Vista電子報 No.130：企業導入 AI 最貴的死法，是買了沒人用
Moderna 先做了一個堪用的版本，才去買好用的 AI 工具。這個順序，比任何功能版本的比較表都關鍵。
企業導入 AI 最常見的死法，其實不是選錯了昂貴的工具，而是買了之後沒人用，最後只好束之高閣。
授權買了、帳號開通了、教育訓練也辦完了。三個月後打開後臺一看，週活躍使用者不到一成，而且集中在原本就會自己摸索的那幾個人身上。
老實說，這並不是個案。市場觀察指出，約有八成八的 AI 測試專案從來沒有進到正式生產環境，真正達到預期投資報酬的大約只有四分之一。換句話說，你聽過的那些 AI 導入成功故事，在統計上是少數派。
這一期電子報，我想跟大家談一家通過了這道關卡的公司，以及它做對的那個順序。
它先做了一個自己的版本
Moderna（莫德納）大家應該都不陌生，就是那家做 mRNA 疫苗的生技公司。2023 年初，它用 OpenAI 的 API 做了一個內部聊天機器人，叫 mChat。
這件事的關鍵不在技術，而在時序：那時候，他們還沒有買 ChatGPT Enterprise。
而 mChat 的採用率超過八成。
這個案例很有意思的地方，在於他們花大錢採購之前，這家公司已經有八成的員工養成了有問題就先去問那個東西的習慣。等到後來要導入正式的企業版，他們要處理的不是怎麼讓大家開始用，而是怎麼讓已經在用的人換一個更好的介面。
這兩個問題的難度，剛好差了一個量級。
多數企業在導入 AI 時，順序正好相反：先採購、再公告、然後辦訓練，接著期待習慣自己長出來。
但很殘酷的事還在後頭，因為習慣不會自己長出來。因為在使用者眼中，那是一個由上而下命令下來的、跟自己現在的工作沒有明確關係的東西。人們通常不會為了配合政策而改變自己的工作方式，只會為了讓今天下班早一點而有所改變。
Moderna 等於是先用一個簡易的版本，把需求與習慣養出來，再讓正式工具去接手一個已經熱起來的市場。
選型的判準，不是功能對照表
要不要繼續發展 mChat，還是改用 ChatGPT Enterprise，他們並沒有靠簡報決定。
負責 AI 產品與平臺的 Brice Challamel 說得很直白：身為一家以科學為本的公司，他們什麼都要研究。所以團隊做了大規模的使用者測試，把 mChat、微軟的 Copilot 與 ChatGPT Enterprise 三者放在一起比較。
他們用的判準是淨推薦分數，不是功能對照表。
這一點，值得我們停下來想想。
多數企業的抉擇，取決於採購部門所做的比較表：某些特定功能有沒有、價格多少、資安過不過？這些當然都要問，但它們回答不了唯一真正決定成敗的那個問題：這群人到底想不想用。
一個功能強大的工具，如果同仁用了三次就放棄，那它的實際功能是零。
Moderna 的結論是 ChatGPT Enterprise 的淨推薦分數高得離譜，於是他們全押這一個。
Challamel 用一句話，就把整套邏輯講完了：他們從來不是來裝滿一個桶子，而是來點一把火。
裝水是把工具發下去、把課上完、把使用率報表交上去；點火則是讓某一個人做出一個東西，然後隔壁同事看到之後說，這個給我用一下。
前者是專案，會結案。後者是擴散，會自己生長。
目標寫的是採用率，不是導入完成
這是整個案例裡，我覺得最有意思的地方。
Moderna 給自己訂的目標是：六個月內，讓所有有數位工具權限的員工，達到百分之百的採用率與熟練度。
請注意後面那兩個字，熟練度。不是開通帳號，也不是上過課，而是熟練。
這個差別很實際：
當 KPI 是採用率，你的所有資源會流向那些還沒開始用的人。
