這兩天我看到一個很有意思的落差。Pax8 7 月 13 日公布的 Q2 2026 SMB AI Pulse Report 顯示，美國受訪中小企業裡有 61% 已經在使用 AI，另外 29% 還在試驗；但在已經使用 AI 的企業裡，接近三分之一仍然卡在實驗階段，沒有真正進入每天的工作。AI 看起來已經很普及，成果卻沒有一起普及。

同一時間，OpenAI 的研究也指出，使用者開始把 Codex 從「問一題、拿一個答案」改成交辦需要一小時、幾小時甚至更久的任務。Google Cloud 和 Accenture 則把「如何讓中型企業從 pilot 走到 production」變成新的服務方向。這些訊號放在一起，我的判斷很直接：企業現在缺的不是再多一個 AI 示範，而是一個真的能跑完的工作任務。

AI 導入的分水嶺，不是公司有沒有買工具，而是有沒有把一件工作交代到可以執行、驗收，再留下下一次可用的紀錄。

這波 AI 新聞真正說的是：大家開始買，卻還沒有把工作交出去

中小企業不是不用 AI，而是卡在「試過」之後

Pax8 的調查訪問 402 位美國中小企業技術決策者。61% 表示公司正在使用 AI，29% 仍在試驗。這個數字很容易被解讀成「中小企業都在導入 AI」，但我更在意後半句：不少企業已經花時間測試，卻沒有把測試變成固定工作。

我在實際看企業流程時，最常遇到的不是老闆完全拒絕 AI，而是大家各自用一點。行銷拿來寫貼文，業務拿來整理名單，客服拿來回問題，最後沒有一個地方知道這些輸出有沒有推動成交、減少重工或留下客戶脈絡。每個人都說自己有用 AI，公司卻沒有多出一條更穩定的工作線。

代理變長任務，企業就不能只驗收一段文字

OpenAI 6 月的研究把這個變化講得很清楚：代理工具的工作單位，正在從短互動轉向可以委派、可以持續幾十分鐘甚至數小時的任務。研究中，超過七成的受訪使用者曾交辦估計需要一小時以上人力的工作；在 OpenAI 內部，Codex 也從工程團隊往法務、財務、招募與營運等非技術部門擴散。

這代表驗收方式要跟著改。以前我們看的是「這段回答寫得好不好」，現在要看的是「它有沒有拿對資料、做完該做的步驟、把結果交到對的人手上，並且沒有越過不能越過的權限」。如果只看最後一段文字，真正的流程問題會被藏起來。

為什麼很多 AI 試驗停在展示，進不了每天的工作

Demo 有輸出，任務還需要有人接手

我看過不少 AI 示範，畫面很漂亮：輸入一段資料，幾秒鐘後出現一份報告。但一回到公司現場，問題就出現了。報告要誰看？看完要做什麼？客戶資料要不要回寫？如果 AI 不確定，應該問誰？哪一種錯誤可以接受，哪一種一定要停下來？

假設今天要做「新客戶開發前整理」。AI 不只是找出公司名稱與聯絡方式，還要把公開訊號、可能的需求、適合的切入角度、不能亂猜的地方，以及下一個人工確認點整理出來。最後的成果不應該只是一封看起來很完整的信，而是讓業務知道：為什麼現在找他、先問哪一題、什麼資料還不能當成事實。

沒有完成標準，人工審核就會變成重做

很多團隊說要保留人工審核，這個方向沒有錯，但「請人看一下」不是驗收標準。當主管不知道什麼叫完成，最後通常只好逐字重看，AI 節省的時間又被拿回去了。

我會先把驗收寫成可檢查的句子，例如：所有外部事實都有來源；沒有來源的推測要標記；每一筆名單都有下一步；敏感資料不進公開工具；每個需要決策的地方都停在人工核准。這些條件比「寫得專業一點」更能讓 AI 穩定工作。

中小企業不能照抄大企業的導入順序

Accenture 今年推出 Accenture Edge，直接把中型企業需要的條件說出來：它們面對的技術、資料、資安與生產力問題和大型企業相似，但需要更快部署、更能重複使用、符合自身規模的方案。ITPro 後續報導也指出，中型企業的 AI 專案常常卡在 pilot，缺的不是信心，而是專業能力、資料品質與治理設計。

對中小企業來說，這不是叫你立刻買一套大平台。我反而會把問題縮小：先找一個有明確起點和終點的任務，把它跑順，再決定哪些地方值得串接工具。流程還沒有穩定前，擴大只會把混亂放大。

我會先把一個 AI 任務拆成五個交接點

如果要讓 AI 真正進入公司，我會先做一張任務卡，而不是先列一長串工具名稱。任務卡至少要把下面五件事寫清楚：

1. **什麼情況觸發。** 是收到新名單、每週一早上、客戶提出某種問題，還是主管按下開始？沒有觸發條件，任務就只能靠某個人想起來。
2. **AI 可以讀什麼。** 列出資料來源、版本與敏感邊界。公開網頁、產品資料、歷史互動紀錄，不一定可以用同一種權限處理。
3. **AI 要怎麼判斷。** 什麼情況可以往下做，什麼情況要標記不確定，什麼情況必須交回人處理。這裡放的是公司的經驗，不是模型的口號。
4. **完成要交出什麼。** 指定格式、對象與時間。例如一頁會議摘要、三個待確認問題，或一份已標記來源的客戶追蹤卡。
5. **結果要留下哪裡。** 最終資料要回到 CRM、客戶紀錄、內容庫或任務看板，並且記下誰核准、何時完成、後續要做什麼。

