85% 的 AI 專案為什麼會失敗？從「我們要用 Agent」的故事看技術炒作陷阱

「我們公司要導入 Agent。」

如果你在科技業工作，2025 年大概聽過不少次這句話。Agent 是這一年最熱的關鍵字，從媒體報導到供應商簡報，每個人都在講 Agentic AI（能自主執行任務的 AI）要如何改變一切。但當老闆或客戶說出這句話時，你的第一反應應該是什麼？

在史丹佛 CS230 的一堂職涯建議課上，業界專家 Laurence Moroney 給出了一個出人意料的答案：你應該問「為什麼」。

一堂來自矽谷核心的 AI 職涯課

這堂課的背景值得先交代。授課地點是史丹佛大學，這所學校和 AI 產業的關係之深，在全球大概找不到第二家。ImageNet 的創始人李飛飛是史丹佛教授；前 Tesla AI 總監 Andrej Karpathy 是史丹佛校友；Google、OpenAI、Anthropic 的核心團隊裡，史丹佛人的比例高得驚人。這裡是矽谷 AI 圈的核心基地，很多還沒公開的前沿資訊，都會先在這個圈子裡流通。

主講者之一是吳恩達（Andrew Ng），Google Brain 創辦人、Coursera 共同創辦人，也是 DeepLearning.AI 的創辦人。他創辦的 DeepLearning.AI 和 AI Fund 目前都在臺灣有運作。在全球 AI 教育領域，他的線上課程培養了數百萬名從業者，對產業趨勢的判斷力備受信任。

這堂課他邀請了老友 Moroney 來分享產業觀察。Moroney 曾在 Google 擔任 AI 倡導者多年，負責 TensorFlow 的全球推廣，現在在晶片公司 Arm 負責 AI 業務。他不是象牙塔裡的學者，而是長年站在產業第一線、看著各種 AI 專案成功或失敗的人。

他帶來了一個讓人深思的數字：根據麥肯錫的報告，大約 85% 的企業 AI 專案最終會失敗。而失敗的主因，往往不是技術不夠好，而是專案從一開始就沒有被好好定義。

「我們要用 Agent」——一個真實案例的還原

Moroney 分享了一個他親身經歷的案例。去年，一家歐洲公司找上他，說想要導入 Agent。「2025 年，Agent 會是年度關鍵字」——這個說法當時已經傳遍各大媒體，這家公司的執行長顯然也聽到了。

「請幫我們導入一個 Agent。」這是客戶的要求。

換作一般的顧問或供應商，可能會開始介紹各種 Agent 框架、展示技術 demo、談論可以節省多少成本。但 Moroney 問了一個更基本的問題：「為什麼？」

執行長的回答是：「每個人都說 Agent 可以幫我省成本、讓業務變好。」Moroney 追問這些資訊是從哪裡聽來的，答案是 LinkedIn 和 Twitter 上的文章。

這就是問題所在。社群媒體的演算法獎勵的是「互動」，不是「準確」。那些能獲得大量按讚和分享的貼文，往往是最誇張、最聳動的說法，而不是最貼近現實的分析。如果你根據這些資訊做決策，很容易被帶進坑裡。

Moroney 沒有直接開始談 Agent 技術，而是繼續追問：「你真正想解決的問題是什麼？」一層一層剝開之後，真正的需求浮現了——這位執行長想要的是讓業務員更有效率。

這句話裡面沒有「AI」，沒有「Agent」。這才是正確的起點。

真正的問題：業務員 80% 的時間在做研究

找到正確的問題之後，Moroney 開始和公司的頂尖業務員對談，問他們工作中最痛苦的事情是什麼。答案讓他有點意外：這些業務員最討厭的，是花大量時間做客戶研究。

在拜訪客戶或進行銷售會議之前，業務員需要做功課——了解客戶公司的背景、查詢聯絡人的 LinkedIn、研究對方的需求和痛點。問題是，每家公司的網站結構都不一樣，每個人的資料散落在不同平台，這些研究工作非常瑣碎、認知負擔很重。

結果是，這些業務員大約花 80% 的時間在做研究，只有 20% 的時間真正在銷售。而業務員的收入很大一部分來自業績獎金，這意味著他們只有五分之一的時間在做能直接賺錢的事。

現在，問題被定義得很清楚了：「如何讓業務員減少研究時間，把更多時間花在銷售上？」

注意，這個問題陳述裡面還是沒有「Agent」這個字。

Agentic AI 到底是什麼？

定義好問題之後，才輪到討論解決方案。這時候，Agentic AI 這個概念才被拿出來談。

Moroney 解釋，Agentic AI 其實就是把任務拆解成四個步驟的系統：

第一步：理解意圖。 使用者想要達成什麼？在這個案例中，意圖是「我要拜訪某某公司的某某人，幫我準備好相關背景資料」。

第二步：規劃。 根據意圖，決定要使用哪些工具、按什麼順序執行。例如，先用搜尋引擎查公司資訊，再去 LinkedIn 查聯絡人背景，然後整理成摘要。

第三步：執行。 實際使用這些工具，取得結果。

第四步：反思。 檢查結果是否符合原本的意圖。如果不符合，就回到第二步重新規劃。

這四個步驟形成一個循環，這就是 Agent 的核心邏輯。聽起來很簡單，對吧？但魔鬼藏在細節裡。

Moroney 指出，大型語言模型非常擅長「理解」這件事。它們能夠解析模糊的指令、推敲使用者真正的意圖。這是 Agent 能運作的基礎。同時，這些模型也擅長規劃——給它一個目標和可用的工具清單，它能產出合理的執行步驟。

