面對來勢洶洶的AI浪潮，許多公司都會制定大膽的導入計畫，期盼AI轉化為真正的生產力；但這種野心往往沒有看清公司現實，導致計畫最後失敗收場。要藉AI提升公司績效，企業需先釐清自身定位，方能在4種對策中找到可行之道。

關於本文藝術作品／安．珂婷（Ann Cutting）憑藉自身在攝影、技術與科學方面的背景，創作AI藝術作品來探討我們工作、協作與創造的方式。

2018年，有兩家全球企業巨擘開始運用AI，來重塑它們產品設計和上市的方式。通用汽車（General Motors）使用的生成式設計軟體，是運用Autodesk的Fusion 360來重新構思一個不起眼、卻又非常重要的零件：座椅腳架。而AI生成的結構，有如從大自然生長而成，具有輕盈的網格造型，不只重量減輕40％、強度也提高20％。然而這個零件不曾投入生產。為什麼？原來通用汽車的供應鏈和製造系統是專為沖壓鋼材打造，無法處理AI生成的複雜幾何形狀設計。重新調整系統可能需要耗費數年光陰，結果就是創新停滯不前。

同一時間，蘋果（Apple）也開始試驗「超透鏡」（metalenses）——由AI最佳化的超薄光學元件，能夠取代傳統的相機鏡頭。這項技術需要整合機器學習、材料科學與半導體製程。兩年內，蘋果申請數十項專利，而且據報導（本文撰稿之際），蘋果正準備將這項突破整合到它的Face ID感測器——先運用在iPad Pro，再運用到即將上市的iPhone 17各款機型。和通用汽車不同的是，蘋果不只構想大膽，也擁有能夠執行構想的系統。

這兩個實例告訴我們一個AI的重要真相：問題往往不是出在AI能做什麼、不能做什麼，而是更常出在：公司的價值鏈、營運模式、技術堆疊（technology stacks）實際能夠提供的協助，無法達成領導人想要實現的目標。這個問題普遍存在——62％的公司指出，跨職能的契合度不佳，63％表示需要調整工作流程，因為它是AI無法順利導入的主要障礙。根據科爾尼管理顧問公司（Kearney）和Futurum Group的調查，只有25％的執行長認為他們已經做好充分準備，可以在整個組織部署AI。

遺憾的是，絕大多數公司在這方面其實更像通用汽車，而非蘋果。研究顯示，許多AI計畫並沒有提供具體可見的商業價值：標準普爾全球市場情報（S&P Global Market Intelligence）指出，2025年有42％公司放棄大部分的AI計畫（高於2024年的17％），而且平均有46％的概念驗證尚未投入生產，就束之高閣。此外，AI公司Writer最近調查1,600位企業領導人和員工，發現只有三分之一的組織從AI投資獲得可觀的投資報酬率（ROI），雖然其中73％公司每年在AI的支出超過100萬美元。

本文提出一套實用的架構，協助企業提升AI的投資報酬率。根據我們在各行各業的研究與經驗，包括消費性產品、先進製造等，我們找出兩個決定AI成敗的關鍵維度：「價值鏈控制力」和「技術廣度」。這兩股力量界定了所有可能性的範圍，也指出公司可以採取4種不同方法來實現AI的潛力：重點式差異化、垂直整合、協作生態系統，以及平台領導地位。每種方法都有各自的風險、要求，以及突破性創新的潛力，但只要公司採用的方法契合公司現況，報酬就會相當可觀。

我們先把目光拉近，來看看這套架構的基礎，也就是那兩個維度。

本文觀念精粹

問題：許多公司大手筆投資AI，但它們的計畫並沒有提供具體可見的商業價值。

原因：技術本身並非核心的阻礙。關鍵往往在於組織深具野心的創新目標沒有配合底層的價值鏈、營運模式，以及技術堆疊。

解決方案：運用本文提出的架構，找出公司落於價值鏈控制力和技術廣度這兩個關鍵維度的位置。然後選擇合適的策略，來實現AI的潛力。這些策略包括重點式差異化、垂直整合、協作生態系統、平台領導地位。

