一、案例定位

把原書對初始 GenAI portfolio 的明確數量建議轉成實務案例。

二、學習目標

• 平衡快速學習與長期高價值專案。
• 理解 public tool experiment 的資料邊界。

三、案例情境

原書建議先辨識 2–3 個 quick wins 與 1–2 個 major projects。因 IT infrastructure 可能需要時間，quick wins 可使用一般 public services，但應只依賴 nonsensitive、nonproprietary data，並發布清楚使用 guidelines。

四、開始資料

五、Excel／AI 分析方法

用 portfolio sheet 追蹤 Category、Business Owner、Data Sensitivity、Expected Value、Learning Goal、Scale Criteria。

六、計算結果

依原書建議，初始核心 portfolio 約 3–5 個專案。

七、結果分析與管理解讀

只做 quick wins 可能永遠停在 demo；只做 major projects 又可能太慢、難以建立組織信心。

八、AI 提問詞

將候選專案分類為 Quick Win／Major Project，並檢查 public-service experiments 是否含敏感或 proprietary data。

九、思考／情境變動

**題目：**若目前已有 3 個 quick wins、2 個 major projects，是否仍在原書建議範圍？

**參考解答：**是，位於建議上限，共 5 個。