AI 導入準備的核心不是先買工具，而是確認企業有明確問題、可合法使用的資料、能承接輸出的流程、實際負責的人，以及權限、人工覆核與風險治理。缺少這些基礎，工具可以很快開通，卻難以安全進入日常營運。
這份 AI 導入準備清單提供問題、資料、流程、人員與治理五面向盤點。它不提供法律結論，也不替任何工具保證合規。涉及個資、機密、高影響決策或產業規範時，仍要由合格專業人士依情境審查。
先說結論：問題、資料、流程、人員與治理要一起準備
企業準備度不是一個總分。商業價值很高，不代表資料可以使用；技術展示成功，也不代表流程有人承接；員工大量使用，更不代表輸出品質、機密與責任已受控。任何重大紅燈都可能構成暫停條件。
- 問題：知道 AI 要協助誰，在什麼流程改善哪個結果。
- 資料：知道來源、合法性、品質、敏感度與流向。
- 流程：知道輸出如何被使用，如何被覆核，如何被退回與記錄。
- 人員：知道誰負責決策，誰負責操作與管理，誰負責教育，以及誰承擔結果。
- 治理：知道權限、供應商、風險、監測與停止方式。
AI 導入準備是什麼？把採購前的不確定變成可管理清單
AI 導入準備是企業在 PoC、工具採購或正式上線前，確認問題、資料、流程、技術、人員與治理條件的工作。目的不是要求每個項目都完善，而是找出缺口、責任人、補強動作與不能跨越的風險。
準備度也不是一次性文件。模型、供應商、資料與使用情境會變動，企業應在新用途、重大版本、資料流向或權限改變時重新評估。
AI 導入、AI PoC、工具採購與正式上線有什麼差異？
| 工作 | 主要問題 | 最小輸出 | 不能直接推論 |
|---|---|---|---|
| 導入準備 | 企業是否有條件安全驗證 | 缺口、責任、基準與風險清單 | 解法一定有效 |
| AI PoC | 關鍵假設是否成立 | 受控測試與決策證據 | 已可正式營運 |
| 工具採購 | 產品、契約與供應商是否適配 | 選型、條款、資料流向與成本 | 使用者一定採用 |
| 正式上線 | 如何穩定且安全地持續運作 | 流程、權限、監測、支援與治理 | 成果會自動持續 |
四項工作可以重疊，但責任不能省略。免費試用成功，只能證明某個操作可行；是否能使用真實資料，接上流程，符合政策，並承擔輸出，仍要另行驗證。
五面向 AI 準備度：每項都要有證據與責任人
| 面向 | 要回答的問題 | 可接受證據 | 未完成風險 |
|---|---|---|---|
| 商業問題 | 改善誰的哪個流程與結果 | 問題陳述、基準、責任人 | 工具有用但沒有價值 |
| 資料 | 來源、權利、品質與敏感度如何 | 資料清單、分類、擁有人與流向 | 發生外洩，出現偏誤，或無法驗證 |
| 流程與整合 | 輸入、輸出、覆核與例外如何運作 | 流程圖、介面、回退與紀錄 | 輸出無人承接 |
| 人員 | 誰負責使用，誰負責管理，誰負責教育，誰承擔責任 | 角色、能力、規範與支援 | 影子 AI 與責任真空 |
| 治理與風險 | 如何授權，如何監測，如何稽核，如何停止 | 政策、權限、事件與供應商管理 | 風險在擴大後才被發現 |
若任何面向只能回答「之後再看」，就把它列為 PoC 前置工作或限制。準備清單的功能是揭露不確定，不是把每個格子勾滿後自動批准專案。
資料準備：先確認合法性、分類、品質與流向
- 列出資料來源、擁有人、用途與更新方式。
- 確認個資、機密、著作權、契約與產業限制。
- 依敏感度分類，定義可用、需遮蔽與禁止輸入的資料。
- 檢查缺漏、錯誤、偏差、代表性與標註品質。
- 畫出資料是否離開企業環境，由誰處理，以及保存多久。
- 分隔開發、測試與正式資料，限制不必要存取。
- 定義刪除、匯出、事件通報與供應商終止後處理。
不能只問「供應商會不會拿資料訓練」。還要確認資料傳輸、儲存地點、子處理者、保留、紀錄、帳號權限、管理介面與契約。答案依產品方案與設定而異，正式採用前應取得可保存的官方資料。
