---

嘴巴說要 AI，行動卻只剩封鎖——CEO、IT 與基層的三方認知斷層，怎麼修？

你的公司也是這樣嗎？在公司法說會上喊得震天響：「AI 優先！全力衝刺！」可是，實際上沒什麼動作。又或者是，高階長官的 AI 策略會議裡，每位主管輪流表態：「全力支持，責無旁貸。」「錢，不是問題。」散會時大家握手點頭，氣氛一片大好。

然後在辦公室的你，滿懷期待地打開瀏覽器。

ChatGPT——封鎖，請洽資訊處。Claude——封鎖。Gemini——封鎖。多試了幾個，結果一樣。幾乎所有 AI 網站，全數封鎖。公司可以使用的 AI，只有 M365 Copilot——一個內建在微軟生態系內的企業 AI。

好吧，那就用 Copilot。拉了一個檔案進去，兩個，三個，第四個開始碰到限制。接著問它：「幫我分析一下台積電的營收報告。」Copilot 卻給出制式回應：「抱歉，這個議題我無法繼續，我們換個話題吧。」……分析一份公開的財報，也能被內容審查擋下來？

手上有 AI，但這個 AI 並沒有讓工作變省事，說實話就是不夠好用——它畢竟不是原生模型商的 AI。看著有些公司已經在提供 Codex 還是 Claude Code 「算力自由」，這時，鼓起勇氣打給 IT：「請問公司有採購企業版的 Claude 嗎？」電話那頭沉默了兩秒：「Claude？……那是什麼東西？」…，這話題無法繼續，只好默默掛上電話。

好吧，跳過 IT，直接找老闆。「老闆，可以由公司採購 Claude （包括 Cowork & Claude code），安裝到我們的工作環境嗎？」老闆皺了皺眉：「我們不是有 Copilot 了嗎？都是 AI 啊，有什麼不一樣？」

你回到座位。法說會的豪語、長官的舉手表態、瀏覽器裡一排封鎖——理想跟現實，就像平行時空。

仔細想想，每個人說的話都合理。資安要守資料邊界，所以封鎖外部服務；IT 扛系統事故的鍋，所以只敢採購清單上的東西；老闆被 KPI 追得喘不過氣，能關心的只有「有沒有買」。沒有親自用過，自然分不出工具之間的差別，他能做的，就是鼓勵大家去用。於是，每個角色都在自己的合理框架裡做合理的事——但沒有任何一個人站在高一點的地方看全貌。

這就是整個組織做轉型都會遇到的痛點。嘴上全力衝刺，腳下寸步難行。大家用舊時代的「採購思維」去應對一場需要「重塑流程」的典範轉移，保護資料的機制慢慢變成阻擋變化的機制，轉型的引擎就這樣安靜地熄火了。

願景都對了，資源也有了，為什麼還是沒有成果？

坦白說，多數企業的方向判斷是正確的。高管們確實認知到公司有義務提供合適的工具，要賦能、要讓員工具備用 AI 做事的能力。這些話在會議室裡講得真切，投影片上的策略也寫得有模有樣。

但為什麼走出會議室，好像什麼事情也沒發生過？關鍵在於，會議室裡對 AI 的理解，往往停留在工具採購層次。

他們心裡想的是：AI 是一個工具。跟 ERP 一樣，跟 Office 一樣，採購完畢、部署上線，任務就結束了。一份橫跨歐美、同時訪問 1,200 位高階主管與 1,200 位員工的調查報告也證實了這一點：75% 的高層承認，公司的 AI 策略停留在對外展示層級，缺乏真正指引內部行動的路線圖，39% 尚無正式的營收計畫 ¹。員工對公司 AI 策略的信心，也從 2025 年的 47% 下降到 2026 年的 31% ¹。

有一位 CEO 在公司 AI 應用策略會議上直言：「我不需要 AI，我的特助和秘書會打理好一切。」從職位的高點看，這句話反映了真實的工作體感：他擁有完善的人力支援網絡，文件有特助彙整，行程有秘書排定，資訊有人定時餵養。然而，這種高度的人力防護網，反而成了認知的屏障，阻斷了他親身體會技術變革的機會。對他來說，AI 只是一個當紅的科技名詞，僅止於那個「問與答」的對話框，這跟交代秘書辦事本質相同，只不過換了一個介面。聽過但沒親手用過，結果就是：高層感受不到 AI 在工作流程層能做什麼。一個對 AI 的理解只停在「知道有這個東西」的決策者，很難知道下一步該往哪帶。

