導入 AI 後，你管得住嗎？用三個問題檢查企業的 AI 成熟度

企業談導入 AI 時，焦點通常放在要選哪一個模型、編多少預算、或者買哪套軟體，但這些都是花錢就可以解決的事。你買得到，競爭對手也買得到，所以這些無法說明你的公司是否真的準備好了。

你的公司可能已經開始使用 AI，目前有一個負責寫客服回覆草稿的機器人、一條 n8n（一種自動化工作流程串接工具），或是單純用 AI 來整理週報。當你準備擴大 AI 的應用範圍，讓它接觸公司內部更多系統，或甚至開始用它來服務客戶時，應該先停下來問三個問題，而這三個問題也各自決定了一條界線：

1. 人懂不懂 AI：決定日常使用 AI 的平均水準
2. AI 懂不懂公司：決定 AI 可以發揮的上限
3. 公司管不管得住 AI：決定 AI 出錯的下限

以下逐一拆解。每一個問題的最後都會附上四個等級，方便你對照自己的公司目前處於哪個階段。對照時，建議分領域來看，例如在公司裡，處理訂單流程時使用 AI 可能已經很進階，但行銷企劃則還停留在初階。如果硬是把整家公司打一個籠統的總分，反而會看不出該先從哪裡補強。

一、人懂不懂 AI (AI 素養)：決定平均水準

對經營者和主管來說，懂 AI 指的是「判斷力」。你必須知道哪些任務適合交給 AI、哪些絕不可以交給 AI；人要能夠分辨軟體廠商的簡報裡，哪些是真實能力、哪些只是行銷話術。最重要的是，你要能夠預判 AI 可能會用什麼方式出錯。

對第一線員工來說，會操作 AI 只是起點，真正關鍵在於「驗證」，也就是知道如何檢查 AI 產出的結果，也清楚在什麼情況下絕對不能相信 AI。

此外，這部分也包括懂一些 AI 的基礎概念。你不需要會寫程式，但至少要知道 API（讓軟體互相溝通的資料橋樑）、MCP（模型上下文協議，一種讓 AI 讀取外部資料的標準協定）、以及 AI Agent（能自主規劃並執行任務的 AI 助理）各是什麼，以及它們彼此的差異。

會下 prompt（提示詞，也就是給 AI 的指令）只是起點，知道什麼時候不該相信它，才算真的懂 AI。

舉個例子，有一位完全沒有程式背景的創業者，在發布自己的付費工具後，發現第一位客戶拿到的報告內容竟然是空的。然而，在系統流程中，包含付款、寄送通知信等每一個環節，系統卻都回報「成功」（來源連結）。因為這次事故，他學會了怎麼讓 AI 確實去檢查功能是否真的有執行，也懂得換個角度去質疑 AI 產出的結果是否正確。

為什麼說這個問題的答案決定了公司使用 AI 的平均水準？因為員工知道 AI 能做到什麼程度、能做出什麼工具，直接決定了這家公司日常應用 AI 的普及度。評估時可以看兩件事：公司裡多數人屬於哪個等級，這代表「平均水準」；最強的人屬於哪個等級，則代表誰有能力把這個平均水準往上拉。

你的團隊在哪一級？

等級	名稱	描述
初階	會用	會寫 prompt（提示詞）、會用 skill（可重複使用的指令包），知道 AI 會「一本正經地胡說八道」，並且懂得交叉檢查。
中階	會做	能用 vibe coding（用自然語言與 AI 協作寫程式的方式）做出在自己電腦上運作的小工具，並會測試、驗證輸出結果。
進階	會上線	能把工具部署到網路上給其他人使用，並清楚知道上線後必須處理好金鑰、權限與錯誤處理等問題。
高級	會設計	能判斷一件任務應該交給單一 AI 助理（Agent）、多個助理協作、還是固定步驟的傳統流程，並能指揮 AI 把它做出來。

每一個等級都必須包含「驗證」。如果只會做卻不會驗證，等級越高反而會帶來越大的風險。例如，懂得把系統部署上網，卻不懂上線後的資安風險，就等於把一個沒上鎖的產品直接丟到網路上。

二、AI 懂不懂公司（內部知識可讀性）：決定上限

這是多數企業最弱的一環，也就是「內部知識可讀性」。簡單來說，是指公司的規則、資料與決策，能被 AI 讀取多少，以及 AI 能讀懂到什麼程度。AI 能讀到的資料越多、資料的組織得越有條理，它能處理的工作就越深入。如果給的脈絡（Context，也就是背景資訊）不夠，再強的 AI 模型也只能給出泛泛之交的標準答案。因此，這個問題的答案會決定 AI 發揮的上限。

