《The Value Vector》以一條完整的企業 AI 路徑串起六章：先確認商業價值 → 篩選正確使用案例 → 把 POC 做成可延伸資產 → 工程化到 Production Scale → 將治理嵌入日常運作 → 最後才判斷哪些 Workflow 真正需要 Agentic AI。
| 章節 | 核心問題 | 主要框架／方法 | 全書中的作用 |
|---|---|---|---|
| 01_價值羅盤 | 這個 AI 倡議值得做嗎？ | AI Value Compass、Degree of Unknowns、七階段 GenAI Implementation Workflow | 從 Business Value、Capability、Impact、Ethics 決定是否投入 |
| 02_GenAI 點子迷宮 | 大量 AI Idea 中哪些是真正 Use Case？ | AI Literacy、六項 GenAI Capability、Generative AI Canvas：Should We Build?／How Do We Build? | 把「想用 AI」轉成明確 Problem、Workflow、Outcome、Data、Adoption Plan |
| 03_重新想像 POC | 如何避免 Demo 成功卻永遠不能上線？ | Enterprise Reality Gap、Bento Box、Parallel Tracks、Seven-Day POC Cycle、Three Acts of Truth | 讓 POC 從第一天就成為 Production Journey 的起點 |
| 04_從程式碼到規模化 | POC 成功後如何可靠地服務企業規模？ | Progressive Scaling、Independent Services、五層 Enterprise Architecture、Data Pipeline、Reliability、Security／Governance | 把功能性 Demo 轉成可 Scale、可監控、可治理的 Enterprise System |
| 05_治理聖杯 | AI 如何在快速變化中仍保持安全、倫理與可問責？ | Governance at Speed、Compliance Discovery Canvas、Risk Framework、Human Oversight、Security Investment Pyramid、AI Security Onion | 把 Governance 從 Checklist 變成持續 Operational Capability |
| 06_代理時代 | 哪些工作真的需要 Agent？ | Think Fast／Slow、Agentic Use Case Canvas、Programmatic vs. Agentic Control、ReAct、MoE、Hybrid Architecture | 把 Agentic AI 放在真正需要 Dynamic Reasoning 的 Workflow，而不是全面 Agent 化 |
| 章節 | 案例數 | 主要案例群 | 原書重要量化／界線 |
|---|---|---|---|
| 01_價值羅盤 | 7 | AI Value Compass、客服 Value Assessment、招聘未知程度、AI Portfolio、Death by POC、七階段導入、工具錯配 | 30% 目標 vs. 25% 預估；$2M 年節省；+15% Satisfaction；85% 未跨出 POC；POC 2–3 週；1–3 個月 vs. 3–12+ 個月 |
| 02_GenAI 點子迷宮 | 11 | 三波 Innovation、Integration Paradox、Data Hoarding、AI Literacy、六項能力、兩張 GenAI Canvas、Fashion Retail | 15 小時／日；500+ 件／週；12 市場；3 週等待；30→5 分鐘目標＝83.33%；6 個月後 −80%、+65% |
| 03_重新想像 POC | 10 | Model Obsolescence、Enterprise Reality Gap、重複 Prompt Management、Value Realization Gap、Bento Box、Parallel Tracks、7-Day Cycle、Three Acts | Prompt 解法重做 5 次；6 個月 15 POCs、2 Production＝13.33%；Production Implementation＝4× POC；7 天週期；3 個月重建情境 |
| 04_從程式碼到規模化 | 14 | Real-scale Data、Progressive Scaling、Microservices、Performance、Reliability、Enterprise Layers、Data Pipelines、Quality／Lineage、Security、Governance | 1,000→2,000,000＝2,000×；200 萬只涵蓋最近 3 年，不能外推 20 年；部署 6→18 個月＝+12 個月／3× |
| 05_治理聖杯 | 12 | FinCorp Incident、Governance at Speed、Governance Roles、Data Governance、Compliance Canvas、AI Risks、Ethics、Human Oversight、Security Investment、Security Onion、HR Guardrails | 2 個核心獨立委員會；4 象限 Compliance Canvas；4 類 AI Risk；3 種 Human Oversight；3 層 Security Investment；4 層 Security Onion；無固定預算比例 |