拿「新名單進來後準備第一次聯絡」來說，觸發條件是表單收到新資料；AI 只能讀公開資訊與已核准的產品內容；它先整理可能情境，不能自行補寫未證實的需求；輸出是給業務看的研究摘要、第一個問題與信件草稿；最後由業務核准，並把聯絡結果與下一次追蹤日期寫回客戶紀錄。這樣才是一個能被交付的任務。

先挑這種任務，成功率通常比較高

我不會一開始就選「讓 AI 管理整間公司」。第一個任務最好同時符合以下條件：

• 每週或每天會重複，現在主要靠人工搬資料。
• 至少跨兩個工具，但不需要一開始就串十個系統。
• 成果可以在一次工作週期內被檢查，不必等半年才知道有沒有用。
• 出錯時可以回復，並且有清楚的人工核准點。
• 做完之後會留下下一次可用的資料，而不是只產出一個看完就消失的檔案。

符合這些條件的例子，包括「新客戶進來後的研究與第一次聯絡準備」、「每週客服問題整理成產品與內容待辦」，或「業務會議前把客戶進度、卡點與待確認事項整理成一頁」。這些任務不一定最炫，但比較容易看出時間、錯誤率與後續推進有沒有改善。

我不會把 AI 導入寫成全面自動化計畫

「全面自動化」聽起來很有企圖，卻常常讓團隊不知道第一步從哪裡開始。我會把導入拆成三個階段：先讓 AI 只讀資料並產出草稿，再讓它依規則整理與回寫，最後才評估哪些低風險動作可以排程。每一階段都要保留人工抽查與停止條件。

Google Cloud 在 Next 26 公布的 Agentic Enterprise 方向，也把代理管理拆成 build、scale、govern、optimize 四個面向，並強調資料脈絡、代理身分、觀測與治理。這提醒我一件事：代理不是裝上去就會自己變成流程。它需要被管理，也需要讓人看得懂它做過什麼。

中小企業不需要把這四個英文名詞全部搬進內部簡報，但至少要問四個問題：這個任務怎麼建立、怎麼擴大、誰有權限、怎麼知道結果變好。問不出來時，就先不要擴大。

今天可以先寫一張任務卡

你可以直接用下面這個骨架，先寫一個公司內部任務，不必急著選模型：

• 任務名稱：我要讓哪一件重複工作變得比較穩定？
• 觸發條件：什麼事件發生時開始？
• 可用資料：AI 可以讀哪些資料，哪些資料不能讀？
• 判斷規則：遇到哪些情況繼續，哪些情況標記不確定？
• 交付格式：最後要交給誰，長什麼樣子，何時交？
• 人工核准：哪一個動作一定要由誰確認？
• 回寫位置：成果、錯誤與下一步要留在哪裡？
• 成效指標：比較時間、重工、錯誤或後續推進中的哪一項？

如果你要把它交給 AI，可以這樣開始：

「請依照任務卡執行。先列出你讀到的資料與缺口，再依判斷規則處理。任何沒有來源的資訊都標記為待確認；遇到超出權限或需要決策的地方先停下。完成後輸出成果、驗收清單、待我核准的項目，以及應回寫的位置。」

這段指令沒有什麼神奇技巧。它的價值在於，老闆先把公司的做事方式講清楚，AI 才有機會變成一個可驗收的執行層。

老闆最容易卡住的幾個地方

公司資料很亂，還能開始導入 AI 嗎？

可以，但第一個任務要避開高風險資料，並且把資料缺口當成輸出的一部分。不要要求 AI 假裝資料完整；讓它列出缺什麼、哪些版本衝突、哪一項需要人確認。資料越亂，越需要先做小範圍的任務卡，而不是一次把所有資料接進去。

一定要先買最強的模型嗎？

不一定。先看任務需要的速度、推理深度、工具操作、資料敏感度與成本，再決定模型層級。很多公司第一個卡點不是答案不夠聰明，而是沒有人說清楚輸入、步驟與完成標準。模型升級可以改善能力，不能替公司補上模糊的流程。

AI 任務是不是一定要串很多工具？

不需要。第一個任務用兩個工具就可以，例如表單加客戶紀錄、客服信箱加內容待辦。工具越多，權限、錯誤與維護成本越高。先確認任務本身能穩定完成，再判斷下一個交接點是否值得串接。

怎麼知道 AI 導入真的有成果？

先選一個可以在兩到四週內看到變化的指標。可能是每筆新名單準備時間、人工重做比例、客服問題分類時間，或業務會議前整理資料的時間。不要只看 AI 產出多少字；看它是否讓某一段工作更快被完成，並且讓下一個人更容易接手。

AI 會不會取代員工？

它會先改變工作內容，尤其是重複搬資料、整理格式與初步分類的部分。真正更重要的是，誰能定義任務、判斷例外、承擔決策，並把現場經驗變成下一次可用的規則。公司如果只把 AI 當成省人力工具，容易忽略人要轉去負責什麼，這也是導入停住的原因之一。

先讓一件事真的跑完，再談擴大

Pax8 的數據提醒我們，AI 使用率上升，不代表企業已經完成導入。OpenAI 的研究讓我們看到代理可以承擔更長的任務；Google Cloud 和 Accenture 的布局，則反映出市場接下來會搶著解決「如何從試驗走到生產」這個問題。

我的做法會比較慢一點，但比較容易留下資產：先挑一個任務，寫清楚觸發、資料、規則、交付、核准與回寫；跑兩到四週，記錄哪裡卡住；修正任務卡，再決定要不要交給更多人使用。AI 的價值不是多做一份看起來漂亮的輸出，而是讓公司下一次做同一件事時，不必再從零開始。

作者：鄭錦聰：https://shortcut.tw。我關心的不是哪個工具每天多一個按鈕，而是中小企業怎麼把客戶、產品、服務與成交流程，整理成可以被執行、被驗收、被留下的商業系統。更多內容請看 https://shortcut.tw：https://shortcut.tw。