1,200家企業AI調查報告出爐！影響AI成敗不是技術，而是組織分工|數位時代 BusinessNext

1,200家企業AI調查報告出爐！影響AI成敗不是技術，而是組織分工

AI真的不只是噱頭。SAS與天下雜誌合作執行的「企業AI領先度大調查」指出，有85%的台灣企業在導入AI後感到滿意。令人驚訝的是，影響AI發展成敗的關鍵，不是數據或技術，而是組織分工。

2019年的現在，如果問任何一間企業，他們的數位轉型策略重點為何，大家的回答裡免不了會提到AI。但是，台灣企業在發展AI的時候，究竟哪些因素最影響成敗？應該如何設定績效目標？最重要的是，投入AI真的有效嗎？

為了找出答案，商用軟體公司SAS與天下雜誌合作，針對全台1,261間企業進行「企業AI領先度大調查」，並於昨（24日）在SAS台灣年度高峰會議「SAS Analytics Conference」上公布結果。

導入AI企業滿意度高達85%，「目標明不明確」影響企業AI發展

報告中把受訪企業依該公司投入AI研發的年資、AI團隊大小、AI專案數目分為四個種類，分別是最領先的先進者、追隨者、觀望者以及完全沒投入的未啟動者。

調查並發現，AI技術最成熟的先進者，對公司投入AI發展的滿意度高達85%；剛開始嘗試的觀望者，其滿意度則只有45%。這顯示 AI投入的時間越久、經驗累積越多，更能感受到AI帶來的效益。

至於哪些因素最能影響AI發展的快慢？一般認為很重要的數據及技術反而得分最低，企業最看重的，其實是有沒有 「明訂AI的發展目標」 ，其次則是「有無足夠預算及人力」以及「AI團隊的合作能力」，結構與策略面的因素，最為關鍵。

此外，調查中也分析企業中不同職等間，對AI在技術面上的認同差異。各職等都認為「分析人員能夠協作」是最重要的；中階及高階主管認為必須要有一個易於管理的單一AI平台；一般職員在乎如何降低寫程式的作業門檻。

在評價AI專案時的績效指標方面，所有職等都認為「能否提升營運效率」最重要。但他們對第二重要因素的想法則大相逕庭。對企業負責人來說，是「能否提升品牌市占率」；對中階及高階主管來說，是「業務創新程度高低」；對一般職員來說，則是「能否降低營運成本」。因職等不同，對AI的期望也不一樣。這也使得 企業內部更透明的溝通、討論成為相當重要的事情。

技術不是問題，組織分工成關鍵

目前業界在投入AI時，究竟都遇到什麼問題？SAS台灣業務顧問副總經理陳新銓以他觀察到的業界狀況舉例，以資料分析師來說，除了作業時間不夠、無法充分討論AI專案需求外；加上工作項目大多是一條龍模式，沒有細項分工，資料搜集、篩選資料品質、資料運算分析等都是同一個人的工作。

AI工作未分工化，導致資料品質以及AI分析模型無需受檢核，難以進行品質控管。對管理者來說，一旦AI分析結果有誤差，就難以找出問題來源，更無法確保資料本身有無一致性以及正確性，進而導致知識經驗難以傳承，面對資料科學家平均2.5到3年就會異動的情況，管理者也難以進行交接。

這些問題都與「組織分工」習習相關，與技術本身無太大關係。陳新銓也建議，任何AI專案最初都要設定小目標，取得小規模的成功後再擴散到其他部門去，才能夠複製成功經驗。

台灣大學人工智慧與機器人研究中心教授張智星強調，資料的搜集從最一開始就需要規劃，「資料不足、內容雜亂，都是最麻煩的狀況。」他說。

此外，張智星也呼籲企業導入AI應著眼更長遠的未來。現在大家投入AI主要是為了提升營運效率，但未來AI也會有更多用途。他舉例，銀行客服中心直接引進AI聲紋辨識技術，讓客戶不用再反覆輸入身分證字號來認證，藉此提升客戶體驗與品牌形象。

新光人壽數位服務發展部資深協理廖晨旭分享他們六年前第一次和SAS合作案例。他說，當初他們把這項合作案當作一般委外專案在做，但在建置過程中，他發現自家員工對AI相關流程不理解，在系統維繫上大量仰賴SAS的協助。他說，導入AI時，人員需要有策略性的布建，續航力才夠，未來第二、三個AI專案才可能成功。

AI未來3趨勢，「小數據」AI研發中

「企業AI領先度大調查」中的先進者，最資深的大約也投入AI發展將近十年。未來AI還有哪些發展趨勢？

SAS全球人工智慧研發中心資深副總裁Saratendu Sethi表示，由於數據的搜集困難、花費資金高，所以工程師也在研究，如何以較少的數據培養出同樣強大的AI模組。此外，AI的操作方式將更加多元，現在人類可以透過聲音控制語音助理，未來也會看見更多用來控制機器的新方法。

Sethi認為最重要的趨勢，則是AI的民主化。他認為，AI將越來越普及，工具也變得越來越容易上手。未來我們可能會看到，AI與機器學習成為每個人手上的分析工具。究竟這樣的一天會不會很快到來呢？Sethi對此感到非常樂觀。

責任編輯：陳映璇

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。