AI 數位轉型路線圖怎麼走？90 天從選場景到跑出成果

88% 的企業已經在用 AI，但真正靠它把利潤往上推超過 5% 的，只有 6%。同一份麥肯錫 2025 年的調查還補了一刀。八成公司用了生成式 AI，其中八成沒在營收或獲利上看到明顯改變。換句話說，現在的問題早就不是「要不要做 AI」，而是為什麼大多數人做了卻沒效。

如果你是中小企業主，這個落差讀起來大概格外刺眼。你知道該動了，同業也在動，但每次坐下來想規劃，腦袋就卡在同一個地方：這麼多場景、這麼多工具、這麼多預算級距，第一步該踩哪裡？這份焦慮太普遍，經濟部中小及新創企業署委託工研院做的調查甚至量化過，高達 63.9% 的中小企業把「尚無明確應用需求」當成導入 AI 的最大障礙，不是不想做，而是不知道從哪做起。

所謂 AI 數位轉型路線圖，其實就是把這團混沌拆成一條有先後、有檢核點的時間線，讓你清楚哪件事先做、做到什麼程度算過關、什麼時候該決定要不要繼續砸錢。這篇不打算給你一份「AI 很重要」的精神喊話，而是給你一個能照著跑的 90 天版本，前面用一個三圈評估幫你選對第一個場景，中間把三個月切成三段，最後附上一份從幾千元到上百萬的成本試算範圍。先從一件最反常識的事講起。對中小企業來說，AI 轉型最大的風險不是慢，而是一次想做太多。

為什麼九成企業砸了錢卻沒成效？

導入 AI 失敗，幾乎都敗在同一個地方，把它當成「買工具」，而不是「改流程」。

麻省理工學院分析了 300 個公開導入案例，發現約 95% 的企業 AI 專案沒有帶來可衡量的損益成效，真正做出結果的只有 5%。差別不在模型多強，而在能不能把 AI 接進真正的營運流程。研究把這道鴻溝叫做「學習落差」：企業買了很厲害的模型，卻沒有能力把它整合進實際的工作流、現有的資料狀況、團隊既有的習慣。模型再聰明，碰上模糊的目標、散亂的資料、不願改變的組織，一樣動不了。

麥肯錫的觀察補上了另一塊拼圖。多數企業導入 AI 時的心態，是原本流程不動，只是把 AI 加進去看看會不會快一點。這就像請了一位超強的顧問，卻只讓他幫忙跑單純的行政流程。結果是「效率提升不等於獲利提升」：會議變少了、流程順了，財報卻沒動。真正做出成效的那一小群企業，從根本上重新設計工作流程的機率，是其他企業的近三倍。

這對你的意義很直接。AI 不是一台買回來插上電就會自己賺錢的機器，它比較像一位新進的厲害員工：你得先想清楚要他解決哪個具體問題、把他放進哪段流程、用什麼指標檢驗他做得好不好。少了這層思考，再貴的工具也只是擺著。所以接下來的每一步，重點都不在「用哪個 AI」，而在「先想清楚要它做什麼」。

AI 數位轉型路線圖的第一步是選對場景，不是選工具

90 天能不能跑出成果，七成在你動手前那一刻就決定了。你選的第一個場景對不對。

很多人選場景的方式其實是反過來的，先看到某個工具的展示很炫，或聽說同業在用什麼，才回頭找地方套。這正是失敗的起點。正確的順序是先盤點自己最痛、最重複、最花人力的環節，再去找對應的解法。一個值得當「第一槍」的場景，通常有三個共同特徵：任務重複性高、人力成本明顯、結果可以量化。三者缺一，這場景就不適合當起點。

但光有三個特徵還不夠，因為符合的環節可能不只一個。這裡要再加一層篩選，我把它叫做「三圈評估」，也就是把每個候選場景放進三個圈圈交疊的地方看。

• 價值圈：解決它能省下多少人力、多少錢，或多賺多少？省不出具體數字的，先放一邊。

• 可行圈：這件事的輸入和輸出，系統讀得到嗎？資料是躺在系統裡，還是散在 LINE 群組和某個人的 Excel？資料越完整、越結構化，可行性越高。

• 低風險圈：萬一 AI 答錯了，後果嚴不嚴重？會不會直接得罪客戶、出大包？第一個場景要刻意挑「錯了也還好」的，把學習成本壓到最低。

三個圈交疊最深的那一塊，就是你的「快速見效點」：價值夠、做得起來、又賠得起。這裡有一個反直覺但很重要的提醒，別急著拿 AI 去解你公司最大的那個問題。最大的問題往往最複雜、最高風險，拿來當第一個場景，失敗機率高、又會打擊團隊信心。先挑一個小而明確的勝仗，把信心和經驗累積起來，再往難的推。

