《台灣產業AI化大調查》指出近半企業已投入AI，卻有23%導入後「無感」。AI落地痛點不在技術，而在沒有先定義問題。本文用設計思考的「同理 → 定義 → 解題」框架，拆解企業AI轉型成效低落的根因，並給三組可執行的內部對齊問題。

AI落地痛點正逼著企業重新做一件最古老的事，把問題先定義清楚。陪著台灣企業在數位轉型這條路上跑了 30 年，最常聽到的一句話是：「我們也買了 AI 工具，但好像沒什麼用。」企業AI化的失分不在技術選型，而在更前面一層：問題到底是什麼，有沒有人說得清楚。設計思考裡的同理與定義階段，正好補上這個常被跳過的前置缺口。本文拆解《台灣產業AI化大調查》47.8% Ready/Scaling 卻僅 36.84 應用得分背後的 AI 轉型成效盲點。

多數企業以為「導入 AI」就會自動產生效益，這個假設在 23% 的案例已被打破

多數企業以為導入 AI 就會自動產生效益。但《台灣產業AI化大調查》的數據顯示，在已經 Ready AI 或 Scaling AI 的企業中，仍有 23.0% 表示「導入後暫無明顯成效」，另有 23.6% 卡在「找不到適用的應用場景」。這不是技術問題，是組織根本沒先想清楚「AI 要解什麼」。把工具當成答案，原本應該被定義的「問題」就消失了。

調查還揭露了另一組更耐人尋味的數字：47.8% 企業已進入 Ready 或 Scaling AI 階段，但實際應用程度的平均分數只有 36.84，投入意願在前面，落地成效在後面，中間斷成兩截。AIF 自己解讀這個落差時直白指出：「企業在尚未進行內部盤點前，對自身 AI 發展程度抱持樂觀；實際導入後盤點，才意識到資料整備不足、流程未優化。」

這個落差不是台灣獨有。MIT NANDA 計畫 2025 年的《生成式 AI 鴻溝：2025 年商業 AI 狀況》報告更直白：95% 的企業生成式 AI 專案在 6 個月內未能產生可衡量的財務回報。RAND Corporation 訪談 65 位 AI 資料科學家後得到一個更刺眼的結論：超過 80% 的 AI 專案最終會失敗，主因不是技術，而是「核心利益關係人之間的目標不一致」。

換句話說，問題不在 AI 不行，是組織自己沒對齊「要解什麼」。

真正的瓶頸不是技術，是 90% 的失敗源於沒有先定義問題

真正的瓶頸不是技術，是組織進到 AI 採購流程時，沒有人能清楚說出「我們要解的問題是什麼」。Cooper（2024）在《哈佛商業評論》分析多項 AI 失敗案例後直接寫道：「幾乎所有失敗案例都源於對 AI 理解不周全的『愚蠢原因』」。其中第一條是「不了解使用者需求、缺乏明確目標，組織陷入新奇事物症候群」。問題沒被定義，再強的模型也救不回來。

英國建築學者 Cedric Price 在 1966 年留下一句經典提問：「If technology is the answer, what was the question?」（如果科技是答案，那問題是什麼？）這句話放到 2026 年的 AI 浪潮，比當年更刺眼。陳宜秀副教授在《台灣產業AI化大調查》報告序言裡引用這句話，直接點名當下企業導入 AI 的盲點：在「AI 是答案」的氣氛裡，「定義問題」這一步被跳過了。

設計思考界有一個經典案例可以對照。國際援助組織在迦納推廣防瘧疾蚊帳，整體死亡率下降了 50–60%，但中產階級家庭的使用率僅有 14%。深入訪談才發現，居民拒用的真實原因不是「不知道蚊帳重要」，而是覺得不美觀、悶熱、進出不方便。團隊重新定義問題後，開發了「錐形拉鍊入口」與「彈出式帳篷」型蚊帳，使用率才真正上來。完美的技術，錯置在錯的問題上，等於沒有解決方案。