當 KPI 是導入完成，你的資源會流向系統本身。
如果驗收標準是系統上線，那專案在上線那天就結束了。如果驗收標準是採用率，專案在上線那天才開始。
為了那個目標，他們的做法分三層：
個人層，深度的研究與傾聽計畫，實體與線上訓練，還有專屬的 AI 學習夥伴。他們的說法是，用 AI 來教 AI 是成功的關鍵。
集體層，這一層最有意思。他們辦了一場提示詞競賽，從中找出全公司前一百名的重度使用者，把這群人組成內部的生成式 AI 冠軍團。接著在每一條業務線、每一個地區開設辦公室時間，任何人都可以帶著問題來問。內部還有一個 AI 論壇，每週有兩千名活躍參與者。
結構層，執行長與經營委員會親自參與，透過主管會議與全員大會建立文化，並搭配獎勵制度。
我想特別點出一件事：那一百名冠軍是比賽選出來的，不是指派的。
這個差別很大。指派的種子人員，通常是各部門主管派出來開會的那個人；但透過比賽遴選出來的優勝者，則是本來就在瘋狂使用、擋都擋不住的那個人。
前者需要被推動，後者本身就是推力。
三千個 GPT 不是重點，四成才是
導入 ChatGPT Enterprise 兩個月後的數字是這樣的：
全公司建立了 750 個自訂 GPT，每位使用者每週平均對話 120 次，法務部門採用率百分之百。後來這個數字繼續長，內部累積的自訂 GPT 超過三千個。
但整組數字裡最重要的，其實是另外一個：
週活躍使用者中，有四成自己動手建過 GPT。
一般企業衡量採用率，看的是有多少人用過？老實說，那個數字很容易灌水，登入一次就算。但 Moderna 看的是有多少人動手打造過東西？
從使用者變成建造者，是一道很難假裝的門檻。因為它需要你先對自己的工作有想法，知道哪一段重複、哪一段浪費、哪一段可以交出去。
一個員工做得出一個自訂 GPT，代表他已經把自己的工作流程想過一遍了。這件事比工具本身值錢。
最激進的一步，是更動了組織圖
真正讓這個案例跟其他公司拉開距離的，不是那三千個 GPT，而是組織圖的更動。
Moderna 把人力資源與資訊技術兩個部門合併成一個，設立了一個新職位叫 Chief People and Digital Technology Officer。
而且接下這個位子的是原本的人資長，居然不是技術主管。
有評論者指出，這個人選本身就是訊息：技術服務於人，不是反過來。
這一步的邏輯，其實很直接地傳達出某種意涵：當 AI 成為執行工作的一部分，而不只是支援工具，那麼這件事該找一個人來做、還是該做一個 agent，就變成同一個決策。而在傳統組織裡，這兩個問題分別由兩個互不往來的部門管，中間隔著預算科目、隔著年度計畫、隔著彼此的地盤。
合併之後，Moderna 思考組織的方式也跟著換了：不再從職能出發，而是把公司看成一連串需要被安排的任務，然後逐項問，這該由人做、該由機器做、還是該由兩者用某種方式一起做。
不為人知的那一面
這篇文章並不是廠商的宣傳廣告，所以有幾件事必須跟大家說清楚。
第一，還是有人被裁員。這次組織調整裁掉了約一成的技術人力，大約五十人。值得注意的是被裁的是技術部門，不是其他部門。有評論者認為這反而說明了一件事：如果導入 AI 的主要目的是縮減人力，被裁的不會是這一群。
第二，初階職位的學習曲線是個真問題。GPT agent 接手了部分原本由資淺人員處理的工作，尤其在人資端。省下的時間是真的，但年輕員工原本從那些瑣事裡學到的東西，之後要從哪裡學，目前尚無答案。
第三，Moderna 的條件很難複製。它有技術基因、有疫情期間累積的變革肌肉、有實驗文化，還有一個會親自下場的執行長。有位評論者講得很好：你可以抄走一切，除了讓它成立的那個脈絡。