說實話，你問我答的知識型 AI，對 CEO 確實有用——發想策略方向、摘要會議紀錄、快速諮詢產業趨勢——這些都是「動嘴不動手」的場景，對話框已經夠用了。但問題就出在這裡：CEO 的使用場景，這樣的對話型 AI 就可以滿足，他本來就不需要自己做簡報、跑資料、寫程式。所以在他的體驗裡，對話 AI 已經是 AI 的全部。他分不出「對話 AI」跟「能替你做事的代理式 AI（Agent）」是兩種完全不同形態的東西——前者給建議，後者動手執行。

諷刺的是，宣布公司要全力推動 AI 賦能的，正是同一位 CEO。於是底下每個人開始想同一個問題：怎麼完成他交辦的事？課程排起來了——怎麼用 AI 做簡報、做會議記錄、生圖表、優化 PPT、整理 Excel；說明會辦了，主管輪流表態，員工簽到紀錄歸檔。組織動起來了，KPI 上那欄「AI 賦能人數」也打了勾。只是始終沒有人提起那件最核心的事：怎麼讓 AI 真正進入工作流程、把整個工作流程重新設計一遍？因為在最高層的認知框架裡，沒有人意識到這件事才是最重要的。

對照那些真正跑起來的公司，關鍵差異之一，是決策者有沒有形成一手使用經驗。Shopify 的 CEO Tobi Lütke 把 AI 使用納入基本期待與績效評估；Nvidia 的 Jensen Huang 也公開強力推動員工使用 AI。高層有沒有親自用過、看見效果，會直接影響組織推動的品質與方向。一個沒有親手實作過 AI 的 CEO，或許說得出「AI 優先」，卻說不出「AI 能把我們這條流程改成什麼樣」。

一旦決策者只透過有限的使用經驗理解 AI，組織能走到的極限就只剩下「買一個對話框給大家用」。至於 AI 能重構流程、自動執行任務、甚至成為生產力的執行層？這些可能性，一開始就沒進入決策者的考量範圍。

對話框跟代理人，是兩個完全不同的世界

這裡得拆開來講清楚。

目前多數企業對 AI 的想像，還停在「更聰明的文書助理」——摘要、改寫、翻譯，就這三件事。把 AI 框在一個對話框裡，槓桿率其實被大幅壓縮了。個人效率確實有提升，但要撼動組織的生產力底層？遠遠不夠。

聊天式 AI 做的事情，說白了就是「給建議」跟「產出內容」。它幫你生成一段文字，然後呢？你得自己複製下來，貼到該去的地方，調整格式，存檔，上傳。這本質上還是人工勞動，只是多了一個比較聰明的剪貼簿。

代理式 AI 做的事完全不一樣。它替你打開檔案、編輯內容、存檔、上傳——整條工作流它一手包辦。你定義邏輯，它負責執行。以 Anthropic 的 Claude Cowork 為例，它能替使用者執行多步驟的知識工作；Claude Code 則能讀取整個程式庫、跨檔案修改、跑測試到交付。這類工具已經跨出「對話」的範疇，進入「代行」的層次。

真正的差異點，與品牌強弱無關。Copilot 有 Agent、有 Copilot Studio、有 Power Platform；Claude 有 Cowork 與 Code；Gemini 也在佈局企業協作。關鍵在於：組織到底採購了哪一種 AI 能力？是聊天協助、企業知識協作、程式與流程自動化、判斷節點，還是具備授權邊界的流程代理人？如果只買了「聊天」這一層，卻期待組織生產力產生質變——這個期待本身就是錯位的。

