工業技術研究院

從領導的角度來看，AI真正的意義在於領導者、設計者與教育者如何主動重塑組織、工作流程與制度規範，絕不是某個神奇演算法突然從外部降臨。我在研究、新創公司以及政策辯論中所觀察到的一切，都指向同一個結論：真正關鍵的領導力在於將AI視為一種通用型技術，建立快速學習的「社會—技術」系統，並堅持人機互補、完善治理與持續實驗。

AI：一種通用型技術，但非萬靈丹

近年的AI熱潮不由得令人想起當年的網路泡沫：資金與媒體高度追捧，但長期價值與商業模式仍不明朗。許多企業冀望靠AI「一鍵升級」，卻忽略真正的挑戰在於，如何重新設計系統與流程，讓組織具備持續學習與調整的能力。

對我而言，AI不是某個神奇的模型或介面，而是一套技術組合，涵蓋預測分析、自然語言處理、生成文字與圖像、多模態與代理式系統，能深入工作流程支援人資、客戶互動乃至策略制定，就此意義上，AI逐漸成為類似電力或電腦的「通用技術」，但這項技術不是萬靈丹。

現階段各國AI的發展，美國在資金投入與基礎模型領先，中國次之，另有少數國家正試圖建立自己的AI技術。這種差距正促使所謂的「主權AI」興起，各國為了經濟與國安考量，努力確保自身擁有資料與模型的掌控權。對像臺灣這種中小型經濟體而言，更重要的需思考在哪些領域建立差異化優勢，以及如何將全球模型與在地資料、領域知識有效結合。

「演算法轉譯者」的必要性

媒體熱度容易讓人誤以為生成式AI已全面提升生產力，但根據麻省理工學院（MIT）的Project NANDA報告指出，僅5%的AI前導專案能規模化落地生產，其餘95%未能帶來可衡量的損益影響（P&L impact）。這呼應了經典的資訊科技導入的「生產力悖論」及「J型曲線」。

造成落差的原因不單是技術問題，而是領導層希望「現在AI就無所不在」，與理解穩健部署的團隊間存在認知落差。此外，組織還存在資料散亂、員工學習吸收有限，以及導入AI的同時，未能同步調整工作流程、誘因設計與技能培養等問題。

購買技術很容易，最困難的，也是領導人真正的任務，在於重新設計組織，讓技術整合到一個具有一致性與邏輯性的體系中。

組織中還存在一種常見的落差，有許多人懂AI，也有許多人懂商業、政策或產業脈絡，但能夠在這之間轉譯的人卻很少。我稱這些人為「演算法轉譯者（Algorithmic Translators）」，這類人才既懂AI能做什麼，也懂產業、政策或專業領域的實際需求，培養這類人才，是領導者發揮關鍵影響力的行動之一。

臺灣有機會以「產業AI轉譯」取得領先

若缺乏這樣的人才，組織往往只會做出吸睛卻無法真正落地的試點專案。在許多臺灣製造業中，分散、異質，被舊系統鎖住的在地數據更放大了這項挑戰，我常告訴製造業領導者，所謂的「AI轉型」往往是從不起眼的工作著手：建構乾淨穩定的數據管道、強化治理，跨部門的轉譯與協作。

跟過去幾波數位轉型浪潮相比，早期的數位轉型多聚焦在把流程放上雲端、資料標準化及基礎架構集中化，完成後系統可以穩定運作一段時間。但導入AI則不同，它需要「學習循環」（Learning Loops）：持續蒐集資料、訓練和更新模型、產出預測與建議，根據結果採取行動，並再把新資料回饋進下一輪訓練。在這種情況下，過去那種「規劃一次、十年不動」的做法已不再適用。

我認為，像臺灣這樣的經濟體，及與工研院類似的研究機構，有機會在「產業AI轉譯」上取得領先。透過協助製造業整理數據、重新設計工作流程、建立以AI為核心的學習組織，讓AI成為產業升級的實際助力。

AI時代中的有效領導

如果領導者希望有效運用AI，他們必須承擔3項核心責任。

第一，打造安全實驗空間。AI發展快速，沒人能預先看清所有可行應用與風險，因此需要在不傷害核心業務的前提下，建立內部沙盒環境，鼓勵團隊以明確假設與指標進行小規模試驗，把失敗視為學習，而不是職涯終結。