在架構中找到自己的位置

第一個維度是「價值鏈控制力」，指的是公司對產品從構想到上市整個流程的影響程度。價值鏈控制力高的公司，能夠對創新進行快速測試、迭代與擴大規模，因為它們本身就具備產品設計、製造、配銷、顧客參與的能力，或是在這些面向具有強大的影響力。例如，三星（Samsung）能夠在所有產品的顯示裝置或相機導入AI驅動的改進功能，就是因為它控制了從晶片製造到全球零售通路的每一個環節。

這個維度的另一端則是價值鏈控制力低的公司，例如汽車產業的二級供應商，或消費性產品的品牌授權商。這些組織必須仰賴其他公司才能驗證、採用或配銷它們的創新產品，所以很難快速行動。它們很難影響其他公司的運作，自主創新的空間也相對狹窄。

第二個維度是「技術廣度」，意思是一家公司為了維持競爭力，必須整合的技術範圍，以及這些技術相互依賴的程度。在高廣度的產業中，例如半導體、自駕車、生命科學，AI很少單獨運作。它必須和其他技術（像是感測器、機器人、材料科學、雲端架構、邊緣運算等）整合成一個快速運作的網絡。這些技術整合會持續進行，高廣度產業的組織必須加以管理。

相較之下，食品加工、建材、基礎物流等低廣度產業，營運使用的技術堆疊往往較為穩定。這些產業的公司可以藉由AI取得龐大效益，但做法通常是改進既有流程，而不是重塑產業格局。

這些維度不是圖表上固定不變的點，而是動態的力量，會隨著不同的職能、地區和時間而變化。一家公司可能在研發上有高技術廣度，但在顧客參與上卻是低技術廣度。它可能在某個地區發揮強大的價值鏈控制力，但在另一個地區極度仰賴中間商。因此，企業應該將重心放在最有條件專心投入、又信心十足的領域。

選擇合適的策略

從我們的架構可以得出4種AI創新策略，而每種策略都代表組織根據自身位置，選擇一條可行的創新之道。接下來，我們更深入探討各種策略，包含它的邏輯、容易實現何種創新，當然，還有它的風險所在。

1. 重點式差異化：強化你的優勢

價值鏈控制力有限、技術廣度低的公司，往往處於成熟的產業。它們在價值鏈的某個環節，例如產品配方、上游採購或消費者見解，具有深厚的專業，但沒有控制產品從構想到上市的完整流程。它們不追求最先進的AI，但手上握有數據，也懂得如何運用這些數據。它們無法重新設計整套系統，卻能讓系統變得更聰明。它們會在一個特定領域運用AI來微調與最佳化產品或流程。這種做法適用於精準、影響力強大的用例：更妥善的產品標示、更聰明的感測器、更能視情況調整的配方。位於這個象限的公司要用AI取勝，就必須求深而不求廣。

以食品與飲料巨擘百事公司（PepsiCo）為例，它將AI應用於馬鈴薯供應鏈的上游，因為它透過各項農戶計畫牢牢控制了這個上游。百事部署無人機並運用機器學習，衡量作物健康狀況的早期指標，來協助農民完善灌溉系統和肥料施用，進而降低碳足跡、提升產量，收成也更具韌性——在大宗商品產業，這是非常重要的優勢。此外，歐洲百事（PepsiCo Europe）和全球作物營養公司雅苒（Yara）合作，提供農民精準農作的數位工具，來推動他們採用再生農業實務。

味好美（McCormick & Company）也以類似的方式，將重點集中在一個特定的施力點：風味開發。2019年，這家全球香料製造商與IBM合作建立一套AI系統SAGE，它的訓練資料來自數十年的感官數據、食譜，以及消費者見解。從此以後，這項工具就成為味好美產品開發流程的核心，協助公司加速創新，而新產品對淨銷售的貢獻也從2022年到2024年增加一倍。

