一句話說明

AI 就緒度評估是在導入 AI 之前，用結構化的方式檢查公司在資料、技術、人才、文化、治理五個面向的準備程度。

為什麼需要就緒度評估

飛飛在台灣企業培訓時最常聽到的問題是「我們想用 AI，但不知道從哪裡開始」。這通常代表公司缺少對自己準備程度的了解。很多企業看到同業或新聞報導提到 AI 的應用案例，就急著想導入，卻忽略了自身條件是否足夠支撐一個成功的 AI 專案。這種「先買工具再說」的心態，在台灣的中小企業中特別常見。

直接買工具開始用，常見的下場是：資料格式不統一導致 AI 分析結果不可靠、IT 基礎設施不支持（連 API 都不會串）、員工不知道怎麼用或根本抗拒、出了問題沒有人知道該找誰。飛飛看過一間台灣零售業者花了 50 萬導入 AI 客服系統，結果因為過去的客訴資料都在紙本或不同的 Excel 檔案裡，根本無法有效訓練模型，最後系統閒置在那裡。這種情況在製造業也很常見：花錢買了 AI 品檢系統，但產線上的影像資料沒有標準化的蒐集流程，最終品檢準確率還不如老師傅的目視檢查。

就緒度評估的目的是讓你知道「現在的條件下，從哪裡切入最有效、哪些基礎要先補」。做完評估，你會得到一張清楚的地圖：哪些維度已經準備好、哪些維度有缺口、缺口的嚴重程度如何、補齊需要多少時間和資源。這張地圖能幫助管理層做出更理性的投資決策，避免把錢花在不成熟的地方。

五個評估維度

資料成熟度

AI 的品質取決於資料的品質。如果你的資料品質差，再好的演算法也救不回來。資料成熟度的評估需要從四個面向來檢視。

第一個面向是數位化程度。公司的資料有沒有數位化？很多台灣中小企業的客戶資料還在 Excel 裡，而且格式不統一（有的用全形數字、有的用半形、有的日期格式是 YYYY/MM/DD 有的是 MM-DD-YYYY）。更傳統的公司甚至還有大量紙本表單，像是出貨單、品質檢驗報告、客戶訂單，這些資料如果沒有數位化，AI 根本無法使用。一間台中的機械零件廠跟飛飛說，他們 20 年的客戶訂單資料都在鐵櫃裡的紙本訂單上，要做 AI 需求預測，第一步居然是要先花三個月把紙本掃描和建檔。

第二個面向是集中管理。資料有沒有集中管理？還是分散在各部門的個人電腦裡？如果行銷部的客戶名單和客服部的客訴記錄沒有辦法串起來，AI 做出來的分析價值有限。台灣很多公司的 ERP、CRM、會計系統是不同年代買的，資料格式不統一，系統之間沒有介接。這種「資料孤島」問題在 50 人以上的公司幾乎都會遇到。評估時要盤點公司有多少個獨立的資料來源，它們之間有沒有串接機制。

第三個面向是資料品質。缺漏值多不多？有沒有重複記錄？有沒有定期清理？飛飛看過一間電商公司的客戶資料庫，光是重複的客戶記錄就佔了 30%，因為每次客戶換手機號碼就會被當成新客戶建檔。這種資料拿去做 AI 分析，結果一定是錯的。評估資料品質可以做一個簡單的抽樣檢查：隨機抽 100 筆記錄，看看有多少筆有缺漏欄位、格式錯誤或明顯的重複。

第四個面向是資料分級。知不知道哪些資料是機密、哪些可以給外部 AI 處理？如果連資料分級都沒有做，員工就有可能把客戶的身分證字號或合約金額直接貼進 ChatGPT。資料分級至少要分成四個等級：公開、內部使用、機密、限制。這個分級會直接影響後續 AI 工具的選擇——機密等級以上的資料只能用地端部署的 AI，不能上傳到雲端服務。

基礎設施

技術面的準備直接決定了 AI 導入的速度和可行性。

API 整合能力是第一個檢查點。IT 團隊有沒有 API 整合的能力？大多數 AI 工具的進階使用都需要 API 串接。如果公司連 REST API 都沒用過，導入 AI 的技術門檻會很高。飛飛建議一個簡單的測試：請 IT 團隊在一週內串接一個免費的 AI API（例如用 Claude API 做一個簡單的文件摘要功能），如果做得出來，代表基礎能力到位。如果做不出來，需要先投資 IT 團隊的技術訓練。

