專訪：戴季全
撰稿：李昀蔚
「企業不會說 AI 不是競爭力，但是 AI 不會是唯一的競爭力。」本集《全新一週》邀請勤業眾信資深執行副總經理溫紹群，從第一線協助企業與組織導入 AI 的經驗出發，剖析 AI Agent 從回答問題走向自主執行後，企業真正面臨的挑戰，已經不只是模型能力，而是資料、流程、系統、組織與治理能不能一起跟上的課題。
從 CIO 如何在百家爭鳴的 AI Agent 生態中規劃未來架構，到 IT 與業務部門對 AI 導入方式出現不同期待，再到企業究竟該追求 AI Native，還是先用 AI Empower 強化既有優勢，當 AI 落地逐漸從單純的技術專案走向組織轉型，同時又有 FDE（Frontier Deployment Engineer，前線部署工程師）這類新角色開始進入企業，更深層的問題也同步浮現：AI 到底要如何真正產生價值？企業又該用什麼 KPI 判斷 POC、服務驗證與商業成果，避免 AI 專案做了很多，最後卻停留在概念驗證？
企業想讓 AI Agent 真正做事，先得解開資料、系統與組織三道關卡
相較於過去生成式 AI 著重文字、影像與內容生成，AI Agent 進入企業後，最大的變化在於開始被期待能「做事」：企業高層希望 Agent 能自主執行任務、放大員工產能，業務單位則面臨缺工、供應鏈協作與業績壓力。然而，對 CIO 而言，任務卻更複雜，因為目前 Agent 世界仍未像 Android、iOS 一樣形成相對穩定的架構，從 MCP、A2A 到各種 AI 系統架構都還在快速演進，要此刻提出一套足以支撐未來五年的 AI 架構，本身就是很大的挑戰。
更具挑戰的是，IT 不只是要幫別人轉型，自己也正在被 AI 改造。溫紹群形容，過去企業談組織變革，常說是「穿著衣服改衣服」，但現在「連剪刀都變了」。例如，過去系統工程師部署一個開發環境可能需要一到兩週，現在透過 SE Agent，可能半天到一天就能完成，從系統工程、分析設計、開發到測試，都同步受到影響。這也代表，CIO 一邊要規劃全公司的 AI 未來，一邊還得處理自己部門工作方式被 AI 重寫的壓力。
當 AI 再往 HR、財務、採購與供應鏈擴散，這種壓力就會進一步變成跨部門衝突。由於企業資料往往散落在 SAP、Oracle ERP 與其他異質系統中，當供應鏈突然斷貨、企業必須尋找第二供應來源時，從供應商資料、採購到下單，可能就要橫跨多套系統，因此對 AI Agent 而言，真正困難的從來不只是「會不會回答問題」，而是能不能取得正確資料並串起完整流程。
這也讓 IT 與業務部門對 AI 的期待開始分歧：業務單位希望自己的問題現在就被解決，但 IT 必須思考整間公司的共通架構。如果企業都採取先摘低垂果實的策略，很可能最後形成 A 部門用 A 方案、B 部門用 B 方案，短期看似快速產生成效，但資料、權限、平台與系統整合的管理責任，仍會全部回到 CIO 身上。最終，這樣的現實狀況也帶出下一個問題：既有企業若不可能一次重做所有系統與流程，AI 到底應該從哪裡開始？這正是「AI Native」與「AI Empower」兩條路徑的差異，也是台灣企業面對 AI 轉型時重要的策略選擇。
台灣企業不一定要直接 AI Native，可以先用 AI Empower 放大既有優勢
現在，當矽谷大量討論 AI Native，既有企業很容易產生一種焦慮：如果新創可以從零開始用 AI 重新設計公司，傳統企業是不是也應該把原有流程全部推翻？溫紹群認為，新創公司確實沒有歷史包袱，甚至一個人就能透過 AI 快速產生數位產品與原型，但台灣大多數企業本來就擁有既有產品、流程、客戶與產業知識，這些既有資產本身就是競爭力，因此沒有必要為了追求 AI Native 而把原本累積的能力全部丟掉。
對台灣企業來說，更務實的做法，是先從 AI Empower 開始，把 AI 當成既有流程的增強器，例如改善 ERP 串接、系統對接與資料傳遞，再另外透過 Side Project 累積 AI Native 經驗。這樣的做法並不是拒絕 AI Native，而是把轉型拆成不同風險層次：核心業務先利用 AI 放大原有競爭力，新的流程與商業模式則在較少包袱的環境中重新設計，以避免企業為了追求「原生」反而失去自己原本擅長的事情。
