AI 試點成功，不代表企業已經準備好大規模導入 AI。

許多企業都有類似經驗：一個 AI PoC 成效不錯，展示也順利，但當應用要從單一部門擴展到跨部門、從單一情境延伸到完整業務流程時，進度卻開始放慢。

真正的瓶頸，往往不只是 AI 模型或工具本身，而是企業是否具備支撐 AI 規模化所需的資料、系統、流程與治理能力。

NTT DATA 於 2026 年 9 月發布《Salesforce Agentic Enterprise Report》，針對 18 個國家、1,525 位企業領導者進行調查。研究顯示，98% 的受訪組織已在使用 AI，但僅 47% 的組織能讓 AI 工作流程跨部門串聯，真正具備企業級協同執行能力的組織則只有 21%。

這些數據並不代表台灣企業的整體現況。由於調查對象主要來自 Salesforce 生態系，且涵蓋多個國家，因此更適合作為觀察企業 AI 規模化的參考，而非直接套用的市場基準。

然而，報告所揭示的問題，對正在推動 AI 轉型的台灣企業仍具有高度參考價值：

當 AI 要從「試點」走向「企業級應用」，企業是否已經準備好？

以下五道關卡，可以協助企業快速檢視目前的 AI 規模化條件。如果想直接使用，可以跳到文末的「五道關卡：企業 AI 規模化快速檢核表」。

本文說明：「五道關卡」、各關的檢視問題與檢核表，是依據報告重點整理的閱讀架構與實務建議，並非報告所定義的正式成熟度模型或評分標準。

第一關：資料有沒有明確的權責？

AI 不只是需要更多資料，更需要可信、可取得，而且有人負責的資料。

根據 NTT DATA 的研究，僅有 17% 的受訪組織具備一致且可用的可信資料。研究也指出，具備明確資料權責的組織，在多項 AI 能力上達到企業級成熟度的機率更高。

對企業而言，資料治理不代表一定要把所有資料集中到同一個平台。

更重要的是，當 AI 在特定情境下需要做判斷時，企業是否清楚：

• 哪一份資料是可信來源？
• 不同系統的資料不一致時，哪個系統是主要依據？
• 資料多久更新一次？
• 誰負責資料品質？
• 發現資料錯誤時，誰可以修正？

例如，當 AI 協助客服回答「為什麼訂單延遲」時，它可能需要同時查詢訂單、庫存、物流與客服系統。

如果不同系統的資料定義不同、更新時間不同，甚至沒有人能確認哪一份資料才是正確的，那麼再強的 AI，也可能只是更快速地產生不可靠的答案。

因此，企業需要思考的不是「我們有多少資料」，而是：

AI 能不能在正確的時間，取得可信的資料？

這是 AI 從實驗走向企業級應用的第一個基礎。

第二關：系統有沒有真正連起來？

AI 能不能完成一項工作，往往取決於它能不能跨越企業既有的系統邊界。

以客戶服務為例，當客戶詢問訂單延遲時，AI 可能需要同時取得 CRM、ERP、庫存及物流資訊；如果後續還需要進行補貨、修改訂單或建立客服案件，就必須進一步與相關系統串接。

如果 AI 只能讀取資訊，卻無法觸發後續動作，最後仍需要員工複製、貼上、重新輸入，企業得到的可能只是「更聰明的查詢工具」，而不是完整的流程自動化。

NTT DATA 的研究指出，系統整合程度與 AI 擴大應用的能力具有明顯關聯。研究中，整合程度較高的組織，自動化超過四分之一客戶流程的機率較高；系統整合不足的組織，也更容易讓 AI 應用停留在試點階段。

以下為本文觀察：對台灣企業而言，這也是值得進一步思考的問題。許多企業的資訊環境同時包含 ERP、CRM、MES、SCM、資料平台及其他專業系統。當 AI 開始跨系統執行工作時，既有系統之間的整合程度，也會直接影響 AI 能否進一步擴大應用。

