投入 AI 真的有效嗎？1200 家台灣企業 AI 調查報告出爐

如果問任何一間企業，他們的數位轉型策略重點為何，大家的回答裡免不了會提到 AI。台灣企業在發展 AI 時，究竟哪些因素最影響成敗？如何設定績效目標？最重要的是，投入 AI 真的有效嗎？

為了找出答案，商用軟體公司 SAS 與天下雜誌針對全台 1,261 間企業進行「企業 AI 領先度大調查」，並在 SAS 台灣年度高峰會議（SAS Analytics Conference）上公布結果。

導入 AI 企業滿意度高達 85%，「目標明不明確」影響企業 AI 發展

報告中把受訪企業依該公司投入 AI 研發的年資、AI 團隊大小、AI 專案數目分為 4 個種類，分別是最領先的先進者、追隨者、觀望者以及完全沒投入的未啟動者。

調查並發現，AI 技術最成熟的先進者，對公司投入 AI 發展的滿意度高達 85%；剛開始嘗試的觀望者，其滿意度則只有 45%。這顯示 AI投入的時間越久、經驗累積越多，更能感受到 AI 帶來的效益。

至於哪些因素最能影響 AI 發展的快慢？一般認為很重要的數據及技術反而得分最低，企業最看重的，其實是有沒有 「明訂 AI 的發展目標」 ，其次則是「有無足夠預算及人力」以及「AI 團隊的合作能力」，結構與策略面的因素，最為關鍵。

此外，調查中也分析企業中不同職等間，對 AI 在技術面上的認同差異。各職等都認為「分析人員能夠協作」是最重要的；中階及高階主管認為必須要有一個易於管理的單一AI 平台；一般職員在乎如何降低寫程式的作業門檻。

在評價 AI 專案時的績效指標方面，所有職等都認為「能否提升營運效率」最重要。但他們對第二重要因素的想法則大相逕庭。對企業負責人來說，是「能否提升品牌市占率」；對中階及高階主管來說，是「業務創新程度高低」；對一般職員來說，則是「能否降低營運成本」。因職等不同，對 AI 的期望也不一樣。這也使得 企業內部更透明的溝通、討論成為相當重要的事情。

技術不是問題，組織分工成關鍵

業界在投入 AI 時，究竟都遇到什麼問題？SAS 台灣業務顧問副總經理陳新銓以他觀察到的業界狀況舉例，以資料分析師來說，除了作業時間不夠、無法充分討論 AI 專案需求外；加上工作項目大多是一條龍模式，沒有細項分工，資料搜集、篩選資料品質、資料運算分析等都是同一個人的工作。

AI 工作未分工化，導致資料品質以及 AI 分析模型無需受檢核，難以進行品質控管。對管理者來說，一旦 AI 分析結果有誤差，就難以找出問題來源，更無法確保資料本身有無一致性以及正確性，進而導致知識經驗難以傳承，面對資料科學家平均 2.5 到 3 年就會異動的情況，管理者也難以進行交接。

這些問題都與「組織分工」習習相關，與技術本身無太大關係。陳新銓也建議，任何 AI 專案最初都要設定小目標，取得小規模的成功後再擴散到其他部門去，才能夠複製成功經驗。

台灣大學人工智慧與機器人研究中心教授張智星強調，資料的搜集從最一開始就需要規劃，「資料不足、內容雜亂，都是最麻煩的狀況。」他說。

此外，張智星也呼籲企業導入 AI 應著眼更長遠的未來。現在大家投入 AI 主要是為了提升營運效率，但未來 AI 也會有更多用途。他舉例，銀行客服中心直接引進 AI 聲紋辨識技術，讓客戶不用再反覆輸入身分證字號來認證，藉此提升客戶體驗與品牌形象。

新光人壽數位服務發展部資深協理廖晨旭分享他們六年前第一次和 SAS 合作案例。他說，當初他們把這項合作案當作一般委外專案在做，但在建置過程中，他發現自家員工對 AI 相關流程不理解，在系統維繫上大量仰賴 SAS 的協助。他說，導入 AI 時，人員需要有策略性的布建，續航力才夠，未來第二、三個 AI 專案才可能成功。

AI 未來 3 趨勢，「小數據」AI 研發中

「企業 AI 領先度大調查」中的先進者，最資深的大約也投入 AI 發展將近十年。未來 AI 還有哪些發展趨勢？

SAS 全球人工智慧研發中心資深副總裁 Saratendu Sethi 表示，由於數據的搜集困難、花費資金高，所以工程師也在研究，如何以較少的數據培養出同樣強大的 AI 模組。此外，AI 的操作方式將更加多元，現在人類可以透過聲音控制語音助理，未來也會看見更多用來控制機器的新方法。

Sethi 認為最重要的趨勢，則是 AI 的民主化。他認為，AI 將越來越普及，工具也變得越來越容易上手。未來我們可能會看到，AI 與機器學習成為每個人手上的分析工具。究竟這樣的一天會不會很快到來呢？Sethi 對此感到非常樂觀。

（本文出自數位時代）