第二，投資普及AI素養。AI不應只是少數數據科學家的專業，而要成為全公司共同的語言與基本能力，讓各部門的人都能與AI協作且理解其限制與風險。

第三，將跨領域治理制度化，納入工程師、領域專家、法務與合規專業人員，以及倫理學者或風險管理主管。以一家我們研究的醫療科技新創為例，臨床醫師兼任「AI稽核員」，堅持攸關生死的自動化決策，應由經多年測試的決策樹負責，而不是生成式AI模型，以避免災難性錯誤。

這反映出更廣泛的組織張力：工程師以速度與功能而獲得獎勵，稽核人員則因穩健與謹慎受到肯定；領導者必須清楚傳達，負責任的治理也是創新的一部分。

「人類 × AI」的協作的模式

我研究中的一個核心主題是：最有前景的道路不是「人類對抗AI」，而是「人類與AI協作」。

一項在肯亞進行的研究中，創業者被隨機分配接受人類指導、AI指導、兩者都有或兩者皆無。結果顯示只有AI指導的績效下降約20%，僅真人指導者提升約10%，而同時接受真人與AI指導者績效提高約20%，若是碰上較有能力、知道如何提出好問題的創業者，此差異更明顯。

這說明AI可以是強大的輔助工具，但對缺乏經驗的使用者而言，AI很難成為可靠的替代品。在許多領域中，簡單規則、人類判斷加上演算法支援的組合，表現往往優於純人類或純演算法。因此，領導者的挑戰在於審慎設計這些組合，考量使用者能力、風險程度與組織文化，而不是自動化程度越高就越好。

效率提升式AI、探索式AI、雙軌系統

隨著AI深入企業，我預期組織結構與工作的本質都會改變。一方面資訊流動更為自由，員工可直接與資深領導者的數位分身互動，中階管理者的角色會削弱，；另一方面，有意義的AI應用幾乎都需要跨職能團隊結合工程、法規、領域知識與倫理思維來落地執行。

領導人有兩條路徑可選：一條是讓AI接手繁瑣乏味的工作，釋放人力投入更高價值、更有創造性的任務；另一條則是讓AI成為高壓控制系統，以黑箱儀表板與微指令管理員工，導致技能退化、組織脆弱。兩者都用了AI，但只有前者有助於培養在劇變時代仍具彈性與學習力的組織。

在哪些層面導入AI呢？大致上分為兩類，「效率提升式AI」可以帶來短期內最明顯的投資回報，這類應用包括後台自動化、產能與品質提升、風險監控與客服流程的改善等，對臺灣眾多製造業與工研院合作夥伴而言，效率提升型AI是現階段最立竿見影的方向。

另一方面，「探索式AI」也是創業與創新的重要工具。在一項針對1,800家新創公司的研究中，真正加速創新的關鍵，在於將AI能力與精實創業方法結合。效率提升式AI與探索式AI形成一套「雙軌系統」：一軌是穩定進步，一軌是不斷實驗與成長。領導者的任務，就是同時守護這兩套系統，避免只重效率而扼殺創新，或只重實驗而犧牲營運穩定。

AI治理：領導力的真正考驗

談AI與領導力無法迴避治理與監管。在美國，聯邦政策在短期內可能仍將維持相對寬鬆的監管方式，但在高風險領域會有更具針對性的監督。由於公共監管目前還沒發展出一致的標準，許多責任將落在企業治理與專業倫理規範上。

至於「哪些地方不該用AI」，坦白說，我們目前還無法完全確定。例如有人開玩笑說把與配偶的對話外包給AI，但玩笑背後隱含了嚴肅的議題，在某些領域中，真實性、信任與人類責任是不能輕易外包的。

在AI系統還不能可靠的表達自身的不確定性與風險之前，在沒有人類強力監督機制下，領導者不應輕易將高風險決策交給AI。這時，治理架構與演算法轉譯者，將扮演重要角色。

我認為，左右未來的不是某個必然到來的AI技術，而是取決於領導力要把我們帶到哪裡。同一套AI技術可以放大，也可能削弱員工技能、促成組織扁平化抑或強化階層控制，也能擴大或縮小全球的不平等。

對臺灣、工研院、史丹佛大學及各地組織而言，核心任務十分相似：投資技術基礎建設、培養演算法轉譯者、建立實驗與學習文化、設計穩健治理機制，並堅持建構可放大人類優勢的人機協作系統。

若能做到這些，AI不會取代領導者，而是讓「有效領導」變得更重要。