我把這幾點放進來，是因為只講漂亮數字的案例分析沒有用。大家需要知道哪些能抄、哪些不能，才知道自己要從哪裡下手？
三篇放在一起看，是一組完整的檢查
這篇是我在 inno.tw 寫的企業拆解系列第三篇。三篇連起來看，剛好是一條線上的三個點。
Shopify 與 Duolingo 那篇問的是：你的政策背後有沒有東西在跑。2025 年 4 月，兩家公司相隔三週發出內容幾乎相同的 AI 政策備忘錄，一份被其他公司當成範本抄，一份被炎上到必須清空社群帳號。差別不在政策寫了什麼，而在發信之前的那四年。
Klarna 那篇問的是：你的指標設對了嗎。流傳最廣的版本是這家公司裁掉七百人換 AI，品質崩壞後只好把人請回來。查證之後，這句話裡幾乎每一段都不準確，而真實的版本對正在評估 AI 導入的企業有用得多。
Moderna 這篇問的是：指標設對之後，長什麼樣子？
三件事，其實呼應同一句話：先有實作，才有政策；先有正確的指標，才有正確的設計；先有人想用，才有工具好不好用的問題。
順序做反了，任何一步都會變成空洞的表演。
以上是我從原文抓出來的骨架，但很多細節這裡放不下：三層變革管理的實際做法、Dose ID 與法務合約 GPT 的實際樣貌、那場提示詞競賽怎麼辦，以及三篇之間更完整的對照。完整版在這裡，歡迎連過去看。
四個你今天就能檢查的問題
如果貴公司正好有一個買了沒人用的 AI 工具，以下這四個問題可以思考一下：
第一，你的 KPI 寫的是導入完成，還是採用率與熟練度？這一題決定後面所有資源的流向。
第二，你有沒有先養出需求再去採購？如果還沒買，考慮先做一個很簡單、甚至有點難用的版本讓大家先玩。如果已經買了，那就找一個小單位重新執行一次這個順序。
第三，你的內部種子是指派的，還是自己冒出來的？辦一場比賽、看後臺數據、問問誰在瘋狂使用，找出那批擋都擋不住的人，然後給他們身分與舞臺。指派來開會的那個人，帶不動任何東西。
第四，你的成功指標裡，有沒有一項是有多少人自己打造過東西？用過跟打造過，是兩件不同的事情。前者可以被推動，後者只能被激發。
如果你們卡在第一題
這幾年我用一個人加上一套 AI 工作流，同時維運寫作、產品、課程、學習與實驗好幾條產品線。數個獨立網站、名單系統、金流、自動化序列、數十個自建工具，全部由我一個人維運。
現在，我把這套做法帶進企業。
不過，我要先說清楚某些不適合的情況：如果大家要的是一份可以拿去交差的報告、只想聽一場帶有激勵性質的演講，或是把整批人力換成 AI 的方案，那就不是這項服務的初衷。這套做法需要內部至少一位願意動手的人，如果沒有那個 key man，即便任何再厲害顧問可能都沒有用。
如果條件對得上，起手式是半天的 AI 創新診斷。邀請關鍵人員一起進來，盤點哪些流程真的能交給 AI、哪些不能，產出一頁式導入路線圖，含優先順序與預期阻力。費用在後續陪跑約，可全額折抵首月。
先搞清楚卡在哪裡，再決定要不要花更多錢？這個順序跟 Moderna 那個案例，講的是同一件事。
順帶一提
inno.tw 是我七月底開的新站，目前有兩條軸線：
拆解，每週 1 至 2 篇深度案例剖析。除了上面三篇企業向的，還有日本兩間創新事務所的分歧、Nendo 怎麼用三十幾人同時做四百個設計案、一人公司真正的破功點。
訊號，則是每兩週一批的短情報。
站上幾乎沒有寫死的統計數字，文章數、工具數或更新時間全部在每次建置時重新抓取各站的公開端點。原因很簡單：靜態文案誰都能寫，會自己變動的數字才是真實的證據。歡迎大家去逛逛：inno.tw
我們下期電子報見。
Vista 敬上