01_價值羅盤：穿越 AI 炒作

核心表格

本章的主軸是把人工智慧（Artificial Intelligence, AI）構想從「技術看起來很厲害」轉成「是否值得、是否適合、是否能負責任地落地」。原書以人工智慧價值羅盤（AI Value Compass）、未知程度（Degree of Unknowns）與七階段導入流程建立從商業價值到正式部署的決策架構。

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
商業價值優先	先定義具體、可衡量且與商業結果連結的問題，再討論 AI 技術	避免因技術炒作而建立沒有清楚價值的 AI 專案	「看起來可行」不等於有足夠商業價值；目標需與利害關係人共同定義
Business Challenge Identification	問題定義、範圍、利害關係人、現況與 SMART 目標	建立可比較的基準與明確成功條件	原書客服範例以 6 個月內降低查詢解決時間 30% 為目標
AI Capability Mapping	檢查技術版圖、能力、成熟度、整合需求與技能缺口	選擇真正適合問題的 AI、傳統 AI 或非 AI 方法	不是所有問題都需要生成式人工智慧；數值趨勢預測可能更適合預測分析或時間序列模型
Value and Impact Assessment	評估投資報酬率、KPI、成本、風險、機會成本與敏感度	把技術倡議轉成可衡量的投資決策	客服範例預估解決時間降低 25%、每年節省 200 萬美元、滿意度提高 15%；與前述 30% 目標存在 5 個百分點差距，原書未解釋原因
Ethical Implementation Feasibility	檢查倫理一致性、偏誤與公平、透明可解釋、隱私安全、社會影響與治理責任	確保 AI 倡議不只技術可行，也能負責任地實作	原書把倫理視為全程指導原則，不是最後一次性檢查
Degree of Unknowns	依技術可行性、潛在影響與既有流程對齊程度等不確定性，區分低、中、高未知倡議	管理創新風險並建立多元 AI 投資組合	原書沒有提供數值評分公式；不能自行建立權重冒充原書方法
持續改善與正向顛覆	低至中未知專案偏向持續改善；中至高未知專案偏向突破性創新	同時維持近期價值與長期創新能力	持續改善通常為 1–3 個月；正向顛覆為 3–12 個月或更久，屬原書概括範圍而非硬性期限
Death by POC	避免反覆做概念驗證（Proof of Concept, POC）卻無法進入正式環境與價值實現	要求 POC 從一開始就有通往 MVP、部署與量測的路徑	原書陳述 85% 的公司未跨越 POC；可讀內容未提供該數字的研究樣本與方法
七階段 GenAI 導入流程	領導教育 → 使用案例構想 → 利害關係人工作坊 → 優先排序 → 快速 POC → MVP → 部署與量測	把構想一路推進到真實使用者與可衡量成果	快速 POC 建議不超過 2–3 週；MVP 才開始整合真實系統、資料與必要 guardrails
人機協作與迭代	讓人類專業與 AI 能力互補，並依新資訊、使用者回饋與 KPI 持續調整	避免把 AI 導入誤解為完全取代既有流程或人類判斷	Value Compass 與導入流程都屬迭代方法，不是一次完成後永久固定

章節定位

第 1 章處理的不是「哪個模型最強」，而是企業在生成式人工智慧熱潮中如何判斷：什麼問題值得做、是否需要 AI、預期價值是否足夠、又能否負責任地實作。 原書把這些判斷放在技術開發之前，避免組織先被模型能力吸引，再事後尋找商業理由。

本章有三條互相連接的主線：第一，使用 AI Value Compass 從商業挑戰、技術能力、價值影響與倫理可行性四個方向審查倡議；第二，用 Degree of Unknowns 管理從快速改善到高風險創新的投資組合；第三，透過七階段導入流程把構想從概念驗證推進到最小可行產品（Minimum Viable Product, MVP）、正式部署與實際量測。

1. 商業價值必須先於技術選擇

原書反覆提醒，生成式 AI 能力令人印象深刻，但並不是每一個可做的使用案例都值得做。尤其資源有限的組織，更需要先確認問題是否重要、目標是否可衡量，以及成功後究竟改變哪一個商業結果。

因此，模糊的「改善客服」不足以作為專案目標。原書把它改寫成「6 個月內將平均客服查詢解決時間降低 30%，同時維持或提升顧客滿意度」，讓後續技術選擇、成本、KPI 與部署後量測都有共同基準。

這也說明為什麼 Senior Leadership Education 被放在七階段流程的第一步。若決策者誤解生成式 AI 的能力，後續構想、POC 與預算可能一開始就建立在錯誤假設上。

2. AI Value Compass：四個向量共同決定是否值得前進

Business Challenge Identification

第一個向量先把問題說清楚，包括問題定義、影響範圍、利害關係人、現況基準與 SMART 目標。原書的邏輯是：若連目前狀態與預期改善都無法描述，就很難在專案完成後證明 AI 是否真正創造價值。