「今年公司一定要導入 AI。」然後呢？
這可能是 2026 年許多資訊部門、IT 主管、數位轉型負責人正在面對的一句話。
老闆看到了 ChatGPT、Claude、Gemini，看到了各種 AI Agent、自動化工具與企業 AI 案例，接著回到公司問：「我們是不是也應該做？」
答案通常是：應該。
但真正困難的問題不是「要不要導入 AI」，而是第一步到底要做什麼？
很多企業第一個反應，是開始找 AI 工具、比較模型、詢問聊天機器人，甚至直接要求資訊部門做一個公司自己的 ChatGPT。
但實際進入企業環境後，很快就會發現：AI 本身往往不是最大的問題。真正卡住 AI 的，是 AI 背後那一整套企業系統。
企業缺的通常不是 AI，而是 AI 可以工作的環境
假設今天老闆問 AI：「昨天哪一家門市業績最差？原因可能是什麼？」
這看起來只是很普通的一個問題。但 AI 要回答它，背後可能需要取得 POS 營業額、訂位資料、來客數、會員消費、商品銷售、促銷活動，甚至人力排班資料。
如果這些資料分別存在不同系統，有些只能人工匯出 Excel、有些沒有 API、有些帳號權限只有特定同仁持有，那麼即使公司買了最強的 AI 模型，它也沒有辦法直接回答。
更不用說下一步：「那幫我通知店長，整理改善方案，明天下午三點前交給我。」
當 AI 從「回答問題」進一步變成「執行工作」，問題就不再只是生成式 AI，而是整個企業資訊架構是否允許 AI 安全地參與營運。
所以第一步，不是選 AI，而是做一次「AI Ready 系統盤點」
我們認為企業準備導入 AI 時，第一件事情應該先回答四個問題。
一、公司的資料到底在哪裡？
很多企業表面上已經高度數位化，實際上資料卻非常分散。ERP 一套、CRM 一套、POS 一套、會員系統一套、訂位系統一套、電商又是一套，財務還有自己的系統。
除此之外，真正影響營運的重要資料，可能還散落在 Google Sheet、Excel、Email、LINE 群組甚至員工自己的電腦裡。
以前這個問題可以靠人處理。員工登入不同後台，把資料下載下來，再整理成 Excel，最後做成主管要看的報表。
但 AI 要真正進入企業，這種架構會立刻變成瓶頸。因為 AI 必須知道：資料從哪裡取得？哪一份才是最新版本？不同系統裡的同一位客戶是不是同一個人？哪些數字才是公司真正認定的營運數字？
所以 AI 導入的第一項工作，其實是資料來源盤點與資料定義。
二、這些系統有沒有辦法被連接？
知道資料在哪裡，只完成了一半。接下來還要確認系統是否具備 API、Webhook、資料庫介接、匯出機制，或者其他穩定的整合方式。
真正有價值的 AI，應該能夠在授權範圍內查詢企業系統，例如取得訂單、會員、庫存、工單、營業額與專案進度。再往下一階段，AI 甚至可能需要建立資料、修改狀態、產生草稿、發出通知或觸發企業流程。
如果既有系統完全封閉，AI 就算理解了使用者的命令，也沒有手可以做事。因此企業現在評估系統時，不能再只問「這套系統有哪些功能」，還要多問一個問題：「未來其他系統與 AI 能不能安全地操作它？」
第三個問題：AI 到底可以做到哪裡？
這也是企業導入 AI 最容易被忽略的一件事：權限。
如果一位員工沒有權限查看公司全部客戶資料，那麼他透過 AI 詢問時，也不應該因為 AI 擁有更高權限而看到那些資料。同樣地，如果一般門市人員不能修改商品售價，那麼 AI 也不能因為收到一句自然語言指令，就直接修改價格。
所以企業 AI 不能只有「可以」或「不可以」兩種狀態，而應該建立完整的身份與權限架構。
- 哪些人可以查詢哪些資料？
- 哪些 AI 可以使用哪些工具？
- 哪些操作只能產生草稿？
- 哪些操作必須經過主管核准？
- 哪些高風險操作完全禁止 AI 執行？
- 每一次 AI 操作是否留下完整紀錄？
當 AI 開始可以「做事」，Audit Log、Role、Permission、Approval Flow 這些原本屬於企業系統的基礎設計，反而會變得比模型本身更加重要。
第四個問題：公司的流程到底有沒有被定義？
AI 最怕的不是複雜流程，而是「每個人做法都不一樣」。很多公司真正的工作流程並不存在系統裡，而存在資深員工的腦袋裡。
例如客訴來了找誰、退款超過多少要誰核准、特殊客戶可以給多少折扣、庫存不足時先調哪一家店、某種異常訂單應該怎麼處理。
人可以靠經驗判斷，但如果希望 AI 協助，就必須逐步把這些規則變成可理解、可追蹤、可執行的流程。這也是為什麼 AI 導入不是單純的「AI 專案」，它其實是一場企業系統與營運流程的重新整理。
企業 AI 最好不要一開始就直接「全自動」
