企業導入 AI 最大的錯誤：挑太簡單的問題下手

本文整理自 Cisco AI Summit 2026 年 2 月的對談。

低價值流程，注定失敗的起點

企業導入 AI 的第一步，通常是挑一個「不太重要」的流程來試水溫。找一個低價值的內部流程，做一個客製化的 Agent，成本不高，失敗了也不痛。這聽起來很理性，但 Instagram 共同創辦人、Anthropic Labs 共同負責人邁克·克里格（Mike Krieger）在 Cisco AI Summit 上直言：這類專案幾乎注定失敗。

為什麼會失敗？因為問題不夠有野心，你根本學不到 AI 真正的能耐和限制在哪裡。拿一個無關痛癢的流程去測試，測出來的結果也是無關痛癢的。你既不會搞清楚模型能做什麼，也不會理解讓它運作需要什麼樣的基礎設施和流程配套。更致命的是，一旦碰到路障，專案很容易直接被放棄。問題本身不重要，沒有人會為了一個低價值流程的 AI 化去跟障礙搏鬥。碰壁就算了，反正也沒多大損失。

克里格看到的成功模式恰恰相反。Anthropic 和大型銀行、保險公司合作時，找的是那些核心業務流程，是那種光聽到「要用 AI 來做」就讓人有點害怕的東西。然後雙方緊密合作，定義成功標準、設定護欄、訂一個積極的時間表。這個過程一定會比預期快，因為模型能力在持續提升，你需要的是跟上前沿（frontier），而不是等到技術「成熟」。

自主，但要在沙箱裡

談到 AI Agent 的自主性，克里格的立場很務實。他認為不該限制模型的創造力和解決問題的能力，因為那正是這項技術的魔力所在。他舉了一個有趣的例子：Anthropic 的一位工程師請 Claude 幫家人準備度假行程文件。Claude 在載入度假小屋的網站時碰了壁，拿不到照片。它沒有停下來回報錯誤，而是自己想像了房子的樣子，畫了一張圖出來。結果當然不太對，但這種「遇到障礙就想辦法繞過去」的行為模式，正是 Agent 有用的原因。

但你也不會想讓 Agent 在企業環境裡無拘無束地亂跑。克里格的處方是「沙箱式自主」（autonomy within sandboxes）。具體來說就是三件事：Claude 運行的環境有什麼權限？最小權限原則是什麼？資訊如何進出這個沙箱？你要讓 Agent 在框框裡盡情發揮，但框框的邊界必須清楚，而且要搭配足夠的可觀測性（observability），讓你知道它在做什麼、什麼時候走偏了。

這個概念聽起來簡單，但在實際部署時，很多企業不是管太鬆就是管太嚴。管太鬆，你會碰到資安和合規問題；管太嚴，Claude 在外部客戶手上能做的事和在 Anthropic 內部能做的事完全是兩回事，使用體驗天差地遠。克里格自己也說這是他最擔心的問題之一：他怕 Anthropic 內部的 Claude 因為擁有完整的權限設定而表現超強，但外部客戶因為權限被層層鎖住，得到的是一個閹割版的產品。

中央 AI 團隊應該是薄薄一層

當企業規模夠大，通常會成立一個中央 AI 團隊來統籌資源和標準。但克里格對這個角色的定義非常收斂：這個團隊應該是一層薄薄的基礎設施，核心任務只有兩件事：提供模型存取權，以及建立可稽核性和可觀測性。

至於用什麼框架（Agent SDK、LangChain 或其他工具）、怎麼設計 Agent 的架構、怎麼整合進自己的產品，這些決策應該盡量下放給各產品團隊。中央團隊不該對技術選型太有意見。每個產品的需求不同，使用情境不同，硬要統一反而會變成瓶頸。

這個觀點和很多企業的做法相反。不少公司傾向讓中央 AI 團隊制定詳細的技術標準、統一框架、甚至統一 prompt 模板。克里格的建議是：把決策權交給最靠近問題的人。中央團隊管好模型和觀測就夠了。