當組織只盯著對話框，其實是在用昂貴的人力去彌補技術跟流程之間的最後一哩路。工作模式一旦僵化，這些昂貴的工具最後就淪為更精緻的打字機。

那 IT 呢？公司裡難道沒有人懂？

你可能會想：公司裡總有人看得懂吧？IT 部門不就是幹這個的嗎？

這裡要先說公道話。多數非科技業的 IT，長期被賦予的核心任務是維持穩定、控管風險、確保系統不中斷。他們的 KPI 本來就是「少出事」，考核標準寫的是「可用性」和「合規性」，「主動探索新型生產力」從來都不在欄位裡。這種 KPI 設計本身沒有錯，但當 AI 從一個工具變成工作流的重構力量時，原本偏被動的服務模式就會顯得吃力。除了科技業的 IT 需要主動研製新產品，其他產業的 IT 在這個結構裡，「等待被邀請」幾乎是常態。

所以當 AI 浪潮打過來，IT 部門的第一反應往往是：有人提需求了嗎？有預算嗎？有規格書嗎？沒有的話，那就先不動。這個反應很合理——因為制度就是這樣訓練他們的。

那 IT 的主管呢？科技資訊的趨勢，IT Head 肯定有在追蹤。但一個公司的 IT Head，日常工作早就離開了第一線開發，更多時間花在管理組織、想策略、控預算、跟各部門協調資源。他自己根本沒有在用這些工具——沒有親手開過 Claude 寫程式，沒有用 Agent 跑過一條自動化流程。資訊有在看，但手感完全空白。

一個自己沒有用過 AI 的 IT Head，要怎麼判斷工具之間的定位差異？要怎麼向老闆解釋為什麼 Copilot 不夠用？要怎麼為團隊爭取一套他自己都說不清價值的東西？

最需要 AI 的人，反而最沉默

再往基層看。每天要處理大量文件、做公文、幫主管準備簡報的，正是這一群人。他們是組織裡對 AI 需求最強烈的角色，也是最能從中獲益的人。

這群人裡面，肯定有厲害的。知道 Codex、知道 Claude、知道代理式 AI 能做什麼。他們其實都懂——只是選擇不說。

為什麼？因為上一次有人試著向主管解釋「為什麼需要另一套 AI」，得到的回應是：「兩套工具差異在哪？」或直接一句「不是都是 AI 嗎？」。前述那份跨國調查也呈現了同樣的結構：55% 的員工認為自己比主管更懂 AI（Gen Z 達 64%），只有 35% 認為主管是 AI 推動者 ¹。階層結構的無形阻力，足以讓多數人打消念頭，不再主動反應。

更棘手的，是另一種主管：看過幾篇 AI 分析報告、開過幾場主題沙龍，覺得自己已經把方向掌握住了。這種情況，有時比「連 Claude 是什麼都不知道」還棘手——因為他帶著「我已經懂了」的錨定感進場。員工一開口，他就把話接走：「這個我清楚，我們公司的佈局是這樣⋯⋯」邊聽邊否定，最後連說明的機會都被剪掉。質疑變成打斷，員工心裡只剩一個結論：這個話題，提了也沒用。

更何況，要跟一個沒用過這些工具的主管解釋「聊天式 AI 跟代理式 AI 是完全不同的世界」，這件事本身就極其困難。懂技術的人，未必能把差異講得讓管理層聽懂；能講清楚的人，未必願意去扛那個「挑戰上級認知」的壓力。而就算有人鼓起勇氣回報了問題，該調查也指出，30% 的員工不覺得自己能安全回報 AI 的錯誤與風險——因為他們擔心遭到報復，或被貼上麻煩製造者的標籤 ¹。所以人之常情，多數人選擇閉嘴。

閉嘴之後呢？要嘛自己帶電腦、連手機熱點默默用。要嘛乾脆去一間能用的公司。

組織花了大把預算採購 AI，最後卻讓員工只能用最原始的方式繞路，甚至流失了最積極擁抱變革的人才。具備實作經驗的人缺少發聲通道，掌握採購與治理權限的人又缺少第一線手感。資訊落差加上權責落差，整個組織的 AI 導入就卡在這裡——誰都不舒服，但誰也不說。

