企業正在加速導入 AI，但投入越多，另一個問題也越來越明顯：模型能力不斷提升，企業真正拿到的投資報酬卻未必同步增加。
原因可能不在 AI 本身，而在 AI 被接到了什麼樣的系統上。
對許多大型企業而言，AI 並不是部署在一套為資料即時流通、跨系統協作而設計的新架構中，而是被疊加在運行十幾、二十年的舊軟體之上。這些系統累積了大量客製化程式、資料孤島與人工流程，原本只需要維持既有業務運轉，如今卻被要求支撐即時分析、自動決策甚至 AI 代理。
企業看似完成了 AI 導入，實際上只是讓 AI 繼承了過去二十年的技術債。
AI 導入的真正障礙是舊系統，不是技術本身
如今這個問題的規模可能比想像中大。根據美國軟體開發與 IT 顧問公司 Synergy Labs 的研究，2026 年仍有 62% 的美國企業依賴過時軟體，維護這些系統最高可能吃掉 80% 的 IT 預算。
麥肯錫的資料則顯示，《財星》500 大企業所使用的軟體中，高達 70% 是二十年前甚至更早開發的。
換句話說，很多企業今天討論生成式 AI、代理與即時自動化時，底層仍然跑著網路泡沫年代建立的系統；且問題並不是這些系統完全不能用——恰恰相反，它們往往因為「還能用」而被保留多年。
但企業為此付出的代價，是持續增加的維護成本與技術債，每年因技術債損失約 3.7 億美元成本。
這些舊系統當初根本不是為 AI 設計的。現代 AI 要有效運作，需要取得完整資料、理解跨系統脈絡，並根據即時狀態做出判斷，但傳統企業系統的資料可能散落在 ERP、CRM、檔案伺服器甚至大量人工建立的 Excel 中，不同資料格式彼此不相容，部分資訊也沒有穩定的 API 可以存取。即使企業接入再強的模型，AI 能看到的可能仍然只是整個公司的局部切片。
外掛式 AI 看似便利，實際帶來更多問題？
因此，很多企業選擇了一條看似更快的路：不修改底層系統，直接在既有軟體外面「加一層 AI」。這種外掛式 AI 的優勢很明顯，部署速度快、不必立即進行昂貴的系統重構，也很容易在 Demo 中展示效果；例如讓 AI 摘要文件、回答問題，或者在某個既有工作流程旁增加聊天介面。但真正進入日常工作後，問題才開始出現。
首先是工作流程沒有真正被改變。員工仍然在原本的系統中工作，需要使用 AI 時再切換到另一個介面，把資料帶出去，得到結果後再貼回核心系統。原本希望 AI 減少操作步驟，最後卻變成多了一個要操作的工具。
更大的問題在資料。外掛式 AI 通常無法直接存取完整、即時的核心資料，只能讀取 API 開放的欄位，或者使用定期匯出的資料。只要資料不完整、更新不及時，AI 的判斷就可能建立在一個失真的企業狀態之上。
在金融或醫療等高度監管產業，這可能淪為風險問題。
另外，外掛架構還會增加新的維護成本。核心平台更新後，AI 整合可能失效；兩套系統來自不同供應商，也意味著企業要同時維護介面、權限與版本相容性。舊系統原本存在的安全漏洞，也可能因為多了一個 AI 存取入口而進一步擴大。
更重要的是，外掛式 AI 能做什麼最終仍取決於舊系統願意開放什麼。如果 API 只能讀取十個欄位，AI 就只能看這十個欄位；如果系統沒有提供寫入與操作權限，AI 即使做出判斷，也不能真正執行下一步。企業花了大把預算採購的「AI 功能」，卻沒有真正得到 AI 驅動的流程。
真正的轉型障礙與務實解方
企業常把轉型困難歸因於供應商鎖定，例如專有資料格式、封閉 API 或長期合約，但真正更難處理的往往是內部技術債。
舊系統經過多年修改，累積大量未被完整記錄的客製化設定、權宜做法與系統相依關係，即使企業想更換供應商，也未必能輕易把這些複雜度一起搬移。這也是大型系統現代化成本高、時間長的原因。麥肯錫指出，這類專案可能需要數百名工程師、數年時間與數百萬美元投入。
不過 AI 現在也開始被用來降低這項成本。麥肯錫的 LegacyX 利用生成式 AI 與 Agent 分析舊程式、整理商業邏輯並協助程式轉換，官方稱可將現代化速度提高約 40% 至 50%。
企業未必需要一開始就全面重新構建，更務實的做法，是先從資料現代化著手，例如建立 data lakehouse，或替既有系統建立 API 與統一的資料存取層。這能在不立即更換核心系統的情況下，先讓 AI 取得較完整、可用的資料。
資料特性成關鍵：可存取、可連結、可即時
企業評估 AI 工具時，應該問的是「它到底能看到什麼資料，以及可否進入底層系統」。外掛式 AI 最大的問題，不是模型不夠聰明，而是它繼承了舊系統的所有邊界。
同樣地，供應商鎖定雖然會增加轉型難度，但真正使企業寸步難行的，往往是多年累積、已經沒有人能完全說清楚的內部技術債。因此，企業要獲得真正的 AI 投資報酬，第一步未必是購買更多 AI 工具，也未必是立即推翻所有舊系統。應是在可行的起點，是先讓資料變得可存取、可連結、可即時使用。
【推薦閱讀】
◆ AI 時代需要全新領導方式，專家提 90 天 AI 轉型實踐框架
◆ 供應鏈 AI 導入瓶頸不在技術，而在「決策權」：Deloitte 給主管的 5 個提醒
◆ 企業都在投資 AI，生產力數字為何還沒動？49 萬份法說會研究揭「導入空窗期」
＊本文開放合作夥伴轉載，參考資料：《Techradar》、《Mckinsey》，圖片來源：Unsplash
（責任編輯：鄒家彥）