版本控制和部署流程是第二個檢查點。如果工程團隊要用 AI 輔助開發，Git、CI/CD 這些基礎設施要先到位。很多台灣企業的 IT 團隊還在用 FTP 上傳程式碼到伺服器，沒有版本控制，也沒有自動化測試。在這種環境下導入 AI 輔助開發工具（像是 GitHub Copilot），不但效果有限，還可能因為缺少 code review 流程而引入 AI 生成的有問題程式碼。

網路和資安基礎設施是第三個檢查點。有沒有 VPN、防火牆規則管控 AI 工具的流量？有沒有 DLP（資料外洩防護）系統？如果公司的網路架構連基本的流量監控都沒有，就無法追蹤員工使用了哪些外部 AI 工具，也無法確保敏感資料沒有外流。評估時要檢查：公司的網路是否能區分內部和外部流量？有沒有 proxy 或 CASB（Cloud Access Security Broker）可以看到員工在用哪些雲端服務？

預算規劃是第四個檢查點。AI 工具的訂閱費用、API 使用量的費用、員工培訓的費用，每年大概需要多少？飛飛整理了一個常見的成本範圍供參考：10 人以下的團隊試點，每月 AI 工具訂閱費大約是 1 萬到 3 萬台幣；50 人的部門導入，每月大約是 5 萬到 15 萬台幣；全公司導入加上教育訓練，第一年可能需要 100 萬到 500 萬台幣的投資。這些數字會隨工具選擇和使用範圍變化，但可以作為預算規劃的起點。

人才

公司裡有沒有能推動 AI 導入的人，這個維度往往是成敗的關鍵。

AI 理解者是第一個角色。有沒有至少一個懂 AI 的人？不需要是 ML 專家，但至少要能分辨「AI 做得到」和「AI 做不到」的邊界，能評估不同工具的適用性。這個人的角色是翻譯者：把業務需求翻譯成 AI 可以解決的問題，把 AI 的能力和限制翻譯成業務部門聽得懂的語言。飛飛在很多台灣企業看到的問題是，工程師懂技術但不懂業務，業務主管懂需求但不懂 AI，中間缺了一個橋梁角色。這個人不需要會寫程式，但要有足夠的 AI 知識來做正確的判斷。

AI Champion 是第二個角色。各部門有沒有對 AI 有興趣的人？這些人是未來的 AI Champion，會在部門內推廣和協助。飛飛建議每個部門至少找一到兩位 AI Champion，給他們額外的培訓和實驗時間。Champion 的選拔標準不一定是技術能力最強的人，更重要的是對新工具有好奇心、願意嘗試、而且有耐心教同事的人。在台灣企業的經驗裡，行政部門的 AI Champion 通常推動效果最好，因為他們最能感受到 AI 在日常工作中的具體幫助。

整體數位能力是第三個檢查點。員工的整體數位能力如何？如果大部分員工連 Excel 函式都不太會用，直接跳到 AI 會有學習曲線的問題。評估的方式可以做一個簡單的問卷：員工是否會使用雲端文件（Google Docs、Office 365）？是否會用基本的資料分析工具？是否有使用過任何 AI 工具的經驗？如果超過 60% 的員工連雲端文件都不太會用，建議先做基本的數位能力培訓，再導入 AI。

文化

組織對新技術的接受度，這個維度比技術更難量化，但影響同樣深遠。

管理層的態度是最重要的因素。是「AI 是策略優先事項」還是「先看看別人怎麼做」？管理層的支持程度直接決定資源投入和推動力道。飛飛的觀察是，台灣企業的管理層對 AI 的態度大致分三類：積極推動型（大約 20%）、觀望等待型（大約 60%）、保守抗拒型（大約 20%）。積極推動型的管理層會主動編列 AI 預算、參加 AI 研討會、鼓勵員工實驗。觀望等待型需要看到具體的 ROI 數字才會行動。保守抗拒型通常擔心安全風險或害怕投資失敗。針對不同類型，推動策略也不同：積極型給資源、觀望型給數據、保守型給保障。

員工的態度是第二個因素。是好奇想學，還是擔心被取代？員工的心態會影響試點的採用率。飛飛在培訓課程中發現，台灣員工對 AI 的擔憂主要有三個：一是「AI 會不會取代我的工作」、二是「我學不會怎麼辦」、三是「用 AI 會不會出問題要我負責」。針對這三個擔憂，管理層需要明確傳達：AI 是輔助工具、公司會提供充分的培訓、使用 AI 出錯是學習過程不會被懲罰。

