02_GenAI 點子迷宮：從閃光中找出黃金

核心表格

本章處理企業面對大量生成式人工智慧（Generative Artificial Intelligence, GenAI）構想時，如何先建立人工智慧素養（AI Literacy）、理解能力與資料，再用 Generative AI Canvas 把「有趣點子」篩成可驗證、可實作的商業方案。

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
三波創新	Problem Solvers、Ideators、Pragmatic Innovators 從不同角度提出 AI 構想	理解提案來源並保留問題知識、創意與務實判斷	不能因構想來源不同就直接判定優劣；仍需後續能力與使用案例驗證
工具與任務配對	生成式 AI 擅長生成與模式辨識，但純預測可能更適合傳統機器學習	避免拿熱門工具處理不適合的任務	原書市場趨勢與消費趨勢例都提醒不要把生成能力等同預測分析
Integration Paradox	更多資料來源不自動帶來更好洞察，反而可能增加複雜度、偏誤與故障點	在整合前先驗證每個來源的相關性與品質	資料來源數量不是模型價值的代理指標
Data Hoarding Trap	資料品質、結構與相關性優先於單純資料量	從龐大資料湖中找出真正支援問題的資料	有大量交易、顧客與市場資料不等於能產生有效洞察
AI Literacy	建立共同語言，理解 AI 的實際能力、限制與適用邊界	降低錯誤提案、過度自動化與技術誤用	能使用 ChatGPT 不等於理解 GenAI；複雜商業判斷仍需要人類脈絡
六項 GenAI 核心能力	Generation、Question Answering、Summarization、Translation、Correction、Classification	把商業任務拆成可辨識的 AI 能力，再組合成工作流	原書沒有能力排名或數值權重；能力存在不代表輸出必然正確
從能力到商業方案	組合多項 AI 能力、資料、既有流程與人類專業	從單一內容生成擴展為完整端到端工作流	避免「magic solution」與完全自動化思維，也避免先買技術再找問題
Should We Build?	Problem Statement、As-Is Workflow、Solution、Responsible AI、Organizational Fit	在寫程式前驗證問題、策略、倫理與組織適配	現況流程映射有時會發現真正需要的是流程簡化，而非 AI
How Do We Build?	Outcomes、Success Criteria、Data Requirements、Dependencies、Adoption Strategy	把通過驗證的構想轉成可執行專案計畫	Data Requirements 包括 case、training、feedback data；技術成功不能取代使用者採用
時尚零售完整案例	15 小時／日、500+ 件／週、12 市場的問題，轉成 30→5 分鐘目標與跨市場 GenAI 工作流	示範兩張 Canvas 如何從問題定義一路連到資料、系統依賴與量測結果	6 個月後原書報告描述時間 −80%、市場上市 +65%；目標 83.33% 與實際 80% 的量測口徑未被明確證明完全一致

章節定位

第 1 章回答「如何判斷 AI 倡議是否有價值」；第 2 章則進一步處理企業常見的另一個問題：當各部門突然提出大量 GenAI 點子時，如何知道哪些只是閃亮構想，哪些真的值得做？

原書先從組織 AI 素養與資料觀念開始，再拆解 GenAI 的六項核心能力，最後提出兩段式 Generative AI Canvas：先用 Should We Build? 驗證策略與問題，再用 How Do We Build? 把通過的構想轉成可執行計畫。

1. AI 計畫宣布後，創意通常先爆發，再需要篩選

原書描述，組織一宣布 AI 計畫，構想可能在短時間內從各部門湧入。全球製造企業的例子中，工廠現場提出 AI 品質控制，人資團隊提出 AI 人才發展。作者把這種早期創新分成三波。

Problem Solvers 長期面對具體業務問題，因此提供寶貴問題知識，但對 AI 能力的理解可能跟不上熱情。Ideators 把大量流程都想像成 AI 候選，例如 AI 咖啡機、AI 時尚設計師或 AI 治療師，雖然有些想法過度理想化，仍可能揭露新的流程與體驗機會。Pragmatic Innovators 則同時理解組織需求與 AI 邊界，例如採購經理不是要求 AI 完全取代採購決策，而是讓 AI 協助辨識供應商績效與價格模式。