在紐西蘭的乳製品巨擘恆天然（Fonterra），領導人沒有打算將全部業務數位化。他們集中心力解決一項瓶頸——在牛乳離開農場大門前，先預測它的品質——並如外科手術般精準運用AI。恆天然與農業科技和數據分析伙伴合作，將農場的感測器數據（例如天氣、牧場條件和牛群健康狀況），與過去的牛乳採集紀錄整合起來。接著訓練機器學習模型，來偵測是否出現特定模式，顯示牛乳品質可能下滑——在牛乳抵達加工廠之前，就預先標記體細胞（somatic cell）數量增加或細菌污染風險等問題。這讓恆天然能夠即時完善牛乳採集路線、優先選擇高品質乳源，並減少浪費。

落在這個象限的公司，主要風險是野心過大。2021年底，線上房地產平台Zillow的翻修轉售計畫Zillow Offers，依賴由AI衍生的訂價模型Zestimate，最後無法擴大規模，慘敗收場。Zillow按照AI的估價買下27,000戶住宅，但最後只賣出17,000戶。Zestimate對未上市物件的估價，誤差達6.9％之多。結果，Zillow沖減高達3.04億美元的庫存、裁減2,000名員工，並終止整個Zillow Offers業務。

2. 垂直整合：讓機器動起來

擁有強大價值鏈控制力，但技術廣度相對有限的企業，通常適合將AI部署到整個組織。它們也許不必追蹤每項尖端科技的趨勢，只要將AI嵌入既有的流程，公司就能創造很大的影響力。AI可以把內部各系統的見解連結起來，展現數據、部門或流程之間的綜效和效率。這是AI可以提升營運卓越的地方，例如預測性維修、動態訂價，以及需求導向的物流等。在這個象限，規模會放大影響力——營運規模愈大，即便微幅提升效率，累積的效益也會愈大。

中國電子商務巨頭京東（JD.com）將AI全面導入它的物流網，利用即時數據來最佳化倉儲庫存、配送路線、人力排班、需求預測等，無所不包。在疫情封城期間，京東的智慧系統會依據管制區域重新規畫配送路線，運用AI驅動的機器人將倉儲作業自動化，並動態調整庫存配置，以因應某些地區激增的需求。在競爭對手疲於應付各種瓶頸和延誤時，京東仍能維持服務不中斷，因為它打造了一套更聰明的系統。

能源領域中，艾克森美孚（ExxonMobil）在蓋亞那（Guyana）運用AI解讀地震數據，並最佳化鑽井路徑。以數兆位元組的歷史數據來訓練的演算法，將平均鑽井時間縮短15％，每一座井場也節省數百萬美元。由於艾克森美孚擁有從探勘到生產的全部基礎設施，所以不需要等待外部驗證，就能快速行動。

再以沃爾瑪（Walmart）為例。沃爾瑪控制供應鏈、門市營運和訂價系統，所以能用AI來最佳化物流、庫存和人力配置。例如，這家公司在佛羅里達州展開一項試行計畫，利用當地的氣象預報和社群媒體趨勢，預測需求激增的時間。伊恩颶風（Hurricane Ian）逼近前，系統自動重新分配緊急物資；風暴過後，系統重新規畫運送路線，避開一座受損的配送中心，讓各門市持續保有民生必需品的庫存。

Ann Cutting

採取垂直整合策略的公司，往往擅長建立全新的連結，將分散於各孤島的數據和流程連結起來，進而找出其他公司看不見的模式和效率。當AI部署在一整個高度控制的系統時，點與點之間的連結能力（不論是物流和訂價之間，或是營運與預測之間），就會成為獨特的競爭優勢來源。

再次強調，切勿超越自身能力。即使是營運良好的公司，也可能因為野心超過執行力而失足。例如，奇異（GE）希望藉由自家的Predix平台，搖身成為工業AI領域的微軟（Microsoft）。這個平台的目的是要把各項機械設備的數據分析連結起來，包含渦輪機、火車頭、醫療設備等。然而，數據分散各個孤島、內部人員抗拒、缺乏連結軟體，以及領導層更迭，在在阻礙Predix的推出。在投入超過40億美元後，奇異縮小推出平台的野心，並將奇異數位（GE Digital）的許多業務分拆出去。