對失敗的容忍度是第三個因素。試點有可能失敗，公司的文化是「失敗是學習」還是「誰搞砸誰負責」？後者會讓沒有人敢嘗試。飛飛建議在推動 AI 試點時，明確宣布這是「實驗」而非「專案」，實驗的價值在於學到東西，即使結果不如預期也是有價值的。可以設定一個「安全失敗」的預算上限，例如 30 萬台幣，在這個範圍內的嘗試不需要承擔失敗的壓力。

治理

風險管理的準備，這個維度決定了 AI 導入後能不能持續安全地運作。

資安政策是第一個檢查點。有沒有既有的資安政策？如果有 ISO 27001 或類似的資安框架，AI 治理可以在上面擴展，門檻低很多。台灣有 ISO 27001 認證的企業，通常已經有資料分級、存取控制、事件應變等流程，這些流程只需要擴展到涵蓋 AI 的使用情境。如果完全沒有資安政策，建議先建立基本的資安制度，再考慮 AI 導入。一個沒有資安基礎的組織直接導入 AI，就像一棟沒有消防設備的大樓裝了瓦斯爐——能用，但風險很高。

法遵意識是第二個檢查點。知不知道個資法對 AI 使用的限制？有沒有法務資源可以諮詢？台灣的個人資料保護法對 AI 處理個人資料有明確的限制，特別是第 19 條的特定目的限制和第 20 條的利用限制。如果你的公司蒐集了客戶資料用於銷售目的，未經同意就拿去做 AI 分析（例如預測客戶流失或推薦商品），可能違反個資法。評估時要確認：公司有沒有法務人員或顧問可以就 AI 使用的法律問題提供意見？

事件應變流程是第三個檢查點。AI 出錯時（幻覺、資料外洩、偏見），誰負責處理？流程是什麼？很多公司有 IT 事件的應變流程，但沒有涵蓋 AI 特有的問題。例如：AI 客服回覆了錯誤的產品資訊給客戶，這算客服事件還是 IT 事件？AI 自動生成的報告中包含了偏見或歧視性的內容，該通知誰？這些情境需要在事件應變流程中事先定義清楚。

10 題自評問卷

用 1-5 分評估（1 = 完全沒有，5 = 成熟運作），加總後判斷就緒程度。

資料成熟度： 1. 公司的核心業務資料是否已數位化並集中管理？ 2. 公司是否有明確的資料分級制度（公開、內部、機密、限制）？

基礎設施： 3. IT 團隊是否有 API 整合和雲端服務的經驗？ 4. 公司是否有可用於 AI 工具的年度預算？

人才： 5. 公司是否有至少一位了解 AI 能力和限制的人員？ 6. 各部門是否有對 AI 感興趣、願意嘗試的員工？

文化： 7. 管理層是否明確支持 AI 的導入和實驗？

治理： 8. 公司是否有既有的資安政策或 ISO 27001 等認證？ 9. 公司是否了解個資法和相關法規對 AI 使用的要求？ 10. 公司是否有處理技術事件（資安事件、系統故障）的應變流程？

每一題的評分標準： - 1 分：完全沒有，連意識到需要這個都沒有 - 2 分：有意識到但還沒開始做 - 3 分：已經開始做，但還不完善或只有部分部門有 - 4 分：大部分到位，有制度也有執行 - 5 分：成熟運作，有定期檢視和持續改善

評估的時候，建議由不同部門的人分別打分，然後取平均。如果只由 IT 部門來打分，容易在技術面高估、在文化面和法遵面低估。最好是 IT、業務、法務、人資各派一位代表參與，這樣得到的結果會更真實。

各階段行動方案

10-20 分（初始階段）

這個分數代表公司在 AI 導入的基礎建設還有很大的缺口。不要急著買 AI 工具，先把地基打好。

具體行動： - 啟動核心資料的數位化和標準化，統一資料格式，建立中央資料庫 - 建立基本的資安政策，至少要有資料分級和存取控制 - 安排管理層的 AI 認知培訓，讓決策者了解 AI 的能力和限制 - 盤點公司內部對 AI 有興趣的員工，列為未來的 AI Champion 候選人 - 建立基本的 IT 能力：API 串接、雲端服務使用、版本控制