把這個邏輯搬回企業內部，常見的錯置長這樣：

錯置一：把「員工生產力低」直接定義成「我們需要 ChatGPT 企業版」

但生產力低的真實原因可能是會議太多、跨部門資料拿不到、報表格式不一致，這些 AI 工具解不了，只有流程重整才解得了。

錯置二：把「客戶服務體驗差」直接定義成「我們需要 AI 客服 Agent」

但體驗差的真實根因可能是商品退換貨政策本身複雜難懂，AI 回答得再流暢，遇到複雜政策還是會失準。

錯置三：把「員工流動率高」直接定義成「導入 AI 招募系統加速找人」

但流動率的真實原因可能是新人 onboarding 體驗差、主管帶人能力斷層，這些是培訓問題，不是篩選效率問題。我們在另一篇〈為什麼你的員工上完 AI 課，回去什麼都沒改變？〉裡也談到類似邏輯：把學習成效低歸因到「員工不認真」，往往就錯過了真正的瓶頸。

每一條看起來都荒謬，但實際導入過程中極為常見。三種錯置攤開比較：

表面痛點	跳到 AI 答案	真實根因（不解決就會失敗）
員工生產力低	採購 ChatGPT 企業版	會議過多、跨部門資料拿不到、報表不一致
客戶服務體驗差	部署 AI 客服 Agent	商品退換貨政策本身複雜難懂
員工流動率高	導入 AI 招募系統	新人 onboarding 體驗差、主管帶人能力斷層

BCG 的 10-20-70 法則（Patel et al., 2021）就直接量化了這個現象：AI 專案成功的關鍵中，演算法只佔 10%、技術環境佔 20%、剩下 70% 取決於人員與流程。問題定義錯了，70% 的能量就用錯地方。

設計思考怎麼幫企業精準定義 AI 應用問題？

設計思考幫企業精準定義 AI 問題的方法是把「同理（Empathize）」與「定義（Define）」放到「找解（Ideate）」之前。Stanford d.school 的設計思考五段式有一個關鍵設計：在動手找解法之前，先用兩個階段讓組織離開「自我視角」：先理解使用者實際在做什麼、卡在哪、為什麼這樣做，再把零碎的痛點收斂成一個可被 AI 處理的問題敘述。順序對了，後面的解才會對。

具體展開，企業可以做三件事：

動作一：用「同理」階段，先盤點誰會用 AI、卡在哪

不是先問「我們要導入哪個 AI 工具」，而是先問「誰每天在做這件事、他真正的痛點是什麼」。財政部在發展自家稅務 AI 應用時就是這樣做的：他們把策略定位為「業務人員主導，而非資訊人員主導」。承辦營業稅的業務人員最清楚什麼數據異常代表逃漏稅樣態，這些是資訊人員短期訪談撈不到的領域知識。

對照到企業現場：HR 想用 AI 解員工 onboarding 問題，第一動作不是去看 ChatGPT 有什麼功能，而是去訪談 5 位過去半年新進員工，他們前 30 天最卡的三件事是什麼？我們在〈工具愈加愈多，HR 卻愈來愈累〉裡拆過這個現象：工具堆疊不會解決問題，問題定義先做才會。這 5 個訪談會比任何一份廠商簡報都有用。智谷在輔導客戶導入 AI 時也常用這個切點：先盤點工作任務，再決定哪幾個任務適合 AI 介入。

動作二：用「定義」階段，把痛點收斂成可被 AI 處理的問題敘述

設計思考裡有一個經典格式：「[誰] 需要 [動詞] [什麼]，因為 [洞察]」。把 onboarding 訪談的零碎痛點放進這個格式，會長這樣：「新進業務員需要在前 14 天能快速找到 50 種商品的差異說明，因為現有的 PPT 簡報過於零散，他們不確定哪份是最新版」。

