企業人工智慧超越模型挑戰：建立永續價值架構是關鍵

人工智慧（AI）的實驗與導入對許多企業而言已非難事，然而，如何將這些技術轉化為可靠、可重複且能為企業創造永續價值（Durable Value），才是真正的挑戰。專家指出，許多企業級人工智慧計畫之所以停滯不前，癥結在於模型缺乏穩定可信的數據存取、無法安全地跨系統運作，或是欠缺內建的治理機制與明確的權責歸屬。

Wipro 的 Nagendra Bandaru 強調，人工智慧導入的下一個階段並非進行更多實驗，而是為其創造一個能在企業內部安全、一致地運作的環境。他直言，企業級人工智慧問題本質上是一個整合問題。他表示，唯有當人工智慧模型能與企業的數據、政策、流程、應用程式及人員協同運作時，才能真正創造價值。換言之，人工智慧若能整合在受治理的業務流程中，而非作為孤立的工具，其在各部門的效益將更為顯著。

目前，多數企業雖已有許多人工智慧應用案例，但這些實驗往往在不同業務單位間獨立發展，導致資訊碎片化。這種碎片化衍生出多重問題，例如有價值的知識被鎖定在個別應用程式與團隊中、數據品質與安全標準不一、難以重複利用成功的作業流程，以及難以衡量價值與風險，同時也造成員工使用多種人工智慧工具時體驗不一致。一項針對企業人工智慧現況的全球調查顯示，《Best Endpoint Protection Security》報導，儘管有 64% 的受訪者認為人工智慧正推動創新，但僅有 39% 的受訪者表示人工智慧對其企業的 EBIT（息稅前利潤，反映公司核心業務獲利能力的指標）產生影響，甚至不到 5% 的受訪者指出人工智慧貢獻了超過 5% 的 EBIT。這凸顯了廣泛實驗與實際財務效益之間的巨大落差，顯示擴展人工智慧是一項企業級 AI 架構（Enterprise Architecture）設計挑戰，意指企業在導入人工智慧技術時，規劃其數據、應用程式及業務流程整合運作的整體架構與策略。

該報導指出，企業在啟動人工智慧專案時，往往先問「該使用哪種模型？」，而非聚焦於業務成果、作業流程、數據存取、決策支援、控制措施或成效衡量。若能從業務成果、作業流程、數據存取、人工智慧在決策中的角色、必要的控制措施及績效衡量等問題著手，才能將人工智慧融入企業的營運模式中。實際做法包括開發數據存取、模型協調、身份管理、監控、治理及作業流程整合等共享能力，並將其應用於各項功能。

當團隊使用共同的基礎設施時，每一個成功的應用案例都能強化後續專案，進而重複利用數據連結、確保治理一致性，並建立機構智能。建立一個「人工智慧就緒」的企業需要一套明確的基礎，將技術決策與業務執行連結起來。人工智慧依賴於可被發現、安全且可跨應用程式使用的資訊，這要求企業需制定數據品質、分類、沿襲、權限與存取等共同標準。如此才能在受信任的數據環境中，為模型提供情境，並讓使用者對其輸出結果充滿信心。人工智慧效益最大化，往往是將其嵌入員工進行決策和執行任務的現有作業流程和應用程式中，旨在建立有明確防護措施的自動化系統。

治理應從設計之初就納入企業級人工智慧架構中，涵蓋身份與存取管理、可稽核性、模型監控、數據保護及所有權，並隨著模型、法規與業務流程的演變而持續調整。完善的治理框架能讓員工和企業領導者對人工智慧的使用充滿信心，因為他們了解人工智慧如何被控制以及誰應為此負責。企業需要一套方法來識別有價值的機會，將其投入生產、評估成果並逐步改進。

跨職能團隊應匯集業務負責人、領域專家、數據與平台團隊，以及安全與風險主管，為每個專案賦予明確的權責歸屬，並確保技術能專注於解決業務問題。這提供了一個建立企業級平台的機會，讓智能能在作業流程中安全流動，借助營運情境，並規模化地支援更好的決策。一個「人工智慧原生」的企業，其定義在於能夠協調人員、流程、數據與技術之間的智能運作。其企業級 AI 架構能在不犧牲信任、安全或問責制的前提下，實現創新。人工智慧時代的商業優勢，將來自於圍繞人工智慧模型所建構的系統與營運紀律，而非僅僅是模型本身的存取權限。那些能將可信數據、業務流程、治理和可重複使用的人工智慧服務連結起來的組織，將更有能力將實驗轉化為實質成果。對於台灣企業而言，這項洞察提醒著，若要真正在人工智慧浪潮中脫穎而出，必須將重點從單純的技術導入，轉向打造一套能將人工智慧深度整合並賦能各項業務流程的整體企業級 AI 架構，才能實現長期的永續價值。