試了四種方法，才找到 Claude 操作試算表的正確姿勢

克里格用一個具體的產品迭代故事來說明「不要太執著於現有的產品形態」這個原則。他們在嘗試讓 Claude 處理試算表（spreadsheet）這個企業中無處不在的工具時，至少試了四種不同的做法。

第一種是讓 Claude 讀取試算表，然後寫程式碼去更新它。第二種是讓 Claude 用 Computer Use 功能看著螢幕、操作 Excel，但這碰到了一個意想不到的難題：用電腦視覺去辨識試算表是一個極度困難的問題，密密麻麻的格線和數字對視覺模型來說是噩夢。第三種、第四種持續迭代，最後找到效果最好的做法是直接在 Excel 內部建立 hooks，讓 Claude 透過原生介面操作。

這個故事的教訓不在於試算表本身，而在於心態。克里格的總結是：寫軟體的能力已經不是你的競爭力了，AI 能做這件事。真正的競爭力在於你建立的信任、品牌、客戶關係和長期累積的資料與整合。不要執著於產品的現有形態，要執著於你在解決什麼問題。

AI 學會你的偏好，不用你填表格

對談的最後，克里格描述了 Anthropic 在 AI 個人化方面的探索方向。目前多數 AI 產品的個人化方式是讓使用者手動設定偏好：你要什麼語氣、什麼長度、什麼風格。但這是典型的進階使用者才會做的事，大多數人不會去調這些設定。

Anthropic 正在探索的方向有兩個。第一是「觀察式學習」：在使用者還沒主動要求 AI 做事之前，AI 就已經在觀察你的工作模式了。克里格以 Slack 為例。Anthropic 內部的各種 Agent 都跑在 Slack 裡，這些 Agent 看過他的工作方式，可能比任何一個同事都看得更多。他寫過的文件、他的溝通風格、他的決策模式，這些「數位足跡」（digital ephemera）可以用來啟動個人化，不用使用者做任何事。

第二個方向是「對話式偏好收集」。與其讓使用者填一張大表格，不如讓 AI 在對話過程中自然地學習偏好。克里格說 Anthropic 正在嘗試讓 Claude 動態產生 UI 元件來收集偏好。也許不是一長串選項，而是一個小小的選擇介面；也許是一種分群的方式。讓 Claude 自己去設計最好的方式來了解你，這件事本身就是 AI 的一種應用。

我的觀察：從「試水溫」到「下重注」，臺灣企業需要的思維轉換

克里格對企業 AI 導入的觀察，直接戳中了臺灣企業的常見痛點。

我跟不少臺灣企業聊過 AI 導入的經驗，最典型的模式就是：先找一個邊緣流程做 POC（概念驗證），花了幾個月，結果「效果還行但不驚豔」，然後專案就慢慢冷掉了。克里格的診斷很準確：不是 AI 不行，是問題不夠重要。當你拿不重要的問題去測試，得到的自然是不重要的結論。

反過來看，克里格說的「找核心業務流程、雙方緊密合作」在臺灣的實踐門檻其實不高。臺灣企業的優勢之一就是組織相對扁平、決策鏈短，理論上比大型跨國企業更容易做到「高層拍板、快速試錯」。問題在於心態。很多企業把 AI 當成「可能有用的新玩具」而不是「必須搞懂的新能力」，所以天然地傾向低風險、低投入的策略。

另一個值得臺灣企業思考的是「中央 AI 團隊」的定位。我看過一些企業的做法是讓中央團隊把控所有 AI 相關決策，從模型選型到 prompt 設計全部統一。克里格的建議很明確：這層要薄，只管存取和觀測。決策權給產品團隊。對於資源有限的臺灣企業來說，這其實是好消息：你不需要一個龐大的 AI 中央軍，你需要的是讓每個團隊都有能力直接用 AI 解決自己的問題。

至於 AI 個人化的方向，觀察式學習和對話式偏好收集的概念，對所有正在做 AI 產品的團隊都有啟發。使用者不會去填設定表格，你得讓 AI 自己想辦法搞懂使用者要什麼。這不是技術問題，而是產品設計問題。從一個創造了 Instagram、又跑去做 AI 產品的人口中聽到這件事，格外有說服力。