當企業完成基本盤點之後，也不代表應該立刻讓 AI 接管系統。比較合理的導入方式，可以分成四個階段。
第一階段：AI 能查
先讓 AI 在正確權限下取得企業資料。例如主管可以直接詢問昨天營業額、這個月會員成長、哪些商品銷售下降、有哪些客服工單尚未處理。這個階段的價值，是把原本需要人工登入系統、匯出資料、整理報表的工作縮短。
第二階段：AI 能分析
取得資料後，AI 開始協助找出異常、比較差異、整理趨勢與提出建議。例如不只是告訴你某門市業績下降 15%，而是進一步交叉比對來客數、客單價、訂位取消率與商品銷售結構。
第三階段：AI 能建立草稿
接著才讓 AI 開始準備實際工作。例如建立行銷活動草稿、整理客服回覆、產生採購建議、建立任務、準備 Email，或建立尚未送出的系統操作。人仍然是最後的確認者。
第四階段：AI 在授權下執行
當流程、權限與稽核都成熟後，才逐步開放特定任務自動執行。例如低風險通知、自動建立固定報表、依規則建立工單、同步資料，或在符合條件時執行既定流程。這時 AI 才真正從「聊天工具」變成企業裡的一個數位工作角色。
舊系統是不是全部都要重做？不一定
一套已經穩定運作多年，而且核心功能沒有問題的 ERP、POS 或內部系統，沒有必要只是為了 AI 就全部重寫。
真正需要判斷的是：
- 系統能不能取得資料？
- 有沒有 API 或其他介接方式？
- 身份與權限能不能整合？
- 操作是否可以留下紀錄？
- 未來是否還能持續擴充？
如果答案大致是肯定的，既有系統可以繼續保留，再透過 API Gateway、中介服務、資料層或 MCP 等方式逐步建立 AI 可使用的能力。
只有當舊系統已經封閉到無法整合、技術債過高、維護成本持續上升，或本身已經嚴重限制企業流程時，才需要評估局部重構甚至全面汰換。
不要從「我們可以拿 AI 做什麼」開始
企業導入 AI 時，還有一個非常常見的錯誤。大家坐在會議室裡問：「AI 可以幫我們做什麼？」這個問題太大，也很容易最後變成大量 Demo。
更好的問題其實是：「我們公司現在有哪些事情，每天都有人重複做？」
哪些報表每天都有人整理？哪些資料一直重複輸入？哪些主管每天都在問同樣的營運問題？哪些客服問題不斷重複？哪些流程需要員工在三四套系統之間切換？哪些決策其實都有明確規則？
從這些地方開始，AI 的投資報酬率通常會清楚很多。
一個實際的 AI 導入順序
- 盤點系統：ERP、CRM、POS、會員、電商、客服、財務與內部系統有哪些。
- 盤點資料：關鍵營運資料分別存在什麼地方，誰負責，多久更新一次。
- 盤點介接能力：API、Webhook、Database、檔案交換與第三方整合能力。
- 盤點權限：不同角色可以查看、建立、修改與核准哪些資料。
- 選擇流程：先挑一個高頻率、高人力成本、規則相對明確的工作。
- 先讀後寫：先讓 AI 查詢與分析，再逐步開放建立草稿與執行。
- 建立稽核：所有 AI 操作保留身份、時間、輸入、輸出與執行紀錄。
- 逐步擴張：確認第一個流程有效，再擴展到其他部門與系統。
這樣做的好處，是企業不需要一開始就進行龐大的 AI 改造，也不需要押注某一個模型或某一家 AI 供應商。你真正建立的是一個可以持續接上不同 AI 的企業基礎架構。
未來真正重要的，不是哪一套 AI 最強
今天最強的模型，兩年後未必還是同一個。模型價格會下降，能力會持續提高，AI 工具也會不斷更換。
但企業自己的資料、流程、權限與系統整合能力，不會因為換一個模型就自動出現。這也是企業現在最值得投資的地方。
當公司的系統具有清楚的 API、資料結構、身份權限、操作紀錄與可執行流程之後，不論未來使用哪一種大型語言模型，企業都有能力快速接上。
反過來，如果底層系統仍然彼此斷裂，即使 AI 每半年升級一次，公司還是只能停留在「讓 AI 幫忙寫文字、整理文件」的階段。
SourceKode 做的，不只是幫企業「接一個 AI」
SourceKode 長期進行客製化系統開發、企業系統整合、網站、後台與 App 開發。進入 AI 時代之後，我們認為開發公司的角色正在改變。
未來企業需要的不只是另一套 AI 聊天機器人，而是有人能夠理解既有系統、整理資料流、設計 API、重構必要流程、建立權限與稽核機制，最後讓 AI 真正接進企業營運。
有些企業需要重新開發系統；有些只需要整合既有系統；有些則需要先建立一層新的 AI 操作介面。沒有一種架構適合所有公司。
但判斷標準很簡單：未來當你對 AI 說一句話時，它能不能取得正確資料、理解你的權限，並安全地完成後面的工作？
如果現在還做不到，那麼企業今年真正應該開始的 AI 專案，可能不是先買一套 AI。
而是先把公司的系統，準備好迎接 AI。