企業導入 AI 卡在哪？5 個步驟＋每階段費用與過關判斷

很多人一開始就問「我該從哪裡開始」。用「買了幾套工具」判斷會失準，因為買了不用的公司太多了。我實際在用的判準只有一個：把它停掉，會不會有人來找你。

從上往下勾，第一個勾不下去的那一項，就是你現在的位置。

□ 階段一過關：團隊裡超過一半的人，這週至少用 AI 處理過一件正事（不是玩），而且說得出自己拿它做了什麼任務。

□ 階段二過關：至少有一條流程是自動跑的。如果今天把它關掉，24 小時內會有人來問「那個怎麼沒跑」。

□ 階段三過關：公司有一套外面買不到的東西在運作——它讀得到你們自己的資料，換一家公司就不能用。

□ 階段四過關：有任務是系統自己啟動的，不需要人按開始，而且做完會主動把結果送到人面前。

□ 階段五過關：核心資料在自己手上。主要供應商漲價或收掉服務時，你估得出換掉要花多少錢、多久，而不是只能接受。

不用往下看太遠。下一階段永遠比下下階段重要——我看過太多公司在還沒過第一關時就在討論要不要做 Agent，那個討論注定沒有結論，因為缺的資訊要靠使用才會長出來。

用現成 AI 工具解決思考、研究、產出的日常任務。這一步門檻最低，目標很單純：讓團隊敢用、會用，先建立信心。

星期一早上會看到什麼不一樣：週報不再從空白頁開始，而是先有一版草稿再改；客訴回信先讓 AI 出三個語氣版本，人挑一個再修；會議還沒散，記錄與待辦已經整理好貼進群組。差別不在誰比較厲害，在於每件事的起點從 0 變成 60 分。

卡住的徵兆（可以直接對照）：付費帳號開了但月活躍不到一半；沒有任何一份提示詞是全公司共用的，每個人都在重新發明；只有老闆和一兩位同事在用；問同事「你這週用 AI 做了什麼」，答不出具體任務只答「有在用」。

最常見的失敗方式：這裡失敗的幾乎都是行為問題，不是心態問題。第一種是辦了一場兩小時的教育訓練，然後就沒有然後了，沒有指定任何一件既有工作改用 AI 做。第二種是公司公告「大家可以用 AI」，但沒說哪些資料能貼、哪些不能，員工怕出事，最後只拿它問天氣。第三種是老闆自己不用，只要求員工用。

要花多少、多久（行情參考值）：這階段幾乎不用開發，成本就是訂閱費。以 ChatGPT 為例，官方訂閱價 Plus 每月 20 美元、Business 每席每月 25 美元（2026 年 8 月查詢；OpenAI 以美元計價，實際台幣扣款依匯率與海外交易手續費而定），換算下來一人每月數百元台幣。實務上我建議先開 5 到 10 個帳號給最會抱怨流程繁瑣的人，而不是全公司一次開。時間抓 4 到 8 週。

過關的判準：除了上面的自評條件之外，還有一個更好的訊號——開始有人抱怨「這個工具做不到某件事」「每次都要手動複製貼上很煩」。抱怨是好消息，代表他們用到邊界了，而那個邊界就是階段二的入口。

把重複性的工作串成固定流程並自動化。我常從一件「每天在做、又煩又有規則」的事開始，例如表單進來 → 整理 → 通知，不用人工搬資料。見效快，團隊才會相信。

星期一早上會看到什麼不一樣：表單一送出，資料自己進表、自己分類，該收到通知的人手機就響了；每天上午的摘要準時出現在群組裡，沒有人負責「貼上去」；上週要花兩小時對帳的資料，現在打開就是整理好的。人做的事從「搬」變成「看」。

卡住的徵兆：流程圖畫得出來，但沒有人在維護；自動化只有一個人會改，他請假就沒人敢動；所謂的「自動化」其實是有人每天手動按一次執行；流程壞掉是使用者先發現的，不是系統先通知的。

最常見的失敗方式：第一條流程選錯，是這階段最主要的死法。多數公司會選老闆最在意的那條——通常也是跨三個部門、有五個例外規則的那條，做兩個月做不完，團隊對自動化的信心就沒了。第二種是沒有指定「壞掉時誰負責修」，於是壞了三天沒人管，大家默默走回舊流程。第三種是流程改了卻沒有正式通知使用者，新舊兩套並行，資料開始對不起來。

要花多少、多久（行情參考值）：工具本身不貴。n8n Cloud 的 Starter 每月 20 歐元、Pro 每月 50 歐元（年繳計價），自架的 Community 版免費；Make 的 Core 每月 9 美元、Pro 16 美元、Teams 29 美元（以上皆為兩家官方定價頁，2026 年 8 月查詢）。真正的成本在設定與串接：以常見的「LINE 官方帳號接 API，再用 Make 或 n8n 串起來」為例，台灣市場的建置行情約 3 到 8 萬元，加上每月 1,000 到 3,000 元的訂閱與維運。單一條流程的時程通常 2 到 6 週。

