全球在 AI 上投入了巨額資金，但對大多數企業來說，一切如常。我與全球最大公司的超過 300 位 CEO、CIO 和 CFO 談過話。我發現，大多數公司只是將 AI 套用在它們糟糕的流程上，最終的結果只是讓垃圾變得更快。無論是購買數千個 Claude Code 授權、每年承諾花費 5000 萬美元在 Token 上，還是透過 Zoom 舉辦 AI 培訓課程，我都親眼見證了 AI 採用的效率有多麼低落。但事情不必如此。
我們已經走過這條路，事實上還走了好幾次，在 AI 採用這件事上，我們應該從歷史中學習。我希望，在讀完這篇文章後，全球的 AI 領導者能拋棄他們那套過時又天真的 AI 應用方法，轉而遵循下面說明的這套經過驗證的流程。
第一部分：歷史與其相似之處
1990 年，一位名為 Michael Hammer 的前麻省理工學院電腦科學教授，為《哈佛商業評論》撰寫了一篇文章。他多年來深入那些在電腦上花費巨資卻幾乎沒有獲得投資回報的公司內部研究，是首批發現箇中原因的人之一。
「在資訊科技上的巨額投資之所以帶來令人失望的結果，主要是因為企業傾向於使用科技來機械化舊有的商業模式。它們維持現有流程不變，只是用電腦來加速這些流程。」
這是真實的引述。你在開玩笑嗎？如果把「資訊科技」換成「AI」，你明天就能發表這段話，並登上《Business Insider》的頭版。在同一篇文章中，他還寫道，是時候停止「鋪平牛徑」了。36 年過去了，猜猜我們還在幹嘛？
注意：「鋪平牛徑」的意思是自動化、正式化或鎖定一個現有的低效率流程，而不是為了事情應該如何運作而重新設計它。幫你省了去問 Claude 的功夫，不客氣。
與此同時，超過 1 兆美元被投入 AI 的資本支出（光是微軟、Alphabet、亞馬遜和 Meta 在 2025 年就花了 4100 億美元；我知道這數字很驚人），但企業實際用於 AI 的花費只有 370 億美元。這在實務上意味著：英國商業貿易部進行了一項 Microsoft 365 Copilot 試用並公佈了結果。在 3 個月內發放了 1,000 個授權，每位用戶每天平均僅有 1.14 次 Copilot 操作。PowerPoint 投影片的製作速度快了 7 分鐘（從 18 分鐘降到 11 分鐘），但品質評分卻減半。Excel 分析實際上完成得更慢（而且品質也更差）。電子郵件節省的時間，我引用原文：「極其微小」。他們自己的結論，逐字引用：「我們沒有找到強而有力的證據表明節省的時間能轉化為生產力的提升。」然而，仍有 72% 的用戶表示他們感到滿意或非常滿意。
簡而言之：人們喜歡它，但他們產出的東西和之前一模一樣。華頓商學院副教授兼 AI 研究員 Ethan Mollick 說得最好：「能提升個人表現的 AI 使用，並不會自然而然地轉化為組織績效的提升。」這篇文章將詳細說明原因，並提供我們在實踐中見證過的有效解決方案。
背景介紹一下，我是 Vas，@varickagents 的 CEO。我們與極大型公司（營收在 5 億到 1000 億美元之間，員工數在 1,000 到 100,000 人之間）合作，協助它們採用 AI，範圍涵蓋總體策略、流程再造，到建置、部署和管理它們的 Agent。這篇文章基於我們所學到的經驗：區分哪些 AI 試點項目會失敗（無可衡量的 ROI），哪些會成功（超過 80% 的工作完全由 Agent 處理，節省時間和金錢）。
這種情況一再發生的原因並非純粹的愚蠢。當然，部分原因是如此，但大部分是慣性和設計使然。今天簽署 AI 合約的人，可能擁有工具和供應商選擇權，但他們絕對不擁有流程所有權。這個鏈條中沒有人有權力走進財務部門，例如，告訴他們那個 14 步驟的流程實際上應該只有 5 個步驟。所以沒有人這麼做。相反地，你只是在現有的東西上「應用 AI」，最終得到的是更快的垃圾。
