023 年推出後約兩個月內就達到約 1 億名使用者，是有紀錄以來最快的消費者採用速度。使用量不是商業價值的證明，但它重新定義了客戶對軟體能做到什麼的期待。
- 軟體開發出現了可測量的變化。 在 GitHub 於 2023 年進行的一項隨機實驗中，使用 GitHub Copilot 的開發者完成同一項任務的速度比對照組快 55.8%（arXiv:2302.06590）。寫程式是第一個用受控研究測出、而不是靠宣稱的生產力效果的知識工作類別。
- 客戶支援出現了可測量的變化。 2023 年一項針對客服工具的研究（Brynjolfsson、Li 與 Raymond，NBER 工作論文 31161）發現，生成式 AI 助理讓每小時解決的問題數平均提高約 14%，對經驗最少的工作人員更提高約 34%。關鍵細節在於誰受益最多：模型壓縮的是學習曲線，不只是打字時間。
- 資本跟著湧入。 微軟在 2024 年公布其 AI 業務的年化營收突破 100 億美元，並稱這是公司歷史上最快達到該規模的業務；多家大型科技公司也為 2025 年給出數百億美元的 AI 相關資本支出指引。無論你怎麼看泡沫這件事，這些預算都是真的。
這些不是科幻小說裡的數字，而是在一般客服與工程工作中實測到的生產力與成本效果。因此對一家不是 AI 公司的企業來說，策略問題不是「我們該不該做一個 AI 產品」，而是：「當競爭對手正在重構與我們同類型的工作時，我們的成本曲線、回應品質與速度跟得上嗎？」
為什麼多數「AI 優先」計畫會失敗
常見的失敗不是技術問題，而是組織問題，而且模式相當固定：
- 買幾套訂閱、在官網加一個聊天機器人、宣布成功。其他一切照舊。
- 到處試辦，卻哪裡都不衡量。沒有基線與指標，試辦就只是一場有截止期限的示範。
- 把模型採購當成策略。供應商的選擇變成整場討論的全部，而模型真正該改善的工作卻從未被重新設計。
- 沒有負責人、沒有預算科目。AI 工作活在沒有哪個部門真正擁有的簡報裡，最後在 IT、產品與營運之間的縫隙中餓死。
- 害怕顯得落後，於是為尚未上線生產環境的能力搶功。
共同點是把 AI 當成一次採購，而不是工作方式的改變。這正是「AI 劇場」——簡報很漂亮、生產環境什麼都沒有——如此普遍、又如此廉價的原因。
如何把 AI 優先做好
以下不是一套五步轉型的配方，而是一組我們看過、經得起真實預算考驗的營運習慣。
一、先選工作，再選模型
挑選那些高頻、高成本、且充滿判斷的任務——分流、起草、摘要、路由、初審。動手之前先定義指標：處理時間、單件成本、缺陷率、轉換率。先測基線。如果你說不出指標，就還沒準備好開始；如果模型顯然推不動這個指標，就換一個任務。
二、把模型當成可互換的零件
前沿模型的進步很快，價格下跌的速度比大多數公司更新規劃的速度還快。因此應該：
- 把模型呼叫隔離在一層小小的內部介面之後，讓更換供應商只是一次設定變更，而不是整個重寫。
- 用你自己的任務樣本做評測，而不是看那些衡量別的東西的排行榜。
- 定期重跑評測；去年的最佳模型，可能只是今年的第二選擇。
- 當資料法規、延遲或成本是關鍵時，考慮小型或開放模型；前沿不一定總是正確答案。
供應商鎖定這種事，你大可以直接選擇不要。
三、重新設計迴圈，而不只是換介面
最大的收益來自改變人與模型分工的方式，而不是把表單換成聊天視窗。要決定哪些部分由模型起草、哪些部分必須由人核准；設定信心門檻；設計升級路徑。每一個步驟都應該能指出誰對結果負責——不論是基於法律、法規還是實務上的理由，模型無法負責的結果，必須有人承擔。
四、投資資料與評測的基礎建設
模型進步很快，但你判斷它們是否為你進步的能力，必須進步得更快。這代表要為每一次生產環境的呼叫留下紀錄並標註結果、從真實使用中建立黃金標準集、在既有的地方收集使用者回饋，並保留一個小團隊專門負責評測。多數失敗的 AI 專案都敗在這裡：它們能示範，卻無法衡量。
五、針對機率性失敗來設計
模型就像一位動作快、有自信、偶爾會出錯的年輕同事。要針對這一點來設計：
- 盡可能用結構定義（schema）驗證輸出。
- 加入備援與重試；絕不讓一次模型失效拖垮整個工作流程。
- 像盯錯誤率一樣緊盯每次呼叫的成本與延遲。
- 設定預算與警示；模型花費累積的速度往往超出預期。
把錯誤答案當成一類必須事先設計防範的事件，而不是等到發生才發現的意外。
六、為它建立組織
給 AI 工作一位單一負責人，以及一筆真實的預算。核心團隊保持精簡，並嵌入到工作實際發生的業務單位裡。拉高全公司的 AI 素養底線——包括高階主管，他們至少應該分得出評測與示範的差別。每季依業務指標檢視進度，並在對外報告中誠實說明哪些沒有奏效。真正靠 AI 贏得信任的公司，是那些把失敗和成功一樣當成例行公事來報告的公司。
做得好的樣子
從外面看，一家 AI 優先的公司幾乎有點無聊。AI 不在新聞稿裡，而在工作流程裡。客服回應時間下降，品質抱怨卻沒有增加。開發者把更多時間花在設計上，而不是樣板程式碼。核保、業務資格審查或文件審閱的單位成本曲線逐季走低，背後有一份外部人士也能稽核的評測報告。
靠 AI 勝出的公司，不會是口號最響亮的那些，而是回饋迴圈最好的那些：清楚的問題、測量過的基線、有真人負責的人機迴圈，以及在第一次嘗試不如預期時仍持續迭代的紀律。AI 優先不是關於你公司企圖心的宣示，而是關於你公司作業系統的宣示——而這是一個你必須用證據掙來的說法。