對多數中小企業來說，符合這套標準、又最常被驗證有效的起點，集中在三類：

• 內容與知識管理：用 AI 草擬社群貼文、產品描述、Email 文案，或把散落各處的 SOP、產品資料整合成一個問了就能答的內部知識庫。幾乎所有產業都適用，因為每家公司都有大量重複的文字產出和「新人一直問同樣問題」的困擾。

• 智慧客服：讓 AI 接手約八成的常見問題：「出貨多久」「怎麼退貨」「發票怎麼開」，把人力騰出來處理真正需要判斷的客訴。這也是最容易量化成效的場景，回應時間、人工處理量都看得到數字。

• 後台數據分析：把躺著沒在用的銷售、庫存、服務數據，變成主管問一句話就拿得到的圖表和洞察。這塊常被忽略，但麻省理工的研究特別點出，企業常把預算押在業務行銷工具上，實際 ROI 最高的反而是後台自動化。

光知道有這三類還不夠，真正能決定成敗的是接下來怎麼把時間排開。選好場景，下一步就是把這 90 天切成有節奏的三段。

90 天怎麼分三段，每一段要交出什麼？

90 天路線圖的精神，是刻意把範圍縮到最小：一兩個場景、一個團隊、一個可衡量的結果。

這跟動輒 18 到 36 個月的完整數位轉型藍圖不一樣。90 天版本不求面面俱到，它要的是在三個月內，從零跑到一個能用、有數據佐證的試點。把它拆成三段來看會清楚很多，依序是第一段選點與盤點、第二段小規模驗證、第三段擴展與立規矩。每一段結束都有一個明確的「過關 / 不過關」決策點，這樣就算第一段就發現方向不對，你的損失也是可控的。

第一段（第 1 到 4 週）先界定痛點與成功指標

頭一個月不要碰任何工具，這段時間是用來「想清楚」的。

具體要產出兩個答案，分別是你最大的痛點落在哪個部門（最重複、最耗人、或數據量大卻沒在用的那一塊），以及成功的標準長什麼樣。指標一定要量化，例如「三個月內把客服回覆時間縮短 40%」「文件處理正確率超過 85%」。沒有事先講好的標準，三個月後你根本沒辦法判斷這筆投資該不該繼續。

做法上，建議成立一個 2 到 3 人的小型跨部門核心小組。成員不必是技術人員，但要熟業務流程，負責盤點並標註關鍵的資料樣本，確認手上的數據餵得進 AI。這一段沒做對，後面全錯。這也是為什麼前面要花整整一節談選場景。

第二段（第 5 到 8 週）用小成本跑一次概念驗證

第二個月才開始動工，而且要刻意「動得小」。

這一段做的是概念驗證（Proof of Concept，常簡稱 PoC），目的不是做出一套完美系統，而是回答一個問題。AI 在你這個場景，究竟能不能用？基於預算考量，中小企業這時應該優先選現成的、訂閱制的雲端 SaaS 工具，而不是一頭栽進自建大型系統。一個 PoC 的標準週期大約是 30 天：第一週需求對焦、第二到三週把流程搭起來、第四週測試與資安驗證。

關鍵動作是「先小規模測」，只開放給單一使用者群或一小撮數據試跑，拿真實表現去對照你在第一段定下的指標。這裡藏著一個很實在的好處。前面那份麻省理工的研究還發現，向專業夥伴採購、合作建置的專案約有 67% 做出成效，企業純靠內部自行開發卻只有約三分之一成功。原因是內部自建常嚴重低估整合與導入的成本，卡在試點階段就停了。所以第二段的智慧，不在於把系統做多大，而在於用最小的代價，盡早知道這條路走不走得通。如果跑出來不如預期，恭喜你，只花了小錢就避開一個可能上百萬的錯誤。