AI 不應該被「應用」。那樣行不通。你「塗」一層油漆。太多人把 AI 想成一層新油漆，而油漆無法修補底層的問題。從來沒有人說過「應用雲端」或「應用數位」。不，他們說的是數位轉型、雲端現代化，因為每個人都理解那些是轉型，而科技只是其中的一部分。AI 也是同樣的模式。
回到 Hammer：他最好的數據來自於他研究過的一家保險公司。一份申請需要 22 天才能在業務中流轉。在這 22 天中，任何人實際花在工作上的總時間是 17 分鐘。假設今天，你的 AI 專家把最好的模型放到那個流程上，讓每個單獨步驟的速度都加快一倍。他現在節省了 8 分半鐘。他把這算成節省了 50% 的時間，獲得晉升和獎金，然後瀟灑離去。但實際上只省了 8 分鐘。
節省的時間不在於處理申請本身。而是在於排隊和交接、等待其他團隊回應的時間，以及第二輪審查。把精力花在加速那 17 分鐘上，比什麼都不做更糟；你花光了預算，並向你的董事會證明了「AI 沒用」。你可能認為這是 90 年代的遺毒，但事實並非如此。我們與一家公司合作，他們從自己的系統日誌中遇到了完全相同的問題。開立一個新的客戶案件需要 25 分鐘的實際工作。從案件輸入到變成「進行中」狀態，經過的時間從 2 天到 2 週不等。工作可能只需要幾分鐘，但流程仍然可能需要幾週。
當我說大多數 AI 專案只是在讓垃圾變快時，我是字面上的意思。流程是垃圾。AI 讓它變快。對此，我聽過：「嗯，我們是一家大公司，所以顯然我們做對了一些事，我們不需要改變。」適者生存的法則在今天依然活躍，而且比以往任何時候都更加重要，這也是 AI 不同於數位和雲端的地方。如果使用得當，AI 能讓競爭對手獲得前所未有的槓桿優勢來對付你。無論是用來壓低你的成本、在沒有處理人員增加的情況下無限擴張規模，還是搶在你整理出名單之前就觸及全世界，他們都會擊垮你。最好的情況是你繼續成長，但現在你的人員規模會呈指數級增長。3 個分析師變成 6 個，但這 6 個人現在需要一個經理，而且因為是兩個團隊，他們需要一個以前不存在的交接，而這個交接又需要一個進度會議和一個 PM，等等等等。這就是為什麼人員規模圖表會向上彎曲，而人均營收卻不會。適者生存，但別假裝 AI 沒有發生。你的競爭對手正不遺餘力地想搞懂這一切。
第二部分：今天該怎麼做
你的數據一團糟，你的系統彼此無法溝通，所以你的第一直覺可能是在碰其他東西之前先解決這個問題。你只需要一個 ERP、一個 CRM、一個數據平台，然後在上面加上 AI。這在理論上聽起來很棒，但 IT 專家明白，事情從來沒有這麼簡單。看看這實際要花費多少時間和金錢。
TSB 花了 3.18 億英鎊進行核心銀行系統遷移，又因事故損失了約 2 億英鎊，並在 2022 年 12 月被 FCA 和 PRA 罰款 4865 萬英鎊，同時導致 520 萬客戶的銀行服務中斷。Zimmer Biomet，一家市值 80 億美元的製造商，在 2025 年 9 月向 Deloitte 提出了 1.72 億美元的索賠，原因是搞砸的「遷移與整合」使他們無法執行基本功能，例如運送產品、向客戶開立發票，或產出有效的銷售報告。而這還只是上了新聞的兩個例子；這類事件遠比你想像的常見。
你應該專注於解決的是流程。假設你在過去 20 年裡收購了 9 家公司，這意味著你現在有一個流程，在你的 9 個子公司中以 9 種不同的方式運行。如果你想在你的公司裡「應用」AI，你將不得不以 9 種不同的方式建置同一個 Agent，然後被迫永久維護這 9 套 Agent。為了避免這種困境，你需要先定義一個全球統一的流程，並在你整個實體中推廣，然後才能考慮在上面應用 AI。
相反地，你並不需要一個統一的 ERP。確定性的整合曾經在兩個系統對供應商記錄的定義不一致時就立刻失效。然而，Agent 能夠容忍這種不一致性，因此，一個橫跨你現有系統的編排層，正是解決系統分散問題的方案。你的系統不僅需要彼此溝通，它們需要幸福地結婚，容忍彼此的缺點。
開始繪製流程圖
