L21201 AI 導入評估
2導入需求與可行性評估
必要性 + 可能性 — 業務需求 / 技術條件 / 成本效益
2.1業務需求與痛點分析 — A/B/C 三問
| 問題 | 核心 | 適合 AI 介入的場景 |
|---|---|---|
| A | 哪些業務流程可作為 AI 導入目標？ | 重複性高的工作 / 決策規則清晰的流程 / 數據驅動的決策 |
| B | 是否存在流程瓶頸或服務缺口？ | 人力資源不足或效率問題 → AI 扮演輔助或替代角色提升服務效能 |
| C | 是否有需要提升的 KPI？ | 效率、準確率、回應速度 等具體業務目標 |
2.2技術可行性初探 — A/B/C 三軸
| 面向 | 關鍵評估點 | 對應補強 |
|---|---|---|
| A. 資料品質 Data Quality | 完整性、一致性、代表性；資料集是否已完成標註 | 建立資料治理架構、提升標註準確性 |
| B. IT 能力與系統整合性 IT Resources, System Integration | 伺服器規格 / 網路頻寬 / 雲端架構 / 資料倉儲 | 擴充雲端運算資源、提升網路帶寬與處理能力 |
| C. AI 適配性 | 業務情境是否適合監督式 / 非監督式 / 強化式 / 生成式；深度學習 vs 較簡單統計模型 | 選簡單情境試點、累積實戰經驗、優化技術方案 |
2.3成本組成 — 六大項目
| 序 | 初期成本項目 |
|---|---|
| ① | 內部人力資源 |
| ② | 技術訓練 |
| ③ | 資料清洗 |
| ④ | 模型開發 |
| ⑤ | 系統整合 |
| ⑥ | 第三方顧問或平台授權 |
2.4效益量化 — 三大財務模型
| 模型 | 公式 | 判讀 |
|---|---|---|
| 投資報酬率 ROI, Return on Investment |
ROI = （投資回報 − 投資成本） / 投資成本 × 100% |
ROI 越高 → 每投入資金帶來回報越多；需考慮營運成本、效益提升、時間節省 |
| 淨現值 NPV, Net Present Value |
NPV = Σ（每期現金流 /（1 + 折現率）^ 期數） − 初期投資 |
NPV 為正 → 專案可帶來超過初期投入的價值；評估長期投資的折現價值 |
| 回收期 Payback Period |
回收期 = 初期投資成本 / 每年淨現金流 |
回收期越短 → 投資風險越低；但未考慮時間價值，需與 NPV 搭配 |
2.5資源限制 → 推動優先順序
3組織成熟度與導入條件盤點
技術可行 ≠ 組織就緒 — 數位資料 / 團隊協作 / 資源預算
3.1數位與資料成熟度 — 三指標
| 指標 | 評估重點 | 關鍵詞 |
|---|---|---|
| 數位成熟度 Digital Maturity | 現行作業流程是否已具備數位化基礎 | ERP / CRM / 資料倉儲 是否建置完善 |
| 資料治理 Data Governance | 資料的正確性、可追溯性、權限控管 | 資料標準 / 資料管理制度 / 負責單位 |
| 資料取得流程 | 不同系統之間資料是否可整合 | API / ETL / 自動化資料流機制 |
3.2團隊能力與跨部門協作 — A/B/C
| 面向 | 盤點重點 |
|---|---|
| A. 組織能力 Organizational Capability | 是否有具備 AI、資料分析、系統整合 的核心人才？若無，是否已有培訓或外部合作規劃？ |
| B. 跨部門協作 Cross-functional Collaboration | 部門間有無成功合作經驗？是否具備統一窗口與專案負責人整合需求與進度？ |
| C. 推動責任單位 | 有無 AI 專案辦公室、數位轉型小組或指定單位負責導入落地 + 監督機制 |
3.3資源與預算支持 — A/B/C
| 面向 | 盤點重點 |
|---|---|
| A. 資源盤點 Resource Inventory | 已預留的資金、人力、時間？能否靈活調度？ |
| B. 預算與來源規劃 | 年度編列？補助計畫 / 投資評估 / 內部專案提案機制？ |
| C. 導入條件 Implementation Conditions | 可否提供試辦環境 / 測試資料 / 專責團隊以利初期驗證與實作？ |
4風險與合規初探
法規隱私 / 技術 XAI / 文化阻力 / 緩解策略
4.1法規與隱私 — 四大法務風險
| 風險 | 關鍵 | 對應作法 |
|---|---|---|
| A. 法規遵循 Legal Compliance |
《個人資料保護法》（台灣）/《GDPR》（歐盟） | 審視資料是否具備合法來源與處理依據 |
| B. 資料隱私 Data Privacy |
模型於預測或生成時可能暴露敏感資訊 | 匿名化 / 資料使用授權 / 存取權限控管 |
| C. 跨境傳輸與外包 | 海外雲端 / 第三方處理 | 合規的跨境數據處理協議 + 第三方契約保障 |
| D. 侵權與版權 | 生成式 AI 可能侵犯第三方版權或專利（文本/圖像/音樂） | 使用資料合法授權、檢查模型生成內容是否侵犯智慧財產權 |
