生成式 AI 問世以來，企業導入 AI 的焦點已從「要不要用」走向「怎麼用」。有人將 AI 當成聊天機器人，有人用來寫程式、整理會議紀錄，也有企業開始嘗試導入 AI Agent。不過，真正的差距或許不在於導入了多少 AI 工具，而在於 AI 是否已走進企業工作流程。
根據 Notion 最新發布的《Inside the AI Transformation》研究，該團隊調查全球超過 6,100 名 AI 決策者與使用者後，將企業 AI 成熟度分為四個層級：Level 1 是把 AI 當成思考夥伴（Thought Partner），主要協助草擬、摘要與腦力激盪；Level 2 則開始將 AI 整合進日常工作；Level 3 讓 AI 在人類監督下執行重複性的工作流程；Level 4 則讓 AI 執行端到端、高影響力的核心業務流程。
調查顯示，目前仍有 57% 的企業停留在 Level 1、31% 位於 Level 2，真正進入流程階段的企業僅占 12%，其中只有 2% 已經讓 AI 成為企業系統的一部分。
Notion 並沒有把這四個層級視為企業必須追求的目標，而是希望提供一個觀察 AI 導入成熟度的座標，協助企業了解自己目前位於哪個階段。就在多數企業仍停留在前兩個層級時，Morgan Stanley（摩根士丹利）最近公開的一項 AI Agent 專案，則讓外界看見 AI 真正走進核心工作流程後，企業究竟會怎麼設計。
把 AI 放進最不能出錯的金融流程，而不是周邊工作
過去企業導入 AI Agent，多半集中在程式開發、客服、文件整理等相對獨立的應用場景；Morgan Stanley 則選擇了一個完全不同的起點。
根據《VentureBeat》報導，Morgan Stanley 將內部開發的 Agent 系統 FIXR，部署到每日損益對帳（Profit and Loss Reconciliation，P&L Reconciliation）流程。這項工作每天交易結束後都必須進行，涉及 Finance、Risk、Operations 與 Trade Capture 等多套系統資料的比對，只要資料出現不一致，財務控制人員（Controller）就必須逐筆調查原因、決定如何調整，並趕在隔天開盤前完成確認。
這是一項對精準度與時效要求極高的核心流程，也長期高度依賴人工經驗。導入 FIXR 後，系統會在夜間完成 P&L 計算，隨後自動分析資料不一致的項目（breaks），並提出修正建議。過去完成一個帳本（book）的對帳最多需要約 6 小時，如今已縮短至約 2 至 3 小時。以約 100 名 Controller 計算，每週可節省約 1,500 小時的人工作業。
值得留意的是，Morgan Stanley 並沒有試圖打造一個能完全取代人的 Agent。
第一個關鍵：刻意降低 Agent 自主性，不追求全自動
近一年來，AI Agent 的發展方向多半圍繞著「更自主」：希望 Agent 能自行理解任務、規劃流程並完成工作，但是 Morgan Stanley 卻反其道而行。
FIXR 雖然會提出修正建議，但每一項結果仍需由 Controller 審核、確認或修正，再將決策回饋給系統，作為下一輪學習依據。換言之，人類始終留在決策迴路（human in the loop）中，而不是把判斷權完全交給 AI。
Morgan Stanley 董事總經理 Todd Johnson 表示，即使開始導入自動化，「人類問責（human accountability）」仍必須存在。他也指出，自主性建立在高度信任之上，如果每個人都需要重新檢查 Agent 的所有結果，企業最終仍無法真正獲得效率提升。
這套設計背後的判斷是，Controller 腦中累積的經驗不可能第一天就全塞進 Agent，因此人必須留在迴圈裡，讓系統從每天的回饋中學會什麼對、什麼錯。也因此，FIXR 的目標並不是一開始就完全自主，而是在持續累積信任後，逐步提高自動化比例。
第二個關鍵：讓 AI 學人，再把人的經驗變成規則
FIXR 的另一項特色，是它並非持續依賴大型語言模型推理，而是不斷把人類經驗沉澱成企業規則。
整個系統由多個 Agent 協同運作：有的負責整理過去的處理紀錄，有的觀察 Controller 的決策方式，也有 Agent 將反覆出現的處理模式轉換成固定規則。
每當 Controller 修正 AI 建議後，系統便記錄這次決策；當相同類型問題多次以一致方式解決後，FIXR 就會把這套做法固化成規則，而不是每次重新交由模型推理。隨著回饋累積，系統能自動處理遇過不一致項目、對陌生情況提出建議、不確定時主動求助，讓自動化比例逐步提高，而非每一個狀況一開始就搬出模型做判斷。
Johnson 表示，只要流程能夠被明確定義、可以重複執行，就應盡量交由規則處理，把大型語言模型保留給真正需要推理與判斷的情境。
這樣的設計除了降低 Token 消耗，也讓流程更一致、更容易治理。隨著人類持續提供回饋，AI 的知識不再只是存在模型裡，而是逐步累積成企業自己的流程資產。
第三個關鍵：先設計流程，再導入 AI
Johnson 在分享中反覆強調，FIXR 專案最重要的工作，其實發生在導入 AI 之前。團隊先進行完整的流程盤點（Process Intelligence），逐步分析哪些環節適合 Agent、哪些適合傳統自動化、哪些則應直接重新設計，而不是急著把 AI 套進既有流程。
他表示，如果先修正流程本身，再導入 Agent，才能真正發揮 AI 的價值；否則，只是讓 AI 加速原本低效率的工作方式。ohnson 表示，團隊選擇 P&L 對帳作為第一個導入場景，不只是因為流程固定、適合自動化，更因為這項工作在全球原本就由數百名財務控制人員負責，具有高度可擴展性。目前 FIXR 已協助約 100 名財務控制人員完成這項工作，未來則可逐步推廣到更多團隊與業務流程。
AI 下一階段的競爭，開始從工具走向流程
綜觀 Morgan Stanley 的說法，它幾乎沒有著墨模型本身有多強，而是強調導入前先做流程盤點、判斷哪裡該用 Agent、哪裡只需傳統自動化或重新設計；其在意的是可延展性、治理與人類回饋，模型反而只是其中一個元件。
這一點與 Notion 調查的結論相呼應。報告指出，真正把 AI 用成系統的少數公司，共通點在整合、治理與衡量三件事上做得更多：把 AI 接進既有系統而非複製貼上，更早建立治理與問責框架，並用真實指標衡量成效。有意思的是，「自陳省下多少時間」這種衡量在最成熟的組織裡反而正在退場，這也提醒，Morgan Stanley 每週省 1,500 小時固然亮眼，但它對外強調的始終是控制、可重複與品質。
過去企業部署 AI，重點多半是讓模型更聰明，Morgan Stanley 展現的下一階段，則是讓 AI 更能融入流程。當多數組織還停在工具層，真正拉開差距的，或許不再只是模型能力，而是能否把流程、治理、人類回饋與規則設計，組成一套能持續演進的系統。
【推薦閱讀】
◆ 台灣 AI 採用贏全球，產出成果卻落後一截？微軟揭企業 AI 的導入盲點
＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、《Search Engine Journal》、Notion，首圖來源：Morgan Stanley