在過去，內部文件是寫給人類看的，但因為沒人想讀冗長的內部 Wiki（企業知識庫），久而久之就沒人去維護。現在，讀者換成了 AI，它可以不厭其煩地讀，而且會用很高的標準來檢視這些內容，吸收資訊的能力也遠比人類強。換句話說，現在知識管理的「讀者」已經完全變成 AI。

人類遇到不懂的規矩會轉頭問同事，但 AI 遇到不懂的地方會自己腦補出聽起來很合理、但實際上卻是錯的答案，而且它完全不會告訴你這是它腦補出來的。雖然你可以用各種技巧來降低 AI 的幻覺，但在資訊品質有限的情況下，你很難期待 AI 能發揮出多大的價值。

舉例來說，如果在你們的系統裡，程式碼的 status = 2 代表「停權待審」。工程師知道，客服人員也知道，但只要這個規則沒有白紙黑字寫下來，AI 就不會知道。它看到數字 2，就會用自己的方式去解讀它的意思。

檢查這個問題有四個關卡，必須按順序通過，前一關沒過，後面的就不用看了：

1. 拿得到：資料能不能透過 API 取出？還是全部鎖在傳統廠商的封閉系統裡、某位資深員工的腦袋裡，或是某個人的個人信箱中？
2. 讀得懂：業務背後的意義有沒有寫下來？公司內部的專有名詞是什麼意思？同一個數字出現在兩個不同的系統時，應該以哪一個為準？哪些流程其實是仰賴外部廠商人工處理的？
3. 已決定：該由人類拍板定案的事，到底拍板了沒有？AI 在流程中的定位、商業規則的邊界在哪、遇到例外狀況該怎麼處理？如果這些都還沒定案，AI 只會把這種模糊的狀態無限放大。
4. 跟得上：當業務規則改變時，誰負責更新文件？請記住，過期的說明比完全沒有說明更危險，因為 AI 會拿著過期的資料，非常有自信地給出錯誤的答案。

你的公司在哪一級？

等級	名稱	描述
初階	手動提供	只有在需要時，才由人工把公司資料複製貼上給 AI 當作背景資訊。
中階	拿得到	主要的資料來源已經完成系統串接，AI 能夠自己讀取、查詢與分析。
進階	讀得懂	業務規則、內部用語、資料應以哪個系統為準、例外狀況怎麼處理等，都已經清楚記錄；且文件的格式與萃取方式都很適合 AI 讀取。
高級	跟得上	動態資料能夠即時讀取，規則更新有專人負責，確保 AI 拿到的永遠是最新的結構化資訊，甚至能讓 AI 自己動態更新文件。

注意：這張表衡量的是「整個公司的狀態」，而不是單一個人擁有的知識。

三、公司管不管得住 AI（AI 治理）：決定下限

多數人看到這個問題，第一個反應通常是「那我們來訂一份員工 AI 使用政策」或是「要加強防範駭客」。但實際上，很多公司因為 AI 造成的損失，多數都不是外部攻擊引起的，而是 AI 做錯事卻沒有人發現，或者發生了卻無法復原損害。

這個問題的答案決定了下限。如果 AI 治理做得差，最壞的結果不是「沒有效果」，而是資料被誤刪、資安出漏洞、或者錯誤的資訊在系統裡流竄了好幾週都沒人察覺。這可能比完全不用 AI 還要糟糕。

我們可以用以下五個檢查點來評估：

1. 有上限：AI 最多能動到多少資料、花掉多少錢？這就是所謂的「Agent Blast Radius」（AI 助理出錯時的爆炸半徑或影響範圍）。例如，我們曾替生鮮批發平台 GFM 製作調價 AI 助理，每次價格調整的上限嚴格設定為 5%，而且這條規則是「寫死在程式碼裡」，而不是寫在 prompt（提示詞）裡拜託 AI 遵守（詳見 [GFM 5% 價格安全閥]）。寫在 prompt 裡的規則只是「請求」，寫在程式裡的才是真正的「限制」。

2. 看得見錯：你監控的是「程式有沒有跑」，還是「跑出來的結果對不對」？儀表板亮綠燈只代表程式執行完畢而已。常見的危險情況包括：API 回傳 200（代表連線成功的程式狀態碼），但真正的錯誤其實藏在回應的內容裡；或者是上游系統改了欄位名稱，導致資料變成空值一路往下傳；又或者是排程早就停止了，但因為「沒有執行」，所以系統根本不會留下任何錯誤紀錄。要抓到這些問題，必須直接檢查產出的結果本身：資料筆數對不對、內容新不新、兩個系統對不對得上帳。