要重新設計你的業務，你首先需要了解它。要達到這種理解程度，不能只挑選一個單一工作流程，花 8 週時間完善某個東西，結果卻發現它被上游的姊妹流程卡住，最終 ROI 為零。
然而，與此同時，你也不能一次就把整個業務都吞下去，你必須從某個地方開始。從部門層級開始。它不會是完美的——每當收入認列取決於銷售方式時，財務就會觸及銷售。每當有新員工入職時，HR 就會觸及 IT 和營運部門。但至少這樣，你可以識別出輸入到同一個部門的「工作流程組合」（例如，財務包含應付帳款、應收帳款、財務規劃與分析、帳務、銀行對帳、調節等），然後你可以開始繪製以下 7 個細節：
- 理想路徑：這個工作流程負責什麼，以及在最理想的情況下會發生什麼。對大多數公司來說，這幾乎是唯一被完整記錄的東西。
- 例外情況：這是你花費大部分時間的地方。不要只描述發生了什麼，要深入計算有多少比例的業務量偏離了理想路徑、它去了哪裡、誰被牽扯進來、處理這些例外情況的週期時間是多少，以及這裡發生錯誤的成本是多少。
- 這個工作流程的上游和下游是什麼？ 當其中一個流程延遲或出錯時，這個流程如何與它們互動？
- 涉及哪些記錄系統，當其中兩個系統意見不一致時，哪個說了算？
- 這在不同地區、實體、子公司，以及來自不同收購案的系統之間有何不同？
- 接觸時間與經過時間的對比如何？ 這個差距在每個步驟中是如何變化的？
- 該功能中每個人的 AI 能力如何？ 他們在未來的 AI 系統中應該擁有何種程度的所有權？（計算這個是主觀的，且差異很大）。
提取上述資訊需要兩個程序：
- 流程探勘：針對記錄系統進行，以收集動作、時間戳記、吞吐量、編輯記錄，以及與文件不符的實際情況。
- 訪談：因為上述方法會給你數據，但與操作人員交談會確切告訴你痛點在哪裡。你組織的實際情況存在於 10 到 20 個人的腦海中，他們多年來一直在你的公司裡做著這項精確的工作，而歸根結底，你的 AI 需要被這些人採用才能有效運作。
只執行其中一個步驟會讓你得到不完整的圖像，這也是 AI 探索失敗的最大原因。我見過一些 Applied AI 公司試圖透過「AI 訪談」或派工程師去做訪談來走捷徑。這行不通。一半的工作是與操作人員建立牢固的關係，並知道該問他們什麼問題，這樣你才能充分了解該建置什麼以及如何部署它。
有效的 Agent 不只是 LLM 呼叫
流程重新設計是一個需要軟體和 AI 經驗的分類練習。每個步驟都屬於以下三個類別之一：
確定性（Deterministic）。如果 X 則 Y，不涉及判斷。例如，如果發票金額低於某個門檻，並且與採購單和收貨單相符，那麼你就付款。如果揭露資訊中提到了競爭對手，則將其轉發給利益衝突團隊。這些動作最好用普通的、優秀的舊式軟體來處理。如果你可以用常規程式碼來完成，就不需要花俏的 LLM 呼叫，因為程式碼便宜、可審計、確定性高（從不產生幻覺），而且速度快。
代理性（Agentic）。如果你有數千個過去人類做出判斷並記錄結果的例子，而且這個步驟的風險足夠低（例如，交易審批或 GL 編碼），你絕對應該使用 LLM 來進行判斷。特別是當輸出是「是/否」、「轉發給這個團隊」、「標記/不標記」或「匹配/不匹配」時，用 Agent 來處理並衡量每個輸出。另一方面，如果所需的輸出是一份 5 頁的文件，而無論如何人類都必須完整閱讀才能驗證，那麼你最好採用混合方法。在這裡，你需要判斷的是動作的難度，而不是思考的難度。
人在迴圈中（Human-in-the-Loop）。對於風險太高，或沒有足夠歷史背景的步驟，你最好讓人在迴圈中，因為 Agent 做出錯誤動作的成本太高了。與其如此，不如在人類做決定的那一刻，把所有相關證據都呈現在他們面前。例如，一個 Agent 會偵測到發票和採購單之間的不匹配，然後向人類提供 3 個選項：無論如何批准、直接拒絕、或提供回饋並轉發給其他人。這個 Agent 剛剛為你的人類節省了 40 分鐘在郵件、發票記錄等文件中搜尋的時間，讓他們可以在 30 秒內做出決定。但最終的動作仍然由人類把關。