那怎麼辦？五階段成熟度模型

把 AI 應用成熟度拆成五個階段。公司先搞清楚自己現在站在哪一層，才知道下一步要做什麼、採購什麼工具。

資安封鎖本身有其合理性，問題是封了之後沒有後續計畫。從「對話框」到「流程代理人」是一段距離，沒辦法一步跳過去，只能按順序走上來。
以下五階段模型，融合了 NIST AI RMF、Microsoft Responsible AI Standard、Copilot 治理規範、RPA 智慧自動化與 Agentic AI 採用研究。重點就一句話：尊重制度，有節奏地升級。

第一階段：個人端的「聊天協助」（Chat Assistance）

所有 AI 應用的起手式：員工開口問，AI 給答案。摘要一份報告、翻譯一封信、發想簡報架構——這是最低門檻的 AI 互動，也是組織導入 AI 的普遍起點。

但如果連這一層都封鎖，又沒有配套的替代方案、申請流程或稽核通道，員工為了效率還是會自己找路：用個人帳號、連手機熱點，繞過公司管控使用未核准的 AI 服務。影子 AI 就這樣滋生 ²，相關的外洩成本與治理風險也跟著上升。

第二階段：場景化的「知識深化」（Contextual Knowledge）

第一階段的 AI 是通用的——它什麼都能聊，但對你的公司一無所知。第二階段做的事是「接地」：把企業知識庫掛上去，讓 AI 能基於公司的文件、政策、SOP 回答問題；或者針對高頻任務，用精心設計的 Prompt 驅動特定用途的 AI——合約初審助理、新人入職引導、客服問答機器人——讓 AI 從通用助理變成有脈絡的任務執行者。這往往也是組織最容易遭遇瓶頸的一個階段，阻礙通常來自兩個地方。

第一個是對「知識庫」的想像跑偏了。我碰過有人指著一份 PPT 說：「這就是我們的知識庫。」那份 PPT 整理得很用心，分類清楚、重點突出——完全是給人看的。但 AI 需要的是可查詢、有結構、有權限邊界的資料，跟人整理給人看的摘要根本是兩回事。那位同仁覺得自己已經準備好了，問題是連起跑線在哪都還沒對齊。

第二個是既有的權限混亂會被放大。AI 會沿用使用者本來就有的存取權限，如果公司原本的檔案權限就亂，AI 反而會幫你把不該被看到的東西一起端出來（Oversharing）³。換句話說，AI 會把你藏在角落的權限管理問題攤在陽光下。這個階段能不能走穩，前提是先把資料分類跟存取控制整理清楚。

第三階段：規則驅動的「任務自動化」（Task Automation）

這個階段的核心，是把高重複、低變異、規則明確的工作，轉成可執行、可監控、可回溯的自動化流程。工具選擇很多：RPA、Power Automate、API 串接、Python 腳本、低程式碼平台，依組織的技術條件和 IT 治理框架決定。AI 的角色是協助使用者描述流程、整理規則、產出原型、補齊文件，降低自動化設計的門檻——讓更多人能開口提需求，也讓 IT 更容易審核和維運。

以前，要把一件重複性工作自動化，員工要先寫清楚需求規格書，交給 IT，IT 寫程式，自動化才跑得起來。IT 資源有限，排隊的需求太多，難以即時消化。現在，員工可以用白話描述「我想要每天早上自動抓這份報表、整理成這個格式、寄給這幾個人」，AI 協助把需求整理成可執行的規格或原型，再交由 IT 審核部署 ⁴。設計門檻降了，但部署流程沒有繞過——這是這個階段能否在組織內推開的關鍵。

前提是流程規則說得清楚。自動化流程本身是固定邏輯——同樣的輸入，跑一百次都要是同樣的結果。在缺乏流程文件的組織裡，很多作業靠的是老張腦子裡的經驗，說不清楚、寫不出來，自動化的推行往往就停滯在這裡。

第四階段：嵌入流程的「判斷節點」（Decision Nodes）

第三階段跑的是固定規則，第四階段處理的是判斷。在自動化流程裡，有些節點靠規則引擎就夠了——金額超過門檻、欄位填寫不完整，條件成立直接觸發。但另一類節點規則處理不了：合約條款有沒有潛在風險、履歷跟職缺的適配程度、客訴文字屬於哪個分類、法遵疑義要不要升級——這些需要讀懂語意、理解脈絡，才是 AI 真正有價值的地方。分工邏輯是：固定條件交給規則引擎，語意判斷交給 AI，邊界不清的案件升級給人。

