2026 企業 AI 轉型生存指南——Klarna 的教訓與三個不踩雷原則

本文整理自 Moonshots Podcast 2024 年 12 月播出的單集。

「我們將在 2026 年看到史上最大的企業顛覆——來自那些沒有完成轉型的公司。」這是 Matt Fitzpatrick 在 Moonshots Podcast 上的預言。Fitzpatrick 曾在麥肯錫待了超過十年，一路做到 QuantumBlack Labs 全球主管，負責整個事務所的 AI 軟體開發、研發與全球 AI 產品。一年前，他跳槽到 Invisible Technologies 擔任 CEO，這家公司專門為大型語言模型提供訓練數據，並為企業打造客製化的工作流程與 AI 代理人。

他的判斷並非空穴來風。從 Klarna 的高調宣佈到黯然撤回，從客服中心的導入困境到銀行業二十年未更新的技術債，Fitzpatrick 看過太多企業在 AI 轉型上踩的坑。問題不在技術能力——AI 早就夠強了——而在於企業不知道怎麼把這些能力變成可衡量的成果。

Klarna 的警世故事：從「取代 700 人」到全面撤回

2024 年初，瑞典支付巨頭 Klarna 高調宣佈了一項令業界震驚的成果：他們的 AI 客服系統在第一個月就處理了 230 萬通客戶來電，相當於 700 名全職客服人員的工作量，預計一年可省下 4000 萬美元。更重要的是，Klarna 宣稱「這只是開始，只會越來越好」。這個案例迅速成為業界最常被引用的 AI 導入成功故事。

然而，大約八到十二個月後，Klarna 宣佈全面撤回這套系統，重新回到人工客服。整個產業為之錯愕。

Fitzpatrick 分析這個案例時指出，問題出在一開始的策略就錯了。「你永遠不會想要走向全自動化，」他說，「你會希望每一個產業、幾乎每一個主題，都有人類在迴路中。」Klarna 的錯誤不在於使用 AI，而在於試圖用 AI 完全取代人類，而不是讓 AI 與人類協作。

客服場景看似簡單——有明確的基準指標（每通電話時間、客戶滿意度、每通電話成本），有大量歷史數據可供訓練，有清晰的成功定義。但問題在於，簡單的查詢（「我的餘額是多少？」）和複雜的問題（「我要處理退款，但系統顯示錯誤」）需要完全不同的處理方式。後者需要寫回源系統、需要判斷邊緣案例、需要處理客戶的情緒——這些都是目前 AI 還無法獨立處理得很好的領域。

第一原則：數據先行，但別想一步到位

「如果你試圖在碎片化的客戶和產品數據上建構 AI 代理人，它一定會崩潰。」Fitzpatrick 對這一點非常堅定。他見過太多企業把數據問題當成次要考量，急著展示 AI 的炫酷功能，結果幾個月後發現系統根本不可靠。

但他同時警告，不要走向另一個極端——花五年時間試圖把所有數據都整理好。大型企業的數據架構問題是歷史遺留的結構性問題。他提到，他曾與全球最大的銀行之一的資訊長交談，對方告訴他，他們有 300 個不同的客戶資料庫。一個給房貸、一個給信用卡、一個給個人貸款——因為各部門都把自己的客戶數據視為機密，不願與其他部門共享。

正確的做法是：針對你選定的具體用例，確認你需要哪些數據，然後把那些數據整理好。以信用核貸為例，你需要的核心數據變數可能只有五到六個——信用本身的資訊、市場狀況、企業核心財務數據、信用擔保條件。你不需要整個商業銀行的所有數據都正確，你只需要這個用例需要的核心元素正確。

對於生成式 AI 來說，還有一個常被忽略的面向：最重要的數據往往不是結構化的系統記錄數據，而是非結構化數據——圖片、影片、文字檔案。這些東西過去沒人想過要系統性地管理，但現在它們是 AI 訓練和微調的關鍵原料。