這個句子寫出來之後，AI 工具的選型就清楚了。你要的不是「ChatGPT 企業版」，而是一個能餵商品資料庫的 RAG 應用，給新進業務員當隨身助理。同樣的問題如果定義成「我們要 AI 做員工教育訓練」，方向就模糊了，預算也會花歪。

動作三：用「驗證假設」迴圈，避免用 AI 解錯誤的問題

設計思考五段式的 Test 階段，目標是用最低成本驗證「我們對問題的理解對不對」。回到迦納蚊帳案例：原始假設是「居民不懂蚊帳重要性」，所以解法是「強化教育宣導」；後來實地訪談才驗證真實假設是「居民覺得不美觀通風差」，解法才轉成「重新設計蚊帳形式」。

企業 AI 導入也一樣。在投入 200 萬建置 AI 系統之前，先用 2 週時間做小規模假設驗證：找 3 位真實使用者，給他們現成的 ChatGPT + 你假設的工作流程，看他們實際遇到什麼問題。70% 的 AI 投資失敗，可以在這 2 週裡被擋下來。

定義問題之後，組織要重新對齊三件事

定義問題之後，組織要重新對齊的不是技術選型，是「誰主導、誰驗收、誰負責持續優化」。AI 失敗率高達 80% 的根本原因之一，就是組織把它當成 IT 採購案，找到對的供應商、簽約上線就結案。但 AI 不像 ERP，是一條會持續演化的能力，需要組織內部建立對應的所有權結構。三件事必須同步重新對齊。

第一件：把 AI 專案的「業務 owner」明確指派。

不是 IT 部門 owner、不是專案經理 owner，是真正使用這個 AI 的業務單位主管 owner。財政部的成功案例驗證了這一點：當業務人員從「需求提出方」變成「主導開發方」，AI 才會被定義成真正解問題的工具。智谷在執行「企業 AI 診斷」時，第一個釐清的問題就是這個：「這個 AI 應用的業務 owner 是誰？沒指派的話，我們先停下來。」

第二件：建立「定義問題能力」的盤點機制。

多數企業沒有意識到，「定義問題」是一個可以被訓練的能力。Korn Ferry 2026 年領導力報告裡，「批判性思考」被列為當前企業最稀缺的第一名能力，它包含的核心動作之一就是「能不能在模糊情境裡，把混亂的訊號收斂成一個可執行的問題」。這個能力不是天生的，是透過工作坊、案例討論、結構化提問練習出來的，也是智谷企業 AI 應用力培訓在診斷階段最常被點名的能力斷層。

智谷將它歸類在「五階段 AI 服務」框架的中段：不知道能幹嘛、知道但不確定、確定但沒見過、想做不知找誰、在跑了想深化。卡在第二、第三階段的企業，最缺的就是「定義問題」的能力，這也是 AI 卡牌工作坊設計時最核心的訓練目標：透過卡牌引導，讓主管把模糊的「我們需要 AI」具體化成「我們要解 X 問題」。

第三件：建立「假設驗證 → 修正定義 → 再投資」的學習迴圈。

AI 不是一次性導入，是持續修正的。第一個版本的問題定義一定不準，重點是有沒有設計回饋機制讓問題定義持續被修正。MIT NANDA 報告指出，5% 真正成功的企業有一個共通點：他們不把 PoC 與正式上線當作兩個獨立階段，而是用最小規模真實環境跑出資料，再回頭調整問題定義。

這三件事都不是技術問題，是組織治理問題。AI 落地痛點，從來都不是 AI 的問題。對於正在規劃跨部門 AI 對齊的組織，可以參考策略共識營的引導機制，把「定義問題」這一步從會議紀錄變成被持續修正的組織習慣。

