台灣AI導入現狀

人工智慧科技基金會（AIF）連續三年追蹤發現，近七成台灣企業始終停在「知道 AI 很重要，但不知道從哪裡開始」的階段，三年沒有顯著變化。表明台灣在 AI 硬體製造端全球領先，但在將 AI 轉化為生產力的應用端，存在「知識—應用落差」。

Harvard Business Review Analytic Services 在 2025 年調查了全球 603 位企業領導者，發現雖然近六成企業已開始試點 AI Agent，卻只有 6% 完全信任 AI 處理核心業務。阻力不是來自技術本身，而是來自四道障礙：網路安全與隱私疑慮（31%）、數據輸出品質的不信任（23%）、業務流程尚未準備好（22%）、技術基礎設施限制（22%）。

排名障礙企業佔比
1網路安全與隱私疑慮31%
2數據輸出品質的不信任23%
3業務流程尚未準備好22%
4技術基礎設施限制22%

它們互相強化：沒有治理框架，企業就不敢讓 AI 碰核心數據；不敢碰核心數據，就無法驗證 AI 的輸出品質；無法驗證品質，業務流程就不願意改；流程不改，基礎設施投資就看不到回報。

網路安全與隱私疑慮

困境

金管會 2024 年發布了金融業運用 AI 指引，但指引只是方向，如何轉化為具體的治理機制，落在每家企業自己肩上。治理真空帶來的後果很直接：企業不敢把 AI 用在核心業務，永遠只能停在「試用」階段。

解決實例：國泰金控的 AI 治理委員會

國泰金控在 2024 年初成立了金控級「資料暨 AI 治理委員會」，召集銀行、人壽、產險、證券等子公司的數據、IT、法遵、風管與資安單位，共同推動 AI 治理。同年發布集團生成式 AI 技術框架「GAIA」，最關鍵的設計是內建 70 道安全防護檢查點的複合層級護欄技術。

GAIA 的邏輯我認為值得每個台灣企業參考：治理不是踩煞車，而是讓你敢踩油門。當你有 70 道護欄，你就敢讓 AI 處理法規文件比對、客戶風險評估、甚至理賠決策輔助。2025 年 GAIA 升級至 2.0，導入多代理（Multi-Agent）協作架構，一年內建立超過 200 種資料類別的知識庫、彙整 50 多種模型。國泰產險已用 AI 做車險的駕駛行為風險評估和理賠詐欺查證；國泰人壽開發了「AI Coach 智慧對練」，讓 AI 模擬客戶互動來訓練業務員。

治理是 AI 規模化的第一步，不是最後一步。

數據輸出品質的不信任

困境

Google Cloud 與 AIF 的聯合報告指出，台灣企業的數據力以 63 分居首——台灣不缺數據。但技術應用力僅 49 分，五力中倒數第二。多數企業坐擁大量數據，卻缺乏將數據轉化為 AI 應用的能力。全球企業擔心的是 AI 輸出品質不可信賴，台灣企業的問題更前面一步：數據連輸入 AI 的流程都還沒建好。

更深層的原因是資料散落在各部門、各系統中，缺乏跨部門的整合平台。這不是技術問題，是組織問題。

破壁者：玉山銀行從翻車到起飛的 GENIE

玉山銀行的故事我覺得對台灣企業特別有參考價值，因為它夠真實。

玉山的 AI 助理「GENIE」在 2024 年初上線時，使用率僅 17%。總工程師黃仕鎮公開坦言「一開始真的非常慘淡」。問題不在技術，而在使用者不知道怎麼用、用了不滿意、或想用但沒有想要的功能。

團隊的做法是：強化功能貼近真實業務場景、提供使用模板降低門檻、加強主管層的教育訓練——因為「主管不做這件事情，下面的人也不會用」。到 2024 年 9 月 GENIE 2.0 推出後，月活躍用戶成長 200%，使用量成長六倍。目前玉山已開放 12 項 GenAI 應用服務，從法規文件比對、KYC 市場資訊摘要，到顧客情緒分析，逐步深入核心業務。

更關鍵的是，玉山選擇自建而非外包——因為金融業的客戶資料「不能丟到牆外」，必須在自己的環境內完成數據到 AI 的閉環。

「有數據不會用」的解法不是更多數據，而是從最痛的業務場景切入，讓使用者親身感受 AI 解決他們每天最耗時的工作。初期翻車是常態，持續迭代才是關鍵。

不想動——所有人都在等董事長先動

困境

AIF 連續三年追蹤，真正進入「Ready AI」和「Scaling AI」階段的台灣企業始終只有約三成，三年未變。經營策略成熟度只有 32 分，人才面更只有 31.5 分——47% 的企業沒有任何 AI 人才培育計畫。