4.2技術風險與模型穩定性 — A/B/C/D
| 風險 | 說明 | 緩解 |
|---|---|---|
| A. 資料缺口與品質不足 | 資料不完整、格式混亂、資料量不足以支持訓練 | 資料清理與預處理 |
| B. 模型穩定性 Model Stability | 對輸入敏感、表現不穩、業務情境變動時降低準確性 | 定期檢測與監控、即時調整模型參數 |
| C. 黑箱風險 | 深度學習等模型缺乏可解釋性，影響管理層與利害關係人信任 | 引入 XAI（Explainable AI） 技術 |
| D. 產出內容的不確定性 | 生成式 AI 可能產生性別、種族、文化偏見等不符預期內容 | 對生成內容進行謹慎審查與調整 |
4.3XAI 主要目標 + 四大應用場景
| 類別 | 內容 |
|---|---|
| 定義 | 讓使用者理解模型如何做出預測或決策的技術方法與工具 |
| 主要目標 | ① 增強使用者對 AI 決策的信任 ② 協助開發者與利害關係人理解模型行為與潛在偏誤 ③ 支援模型的合規性、道德性與審核需求 |
| 醫療診斷 | 醫師需理解模型判斷背後的依據 |
| 金融風控 | 必須向主管機關說明風險評分的組成邏輯 |
| 人才招聘 / 教育 | 避免模型因歷史偏見而做出歧視性決策 |
| 公部門 / 法務 | AI 判斷結果需具法律上的可審查性與問責 |
4.4組織文化與變革阻力 — A/B/C
| 阻力 | 說明 | 緩解 |
|---|---|---|
| A. 組織變革 Organizational Change | AI 可能取代部分人力、改變既有職責，員工抗拒與不安 | 領導層有效溝通、變革管理、培訓與引導 |
| B. 決策文化與數據信任度 | 從依賴經驗判斷 → 依賴 AI 建議，引發部門質疑 | 建立數據文化、提升對數據分析的信任 |
| C. 跨部門配合問題 | 資料部門 / 業務單位 / IT 團隊協作成熟度直接影響推動 | 清晰的跨部門協作機制、資訊透明 |
4.5風險矩陣與風險等級
| 概念 | 內容 |
|---|---|
| 風險矩陣 Risk Matrix | 視覺化工具，將「風險發生的可能性（Likelihood）」與「風險影響程度（Impact）」交叉評估，形成二維矩陣，常見 3×3 或 5×5 |
| 風險等級 Risk Level | 公式：風險等級 = 發生機率 × 影響程度 |
| 發生機率（Probability） | 低（Rare）/ 中（Possible）/ 高（Likely） |
| 影響程度（Impact） | 輕微（Minor）/ 重大（Major）/ 災難性（Critical） |
| 等級 | 處理原則 |
|---|---|
| 低風險（Low） | 可接受、可監控 |
| 中風險（Medium） | 需規劃因應對策 |
| 高風險（High） | 應優先處理，必要時迴避或延後導入 |
4.6緩解策略與風險轉移 — B/C
| 策略 | 做法 |
|---|---|
| B. 風險緩解策略 Risk Mitigation | 簽署具保固責任的委外合約、引入 AI 專業顧問、先行進行資料清理 |
| C. 保障機制與風險轉移 | 透過保險、第三方協力，或設計概念驗證（Proof of Concept, POC），避免一次性全面投入造成損失擴大 |
5概念驗證（POC）設計與評估
條件設計 / 效能與回饋 / 可行性判斷
5.1POC 條件設計 — A/B/C/D 四項
| 條件 | 核心要求 |
|---|---|
| A. 範圍清晰、風險可控 | 以小範圍單位、部門或資料集進行測試，避免影響整體營運 |
| B. 具代表性業務流程 | 選擇能代表未來擴展應用邏輯的場景，具實用與延展價值 |
| C. 資料與技術資源具備初步條件 | 數據格式、存取權限、基礎 IT 支援已準備就緒 |
| D. 利益關係人支持度高 | 選具支持共識與合作意願的業務單位，便於快速反饋與調整 |
5.2效能指標與使用者回饋 — A/B 雙軸
| 評估類型 | 方法與重點 |
|---|---|
| A. 量化評估 效能指標（Performance Metrics） |
具體量化指標：準確率、處理速度、錯誤率、成本節省；與既有 KPI 比較，觀察 AI 是否能顯著優化現有流程 |
| B. 質性評估 使用者回饋（User Feedback） |
透過問卷、訪談、使用日誌收集體驗與建議；特別關注使用障礙、文化抗拒、流程磨合問題 |
5.3初步導入可行性判斷 — A-D 四指標
| 判斷指標 | 檢視重點 |
|---|---|
| A. 技術適配性 | AI 模型能否順利與現有系統整合，資料架構是否兼容 |
| B. 預期效益驗證 | 是否顯示明確的價值：效能提升 / 效率改善 / 使用者體驗 |
| C. 組織接受度 | 部門或使用者對該 AI 應用的正向接受與學習意願 |
| D. 問題與瓶頸辨識 | 是否暴露重大風險、資源限制、流程障礙等全盤推進瓶頸 |
AIONDAILY × 咖啡 AI 學 · iPAS AI 應用規劃師中級 · L21201 考前複習筆記 · v1.0（2026-05 表格化版）