企業對 AI 的期待正在快速升高，但真正能從 AI 專案中拿到回報的公司仍然有限。一項針對企業 AI 導入的研究顯示，超過 80% 的 AI 專案最終走向失敗，失敗率甚至約為一般資訊科技專案的兩倍。另一項統計則指出，接近 80% 的 AI 概念驗證（PoC）最終沒有產生實際回報。
這很容易讓人以為，問題出在模型能力還不夠成熟。但根據研究人員訪談 65 名具有至少五年經驗的資料科學家與工程師後發現，最常見的問題反而發生在技術之外，包括企業沒有真正說清楚要解決什麼問題、技術團隊理解錯業務需求、模型被拿來優化錯誤的指標，或者做出來的工具根本無法嵌入原本的工作流程。
換句話說，企業缺少的往往不是另一個更強的模型，而是一群同時理解「AI」與「業務」的人。
多數 AI 專案失敗，問題不在技術
這也是如今「AI + X」概念開始受到重視的原因。這裡的 X 可以是醫療、金融、製造、零售，也可以是任何具體產業。核心不是要求每個醫師都成為機器學習工程師，也不是讓每個資料科學家重新讀一次醫學院，而是讓企業具備能夠跨越兩種專業語言的人。
AI 團隊與業務人員看到的問題，本來就不同。醫師討論的是病人的症狀、治療流程與臨床風險；金融從業者談的是資產負債表、資本成本與風險控制；機器學習工程師關心的則可能是訓練資料、參數、準確率和統計檢驗。每一種語言都沒有錯，但當沒有人負責把它們接起來，企業很容易做出一個技術上漂亮、業務上卻沒有用途的 AI 系統。
更危險的是，有些模型不只沒有效益，甚至可能在所有技術指標都正常的情況下，得出完全錯誤的決策。
模型看似正確，方向卻可能完全錯
以醫療領域為例，研究團隊建立了一套肺炎併發症預測模型，希望判斷哪些病人更可能出現嚴重併發症；在資料上，模型表現沒有明顯問題，但其中一項結果十分反常：有氣喘病史的患者，似乎比一般患者更不容易出現併發症。
如果只從統計資料來看，這個結論可以成立。但對臨床醫師而言，這是一個明顯的警訊。原因是氣喘患者一旦感染肺炎，本來就會被醫療人員視為較高風險族群，因此通常會更早接受積極治療與密切監控。他們最後併發症較少，不代表這群患者天生風險比較低，而可能正是因為醫療系統早已對他們進行更多介入。
模型看到了「氣喘患者併發症較少」這個相關性，卻不知道背後存在醫療介入。
倘若企業直接按照模型輸出部署系統，它甚至可能進一步推論，既然氣喘患者出現併發症的機率較低，那麼醫療資源可以優先分配給其他病人。結果反而是降低最需要積極照顧患者的優先順序。所幸，這套模型在正式上線前先交由醫師檢視，團隊才發現問題。
這個案例說明，模型通過統計驗證，不代表它已經理解現實世界的因果關係，更不代表它可以安全部署。
準確率、召回率或其他模型指標，只能回答模型在既有資料上的表現，無法取代領域專家對資料、工作流程與實際結論的判斷。
成功的 AI 專案，重點不在演算法
真正成功的 AI 專案，關鍵未必在演算法本身。一套急診 AI 病歷紀錄工具，就是由研究人員直接進入急診現場，與醫師反覆調整產品，讓工具貼合真實工作方式，因而取得較高臨床採用率。加拿大工業自動化公司 RL Core Technologies 的案例也是如此。他們開發水處理自動化系統時，先與現場操作人員理解設備流程與限制，才設計出能嵌入既有流程的工具。
兩個案例的共同點，不是更先進的演算法，而是領域專家從一開始就參與問題定義與設計。
問題是這類人才不好找。既懂 AI 又深入理解特定產業的人稀缺，企業內部的資料科學家、工程師與第一線員工又分屬不同部門，少有機會建立共同語言。
因此企業不該苦等「全能人才」，更實際的做法，是先提升業務人員的 AI 素養，再培養能同時理解技術與業務語言的橋接角色。
這些人不必是最強的工程師或最資深的主管，但要能把需求翻成技術問題、把模型限制翻成業務風險。找不到這種人才，也可以靠小型跨職能團隊達到同樣效果，讓各方從問題定義階段就一起工作，而非等模型做完才交給業務驗收。
企業如何培養「雙棲人才」？
對企業而言，這代表 AI 投資的優先順序也需要改變。一個專案開始之前，除了問「我們要用哪個模型」，更應該先問：誰真正理解這個問題？誰能判斷資料背後的因果關係？誰能確認模型輸出符合實際工作流程？又有誰能在上線之前指出那些統計指標看不見的風險？
AI + X 真正要解決的不是如何讓演算法再提高幾個百分點，而是企業能不能確保 AI 解的是對的問題。
領域專家的審查不能只是產品完成後的一道確認程序，而應該加入整個 AI 專案，成為問題定義、資料選擇到部署驗證的貢獻者。如果企業仍然把大部分預算花在模型、算力與新工具上，卻沒有同步建立 AI 素養、橋接人才與跨職能協作機制，那麼即使模型越來越強，AI 專案仍可能停留在昂貴的展示品。
科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange 科技報橘》正在徵內容編輯！
👉立即投遞履歷
【推薦閱讀】
◆ 【華爾街人才洗牌】例行報告交機器、判斷交給人，五種新職能重定義金融人才
◆ 產業人才結構重塑中：AI 把開發成本砍半，工程師的市場價值不跌反漲
◆ OpenAI、Google 與微軟的人才策略：社區大學成為培養大規模 AI 勞動力的核心
＊本文開放合作夥伴轉載，參考資料：《Forbes》、《Rand》，圖片來源：Unsplash
（責任編輯：鄒家彥）