Harvard Business School 教授 Feng Zhu 的研究一針見血：多數企業無法從 AI 獲取真正價值，不是因為技術失敗，而是因為「人、流程和政治」失敗了——對被取代的恐懼、僵化的工作流程、既得利益的權力結構，構成了比技術更難跨越的障礙。

這解釋了台灣那個令人困惑的數字：為什麼七成企業知道 AI 很重要，卻三年都不動？不是不想動，是組織內部的慣性太強。

破壁者：當董事長自己上 AI 課

策略停滯的解法不在技術，在人。

國泰金控推動「AI 公民化」——國泰人壽的董事長、副董事長、總經理全部親自上 AI 課程。內部每年近 200 名同仁報名數據與 AI 課程，已有超過 300 人取得認證。這不是要把每個人都變成工程師，而是讓每個人都有能力提出「這個環節可以用 AI 做」的想法。

玉山銀行的經驗更直白。GENIE 初期使用率低落的一個關鍵原因是：高層主管「與其用人工智慧，不如找特助這種工人智慧」。當團隊把教育訓練的重心從基層轉向主管層之後，使用率才開始起飛。

這個轉折說明了一件事：AI 導入最大的障礙不是基層員工學不會，而是組織中的權力結構還沒準備好放手。當董事長自己會用，他就不會允許組織停在原地。

結語：三種突破方法

三道牆，但不是死路。從國泰和玉山的經驗中，我歸納出三種突破方法：

第一，治理先行。 不是等到 AI 用出問題才補治理，而是先建護欄再上路。國泰的 70 道防護檢查點證明了：治理框架不是限制，是讓企業敢於把 AI 用在核心業務的前提。對多數台灣企業來說，這是最該優先投資的一步。

第二，場景驅動的迭代導入。 不要追求一步到位的「AI 轉型」，而是從組織裡最痛的業務場景切入，快速上線、接受翻車、持續迭代。玉山從 17% 使用率做到六倍成長的路徑，比任何顧問簡報都更有說服力。關鍵不是第一版做得多好，而是有沒有機制讓第二版、第三版快速跟上。

第三，高層帶頭的組織鬆綁。 Feng Zhu 的研究說得很清楚：「人、流程和政治」才是 AI 導入最大的障礙。國泰讓董事長上 AI 課、玉山把訓練重心從基層轉向主管層，都指向同一個道理——組織變革必須由上而下，當決策者親身理解 AI 能做什麼，他才會願意鬆動既有的流程和權力結構。

這三種方法不是理論，是台灣企業已經走過的路。在接下來的系列文章中，我會逐一深入拆解每一種方法的具體做法、常見陷阱、以及更多台灣企業的實戰案例，讓這些突破路徑從觀點變成可執行的行動方案。

七成企業停在原地的數字不會自己改變。但牆可以被打穿——前提是，你願意先動。

資料來源

  1. McKinsey & Company，“The State of AI”，全球企業 AI 採用率調查
  2. Reforge，“The Expectation Reset” & “Is Your Product at Risk of AI Disruption?"，PMF Collapse 概念、Chegg / Stack Overflow 案例
  3. HBR Analytic Services / Fortune，“Only 6% of Companies Fully Trust AI Agents”，603 位全球領導者調查、四大障礙數據
  4. HBR，Jin Li, Feng Zhu & Pascal Hua，“Overcoming the Organizational Barriers to AI Adoption”，人、流程、政治三重障礙
  5. AIF 人工智慧科技基金會，“台灣產業 AI 化大調查”，AI 成熟度、治理 20.4 分、人才 31.5 分等數據
  6. Google Cloud × AIF，“台灣企業 AI 準備度調查報告 2024”，五力模型（數據力 63、技術力 49、治理力 41、整體 54）
  7. KPMG 台灣，“台灣產業 AI 應用趨勢與展望報告”，知識—應用落差分析
  8. 國泰金控，GAIA 框架及 GAIA 2.0（2024–2025 技術年會）
  9. 玉山銀行，GENIE 導入實戰紀錄 & 12 項 GenAI 應用服務

本文為個人觀點，資料截至 2026 年 2 月。數據引自各機構官方報告及權威媒體報導。