【企業 AI 實踐系列】有 8 篇文章，預計從企業現象出發，透過冷靜觀察，深入哲學底層，揭示「本體論」的重要性，最後回歸實務工程路徑，期盼為焦躁的企業管理者們打開一條思考路徑。
AI 不只是技術，更是組織慾望的投射
我寫過一篇文章，講到前幾年有些公司把設計思考當作萬金油 (或作有神奇功效的蛇油) 能萬用，但事實並非如此。設計思考有用，但不包治百病。如今，對許多公司來說，他們看 AI 就是一把萬能鑰匙，什麼鎖都能開，什麼問題都能解。但當開啟的專案真正要落實執行的時候卻不是這麼一回事。
AI 像是一面「職場照妖鏡」，照出來被看見的是組織長期的結構性焦躁：權責模糊、溝通失靈、KPI 焦灼。
身為 AI 轉型顧問，我發現企業推 AI 的第一步通常不是部署技術，而是處理一種來自未知、不確定與競爭壓力的集體不安。如果找不到合適的詞彙描述，那就用 2025 年的熱點來表達：Vibe，氛圍。
如果我在公司裡有職位，那我可能比較像是「氛圍長 (CVO，Chief Vibe Officer)」吧。
以下從三個層面的認知與決策來看公司裡對 AI 的態度。
第一層。戰略層的「創世幻覺」：估值跑在生產力前面
對戰略決策層而言，AI 會被視為資本敘事的一環。他們期待透過 AI 快速創造話題與想像力，哪怕實際應用還沒有到位成熟。
2023 年，一家中大型科技公司曾在董事會中決定「一定要有自己的大型語言模型 (LLM，Large Language Model)」，只因那時的 ChatGPT 橫掃所有 AI 新聞版面。於是公司短短兩週內就成立了「AI 戰略辦公室」，發布新聞稿、舉辦媒體說明會，企圖搶佔先機，製造「AI 轉型領先者」的印象。
但半年後，那個辦公式就關門大吉，原因很簡單，因為沒有清楚定義「用 AI 要解決什麼問題」，也沒有哪個部門願意負責「實踐應用」。最後只留下一份又一份躺在電腦裡的簡報，封面滿滿的 AI 口號。
這類「創世幻覺」的核心並非資源不足，而是公司誤將「AI 成果」當成公關素材，而不是用來提升生產力提升的策略手段。
第二層。執行層的「認知斷層」：宏大願景撞上技術現實
當戰略決策層描繪出宏大的願景與藍圖，落實到產品與工程端的時候，認知差距就浮現出來了。
例如，某金融業者在推行「智慧客服」的時候，產品團隊設想的是「理解情緒、預測意圖」的自然互動體驗，但技術團隊接手後，發現實際能做的只是生成基於模板問答的回覆。於是，一邊談「情緒洞察」，一邊卻只做出「自動回覆」而不洞察情緒。雙方會議越開越多，結果卻越來越抽象。
這樣的落差不在於誰是專業或誰不懂對方，而是在於缺乏「共同語言」。產品講體驗、技術講架構、業務講轉化，沒有人在講彼此怎麼串連起來。這是不是像過去學寫程式時的第一課就是要顯示「Hello World」，看似成功完成程式編寫，實際上卻什麼也沒做到；這個各方各說各話下的成果，表面上是跑起來了，實際上卻沒有跑到真實場域的業務裡去。
第三層。營運端的「煉金術」與「保母困境」
AI 當然是一種提升效率的有力工具，但在第一線，卻有時候變成新的負擔。
以內容經營團隊為例，行銷人員本以為 ChatGPT 可以幫撰寫行銷文案，但是為了要讓文字貼近品牌語氣、避免語意被錯誤解讀，反而得花大量時間寫提示詞 (Prompt)、調文字語氣 (Tone)。節過就是：生成三分鐘，調整三小時。你說氣不氣人？(到底是誰不爭氣！)
數據分析師也有相同感受。AI 模型需要乾淨的資料作為輸入，但現實中的資料充滿錯誤、遺漏漏與偏差。結果 AI 生成的洞察像是「智慧的幻覺」，還得人工再清理一次。
設計團隊則是陷入另一種尷尬。AI 工具生成速度驚人，卻不保證審美方向一致。管理層希望「設計自動化」，但設計師知道那只是公式化的拼貼，與真正的品牌美學與精神仍然有一大段差距。
顯然，AI 並沒有帶來「零人力」的自由，而是推動了「再分工」，只是這次的分工是發生在人與 AI 之間。
關鍵潰敗點：被忽略的守門人與合規風險
若企業一味追求自動化而忽視是否合規、語義理解與品牌保護，災難往往在一瞬間不注意的剎那發生。
你聽過這個案例嗎？2023 年某智慧客服在上線初期，由於語言模型沒有經過嚴格測試，就被直接導入實體客服流程。結果，當顧客反映「我的手機發燙」時，AI 竟誤判字面意思，推薦對方「報名烹飪課」。笑話一出，全網瘋傳，品牌形象重挫。
這不是笑話，而是事故，是警訊。當 AI 沒有明確的「責任邊界」與「人類最後審核」，企業面臨的不只是客訴，而是品牌受損，信任崩塌。
從「幻影協同」回歸「本體協同」
AI 很有用，但不是萬金油或萬靈丹，它只是一面鏡子，映照出組織的慾望與焦慮。
2026 年，企業應該已能逐漸從「追逐熱點」轉向「實踐反思」，試著開始思考：
誰該定義 AI 的業務邏輯？
- 現有的業務流程如何轉化為 AI 行動劇本？
- 誰該成為資料翻譯官？
- 設計與行銷部門如何從操作者轉為策略協作者？
這一切都指向同一問題：沒有統一的「認知地圖」，企業實踐 AI 應用只是美麗幻影。
下一篇，我會探討為什麼這個認知地圖這麼難勾勒，自然語言世界與數據世界為什麼有這麼大的鴻溝，以及我會在接下來的系列文章中，說明為什麼本體論 (Ontology) 是連結這兩個世界的橋樑。