預計時程：6-12 個月完成基礎建設。在這段期間，員工個人可以使用 AI 做公開資料的摘要、翻譯等低風險任務，但不應該處理公司的內部資料。

21-35 分（發展階段）

這個分數代表公司有一定的基礎，可以開始做小規模的試點。

具體行動： - 選一個低風險、高價值的場景做 90 天試點，例如用 AI 做客服常見問題的自動回覆，或用 AI 輔助內部文件的搜尋和摘要 - 制定 AI 使用政策：哪些工具可以用、哪些資料可以上傳、輸出需要誰審核 - 培訓一批 AI Champion，每個部門至少一位 - 建立 AI 使用的追蹤機制：誰在用什麼工具、處理什麼資料、有沒有發生問題 - 開始評估是否需要 AI Gateway 來集中管控 API 流量

預計時程：3-6 個月可以完成第一個試點，並根據試點結果決定下一步。

36-45 分（成熟階段）

這個分數代表公司已經有相當的基礎和經驗，可以擴大 AI 的導入範圍。

具體行動： - 建立 Hub-and-Spoke 的 AI 團隊架構：中央 AI 團隊（Hub）提供工具、政策和支援，各部門的 AI Champion（Spoke）負責部門內的推廣和協助 - 導入 AI Gateway 集中管控所有部門的 AI API 流量，實現成本追蹤和資料分級管控 - 建立定期的 AI 稽核機制：每季檢查 AI 使用是否符合政策，每年做一次深度稽核 - 擴展到多個部門和使用場景，從低風險場景逐步擴展到中風險場景 - 開始收集 AI 使用的 ROI 數據，為管理層的進一步投資提供決策依據

預計時程：6-12 個月完成擴展。

46-50 分（領先階段）

這個分數代表公司在 AI 就緒度的各個維度都已經相當成熟，可以考慮進階應用。

具體行動： - 自建 AI 應用，例如用 RAG 架構建立企業知識庫、開發 AI Agent 自動化複雜工作流程 - 建立 AI 治理委員會，定期審視 AI 使用的風險和效益 - 考慮取得 ISO 42001 認證，對外證明公司的 AI 治理能力 - 將 AI 能力變成競爭優勢，例如用 AI 提供差異化的客戶服務或產品功能 - 建立 AI 相關的智慧財產權管理制度

預計時程：持續進行。

台灣企業的常見狀況

根據飛飛的觀察，台灣企業的 AI 就緒度分布大致如下。

大型企業（金融、科技、製造業前段班）：大多在 30-40 分的範圍。這些企業通常有資安基礎設施和預算，有 ISO 27001 認證，IT 團隊的技術能力也足夠。但 AI 治理和人才培養還在建立中，很多大型企業的管理層對 AI 有興趣但缺少具體的導入策略。金融業在金管會的指引下，AI 治理的意識比其他產業更高，但執行面仍有落差。

中型企業（100-500 人）：大多在 20-30 分的範圍。資料有數位化但格式不統一，IT 團隊有基本能力但缺少 AI 經驗，管理層有興趣但還在觀望。這個區間的企業最大的挑戰通常是人才：找不到懂 AI 的人，也沒有預算請外部顧問長期駐點。飛飛的建議是從培訓內部的 AI Champion 開始，比外聘更有效也更持久。

小型企業和新創：兩極化。科技新創可能在 35 分以上（技術底子好、文化開放、對新工具接受度高），傳統小企業可能在 15 分以下（連資料數位化都還沒完成）。小型企業的優勢是決策快、轉型阻力小，劣勢是資源有限。飛飛建議小型企業從免費或低成本的 AI 工具開始試用，例如 ChatGPT 免費版、Claude 免費版，先讓員工建立使用 AI 的習慣和認知，再逐步投入更多資源。

不管在哪個階段，重要的是知道自己在哪裡，然後從最有影響力的缺口開始補。不需要等到五個維度都滿分才開始使用 AI，但也不應該在明知有重大缺口的情況下冒然大規模導入。

評估結果的解讀技巧

除了看總分，更重要的是看各維度的分布。幾個常見的模式和對應建議：

技術強但治理弱（基礎設施 4-5 分、治理 1-2 分）：常見於科技公司或新創。這種公司通常已經在用 AI 工具了，但沒有管理制度。最急迫的行動是制定 AI 使用政策和資料分級制度，否則遲早會出問題。

治理強但技術弱（治理 4-5 分、基礎設施 1-2 分）：常見於金融業或有 ISO 認證的傳統企業。制度到位但技術能力不足。建議投資 IT 團隊的 API 和雲端服務訓練，同時盤點現有系統能否整合 AI 工具。

文化分數特別低（文化 1-2 分，其他維度 3 分以上）：代表管理層或員工對 AI 有抗拒。這種情況下，技術和制度再到位也推不動。建議從高階主管的 AI 體驗工作坊開始，讓他們親自用 AI 解決一個實際的業務問題，親身感受 AI 的價值和限制。