過關的判準：關掉會有人立刻反應。更強的訊號是——第二條、第三條流程是團隊自己提出來的，不是顧問建議的。到這裡，你已經拿回了一部分時間，接下來的問題會變成「有些判斷 AI 做不好，因為它不知道我們公司的事」，那就是階段三。

開始串接自己的資料與邏輯，打造專屬應用，而不只是拼裝現成工具。這一步通常需要開發能力，也是我實際幫客戶做最多的一段。技術上多半會用到 RAG 知識庫，讓 AI 回答前先查你自己的文件。

星期一早上會看到什麼不一樣：新進同事問「這個客戶的合約條款是什麼」，不用等資深同事有空，系統直接回答並附上出處文件；業務在客戶面前查規格報價，30 秒內拿到正確版本，而不是「我回去查一下」。關鍵差別是：答案有出處，而且出處是你們自己的資料。

卡住的徵兆：需求文件寫了三個月還在改；資料散在五個地方，同一件事有三種說法而且沒人有權決定哪個算數；PoC 做完就停在 PoC，沒有人拍板要不要上線；專案會議上談的都是功能，沒有人講得出上線後誰要負責維護。

最常見的失敗方式：拿「我們要一套 AI 系統」當需求去開規格，做出來的東西什麼都能做一點、什麼都不好用。第二種是專案負責人指定給 IT，但真正要用的是業務部，結果驗收時才發現流程對不上。第三種最常見也最貴：資料整理被當成專案外的事，沒排時間也沒排人——我做過的案子裡，前三分之一的時間花在整理資料是常態，不是意外。

要花多少、多久（行情參考值）：單一流程的客製系統約 30 到 100 萬元，時程約 2 到 6 個月。落在區間哪一端，主要看資料狀況與要接幾個既有系統，不太看功能數量。一個實用的做法是：開案前先抽查十份最常被問到的文件，如果同一件事有不同版本，就先把整理工作與時間排進專案，而不是等它變成延期理由。這階段也是我建議開始把權限、紀錄與責任歸屬寫清楚的時候，這部分我另外寫在 AI 治理與風險評估。

過關的判準：上線 30 天後還有人在用，而且使用量沒有往下掉。再加一個：有人開始要求新功能。沒有人提需求的系統，通常代表它已經被繞過了。

導入能自主執行任務的 AI Agent，讓系統從「等人下指令」變成「自己把事做完」。這是效益放大最明顯的一段，也是最容易出事的一段。

星期一早上會看到什麼不一樣：不是你去問系統，是系統來找你——「這三位人選符合 A 客戶上週開的新職缺，要不要發信」「這五張發票的品項對不上採購單，已列出差異」。人的角色從執行者變成審核者。

卡住的徵兆：Agent 做得到，但沒有人敢讓它自己送出；每一步都要人按確認，等於自動化沒省到時間，只是換了個介面；它出錯時，沒有人說得出它為什麼那樣做，因為沒有留紀錄。

最常見的失敗方式：一次給太大的權限——讓它直接對外發信、直接改資料庫，出一次包之後全面停用，這是我看過最可惜的死法。第二種是沒有留下操作紀錄，事後無法回溯，變成不敢用也不敢查。第三種是把它當成「不用管的員工」，沒有人定期抽查產出，三個月後才發現它有一類案例一直判錯。務實的做法是先給單一部門、單一任務、可回復的權限，跑順了再放大。

要花多少、多久（行情參考值）：跨部門的 Agent 系統約 50 到 500 萬元，市場上常見的回收期估算是 12 到 18 個月。但我通常不建議一開始就抓這個規模——先做單一部門的單一任務，用階段三的預算量級驗證，再決定要不要往跨部門走。

過關的判準：有一件事，是系統從頭到尾自己完成、沒有人在中間按過確認，而且連續一個月沒有出錯到需要人善後。只要還做不到這件事，就還在階段三。

掌握數據、用戶與營運，讓 AI 系統變成你的資產，而不是被某個供應商綁架。這階段的重點不是再加功能，是確認前面四階段累積下來的東西真的屬於你。

星期一早上會看到什麼不一樣：新的模型發表，你評估後兩週內換掉，流程不用重寫——因為模型只是可抽換的一層。供應商調價，你有替代方案可以談。資深員工離職，他的判斷邏輯留在系統裡，不是跟著人走。

卡住的徵兆：核心資料放在別人的 SaaS 裡，要導出來只有一份沒有結構的檔案；只有一位外包工程師知道系統怎麼運作；供應商漲價你只能接受，因為換掉的成本你根本估不出來；公司最值錢的判斷邏輯只存在幾個資深同事的腦袋裡。

最常見的失敗方式：把所有流程綁死在單一供應商的專有格式上，當初省下的整合成本，後來會用議價能力還回去。另一種是一直在加新功能，卻從來沒有把顧問或員工的判斷邏輯正式寫下來——人走了，知識也走了，系統只剩空殼。

要花多少、多久（行情參考值）：這階段通常不是新增一筆預算，而是重整既有系統。真正要編列的是「這段時間不做新功能」的機會成本，實務上我看到的多是每季挪出一到兩週處理資料匯出、權限盤點與文件化。