FAQ

「定義問題」聽起來很抽象，主管要怎麼跟團隊說明這一步？

最直接的方法是把現有 AI 候選專案攤開，逐個問三個問題：「誰要用？解什麼痛點？沒有 AI 的話現在怎麼解？」第三個問題最關鍵，如果答得出來，AI 介入的價值才能量化；答不出來，這個專案的「問題」其實還沒定義清楚。BCG 在 10-20-70 法則中強調的「人員與流程佔 70%」，前提就是這三個問題都先有答案。

我們公司很小，不需要做設計思考這套大流程，對吧？

恰恰相反。組織越小，越輸不起一次失敗的 AI 投資。設計思考的精華不是「跑完五段式 workshop」，是「在投入錢之前，先用最小成本驗證假設」。對中小企業來說，2 週訪談 5 位真實使用者的成本，遠低於投資 50 萬下去結果沒人用的損失。MIT NANDA 報告裡 95% 失敗的專案，多數規模都不大。

我們已經買了 AI 工具但用不起來，現在補救還來得及嗎？

來得及，前提是你願意回頭重新定義問題。多數「用不起來」的案例，不是工具選錯，是當初買進來時問題沒定義清楚。具體做法：召集實際使用單位 3–5 人，重新訪談他們的工作流程，把工具的功能放回「他們真正的痛點」上重新對應。常見結果是：原本買的功能用不到，但工具本身可以解決另一個更急的問題。

設計思考跟 Lean Startup 的「最小可行產品」有什麼不一樣？

兩者的精神接近，差別在切入點。Lean Startup 假設「我們知道要做什麼產品」，重點是用 MVP 快速驗證市場接受度。設計思考更前一層：先確認「我們是不是在解對的問題」。對企業 AI 導入來說，多數錯誤發生在更前面那一層，還沒驗證問題對不對，就跳到「先做個 PoC 試試」。設計思考的同理與定義階段，正是補上這個前置缺口。

HR 在 AI 導入專案裡，能扮演什麼角色？

HR 可以扮演「定義問題的引導者」。多數企業 AI 失敗的根因是「業務沒主導、只有 IT 在做」，HR 剛好是組織內最熟悉跨部門協作流程的角色。一個具體做法是 HR 主動跨部門訪談 8–10 位使用者，把痛點整理成「個人 AI 技能診斷」報告，讓 IT 與業務有共同的問題敘述當對齊基準。這也是 HR 在 AI 時代從「行政」轉向「組織策略」的具體切入點。

預約一次 30 分鐘的「企業 AI 診斷」對焦會議，把你公司目前卡住的 AI 專案重新定義

智谷網絡（Kvalley Network）自 1996 年創立，專注企業 AI 轉型與中高階主管培訓，累計服務 3,000+ 家企業、75,000+ 小時訓練執行時數、年度訓練 30,000+ 人次。本文由智谷內容團隊整理，研究來源包含：AIF《2025–2026 台灣產業 AI 化大調查》47.8% Ready/Scaling、應用得分 36.84、23% 暫無明顯成效、MIT NANDA 計畫 2025《生成式 AI 鴻溝：2025 年商業 AI 狀況》95% 專案 6 個月內未產生財報回報、BCG / Patel et al. 2021《AI brings science to the art of policymaking》10-20-70 法則、HBR / Cooper 2024 AI 專案失敗的七個「愚蠢原因」分析、RAND Corporation 2024 訪談 65 位 AI 資料科學家研究：80% AI 專案失敗主因是利害關係人目標不一致、Cedric Price 1966「If technology is the answer, what was the question?」（陳宜秀副教授引用）、Stanford d.school Design Thinking Five-Stage Model（Empathize / Define / Ideate / Prototype / Test）。

推薦精選文章

📚 面對 AI 中階焦慮，Lyft CEO David Risher 給的是另一條路：重新發明這個位置

📚 Duolingo 把「有沒有用 AI」寫進考績，員工集體反彈後撤回，你的公司正準備做一樣的事嗎？

更多企業 AI 培訓服務：https://www.kvalley.biz/tcservice/digital/