第二原則：聚焦兩三個高價值用例，別讓千花齊放

「不要讓一千朵花盛開。」Fitzpatrick 用這句話總結他見過最常見的失敗模式。

這種失敗通常長這樣：董事會問 CEO「我們的 AI 策略是什麼？」CEO 轉頭問 CTO，CTO 說「讓各部門自己提案」。於是公司裡冒出二十個、五十個、甚至一百個 AI 專案，每個都在「探索」、「實驗」、「概念驗證」。一年後，沒有一個真正上線產生價值，大家開始懷疑 AI 是不是過度炒作。

Fitzpatrick 建議的做法完全相反：從價值出發，列出兩到三件事，如果做好了會真正對業務產生重大影響。可能是客服、可能是財務預測、可能是庫存管理、可能是數位行銷。每個企業都有兩三個這樣的領域。然後，你只專注在其中一兩個，確保你能在這一兩個領域做到概念驗證——不是策略文件，而是真正可運作的原型。

他用一個比喻來說明為什麼這麼重要。傳統機器學習的範式是花幾個月建構模型，然後驗證它是否能統計上證明有效。生成式 AI 的範式完全相反：你可以在一個月內建出原型，但你需要大量的測試和驗證來確保你能信任它。這意味著，與其同時嘗試二十件事每件都做皮毛，不如深入做好一兩件事到能夠交付的程度。

他甚至建議，第一個用例應該以 RFP 的形式外包給第三方廠商，而且要求按成果付費。理由很簡單：你的內部團隊可能缺乏這方面的經驗，你也沒辦法用「做成了才付錢」的方式來約束他們。外包給按成果付費的專家，你的風險有限，學習卻是無限的。

第三原則：讓營運人員主導，用營運指標追蹤

MIT 最近有一份報告指出，只有 5% 的企業 AI 模型最終進入生產環境。這個數字令人震驚，但 Fitzpatrick 認為原因很明確：太多企業把 AI 專案放在技術部門，用技術指標來衡量成敗。

他的建議是：把 AI 專案交給最好的營運人員——你最懂業務的人、最會執行的人——然後給他一個清晰的營運 KPI 來追蹤。如果是客服中心，追蹤客戶滿意度、每通電話時間、成本。如果是庫存預測，追蹤缺貨率、庫存周轉天數。讓這個人來主導資源調度，技術團隊是支援角色。

這個建議聽起來簡單，但執行起來會遭遇巨大的組織阻力。技術部門會覺得被架空，營運部門可能沒有技術背景。Fitzpatrick 的回應是：這正是為什麼失敗率這麼高。如果你讓 IT 部門主導，他們的成功指標是「系統上線」而不是「業務成果」。系統上線了，但沒人用、沒有產生價值，在 IT 的報表上還是成功。

有些公司走得更遠。他提到 Peter Diamandis 的建議：不只是找營運人員來主導，而是把他們放到組織外部，讓他們從頭開始建構，不受內部官僚體系的束縛。這就像洛克希德的臭鼬工廠、像蘋果開發 Macintosh 的獨立團隊。唯有如此，才能真正用全新的思維來解決問題，而不是被既有的做事方式綁架。

2026 年的分水嶺：執行速度決定生死

Fitzpatrick 預測，2026 年我們會看到能力與執行之間的巨大落差。AI 的能力會繼續指數成長——他同意 Alex Wang 的觀點，遞迴自我改進（AI 研究員訓練出比人類更強的 AI 研究員）可能在兩到三年內發生。但企業的執行速度會慢得令人沮喪。

「80% 的人會大幅偏好 AI 客服，」他引用一項測試結果，「但那 20% 不喜歡的人，會把整件事折騰到死，讓公司覺得乾脆全部撤回比較省事。」這就是企業的現實。技術可行不等於組織可行，組織可行不等於能夠規模化。

這個落差創造了巨大的商機——給那些能幫企業跨越這道鴻溝的人。但對於企業本身來說，這也是一個警訊：如果你還在「評估」、「規劃」、「建立共識」，你的競爭對手可能已經在實戰中學習。不一定是你那個產業裡的既有玩家，更可能是某個 AI 原生的新創公司，從零開始用完全不同的方式解決同樣的問題。

數據先行、聚焦用例、營運主導——這三個原則聽起來不性感，但它們是從無數失敗案例中提煉出來的教訓。2026 年的贏家不會是技術最先進的公司，而是執行最到位的公司。