流程與權限準備：AI 輸出由誰使用，誰負責覆核並承擔結果？
AI 輸出不能停在聊天視窗。企業要畫出輸入從哪裡來，輸出進入哪個決策，誰有權採用，什麼情況必須人工覆核，以及發現錯誤如何撤回或修正。
- 角色分為一般使用、進階設定、資料管理、審核與系統管理。
- 高風險用途保留人工決策，避免把建議直接變成處分或權益結果。
- 記錄輸入、模型或版本、輸出、修改、使用者與最終決策。
- 建立錯誤、偏誤、外洩、不可用與供應商中斷的處理流程。
- 說明 AI 的限制、允許用途、禁止資料與回報窗口。
「人在迴路中」不只是放一個確認按鈕。覆核者要有時間、資訊、能力與權限拒絕輸出，企業也要衡量人工負擔是否讓所謂效率改善失去意義。
15 項 AI 導入準備清單
- 有具體問題、使用角色、流程與現況基準。
- 已定義成功、風險與停止條件。
- 資料來源、擁有人與合法使用依據可被說明。
- 個資、機密與禁止輸入資料已分類。
- 資料品質、代表性與測試集有初步評估。
- 工具、模型、子處理者與資料流向已查核。
- 帳號、角色、最小權限與離職回收已設計。
- AI 輸出進入流程的位置與責任人明確。
- 人工覆核者可實際拒絕，修正並回退。
- 品質、效率、採用、成本與風險一起衡量。
- 錯誤、偏誤、外洩與服務中斷有事件流程。
- 使用規範、教育、支援與回報管道已準備。
- 契約、授權、保留、匯出與終止條件已檢查。
- PoC、試辦與正式上線的責任與門檻已區分。
- 有固定週期回看用途、版本、指標與新風險。
若前五項仍不清楚，建議先做問題與資料盤點；若中段權限、流程與覆核不完整，先補治理再擴大。準備進入概念驗證時，可搭配《AI PoC 選題指南》。
AI 導入流程：從準備度到可持續治理
- 定義問題：建立非 AI 基準與決策責任。
- 盤點條件：確認資料、流程、人員、技術與治理缺口。
- 選擇 PoC：用受控範圍驗證價值、能力、風險與採用。
- 進入試辦：補上真實流程、支援、監測與責任。
- 規模化：建立標準、整合、權限、教育與維運。
- 持續治理：回看用途、資料、版本、事件與結果。
NIST AI RMF可作為治理、盤點、衡量與管理風險的參考。想看完整導入路線，可接著閱讀《企業 AI 導入完整指南》與《AI 顧問服務完整指南》。
AI 導入準備常見問題
企業導入 AI 前一定要先有完整資料庫嗎？
不一定，但要知道資料來源、合法性、品質與缺口。資料不完整可以成為前置工作，不能直接假設工具會自動修正。
可以把公司機密直接貼進生成式 AI 嗎？
不應在未確認工具、方案、設定、契約與公司政策前輸入。先分類資料，確認流向、保留、子處理者、權限與允許用途。
有人工覆核就代表風險已控制嗎？
不一定。覆核者要有能力、時間、資訊與拒絕權，並能看見錯誤。若只形式確認，仍可能把風險帶入正式決策。
AI 使用規範應該在 PoC 前完成嗎？
至少要有適用 PoC 的基本規則，包括允許用途、禁止資料、權限、覆核、事件與責任。正式上線前再依結果擴充治理。
如何衡量 AI 導入是否成功？
同時看品質、效率、採用、成本、風險與人工負擔，並與非 AI 基準比較。不能只看帳號數、對話量或展示結果。
什麼情況需要 AI 顧問協助？
問題選擇、資料、治理、供應商或跨部門責任難以形成共同框架時，可評估顧問協作。實際服務範圍與產出應逐案確認。
內文精華總結
- 準備度不是總分：任何重大資料或風險紅燈都可能暫停專案。
- 問題先於採購：先建立現況基準、角色與預期決策。
- 資料要看完整生命週期：來源、流向、權限、保留與終止都要確認。
- 治理進入流程：人工覆核、事件、教育、監測與停止條件不能留到上線後。
文章群下一步，可先用 AI PoC 選題指南挑出驗證題目，再回到企業 AI 導入指南規劃試辦與治理。言回可就企業 AI 導入準備、問題與 PoC 方向進行需求討論。實際顧問範圍、交付物、費用與時程逐案確認；需要正式客製整合時，再依明確需求評估即站力的系統開發。
