實現變革計畫|數位時代 BusinessNext

隨著環境的變遷，現今企業組織皆面臨迫切的變革壓力。然而很遺憾地，改革工作知易行難，大部份嘗試推行、甚至已經進行變革的企業往往以失敗告終。根據研究，變革的成功機率不到三成！
雖然變革的速度、規模和複雜度已遠遠超過從前，但拖延變革的代價不僅會造成不便，還會損失慘重。許多全球知名企業，例如全錄（Xerox）、朗訊（Lucent）、日本三菱（Mitsubishi）等，都曾失敗過，即使借重新領導人推行改革，仍然無法重振雄風。由此看來，改變是一件相當困難的任務，因此必須釐清挑戰的關鍵。

**心象圖的重要性

**
綜觀市面上數百本探討領導策略變革的書籍中，為什麼要選這本書呢？乃因許多書籍在討論變革對象及方法都顛倒了，因為他們通常採取「組織內」（Organization in）的方法，就是將所有組織應該改變的項目一一列出來，個人就會跟著改變。
但本書作者布雷克及葛雷格森發現，解決問題的核心在於：改變我們根深蒂固的「心象圖」（mental maps）──他們如何看待組織與工作，也就是既有的思維模式。心像圖就像指引人們方向的地圖一樣，它主宰著人們的日常行為。維持成功的策略變革在於先改變個人，才能改變組織。因此採取「個人外」（individual out）的方法，而非「組織內」，所以若要進行企業變革，人們就必須先突破思考障礙。

**成功變革的CBA

**
重繪心象圖最大挑戰是妨礙持續策略變革的障礙。是哪些自然因素導致人們壓抑變革並產生思考阻礙？答案就在於造成變革失敗的3個關鍵問題。本書有系統地指出如何實現變革的重點：以新目標和方法「重新繪製」人們的心象圖。作者指出，影響策略變革的思考障礙是：看不見、推不動，以及無法完成。
‧克服看不見：為什麼企業會錯失明顯的轉型時機？該怎麼辦？
‧突破推不動：為什麼人們即使意識到改革勢在必行，卻仍安於現狀？如何突破這項障礙？ ‧戰勝無法完成：為什麼改變會功虧一簣？如何維持士氣？
「變革CBA」即指體認（conceive）、相信（believe）和實現（achieve），而此3步驟可以有效回應且克服變革的3項障礙。要克服第一項障礙，人們必須體認舊的好策略是錯的，且認清新的好策略；要克服第二項障礙，人們必須相信策略變革可以帶領他們成功實踐新好策略，最後，人們必須去實現策略變革的目標，同時確知他們已經成功達成任務。
找出這3個問題的原因並突破這些障礙，就能夠進行策略變革。這本書以深入淺出的表達方式，並輔以生動的圖表，有系統的闡明心象圖如何創造這些障礙，並告訴讀者如何找尋開啟心象圖的鑰匙，頗具參考價值，值得一閱。

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。