3. 協作生態系統：運作整個網絡

有些公司身處技術複雜的生態系統，卻無法控制它們的解決方案最後如何進入市場。在這個象限，AI的成功不是靠單打獨鬥，而是靠建立策略合作關係，也就是一起分擔創新風險，並共用基礎設施和專業能力。這些公司往往處於步調迅速的高科技產業，但執行的槓桿並沒有完全掌握在自己手上：它們必須仰賴監管機構、研究人員或平台伙伴，才能觸及終端使用者。它們的優勢在於合作：共用平台、共同開發工具，以及互相結盟，來協調各方誘因，而非只是各方時程。

以諾華（Novartis）和微軟為例，這兩家公司不只建立合作關係，更共同打造一座AI創新實驗室，以加快藥物探索和開發的速度。雙方合作的重點是一套機器學習模型，經過訓練後能夠預測分子行為、找出潛在治療標靶，並最佳化臨床試驗程序。例如，這座實驗室的工具就曾協助諾華找出新的生物標記組合供腫瘤試驗使用，將試驗的設計時間縮短超過30％。這項合作之所以成功，不只因為彼此共用技術，更因為彼此目的相同、共同開發基礎設施，以及全力投入科學與營運的整合。

BMW集團和英特爾（Intel）、Mobileye結盟，是另一個極佳的案例。三方各自貢獻所長（運算能力、電腦視覺、車輛整合），以開發自動駕駛解決方案。它們合力開發的原型車已經在德國高速公路進行測試，在受到控制的條件下展現安全、無需手控的駕駛表現。這樣的成果，沒有任何一方能獨自完成。

接著看輝瑞（Pfizer）在新冠疫情期間和德國生技公司BioNTech的協作實例。BioNTech的AI模型在幾天之內篩選超過一萬種mRNA候選分子，最後選出BNT162b2配方成為疫苗。輝瑞在全球的監管與製造能力，得到AI工具的強化，加快了生產與審核的流程。兩家公司攜手合作，將一次豪賭化為歷史性的成就。

如同這些例子所示，這個象限最有條件取得重大發現，也就是說，這些初期的突破能夠重塑科學、技術或醫學。不過，沒有協調就沒有發現。如果治理架構不明確、文化彼此衝突，或目標不一致，就算工具再有潛力，最終也可能失敗。相反地，如果各方深度整合——知識、誘因和執行都是共同設計——成果就會改變全局。這個象限的AI要成功，除了協作之外，一致性與攜手合作的方式更是關鍵。

要讓AI合作關係取得強大的綜效，整合就不能只停留在新聞稿上。IBM和安德森癌症中心（MD Anderson Cancer Center）高調協作，目的是要以自家Watson驅動的腫瘤專家顧問（Oncology Expert Advisor）系統，來革新癌症的照護。雖然技術的成果深具潛力，這項專案卻在組織與整合方面遇到不少挑戰。實際執行困難重重，系統始終走不出試行階段。專案最後停滯不前，原因不在於缺乏野心，而是雙方的合作關係難以整合技術、數據和臨床實務。

4. 平台領導地位：形塑規範

位於兩個維度前端的公司（技術廣度大、價值鏈控制力高），不只會因應變革而調整，更會形塑變革。它們除了打造產品，也會建立基礎設施和生態系統。這是適合統整的領域：制定標準、開放API，以及設計可以讓其他人進一步發展的系統。

以彭博社（Bloomberg）推出的BloombergGPT為例來說，它是專為金融領域打造的大型語言模型，用來訓練的數據超過7千億個詞元（token）。它不只是技術升級，更是具有策略意義的行動，藉此定義下一代的金融AI。BloombergGPT和通用模型不同，它的訓練數據獨家融合了財務文件、法說會及專有數據集，讓它能夠摘要收益報告、自動分類新聞，並協助建立風險模型——所有功能都在彭博社緊密整合的終端生態系統中。彭博社這項服務的重點不只是生成式AI，更是在樹立新的業界標準。

