【商周專欄】台灣微軟總經理卞志祥：是什麼讓他們成為 AI 領跑者？

歲末出席餐敘和論壇，很多企業主都問我：「AI 用得出色的企業，做對了什麼？」因為大家有感，同樣導入 AI，但用得出色、和用得平凡的企業，差異已越拉越大。

用製造業產線自動化舉例，有些廠商雖然有用 AI，但只是單點導入，例如，早在五年前盛行的光學瑕疵檢測；不過有些廠商，是用 AI 串聯一整條檢測系統，像是：排線、調料、參數調校、預測維修，幫助公司在瑕疵率拉高前，提前找出問題根源、模擬改善情境。這類公司對 AI 的應用，已經從點到線到面，超乎外界對 AI 的想像。

造就差距的主要因素，就在 AI 治理框架中的底層數據庫。

AI 治理框架，是被資安完整保護的三層次架構，從最底層到最上層有：數據層、銜接數據與應用介面的模型層（如，GPT-4o 或產業專屬的 GPT 這類模型）、面對使用者的應用層，三層交互運行。

對很多公司來說，最挑戰、也造就最終差距的，其實是包羅萬象的數據層。

因為在不同年代，它對應的用途、授權、格式都不同。所以如何清楚定義需求、進而爬梳資料，成為企業的成功基石。

例如金融業，二十年前以產品為核心，信用卡、房貸、存款等服務，楚河漢界，資料分屬不同部門維運。近年，轉以客戶為核心，希望打通產品數據池，建構出客戶圖譜。所以如何梳理跨不同年代法規下的跨部門、跨格式資料成為企業必修課。畢竟，AI 面對有效資料的理解能力，已超越人類。

看似複雜，但有方法就有工具，也有公司提供服務，費用更在競爭下大幅壓低。

只是數據治理就像下水道工程，很難立即見效，耗費時間與金錢；所以，能驅使企業突破的關鍵，是自身有沒有 AI 轉型明確的決心與北極星？且從領導層到執行層，都需要透明溝通，對焦共識。

領導層要知道，執行層的擔心與障礙是什麼？執行層則得清楚，領導層的願景是什麼？才能在建立架構、梳理資料時，不落入單點思考、僅滿足眼前需求，無法讓公司實現遠期目標的架構。

像是零售業，已有企業的 AI 用量大得驚人。因為他們不只分析客戶圖譜，更為每個消費者打造專屬 AI 模型，經由數次模擬，預測出新產品的接受度，未來他們就有機會定義未來潮流，成為新霸主。

面對未來，我建議領導者們，有勇氣改變只是基礎，在 AI 治理框架下，需要明確的分權分工、建立跨組織的共識，才能在這場 AI 賽局中成為領跑者。

本文轉載自 商業周刊