但這不代表你可以跳過前面「定義問題」的步驟，直接把一個模糊的需求丟給 Agent 就期待奇蹟發生。你還是需要先搞清楚自己要解決什麼問題，Agent 才能幫你執行。

成果：不只省時間，還讓人更快樂

回到那家歐洲公司的案例。Moroney 的團隊最後確實用了 Agentic AI 的架構，幫業務員自動化那些繁瑣的研究工作。設定的目標是「讓業務員提升 20% 的效率」。

實際結果是，業務員減少了 10% 到 15% 的研究時間。沒有達到 20%，但這已經是很顯著的改善。

更有趣的是意外的收穫。因為業務員花更多時間在銷售上，他們的業績提升了，獎金也跟著增加。而且，工作變得沒那麼痛苦——不用再花好幾個小時挖掘各種網站找資料，現在幾分鐘就能拿到一份整理好的簡報。員工滿意度提高了。

這就是「問對問題」帶來的結果。如果一開始就跳進「我們要用 Agent」的框架，很可能會花很多錢做出一個很酷但沒人用的系統。

如何成為「值得信賴的顧問」？

Moroney 在演講中反覆提到一個角色：值得信賴的顧問（Trusted Advisor）。不管你是工程師、產品經理、還是顧問，培養這個能力都非常重要。

第一個關鍵是：不要被炒作牽著走。當客戶或老闆說「我們要用某某技術」時，你的工作不是馬上去研究怎麼導入那個技術，而是先釐清背後真正的需求。問「為什麼」，問「你想解決什麼問題」，一層一層剝開，直到找到那個不包含任何技術名詞的核心問題。

第二個關鍵是：讓複雜的東西變得平凡。Moroney 說，有人教過他一個聽起來很奇怪但很有效的技巧——每次遇到一個很炫的新技術，試著想辦法把它描述得很無聊。當你能用平實的語言解釋清楚它在做什麼，你就真的懂了，也才能幫助別人懂。

例如，文字生成影片這個技術聽起來很神奇、很革命性。但如果你把它拆解成「根據文字描述，產生一系列連續的圖片，每張圖片和前一張有微小的差異，串起來就變成影片」，它就變得比較可以理解了。這時候，真正懂影片製作的人反而能提出更好的應用點子。

第三個關鍵是：把技術現實解釋給決策者聽。很多失敗的 AI 專案，問題出在技術團隊和業務團隊之間的認知落差。技術團隊覺得「這個做不到」或「這個風險很高」，但不知道怎麼用業務語言表達；業務團隊看了太多炒作文章，對 AI 有不切實際的期待。值得信賴的顧問要能夠橋接這個落差。

為什麼 85% 的專案會失敗？

回到開頭的數字。麥肯錫說 85% 的企業 AI 專案會失敗，主要原因是「定義不清、範圍不明」。

這不是技術問題，是人的問題。是決策者被炒作沖昏頭的問題。是沒有人願意慢下來問「為什麼」的問題。

Moroney 說，他看過太多公司這樣做事：高層在 LinkedIn 上看到某個 AI 應用的案例分享，第二天就宣布「我們也要做這個」。沒有人去驗證那個案例是不是真的、那個場景適不適合自己的公司、投入產出比合不合理。錢燒完了，專案失敗了，然後大家得出結論：「AI 沒有用。」

其實 AI 是有用的。只是你用錯方法了。

一個實用的框架：在動手之前先問這些問題

如果你之後遇到「我們要導入某某 AI 技術」的要求，可以試著用這個框架來釐清：

問題一：為什麼？ 你想解決什麼問題？這個需求是從哪裡來的？

問題二：成功的樣子是什麼？ 如果這個專案成功了，會有什麼具體的改變？可以量化嗎？

問題三：現在是怎麼做的？ 目前沒有這個技術的時候，事情是怎麼運作的？痛點在哪裡？

問題四：最小可行的驗證是什麼？ 不需要一次做到完美，有沒有辦法用最小的成本先測試假設？

這些問題聽起來很基本，但你會驚訝有多少專案從來沒有好好回答過它們。

問對問題，比給出答案更重要

吳恩達在課堂上說，現在是有史以來最適合動手做東西的時代。AI 程式碼工具讓寫程式變得更快、更容易，一個人能完成的事情比以前多很多。

但這也意味著，「做什麼」變得比「怎麼做」更重要。當執行的成本下降，選擇的品質就成為關鍵。

能夠問對問題的人，不會被炒作牽著走，也不會浪費資源在錯誤的方向上。這種能力，在 AI 工具越來越強大的時代，只會變得越來越珍貴。

本文整理自 Stanford CS230 2025 年秋季班第九講「Career Advice in AI」。