西門子醫療（Siemens Healthineers）在醫學影像領域也取得類似的平台領導地位。它的AI-Rad Companion套裝服務直接和醫院的系統整合，可以自動分析X光、電腦斷層掃描及核磁共振影像，標出異常的地方。系統以超過4億張掃描影像訓練而成，並在60多國提供美國食品藥物管理局許可（FDA-cleared）的成果，不但提升診斷的準確度，也簡化臨床的工作流程。西門子不只銷售AI工具，更塑造醫院運用這些工具的方式，並樹立新的照護標準。

微軟的AI平台策略，結合了基礎設施、工具，以及生態系統的統整。受過數十億行程式碼訓練的GitHub Copilot，如今以它支援的語言，撰寫多達40％的程式碼。Microsoft 365將AI助手嵌入Word、Excel、Teams，正重新定義工作執行方式。而微軟憑藉Azure OpenAI服務，也已成為企業級生成式AI的骨幹。重要的是，它建立這樣的領導地位，原因不只在於它提供的技術表現，更在於它的治理、透明，並與企業顧客密切配合。

位於這個象限的公司，能夠跨越不同地域、產業和領域，偵測微弱的訊號和嶄新的模式，因此能夠進軍看似遙遠的領域。平台領導者憑藉自身的規模、數據，以及架構延伸力，不只能見人之所未見，更能搶在所有人之前採取行動。

不過，架構延伸力也伴隨著風險。既然有能力形塑產業，就必須扛起更大的責任，取得並維持伙伴、監管機構與終端使用者的信任。在這個象限內的失敗，很少是因為技術不夠強大。例如，Google以自家的DeepMind Health進軍醫療AI領域時，負責團隊曾和英國各家醫院合作開發診斷模型，並以真實病患數據來訓練這些模型。從技術的角度來看，這項專案深具潛力。然而，當外界得知DeepMind沒有取得適當的同意，就取用數百萬筆英國國民保健署（NHS）的病歷時，輿論一片嘩然。這項計畫後來併入Google Health，就此失去動能。它的失敗不是因為演算法，而是因為信任遭到破壞。

讓員工參與

對於以上4種策略來說，關鍵的挑戰全都不是技術，而是人。許多AI計畫之所以失敗，不是因為底層的演算法不強，而是員工抗拒使用這些工具。根據前文援引的Writer企業調查，31％的員工承認自己主動抵制公司的AI計畫，原因往往是害怕自己會被取代。甚至每十人就有一人表示，曾進一步篡改績效指標，或故意產出低品質的成果，妨礙公司導入AI。

蘋果裝置租賃公司Rent a Mac推出一套AI驅動的庫存管理系統時，員工深感焦慮，導致系統延誤7週上線，損失大約8.5萬美元原本預期省下的效率。但公司後來指派幾位AI大使示範實際用例，員工的參與度在短短幾個月內就增加為3倍，從31％提升為89％。透明、對話、親身體驗，成功扭轉了原先的看法。高露潔－棕欖（Colgate-Palmolive）也體認到員工參與的重要性，因此它推出內部使用的AI Hub，讓員工不必具備程式設計經驗，就能開發自己的AI助理，數量多達數千個。結果不只改善工作流程，也得到員工的認同。只要員工覺得公司的未來有他們，他們不但不會害怕，還會協助打造未來。

在AI驅動的組織中，經理人的角色正在轉變。他們除了協調人力，現在還必須協助團隊學習與演算法協作，包括解讀機器提供的見解、重新設計工作流程，並將技術進步轉化為人的進步。這往往需要文化變革，讓員工可以進行實驗、快速失敗、即時學習。