一旦你將每個步驟分類到上述三個類別之一，你就可以將一個像 25 個步驟的流程，轉變為一個由 3 個 Agent 組成的集群，前後有確定性步驟，最後有 2 個人在迴圈中的動作來解除阻塞。這種流程再造工作，連同 Agent 本身，是所有 ROI 的來源。
在此之後，在建置任何東西之前，先設定基準 KPI。你的目標是計算你正在解決的流程背後的數字，包括今天這些數字是在哪裡以及如何衡量的。如果你做不到這一點，這個專案注定會失敗。你需要能夠在 12 個月後回顧並說：我們過去是 X，而現在因為我們建置的 Agent，我們達到了 3X、10X 或 100X。只有這樣，你才能說這個專案是真正的成功。
最後，你確定優先順序並安排建置順序。首先，處理交接最多的工作流程，因為這很可能是最容易取得成果的低垂果實。關鍵區別在於，這不一定等同於業務量最大的工作流程。
這在實務上看起來像什麼？
我們為一家全球性企業重新設計了流程，該企業每月要核對 300 多個銀行帳戶。其中 2/3 由一個離岸團隊處理，其餘的則以 3 種不同的格式分散在另外 2 個地區，但完全使用 Excel。有超過 12,000 個未結清的調節項目，每個月初有 4 天的時間花在獲取銀行對帳單上。他們的調節流程幾乎佔據了整個月，每個月都是如此。
他們在我們重新設計之前的工作流程如下（在你嘲笑他們之前，請承認你的公司裡肯定也有類似，甚至更糟的流程）：
- 向每家銀行追討並收集對帳單，無論它們提供什麼格式
- 將它們標準化到區域工作簿中
- 提取總帳資料
- 逐行匹配
- 標記不匹配的項目
- 透過電子郵件聯繫當地財務主管，詢問標記項目的背景
- 等待他們回覆
- 如果未回覆則再次追討
- 終於收到回覆，然後進行調整入帳
- 將該地區的數據彙總到合併文件中
- 對另外 2 個地區（每個地區都有自己的格式）重複上述 1-10 的整個步驟。
- 結案。
如果你讓每個步驟都變快，匹配就會變快。問題在於，匹配從來都不是問題所在。等待對帳單的 4 天、發送給另一個時區財務主管的電子郵件、以及仍然需要 3 天才能收到的回覆，這些才是問題所在。透過加快匹配速度，你只能從一個以週為單位計算的流程中節省幾個小時。
我們反而將他們的流程重新設計為 3 個步驟。
- 對帳單透過饋送方式送達，像輸送帶一樣，而不是被追討。這與 AI 完全無關。
- 所有可以根據規則匹配的項目都會自動匹配，如果不行，Agent 會從頭到尾組裝案件：包含項目本身、歷史分類、從各種記錄系統收集的證據，以及建議的下一步。
- 最後，人類處理他們的例外佇列，所有證據都已準備好供他們審查，而不是他們必須手動篩選散落在 ERP 和試算表中的數據。
追討、發郵件、等待、重新輸入、以及區域彙總完全被消除了。這就是一個能節省幾分鐘到幾小時的 Agent 系統，與一個能節省數週的 Agent 系統之間的區別。
第三部分：為什麼這不常見？
你被騙了
你收到的 AI 提案從一開始就具有誤導性。將 AI 作為一個點狀解決方案來採用，是無法從中獲得價值的。你不能只靠 IT 部門來做這件事，也不能靠一個只有 100 萬美元預算和零權限的「創新部門」來做。重新設計一個橫跨 4 個部門的流程，需要一個能夠告訴這 4 個部門流程正在改變的人。一家公司裡只有少數幾個人能真正做到這一點；這必須來自高層。
但另一個複雜的因素是：今天實際在做這項工作的人，例如應付帳款主管，以及財務部門的操作員和分析師，也需要被納入考量。他們必須想要這個新的 AI 系統，因為他們明天必須採用並推動它。他們必須願意透露那些他們認為可能會取代自己的資訊，即使大多數情況並非如此。
最重要的是，採用 AI 被視為有風險。對大多數人來說，維持現狀是「安全的」，如果 AI 成功了，他們得不到晉升，但如果失敗了，他們卻會被解僱，即使維持現狀意味著讓公司隨著時間緩慢消亡。