| 06_代理時代 | 13 | Fast／Slow Thinking、FinCorp Routing、Agentic Canvas、LLM Evolution、Compound vs. Agentic Control、ReAct、Tool Permission、MoE、Agent FOMO、Human Oversight、Hybrid AI | 1+1 Reasoning 26 秒；FinCorp 6 個月資料；2022–2025 演進；Mixtral 8×7B＝原書表述 56B；「300 Agents」為規劃／FOMO 例 |
| 全書 | 67 | 從 Value Identification 一路到 Governed Agentic Deployment 的完整企業 AI 教學案例 | 所有直接計算均與原書數字分開標示；原書未提供的門檻、比例、SLA、成本不自行補造 |
《The Value Vector》最重要的觀點，是企業 AI 導入不應從「哪個模型最新」開始，而應從 哪個問題值得解決開始。六章雖分別處理 Value、Use Case、POC、Production、Governance、Agents，但實際上構成同一條連續決策鏈。
第一章先用 AI Value Compass 問：問題是否清楚、AI 能力是否適配、價值是否足以支持投資、倫理上是否可接受。第二章再把大量 AI Idea 經由 AI Literacy 與 Generative AI Canvas 篩成真正可以實作的 Use Case。第三章要求 POC 不再是一次性 Demo，而要從第一天考慮 Enterprise Reality，並用 Bento Box、Parallel Tracks 等方法保留通往 Production 的路徑。
第四章說明一旦系統進入真實規模，問題會從「能不能做」變成「能不能可靠、安全、有效率地做」；資料量、跨區域、Reliability、Monitoring、Security 與 Governance 都會重塑 Architecture。第五章因此把 Governance 從事後審查前移成日常 Operating Model。第六章最後才進入 Agentic AI，並再次回到全書最初的 Problem-first 原則：不是因為 Agent 技術存在就必須使用，而是只有真正需要 Dynamic Reasoning、Tool Use 與 Adaptive Control 的 Workflow 才值得承擔額外 Complexity。
全書最穩定的一條原則是：Technology Capability 不等於 Business Value。
第 1 章的客服案例甚至刻意呈現 Goal 與 Value Assessment 之間的落差：Business Challenge 的目標是查詢解決時間降低 30%，後續 Value Assessment 示例則預估降低 25%。原書沒有解釋這 5 個百分點的差異，因此教材保留兩者，而不是自行把它們修成同一數字。
這種處理方式也貫穿後續章節：POC 宣稱的 60%／40% 效益不等於 Production Result；30→5 分鐘的 83.33% 目標降幅也不等於六個月後原書報告的 80% 實際時間降幅。
第 2 章的重要貢獻，是把「AI Literacy」放在 Use Case Selection 之前。團隊如果連 Generation、Question Answering、Summarization、Translation、Correction、Classification 等基本能力與限制都分不清，就容易把 GenAI 拿去做純 Prediction，或把更多 Data Source 當成必然更好的答案。
Generative AI Canvas 的兩張畫布把判斷分成兩步：先回答 Should We Build?，再回答 How Do We Build?。這使 Problem Statement、As-Is Workflow、Responsible AI、Organizational Fit 等問題在寫第一行程式之前就被處理，而 Outcomes、Success Criteria、Data Requirements、Dependencies、Adoption Strategy 則把通過驗證的 Idea 轉成 Project Plan。
第 3 章用幾個數字直接揭露「Death by POC」。製造業案例在 6 個月做了 15 個 POC，卻只有 2 個進入 Production；由原書數字直接換算，Conversion Rate 為 13.33%。另一個醫療文件案例則顯示，接上真實 Patient Records、Compliance 與 Enterprise Security 後，正式化耗時變成 Initial POC 的 4 倍。
因此 Bento Box 的核心不是單純採用 Microservices，而是把 POC Asset 當成可累積的 Enterprise Capability。Parallel Tracks 再讓 Foundation Builders 與 Innovation Catalysts 同時前進，使快速實驗不必建立在 Throwaway Infrastructure 上。