3. 可回復：如果 AI 做錯了，能不能退回原狀？最理想的流程是：AI 提案 → 人類確認 → 執行。例如 GFM 的供應商信件助理只會產生草稿，必須由人類按下發送；自動補貨助理開出的採購單，也要經過人工確認才會送出。草稿只要不寄出就等於沒發生過，這是成本最低的防錯與回復機制。

4. 資安與權限：系統金鑰怎麼保管？登入權限怎麼設定？AI 能看到什麼機密等級的資料？同樣以供應商信件助理為例，GFM 特別為它開了一個「只處理供應商往來」的專用信箱。這樣它就讀不到其他機密信件，需要處理的例外狀況也會跟著大幅減少。

5. 有人負責：當系統出錯時，警示通知會送到誰手上？以 Airtable 為例，當工作區的自動化執行額度用完時，整個工作區的自動化都會暫停，但系統 80%、90%、100% 的預警信，只會寄給工作區的「擁有者」，站內也不會有任何提示（來源）。如果這個擁有者是當年負責註冊帳號、現在早就不管這件事的主管，那麼第一線實際操作的人，就什麼警告訊號都收不到。

最典型的反面教材發生在 2025 年 7 月。SaaStr 創辦人 Jason Lemkin 使用 Replit 的 AI 助理開發軟體時，已經明確下達指令進入「程式碼凍結（Code Freeze，禁止修改程式碼的階段）」，但該助理卻仍然對正式環境的資料庫執行了破壞性指令，刪除了一千多筆高階主管與公司資料。接著，它自己生成了約四千筆假資料來填補空缺，並向人類回報「測試通過」。它甚至聲稱資料無法復原，但事後證明其實是可以復原的（The Register 報導）。

拿上面的五個檢查點來對照這個案例：宣告程式碼凍結只是一句「指令」，而不是系統層級的「權限限制」，所以它沒有上限；是否出錯由 AI 自己判斷並回報，所以人類看不見錯；能不能復原由 AI 說了算，而它給了錯誤的答案，所以回復的判斷權沒有掌握在人手上。這個 AI 助理夠聰明，也拿得到資料，它缺的就是「被管住」。

你的公司在哪一級？

等級	名稱	描述
初階	守好門	系統金鑰有妥善保管，帳號與資料庫的權限只給予最必要的範圍。
中階	看得見錯	監控的重點是「產出對不對」（例如：筆數、新鮮度、對帳），而不只是「程式有沒有跑」；警示通知會準確送到實際負責的人手上。
進階	有上限、可回復	關鍵的限制規則寫死在程式碼裡；不可逆的動作必須先由人類確認。
高級	依情境設計約束	能替每個 AI 助理判斷適當的約束組合：哪些規則放 prompt 裡、哪些必須寫進程式中、失敗時的退路是什麼、輸出的合理性該如何檢查、權限範圍到哪裡。這整套約束環境，技術上稱為 Harness（安全約束框架）。

結論：上限、平均、下限

回到文章開頭提到的那三個問題和相應的界線：

• AI 懂不懂公司，決定上限：決定了 AI 最多能做得多深。
• 人懂不懂 AI，決定平均水準：決定了公司日常應用 AI 的普遍程度。上限並不會自動兌現，要把資料串接起來、把規則寫下來，終究還是得靠「人」。
• 公司管不管得住 AI，決定下限：決定了出事時，最壞會造成多大的災難。

這三條線並不是各自獨立的。如果一家公司的「下限」太低（管不住 AI），最理性的做法就是不讓 AI 碰觸關鍵系統；這麼一來，就算你的「上限」再高，也無法發揮作用。上限決定了 AI 能做到哪裡，而下限決定了你敢讓它做到哪裡。

如果把上限和下限畫成兩個軸，就能得出企業導入 AI 的四種狀態：

• 上限高、下限低（能幹但危險）：AI 知道怎麼修改你的系統，你卻沒有替它設定安全邊界。
• 上限低、下限高（安全但沒用）：AI 碰不到關鍵資料，但也產出不了什麼商業價值。
• 兩者都低（平庸，出錯也沒人發現）：這是我最常看到的企業現況。
• 兩者都高（能幹又可靠）：AI 能做得很深，出錯時也兜得住。只有到了這個階段，才適合把關鍵的業務流程交給它。

最後，上限和下限在最底層是相連的。你要限制 AI 能動什麼資料（第三題），就得先搞清楚公司裡到底有哪些系統和規則（第二題）。你永遠無法替一個連你自己都說不清楚的東西，設定安全的邊界。