因此，企業需要重新檢視：

AI 需要什麼資料？資料從哪裡來？AI 做完判斷後，又能不能真正執行下一步？

AI 的能力，往往受限於它能取得什麼資料，以及它能執行什麼動作。

第三關：流程有沒有重新設計？

AI 導入最常見的情況之一，是把 AI「放進」既有流程，卻沒有重新思考流程本身。

例如，原本員工需要花 30 分鐘整理資料，導入 AI 後縮短為 10 分鐘，確實帶來效率提升。

但如果後續流程完全沒有改變，員工仍然需要按照原本的方式逐步處理，那麼企業可能只是讓其中一個步驟變快，而不是重新設計整條流程。

真正的 AI 轉型，需要從端到端流程開始思考。

例如，從「詢價 → 報價 → 接單 → 生產 → 交付 → 收款」整條流程來看：

哪些步驟適合由 AI 協助？
哪些決策仍需要人工判斷？
哪些工作可以自動執行？
哪些流程可以因此被簡化？
導入 AI 後，人員的角色是否也需要重新定義？
NTT DATA 的研究顯示，在 AI 已經實質改變營運方式的組織中，有較高比例正在積極重新設計流程；相較之下，仍停留在試點階段的組織，較少從端到端流程重新思考 AI 的角色。

因此，企業真正應該問的問題，不只是：

「我們可以在哪裡使用 AI？」

而是：

「如果 AI 已經成為流程中的一員，我們應該如何重新設計這條流程？」

第四關：有沒有人負責，也有沒有衡量方式？

當 AI 從「提供建議」進一步走向「執行工作」，企業就必須回答一個基本問題：

如果 AI 做錯了，誰負責？

NTT DATA 的研究顯示，僅有部分受訪組織已建立跨部門的 AI 責任歸屬、績效指標與相關培訓機制。

這代表，AI 規模化並不只是 IT 部門的工作，而是涉及業務、IT、資料、資安、風險管理與人力等不同角色的企業級議題。

以下為本文整理的建議，非報告所列的正式清單。企業在推動 AI 規模化時，可以進一步檢視：

• 明確的業務負責人
• 清楚的 IT、資料與 AI 責任分工
• AI 表現的監測機制
• 異常與事件處理流程
• 使用者及員工的 AI 協作訓練
• 與業務成果連結的衡量指標

同時，AI 的成效也不應只用「省下多少工時」衡量。

企業更應該關注：

• 回應時間是否縮短？
• 服務品質是否提升？
• 錯誤率是否下降？
• 單位成本是否降低？
• 客戶體驗是否改善？

尤其當 AI Agent 或相關服務採取依使用量計價時，每一次不必要的模型呼叫、資料查詢或後續動作，都可能轉化為額外成本。

因此，企業衡量 AI 的方式，也需要逐步從「使用了多少 AI」，轉向「AI 創造了多少可衡量的業務成果」。

第五關：AI 的自主化，有沒有清楚的規則？

當企業開始導入 AI Agent，問題就不再只是：

「AI 能不能回答？」

而是：

「AI 可以自己做什麼？」

例如：

• 哪些案件可以由 AI 自動處理？
• 哪些情況必須轉由人工？
• 哪些動作需要主管或特定角色核准？
• AI 遇到例外狀況時應該怎麼處理？
• 如何留下完整的操作與決策紀錄？

NTT DATA 的研究顯示，目前允許 AI 自動觸發後續行動的組織仍占少數。但研究也觀察到，較成熟的組織並非因為降低準確度要求，而是因為已經建立相對完整的治理、角色與流程，因此更有條件逐步提高 AI 的自主程度。