溫紹群強調，製造業就是一個很典型的例子。傳統 AOI 瑕疵檢測是在產品出現異常後把瑕疵品找出來，但若進一步讓 AOI Agent 呼叫另一個 Agent，直接動態調整生產線參數、形成 Close Loop，AI 的角色就會從協助人員判斷，進一步轉變為參與、執行決策，並從單純的 AI Empower 往 AI Native 前進。
FDE 不只是工程師，從導入、推廣到產生成效都得負責
如果說 AI Empower 與 AI Native 回答的是企業「要怎麼導入 AI」，那麼當 AI 真正走進業務流程後，下一個問題就是：誰能把這些技術能力轉成可落地、可使用，甚至能直接產生商業成果的解決方案？因此，近來 AI 產業開始出現一個受到高度關注的新角色「FDE（Frontier Deployment Engineer，前線部署工程師）」，也就是直接進入客戶現場，協助企業把 AI 能力部署進實際工作流程的人。溫紹群認為，FDE 雖然名稱中有「Engineer」，但如果只是把原本的工程師換個名稱，就失去了這個職務真正的意義，因為它的核心目標不是完成系統，而是直接產生成效。
一名真正的 FDE，必須先理解企業哪一段流程值得 AI 化，接著還要具備類似顧問的溝通能力，把需求轉成系統，再一路完成開發、測試與上線。不過，如果做到上線就結束，仍然不足以證明價值，因為企業現在並不缺 POC，真正缺的是有人使用、能夠推廣，而且最終產生成效的 AI，因此 FDE 的角色甚至一路延伸到銷售、交付、售後服務、行銷與業務開發。
這也解釋為什麼 FDE 能不能複製到台灣，不只是人才問題，更是治理與組織問題。美國部分 FDE 模式之所以能運作，是因為私募基金本身就是被投資公司的股東，可以要求被投資企業開放資料、配合改造。相較之下，在台灣如果缺少相同的股權與治理條件，外部團隊一旦需要深入資料、工作流程、人員與決策鏈，阻力就會快速增加。
尤其當 AI 開始改變人的工作內容，問題就不再只是工程。FDE 真正要轉型一間公司，勢必碰觸人員、組織與流程，因此甲方高層是否真的支持、公司內部是否有共識，都會直接決定團隊能不能做出成果。
因此，FDE 不能只用「完成多少功能」來衡量，還必須在有限時間內證明 AI 確實改變企業運作。「我覺得 FDE 一定要在三到六個月，有東西出來，」溫紹群強調，如果三到六個月仍沒有具體成果，FDE 就可能再次落入企業做了大量 POC，卻沒有真正創造價值的老問題。
AI Ready 不只是 IT 專案，HR、業務與 IT 都必須一起進場
從 AI Agent 進入流程，到 FDE 真正進場推動部署，當 AI 開始承擔部分工作與決策，企業需要管理的還包括人的角色如何調整、誰要對結果負責，以及不同部門該如何共同衡量價值。
因此，溫紹群認為，要做到「AI Ready」，不能只由 IT 負責，而是 HR 必須面對人的技能與角色變化，IT 與資安負責系統與風險，財務、銷售、供應鏈等業務主管則必須判斷 AI 在各自流程中的價值與風險。只有三者一起進場，人機協作才不會變成 IT 單方面推技術、業務單方面追成效，而是彼此能用相同標準看待同一個專案。
不過，要讓不同部門建立共同語言，其中一個關鍵就是「不要在錯的階段，用錯的 KPI」。溫紹群指出，POC 的概念驗證、Proof of Service 的服務驗證，到 Proof of Business 的業務價值驗證，各自該看的價值不同，如果企業一開始就拿最終商業成果衡量一個仍在概念驗證階段的專案，很可能讓原本值得繼續發展的方向過早被終止；反過來說，如果一個已經進入商業落地階段的專案還只談模型準確率與 Demo，也同樣無法證明真正價值。
因此，AI 轉型真正需要的是一套隨著階段變化的價值驗證邏輯。從「技術做不做得到」到「服務能不能穩定運作」，最後再到「業務有沒有因此增加收入、降低成本或改變生產力」，每一步都必須用對應的標準判斷，企業才不會因為期待錯置，錯估 AI 專案真正的潛力。
當 AI 從回答問題走向真正參與決策與執行，企業競爭力的關鍵，也不再只是有沒有導入 AI，而是能否讓技術真正進入流程、產生價值。從 AI Empower、AI Native 到 FDE，最終都回到同一件事：企業必須同步調整組織、治理與 KPI，才能讓 AI 從概念驗證，走向可持續、可衡量的生產力。