第三段（第 9 到 12 週）擴展驗證過的解法並立下治理紅線

PoC 過關了，最後一個月才把它放大，同時把規矩立起來。

擴展指的是把驗證過的流程，從一個小群體推到更多使用者、更多相關場景，並開始認真量化投資報酬率。但放大的同時有兩件事不能省。第一是資料治理，把客戶或財務資料餵進 AI 前，要先做去識別化，移除能辨識個人身分的資訊，並確認你用的雲端服務商符合 ISO 27001 這類國際資安標準。第二是合規紅線，目前各項政府補助計畫明文規定，不得採購或使用中國大陸廠牌的資通訊產品，包含軟硬體與雲端服務，一旦查獲會解除契約並追回補助款。選供應商時務必把這條列進去，別拿了補助卻因為選錯廠牌被追回。

還有一個常見的死亡劇本要避開：PoC 成功就想一口氣推到全公司，結果資源跟不上、品質崩潰、高層失去信心、專案腰斬。解法很簡單，每次只擴展一個場景，確認穩了再進下一個。把擴展想成一個越轉越快的飛輪，而不是一次到位的大爆發。

路線圖跑完，你心裡大概還有一個最實際的問號沒解決，這一輪到底要準備多少錢。

90 天路線圖大概要花多少錢？

先把範圍講白，跑完一輪 90 天的試點，多數中小企業的初期投入落在幾千元到 15 萬元之間，視場景複雜度而定。

這個數字之所以能壓得低，是因為 90 天版本本來就只做一兩個輕量場景。最入門的組合，每月成本甚至可以從 1,000 到 2,000 元起跳。用免費的自動化流程工具搭配基礎的生成式 AI 用量，就足以處理客服自動回覆或社群排程這類場景。下面把不同規模的初期導入範圍攤開來看：

要特別提醒，這些是初期導入的估算，不含後續營運成本。為什麼同一級距範圍能差到五倍？關鍵差在三件事：資料有沒有整理好（可以差 2 到 3 倍）、要不要客製化開發（差 2 倍）、找的夥伴有沒有相近產業的經驗（差 1.5 倍）。資料越亂、客製越深，數字往上跑得越快。

更容易被低估的是「看不見的成本」。很多老闆只算系統費，結果上線後被維護費、API 用量費、培訓費追著跑。一個實用的估算法是把「初期費用乘以 2」當成五年總成本的基本起點。軟體授權費其實往往只是總導入成本裡較小的一塊，真正燒錢的多半是你一開始看不到的地方：資料清理、員工培訓、流程重設計、長期維護。其中資料清理最常被漏算，光是把散在各處、格式不一的客戶和產品資料整理成 AI 吃得下的樣子，就可能花掉一筆不小的時間和費用。

好消息是，台灣政府這幾年對中小企業 AI 導入的補助力道不小。以「30 人以下中小微企業數位轉型培力補助」為例，補助上限是每家 10 萬元，適用員工 30 人以下、有公司或稅籍登記的製造業及服務業，主要用於員工數位技能培訓搭配軟體應用。規模更大的還有 SBIR 小型企業創新研發計畫等管道。不過補助有兩個眉角要先知道：一是「先花後核銷」，你得先有資金周轉；二是申請、審查到撥款往往要好幾個月。所以務實的做法是先用自有預算把試點跑起來，把補助當成回補的加分項，而不是計畫能不能啟動的前提。

把第一步踩出去，比想清楚每一步更重要

回頭看那個 6% 的數字會發現，真正把 AI 變成獲利的企業，做對的事其實沒有多神秘：選對一個夠小、夠痛、賠得起的場景，用三個月的有限資源驗證它，過關才放大，沒過就果斷止損。難的從來不是技術，而是願不願意先縮小範圍，把第一槍打準。

中小企業最常見的卡點，不是太躁進燒掉預算，就是太謹慎而一直沒動。看了一堆分析，覺得每句都有道理，然後繼續觀望。三個月後回頭，什麼都沒變，只有同業又往前跑了一段。這份 90 天路線圖真正想給你的，不是一套標準答案，而是一個能立刻啟動的最小行動：對你眼前最痛的那個流程，給它一個四週內能驗證、初期投入壓在 15 萬以內的小計畫。

不必等到把每一步都想透才出發。AI 轉型本來就是邊跑邊學的過程，把它當成一連串可控的階段性決策，而不是一場要一次定生死的豪賭。挑出那個場景，排好那條時間線，這個月就讓它跑起來。