流程再造相當困難
Hammer 和 Champy 自己在 1993 年的估計是，嘗試流程再造的組織中，高達 50% 到 70% 未能達到預期結果。（顯然，自 90 年代以來，情況沒有太大改變）。Hammer 後來自己也說，他「對人性層面的重視不夠」。他的意思是，在當時，「移除一個交接」意味著解僱負責那個交接的人（那是他們全部的工作），然後要求其他所有人改變他們的工作方式，而當時的「軟體」並不支援這種改變。這意味著，在顧問來來去去之後，組織結構和流程很快就會恢復到原來的狀態：一個充滿低效率和錯誤的狀態。
然而，今天有兩個根本性的不同。首先，AI 原生工具提供了前所未有的靈活軟體狀態：一種能夠適應周圍變化的狀態。一個駐留在你記錄系統中的 Agent 可以處理過去依賴人員的交接，同時處理來自確定性軟體的差異，並且對人類常見的變異具有免疫力。其次，你首先消除的工作幾乎完全是協調工作，也就是：追討、等待、升級、分類等。在這些流程改進和真正的 AI 轉型之後，剩下的都是高判斷力、高槓桿的工作，這正是你最優秀的人員無論如何都應該花費所有時間去做的事情。
美麗新世界
傳統顧問公司在流程工作方面還算不錯，這點我承認。確實，如果你想要一個詳盡的圖解來說明一個橫跨 10 個國家和 3 個實體的 15 步驟流程，你的一般顧問公司會為你製作出你見過最美麗的投影片，收費 30 萬美元。但這家顧問公司做不到的是後半段，也是更重要的一半，那就是：知道模型可以信任什麼、不可以信任什麼；一個每月運行 40,000 次的 Agent 成本是多少；哪個模型（Fable 5.1 對比 Gemini 3.8 Flash）適合哪種任務類型（GL 編碼對比 Deal Desk 路由）；如何為特定流程最佳化設計評估套件；以及流程中的某個步驟真正屬於上述三個類別（確定性、代理性、人在迴圈中）中的哪一個。因此，如果你走這條路，你的重新設計是由那些在猜測的顧問創建的，而不是由經驗豐富的 AI 原生策略師和 FDE 創建的，6 個月後你會想知道為什麼你的試點項目墜毀了。
另一方面，AI 實驗室和公司則有相反的問題。他們可以建置一個 Agent（至少大部分時候可以），但他們從未同時與財務和營運部門坐下來，分解一個兩個部門對所有權和誰是上游意見分歧的工作流程，因此，他們反而會把 AI 貼在一個破碎的流程上，稱之為自動化，而不是像幾個月前就應該做的那樣，徹底改革和重新設計那個流程。此外，像 OpenAI（DeployCo）和 Anthropic（Ode）這樣最大的「Applied AI」實驗室，會強迫你終身與它們的模型綁定。將你整個公司的智慧堆疊押注在單一供應商身上是自殺行為。明天，當他們對你正在運行的模型進行速率限制、量化、漲價和淘汰時，你只會留下一團混亂和帳單。你可能認為這就像將端點從 Claude 換成 GLM 或 Gemini 或 DeepSeek 那麼簡單，但事實並非如此。重新運行評估並重新確定每次模型呼叫應使用哪個思考層級，是一個耗費心力的過程，而實驗室不會幫助你做到這一點。
你需要的反而是兩者的最佳結合：那些實際運營過財務、營運、銷售或 HR 部門的人，加上能夠將生產級軟體交付到像 Microsoft Dynamics 這樣的 ERP 或像 Salesforce 這樣的 CRM 中的工程人才，再加上能夠建置與模型無關的、內建企業級治理和評估套件的公司級 harness 的 AI 工程師。有些人稱這些人為「前線部署工程師 (FDE)」，但事實是，今天大多數 FDE 是平庸的工程師，也是平庸的顧問，完全沒有 AI 能力，最終你什麼都做不好。
當你做對時，這看起來像什麼？
當你用 AI 改造一家公司時，有 4 個槓桿至關重要：成本（理想情況下降低）、營收（理想情況下增加）、時間（理想情況下加快）和風險（理想情況下降低）。在我們的部署中，大約一半是在上市公司，以下是按槓桿分類的實際變動範例：