這帶出一個重要觀念：

自主化的前提是治理，而不是跳過治理。

企業不需要一開始就讓 AI 完全自主。

以下為本文整理的實務思考方向，非報告中的正式框架：

更合理的方式，是先定義 AI 的授權範圍，再逐步建立：

規則 → 權限 → 監控 → 例外處理 → 人工接管

當這些機制逐漸成熟後，再依據實際成效與風險，逐步擴大 AI 可以自主執行的範圍。

這樣的思維，也與台灣目前的 AI 治理方向相呼應。《人工智慧基本法》已於 2026 年 1 月 14 日公布，並自公布之日起施行，其中將隱私與資料治理、資通安全與安全性、透明與可解釋、公平與不歧視、問責等列為 AI 發展與應用的重要原則。

對企業而言，AI Agent 的自主化因此不只是技術問題，也是治理與營運模式的問題。

五道關卡：企業 AI 規模化快速檢核表

如果企業正在評估某個 AI 應用是否適合擴大，可以先用以下問題進行快速自評。

每題回答「是」得 1 分，「否」得 0 分。總分不是成熟度評等，而是協助團隊快速找出需要優先討論的面向。

1. 資料權責

• 這個 AI 應用所使用的關鍵資料，都有明確的資料負責人。
• 當不同系統的資料不一致時，團隊知道哪個系統是主要依據。

2. 系統整合

• AI 所需要的資料，可以自動取得，不需要依賴人工匯出、整理與上傳。
• AI 完成判斷後，可以直接觸發後續系統動作，不需要員工重新輸入。

3. 流程重設

• 我們是從完整的業務流程出發，而不是單純從 AI 功能出發。
• 導入 AI 後，流程中的角色、工作步驟與人機分工已經重新設計。

4. 治理與責任

• 這個 AI 應用有明確的業務負責人，發生問題時知道由誰處理。
• 至少有一項與業務成果相關的指標，並且定期檢視。

5. 自主化規則

• 哪些情況 AI 可以自行處理、哪些情況必須轉人工，已經有明確規則。
• AI 發生例外或無法判斷時，有清楚的升級與人工接手流程。

如何看待檢核結果？

總分最高為 10 分。

不過，總分並不是最重要的結果。

真正值得關注的是：哪一道關卡最弱？

五道關卡之間具有一定的依賴關係。

資料與系統整合，是流程自動化的重要基礎；流程重新設計後，才更容易建立合理的責任與衡量機制；而當治理與責任逐漸成熟，企業才有條件進一步提高 AI 的自主程度。

因此，如果第一、二關仍然偏弱，與其急著擴大 AI Agent 的自主執行範圍，不如先處理資料與系統整合問題。

從「導入 AI」走向「企業級 AI 執行」

AI 導入的下一個階段，可能不只是增加更多模型、工具或 AI 應用。

真正的挑戰，是讓 AI 能夠在企業既有的資料、系統與流程中可靠地運作，並且能被衡量、被治理，也能在需要時由人接手。

因此，企業在思考下一個 AI 專案時，可以先問五個問題：

1. 資料可信嗎？
2. 系統連得起來嗎？
3. 流程需要重新設計嗎？
4. 誰負責，又要如何衡量？
5. AI 可以自主做到什麼程度？

這五個問題沒有標準答案，也不代表企業必須一次完成所有準備。

但它們可以提供一個共同的起點，協助企業從「AI 試點」進一步思考：

如何讓 AI 真正成為企業營運的一部分，並在可控的前提下持續擴大規模？

延伸閱讀

NTT DATA｜Salesforce Agentic Enterprise Report
https://www.nttdata.com/en-us/insights ... agentic-enterprise-report

研究說明：

本文主要整理 NTT DATA《Salesforce Agentic Enterprise Report》之研究觀察，並依台灣企業情境重新編排。原研究調查 18 個國家、1,525 位企業領導者，受訪者主要來自 Salesforce 生態系，因此相關數據不宜直接視為台灣企業的普遍基準。企業實際導入 AI 時，仍應依產業特性、資料環境、系統架構、法規要求與自身營運模式進行評估。