資料分數特別低（資料 1-2 分，其他維度 3 分以上）：最常見的情況。建議先做資料盤點和標準化，這是所有 AI 應用的基礎。可以同時開始使用不需要公司資料的 AI 工具（例如用 AI 做公開資訊的摘要和翻譯），讓員工先熟悉 AI。

安全與限制

自評問卷的結果是參考，而非絕對的判斷。有些公司在某些維度特別強（例如科技公司的技術能力很高），但在其他維度很弱（例如沒有法遵意識），平均分數可能看起來還行，但實際上有致命的缺口。因此除了看總分，務必檢視每個維度的個別分數，找出短板。

就緒度評估是一個時間點的快照。公司的狀況會隨時間改變（新的 IT 系統上線、新的法規要求、管理層更換、員工離職），建議每年重新評估一次，最好是在年度預算規劃之前做，這樣評估結果可以直接影響隔年的 AI 投資決策。

分數低不代表不能用 AI。即使在初始階段，員工個人使用 AI 做公開資料的摘要、翻譯等低風險任務，還是可以的。重點是讓使用範圍和風險等級匹配。一個原則是：資料的敏感程度決定了使用 AI 的方式——公開資料可以用任何 AI 工具，內部資料只能用有合約保障的企業版工具，機密資料只能用地端部署的 AI。

評估過程中可能會暴露公司在資安、法遵方面的不足。這些發現本身就有價值，即使不導入 AI，修補這些缺口也能提升公司的整體風險管理能力。把就緒度評估當作一次全面的健康檢查，而非只是 AI 導入的門票。

常見問題

評估需要多久？

如果用本文的 10 題問卷做快速評估，一兩個小時就能完成（需要跨部門確認）。如果要做深入評估（包含資料盤點、系統檢視、員工訪談），通常需要 2-4 週。飛飛建議第一次先用問卷做快速評估，找出最弱的維度，再針對那個維度做深入的分析。這樣可以在一週內得到初步結果，再花 2-3 週深入研究最需要改善的領域。

誰應該負責做評估？

IT 主管或數位轉型負責人主導，但需要業務部門、法務、人資的參與。單靠 IT 做出來的評估會忽略業務需求和法遵面向。飛飛建議成立一個 3-5 人的評估小組，包含 IT、業務、法務的代表，由一位有跨部門協調能力的主管擔任召集人。

評估完發現分數很低怎麼辦？

正常的。大多數台灣企業的分數都在 20-30 分之間。重要的是找出最關鍵的缺口（通常是資料分級和 AI 使用政策），從這些地方開始改善。不需要等所有維度都滿分才開始用 AI，但要確保使用範圍和準備程度匹配。飛飛見過分數只有 18 分的公司，花了六個月把分數提升到 28 分，然後成功完成第一個 AI 試點。進步的速度取決於管理層的支持和投入的資源。

可以請外部顧問做評估嗎？

可以，外部顧問的優勢是客觀且有跨企業的比較基準。但確保顧問不只給你一份報告，還要有具體的行動方案和優先順序。避免找同時賣 AI 工具的顧問做評估，利益衝突會影響建議的客觀性。台灣目前提供 AI 就緒度評估服務的顧問公司不少，價格從幾萬到幾十萬台幣都有。選擇時重點看顧問有沒有實際的企業 AI 導入經驗，而非只有理論知識。

這個評估框架有對應到什麼國際標準嗎？

本文的五個維度參考了 NIST AI RMF 的治理維度、McKinsey 的 AI 成熟度模型、和 Gartner 的 AI 就緒度框架，但做了簡化以適合台灣中小企業使用。如果需要更嚴謹的評估，可以參考 ISO 42001 的要求。對於需要對外證明 AI 治理能力的企業（例如金融業或政府標案），建議以 ISO 42001 為目標來設計評估流程。

評估結果可以和其他公司比較嗎？

本文的自評問卷主要用於內部參考，因為每家公司的評分標準可能有主觀差異。如果需要跨企業的比較基準，建議使用 Gartner 或 McKinsey 的 AI 成熟度評估工具，或者請同一個外部顧問對多家公司做評估，這樣評分標準一致，結果才有比較意義。

延伸閱讀

  • AI 試點專案怎麼做？從 POC 到導入的框架
  • AI 治理框架：從政策到實踐的落地指南
  • 企業 AI 團隊怎麼組？角色、技能與組織架構