- 時間。 我們將月底結帳流程從 18-22 天縮短到 7-9 天。供應鏈中斷現在能在 6 小時內處理完畢，而不是過去的幾天。
- 營收。 交易過去平均會閒置 23 天；現在平均是 6 天，業務人員的行政時間從每週 38% 降到 14%。這些時間直接回到了銷售工作上。
- 成本。 應付帳款例外處理從每月 600-800 張發票降到不到 50 張。在一個行銷組織中，8-12% 的媒體預算從過去只在月底才浮現的節奏錯誤中回收，每季節省數百萬美元。
- 風險。 薪資更正減少了 90%，因為跨系統的對帳現在在發薪前執行，而不是之後。80% 的員工支援查詢由公司自己的政策文件回答，而邊緣案例則升級給人力資源部門的人員處理。
總計，這一系列部署所帶來的價值超過 1 億美元。最棒的是，這個數字是與我們的客戶共同創造的；這不只是我們自己說的，而是實際衡量出來的。
真正的 AI 轉型公司是什麼樣子？
以上所述的一切，就是我們在 Varick 的做事方式，也是我們為導入 AI 的公司中唯一奏效的方法。這些都是極大型的企業，擁有數千人、數十個系統記錄，以及無窮的複雜性，但劇本是一樣的，而且每次都有效。
我們的策略師與工程師團隊會從部門層級切入，首先繪製工作實際發生的流程，而不只是接受文件上記載的方式，透過流程挖掘與訪談、計算經過時間與實際處理時間的對比、繪製例外情況、上游影響與下游影響，並了解誰負責什麼。我們不是花幾個月，而是在短短幾週內完成這個流程，屆時您會收到重新設計的流程、要捕捉的價值、自訂的基準 KPI，以及 Agent 建置的優先順序排名。接著，我們會開始建置 Agent，這些 Agent 配備了企業級治理、可稽核性、評估套件，以及開箱即用的監控功能。
我們與營收超過 5 億美元的公司合作，處理他們最棘手的工作流程，涵蓋產品、財務、銷售、採購、營運、人力資源等領域。如果您想看看這如何應用在您自己的流程上，請在我們的網站上預約通話，並準備好談論您最不喜歡的工作流程，以及它們為何如此複雜。如果您覺得這些內容有幫助，請訂閱我們的電子報，我們每週都會發布關於「應用型」AI 的最新文章，以及我們從實作中學到的一切。
重點摘要
- 現今企業大部分的 AI 支出都應用在完全相同的既有流程上，這意味著你只是在讓一個糟糕的流程跑得更快。Michael Hammer 在 1990 年就針對 IT 說過這句話，而英國政府在 2025 年用 1,000 個 Copilot 授權基本上再次證明了這點：每位使用者每天 1.14 個動作，找不到任何生產力提升，而且仍有 72% 的使用者感到滿意。
- 時間從來不在工作本身，而是在佇列和交接中。Hammer 的保險申請在流程中閒置了 22 天，實際工作時間只有 17 分鐘。即使你讓工作速度快一倍，也只節省了 8 分鐘。
- 先整合你的系統（一個 ERP、一個 CRM、一個數據平台）是一個有充分記錄的方法，會讓你損失 2 年和 9 位數的資金，卻看不到一毛錢的價值。你真正需要的是流程的單一定義和單一負責人，因為 Agent 可以容忍彼此不一致的系統，而確定性整合從來做不到。
- 從部門層級開始，挖掘系統記錄並訪談操作人員，然後將每個步驟分類到三個類別之一：確定性軟體、Agent，或是由人類在準備好證據的情況下介入。如果做得好，一個 25 步驟的流程會變成 3 個 Agent 和 2 個人類檢查點。
- 當我們這樣做時，月底結帳從 18-22 天降到 7-9 天，應付帳款例外從每月 600-800 件降到不到 50 件，薪資更正減少了 90%，而我們部署的總價值（與客戶共同衡量）超過 1 億美元。
- 除非這件事來自高層、操作人員真正想要，而且你僱用的人能讓流程人員、軟體工程師和 AI 工程師都在同一個房間裡，否則這一切都不會奏效——而幾乎沒有人同時擁有這三種人才。