最成功的組織不會把AI當成答案，而是當成問題：我們要怎麼才能更聰明地合作？到最後這代表有些組織會同時出現在4個象限中。我們來看看這會是什麼樣子。

在AI時代領先群倫

乍看之下，寶僑（P&G）可能是垂直整合的典型案例。（寶僑是Iprova的客戶，而本文其中兩位作者賴特和諾蘭皆任職於Iprova。）從研發實驗室、製造工廠，一直到零售端的執行，寶僑控制了完整的流程，因此能將AI深深嵌入營運的核心。公司使用微軟的Azure IoT Operations，因而能將新機器學習模型部署到工廠需要的時間縮短高達90％，讓預測型演算法能夠監控機器震動和溫度數據、預測設備故障，並持續最佳化生產作業。

除了營運之外，寶僑也將AI精準應用到關鍵的地方。Oral-B iO電動牙刷利用感測器和即時的機器學習，指導使用者刷牙技巧，來改善口腔清潔的效果。汰漬（Tide）背後的團隊則運用AI來加速配方測試，將測試時間從數個月壓縮到短短數週。這些做法都是典型的重點式差異化策略——範疇狹窄，但影響深遠。

在公司外部，寶僑則透過各種機制，積極培養協作生態系統。例如長期運作的Connect + Develop平台，就是一個開放的創新網絡，協助寶僑開發出各種AI驅動的工具，像是Olay Skin Advisor，它能分析消費者自拍照片，然後推薦合適的肌膚保養方案。寶僑也打造一套獨家的消費者脈動系統，整合社群媒體、顧客服務、商品評論、零售資料等不同來源的訊號，讓寶僑不只能回應市場趨勢，更能形塑市場趨勢。

寶僑之所以與眾不同，在於它刻意布局所有4個象限：聚焦在AI能夠立即提供價值的地方；在規模能夠提升績效的地方進行整合；在需要能力互補的地方建立合作關係；建立平台，讓自己在重要的生態系統中居於核心地位。寶僑採取這些做法，揭示出一個更深刻的真理：策略或許從一個象限開始，但成功必須透過一整套系統才能取得。

＊＊＊

贏得未來十年的，不會是推出最多試行計畫的公司，而是知道如何擴大規模的公司。這代表你要將野心化為行動——選擇合乎組織現狀的策略、賦權員工、根據真正能控制的領域來導入AI。因為說到底，AI不是策略，而是落實策略的工具。所以請提出棘手的問題：我們可以施力的點在哪裡？我們可以迅速採取行動的地方在哪裡？我們有能力實現哪種創新？AI也許可以產出見解，但只有組織才能把見解轉化為成果。通用汽車和蘋果之間的差異，不只在於技術，更在於支撐技術的系統。打造出正確系統的公司，就能讓野心合乎執行力，進而走出試行，開始領先群倫。

【延伸思考】

Q1：為什麼公司投入了大量資源在AI研發，最後卻無法轉化為真正的生產力？

A：關鍵在於「野心與現實的落差」。許多企業在制定AI計畫時，往往只看見AI的潛力，卻忽視了公司現有的供應鏈或製造系統是否能負荷。例如，通用汽車（GM）曾利用AI設計出更輕、更強的零件，卻因現有系統只能處理傳統材料而無法投入生產；真正的成功不在於AI能做什麼，而在於你的組織系統「能執行什麼」。

Q2：面對眼花繚亂的AI科技，企業該從哪些維度評估最適合自己的導入路徑？

A：企業應先從「價值鏈控制力」與「技術廣度」這兩個方向為組織把脈。文章提出了4種精準導入的策略，建議領導者先釐清自身定位，才能避免盲目跟風投資，確保AI策略能與組織現實接軌，避免投資打水漂。

Q3：像蘋果（Apple）這類能成功將AI轉化為商業專利的企業，其核心優勢是什麼？

A：成功的企業不只具備大膽的構想，更擁有「能執行構想的系統」。以蘋果為例，他們在開發AI最佳化的「超透鏡」時，能將機器學習、材料科學與半導體製程高度整合。這意味AI 的成功不只是技術導入，更涉及組織內部跨領域技術的整合與執行力。

文章來源：哈佛商業評論 2月號