每當我思考台灣當前的 AI 投資熱潮，腦海裡浮現的都是同一幅畫面：一個在鬆軟沙地上的工地。起重機巨大無比，建材世界頂級，工程師優秀出眾。但沒有人做過地質勘查，也沒有人澆灌合適的地基。樓蓋得越高，下沉得越快。

這個比喻正在台灣 AI 顧問圈流傳，用來描述一個我們反覆看到的模式：企業急著跳過不起眼的地基工作，因為他們迫不及待想使用強大的工具。結果是可預期的——不會立即造成災難，但慢慢地、耗費巨資地走偏。

「別在沙地上蓋台北 101。」這是我能給 2026 年考慮導入 AI Agent 的中小企業最有用的一句話。

殘酷真相：80% 的「AI 工作」根本不是 AI

以下這個數據讓大多數企業負責人第一次聽到時都震驚不已。根據 Cognilytica 與《經濟學人》的研究，在一個典型的機器學習或 AI 部署專案中，只有 20% 的精力花在模型訓練、演算法開發和部署上。剩下的 80% 是基礎工作：

業界那句自嘲——「我以為我在做 AI，結果發現我一直在洗資料」——之所以好笑，正是因為它太普遍地真實。企業帶著部署複雜模型的期待來到 AI 專案，才發現數據散落在七個不同系統、五種不相容的格式裡，一半在三台不同筆電的 Excel 檔中，另一半鎖在待退休老員工的腦袋裡。

這就是「數據債」問題。就像財務負債一樣，忽視它的時間越長，代價就越高——它對你行動自由的約束也越大。

工作流盤點：你沒在做的最高槓桿活動

在數據之前，還有工作流。你無法清理你不理解其用途的數據。你無法設計 Agent 去自動化一個你還沒有盤點的流程。工作流盤點（Workflow Mapping）是記錄你打算轉型的流程中每一個步驟、決策節點、數據輸入和人工交接的實踐。

我在台灣、東南亞、美國和中國主持過超過七十場策略轉型研討會。在幾乎每一個案例中，我們做的最高價值工作——決定其他一切是否成功的工作——是讓整個會議室的人對他們的流程實際上是什麼樣子達成共識。不是它們應該是什麼樣子，不是組織架構圖說它們是什麼樣子，而是它們今天、在實際操作中是什麼樣子。

這往往令人不舒服。它浮現出資深領導者說服自己不存在的流程低效。它揭示出系統中記錄的「標準作業程序」已經三年沒被遵循。它暴露出不同部門出於政治原因悄悄保護的數據孤島。

三種一再出現的失敗模式

失敗模式一：跳過流程診斷。組織把 AI 當成「特效藥」——一針魔法注射，不需要理解根本病因就能治好任何毛病。這產生了技術上可運作但在操作上無關緊要的專案。AI 運行，產生輸出，但沒有人使用，因為它們不符合工作實際流動的方式。

失敗模式二：在髒數據上部署。AI Agent 的能力上限取決於它能存取的數據。一個被要求摘要客戶互動歷史的 Agent，如果 CRM 中 40% 的記錄不完整，或者兩年來沒有人更新聯絡資訊，會產生幻覺式摘要，製造而非預防問題。「垃圾進，垃圾出」是老生常談，因為它無情地真實。

失敗模式三：忽略變革管理。技術變革就是組織變革。每一次 AI Agent 部署都在重新分配人與自動化系統之間的任務、決策和價值。如果你不透過溝通、激勵重設計、培訓和治理來明確處理這一點，你將觸發防禦性行為，主動破壞你的投資。你的員工不是轉型的障礙，他們是轉型的主要執行層。

「良好地基工作」的實際樣貌

良好的地基工作不華麗。但做得好的組織會發展出一種競爭對手很難複製的複利優勢——因為它需要耐心、誠實和組織意志，而不只是預算。

它從流程文件化開始——不是願景式的流程文件化，而是準確記錄工作今天實際如何流動。這可以用簡單的工具完成：流程盤點工作坊、觀察訪談、員工訪談。目標是形成一個共享的、經過驗證的現實圖像，作為轉型設計的基準線。

然後是數據清冊——不只是「我們的數據在哪裡？」，而是「我們打算使用的每個數據資產的品質、完整性和可存取性如何？」這個審計通常會浮現機會（能產生遠超目前價值的數據資產）和風險（在任何 Agent 能有效運作之前需要填補的數據缺口）。

最後是治理設計——明確回答誰可以在你的組織中建立、使用和批准 AI Agents；它們可以存取哪些數據；如何監控它們的輸出；以及人機協作中的人如何在不成為瓶頸的情況下保持監督。