那人呢？人的角色跟著轉移，分成兩件事：一是覆核，AI 判斷完，人確認結果是否合理，有沒有需要推翻；二是例外管理，遇到 AI 判斷不了、或判斷結果明顯有問題的情況，由人接手處理。這個分工讓人從「每一筆都要親自過」解放出來，專注在真正需要人介入的地方。

走到這一步，組織的治理成熟度才算真正被考驗：誰負責覆核？例外情況怎麼定義？AI 判錯了誰來負責？這些「人類監督機制」（Human Oversight）必須在上線前就講清楚 ⁵。另一個容易忽略的風險：模型效能會隨時間漂移（Drift），上線時準確的東西，半年後可能悄悄失準，形成隱形的經營風險 ⁶。

第五階段：自主執行的「流程代理人」（Workflow Agents）

前四個階段，AI 都在等人下指令。第五階段不一樣——AI 在授權邊界內自主規劃並執行多步驟任務，人負責設定目標、定義邊界、確認結果。

這就是現在說的 Agentic AI（代理式 AI）。你告訴它「幫我追蹤這批廠商合約，快到期的提前三十天發通知、整理成報表、更新到系統裡」，它會自己規劃步驟、依序執行，直到任務完成 ⁷。但要讓這件事真正跑起來，不只是把任務說清楚。Agent 還需要工具權限、資料來源、系統 API、身份控管、審批節點、回滾機制與執行日誌，才能在受控環境下自主行動——每一個動作都有對應的授權邊界，出問題有稽核軌跡可以追。

這是目前 AI 應用裡槓桿率最高的型態，也是整個產業正在快速發展的方向。但現實是，大多數企業對 Agentic AI 還很陌生——不知道它能做什麼、不確定邊界在哪、也沒有對應的治理框架。這個認知落差，正是第五階段最大的障礙。

技術能跑不代表組織準備好了。誰有權限授權 AI 動作？授權到什麼範圍？出錯了怎麼回溯？這些問題都需要「動態審計」機制來兜底 ⁸。並非每個流程都適合推到這一層，過度代理化反而會製造新的責任黑洞——授權越大，治理跟不上的風險就越高。

走到第五階段，人做的事變了：以前是親手跑每一個步驟，現在是設定任務、定邊界、確認結果有沒有跑偏。工作還在，只是角色從執行者換成了監督者。能走到這裡的組織，共同點只有一個：每一層的人都搞清楚了，現在哪些事該讓 AI 做、哪些事還得人來。

競爭的本質是認知品質

接下來幾年，企業之間真正拉開差距的，是認知的速度。工具人人買得到，但能看清楚 AI 是什麼、能做什麼、組織現在站在哪個階段的人，才有能力把下一步走對。

五個階段看起來像技術路徑圖，但每一層真正的門檻是認知，行動是後來的事。順序跳不過。

最務實的起點，是讓組織裡已經懂的人先動起來。

每個組織裡都有 AI 先行者——那些已經在用、已經看到效果、知道工具之間差在哪裡的人。他們現在多半是沉默的，因為每次提出建議都可能遇到無形的溝通阻力。主管此時最需要做的，就是暫停用既有的判斷框架，先把空間留出來，讓這些人說、讓這些人做、讓結果說話。

這件事的成本是零。需要的只是暫時放下「我已經掌握方向」的想法，真正接收一次來自第一線人員的需求。

起點很簡單：挑幾個覺得可行的工作場景，在合規前提下試著把流程重新想一遍，把 AI 引進來。不用等全公司就緒，不用等策略定案，就從手邊的事開始。

封鎖 AI 能守住風險，但 AI 先行者帶回來的每一個實作結果，才是組織認知升級的原料。

企業 AI 導入的重點，是建立一條可控的應用路徑：哪些資料可以進 AI、哪些任務可以自動化、哪些判斷需要人覆核、哪些動作可以授權代理人執行。封鎖是風險管理的起點，治理才是轉型真正開始的地方。

---