過關的判準：隨便指一個你在用的工具，你估得出換掉要花多少錢、多久、誰來做。估得出來就是主控權在自己手上；「不敢想」就還沒到。

合作過一家獵頭顧問公司（依約定不具名），一開始的痛點很單純——每位顧問每天要看上百份履歷，光篩選就吃掉快半天，能拿來約面試、談客戶的時間反而被壓縮。

階段一：先讓顧問把「寫開發信」「整理面談記錄」交給 AI 做草稿，兩週後開始有人抱怨每天都要重複貼同樣的背景資料——這個抱怨就是往下走的訊號。階段二：把「收到履歷 → 整理成統一格式 → 通知負責顧問」串成自動流程，人不再搬資料。階段三：把顧問判斷履歷的專業習慣整理成 AI 讀得懂的規則，接上公司自己的人選與職缺資料，讓系統能回答「這個人適不適合這個職缺、理由是什麼」。階段四：加上定時任務，讓系統定期分析新履歷、比對在線職缺，主動把合適人選送到顧問手上。

結果是：原本一位顧問一天最多面試 10 位人選、看 100 份有效履歷，現在能做到一天面試 20 位、篩 200 份有效履歷，同樣的人力產能放大一倍。

這裡要誠實講清楚三件事。第一，產能翻倍不等於營收翻倍——成交還是看市場、看客戶決策速度，這不是 AI 能決定的。第二，這個數字是這家公司的結果，不是承諾；同樣的做法在資料更亂、流程更多例外的公司會慢很多。第三，關鍵不在最後那個 Agent，在於前面三階段把判斷邏輯一層一層疊上去了——直接從階段四開始做的話，系統會很會跑，但跑錯方向。

這個案子的招募端細節（怎麼篩、怎麼避免漏掉好人選）我另外寫在 HR 與招募自動化，這裡只當作五階段怎麼走的示範。

FAQ 裡我一直說「不建議跳階段」，這裡把原因講完整。跳階段失敗不是因為運氣，是三個具體的機制。

第一，需求是從使用中長出來的。 沒有經過階段一、二的公司，說不出「該把什麼交給 AI」。開規格時只能憑想像，做出來的東西看起來很全面，實際上每個功能都差一點點。而那個「差一點點」，就是沒人用的原因。

第二，成本結構不對稱。 階段一到二的花費大約是階段三的十分之一量級（幾萬元對上幾十萬元）。用十分之一的成本先確認方向、先知道哪條流程最痛，比直接投入幾十萬安全得多。反過來說，如果連幾萬元的階段二都做不出成效，那更大的投入通常也救不回來——這個資訊本身就很有價值。

第三，沒有內部維護者，系統交付當天就開始腐化。 前兩階段真正的產出不是流程，是團隊裡長出了幾個「看得懂自動化、改得動流程」的人。跳過的話，系統上線後每個小調整都要回頭找廠商，三個月後大家就繞過它了。

唯一合理的例外：公司裡本來就有一群人在重度使用 AI（常見於新創或技術團隊），那階段一是已經過了，不是跳過。判斷方式還是回到上面那份自評——勾得下去就是過了，跟花了多久無關。

中小企業 AI 導入的優勢在前段。 流程單純、決策快，階段一、二常常可以壓在一兩個月內走完，而且老闆自己就是使用者，不用跨部門說服。限制是沒有專職維護者，所以選流程時要選「壞掉看得出來」的——例如通知類、報表類，一停就有人喊。不要選在背景默默跑、壞掉一週才發現的那種。預算也建議集中在一兩條主流程做深，不要撒開。

大企業的難關在第一階段。 人多、部門本位、資安審核流程長，光是把工具正式開放就要跑幾個月。但優勢也很明顯：資料量大、流程重複度高，單一流程省下的人時乘上人數，回收會很快。我通常建議先挑一個部門完整走過五階段當樣板，把踩過的坑寫成內部文件，再複製到其他部門——比同時推五個部門有效得多。

兩者共通的一件事：都不要從最複雜的流程開始。中小企業會因此耗光僅有的資源，大企業會因此耗光耐心。

如果決定找外部協助，我自己被問過、也認為該問的，是這幾題。這些問題跟找誰無關，是判斷對方靠不靠譜的通用測試。

他會不會先問你在第幾階段？ 一開口就報系統方案、不先問你現在怎麼工作的，通常是在賣既有產品，不是在做導入。

報價有沒有分階段與驗收點？ 一口價包到底，聽起來省事，但你會失去中途喊停的權利。合理的做法是每個階段有明確的交付與驗收條件。

交付後誰維護、教不教你們自己改？ 這題的答案決定你走不走得到階段五。如果對方的回答是「有問題都可以找我們」，追問一句「那我們自己想改一個欄位可以嗎」。

能不能講出他做失敗過的案子？ 講不出來的只有兩種可能：做得太少，或不打算跟你講實話。更多可以問的問題我整理在 找 AI 顧問前該問的問題。