最近網路上流傳一段 Sam Altman 的訪談，我們來看一下這段訪談。
www.youtube.com/watch?v=kG8AoExkX40
有不少媒體都表示，Sam Altman 承認 AI 發展沒有想像中這麼快。
聽起來像是他過度高估了技術方面的發展。
但如果把前後文聽完，Sam Altman 並不是說 AI 模型進步得太慢，而是企業、社會跟整個經濟結構改變得比它原先預測的還要慢。
在 2023 年 GPT-4 出現的時候，Sam Altman 原本覺得軟體產業會受到很大的衝擊，因為每個人都有辦法用 AI 來開發程式了嘛。
結果並沒有。
他認為自己低估了經濟體的慣性。
人們還是會繼續向熟悉的公司購買產品，繼續使用原來的工具，維持原本的工作方式。
可是有沒有可能，當有一天 AI 的能力大幅增長，且成本大幅下降時，這時候的改變可能就會是極其劇烈？
因此，我認為還是得做好準備，去迎接 AI 浪潮。
各位好，我是 Raven，目前專注於研究 AI 工具與自動化流程。
在今天這一集裡面，我想要針對 Sam Altman 的談話再延伸出來談：
為什麼大部分的企業在導入 AI 的速度還是相當的緩慢？如果要把 AI 加入工作流的話，可以從哪裡開始？
臺灣企業不是沒在用 AI，但的確還有很大的成長空間
首先，臺灣企業當然也是有在使用 AI 的，並不是完全沒有使用。
人工智慧科技基金會的《2026 台灣產業 AI 化大調查》顯示，在 228 家受訪企業中，有將近五成的受訪者對 AI 應用有一定的認識，而且正在進行 AI 專案的實驗與導入，甚至有些公司已經開始進行規模化應用。
將近五成，聽起來似乎滿多的，但是要知道，這個並不是機率抽樣，而是便利抽樣。
人工智慧科技基金會是從它會員裡面挑 228 個受訪者，所以可以想見的是，這些受訪者可能本來就對人工智慧有興趣。
另外，在不同產業之間差異更大，
ICT 產業對於 AI 的導入與應用合計為 60.9%。
傳統製造業合計為 38.5%。
營建工程、農林漁牧礦合計只有 9.1%。
所以要我看這份報告的話，在這群本來就對 AI 有興趣的企業裡面，都還有超過一半沒有走到「有明確目標、正在試驗導入」的階段。
那些沒有出現在這份名單上的企業，情況只會更保守。
甚至在工作上能夠使用免費的 ChatGPT 來輔助，可能都算是有一點 sense 了。
我自己待的單位，因為屬於科學機構，高層當然是有意識想要導入 AI。不過畢竟是新科技，所以許多做法都還是很保守。
我目前觀察到三個主要原因。
第一個原因：把學 AI 丟給員工個人，本來就推不動
雖然每個人其實都知道 AI 很重要，高層當然也會知道。
可是知道 AI 很重要，跟怎麼樣把工作流程改成 AI 自動化，還有很大的差距。
比方說，我自己待的機構，你要說長官對 AI 不夠重視嗎？那絕對是錯的。
因為我們常常都會有一些 AI 的講座、通識類課程，或者買個 ChatGPT 帳號讓大家共享。
這些做法都成效不彰。
因為現在 AI 已經跟去年有了很大的改變。
2026 年是 AI Agent 的年代，不再是一問一答的網頁模式，而是住在電腦裡面直接幫我們完成工作的 AI Agent。
幾個人共享一個 AI 帳號，那肯定就只能做一問一答，遠遠沒有辦法榨出 AI 真正應有的能力。
然後這些 AI 講座、通識課程，不是說不好，但是如果只有開課，沒有配套政策，等於是把學習 AI 這件事情，丟給員工個人。
員工平常又不是不用工作，還要多花時間學 AI。他們還是比較喜歡自己習慣的工具。
除非員工本身對 AI 很有興趣，否則他一定會抗拒去學習。
所以這類的課程，甚至更進階的 AI Agent 應用相關課程，其實應該要由高層主動去上。
長官上完課、有了概念之後，才由上而下去推動，全面地修改工作流程。
其實要把工作流程改成 AI 工作流這件事情，它有點像是當初 1990 年代末開始的數位轉型。
大部分的企業、政府單位在數位轉型這方面，都只是把原有流程改到電腦上執行而已。
以公文系統來說好了，至今仍有公文系統居然還要有模擬蓋章這件事情。
都已經在電腦上作業了，為什麼要蓋章呢？蓋章的意義到底在哪裡？
寫好公文發出去，會經過自然人憑證，這不就是數位簽章了嗎？但在系統上卻偏偏還會有一個像人類蓋章的行為。
所以要做數位轉型的話，就是要重新去梳理工作流程。某一些只適合在紙上、不適合在電腦上執行的行為，就不需要再做了。
假設今天要把數位流程再往前推，變成 AI 工作流的話，也是同樣的道理。
不是所有流程都需要重新設計。但是要加入 AI 的那一段，一定要先重新梳理過，不能直接把模型塞進原本的流程裡。
舉一個很常見的例子。很多公司每個月都要做月報，流程大概是各單位先交 Excel，交給某個小承辦彙整，提交給主管看過，可能還會做成簡報。
如果直接把 AI 加進去，多數人的第一個念頭是，那我用 AI 作，節省時間。
可是這樣做，流程根本沒有變，只是做得比較快而已。
真正該問的問題是，這份月報做了之後有誰在看？看完之後會做什麼決定？
如果答案是沒有人真的根據它做決定，那應該先思考這份月報本身，而不是拿 AI 去加速生產一份沒有人看的東西。
至於有能力說出「這份月報到底誰在看」的問題，並且有權力把它砍掉的，就只有高層長官。
所以這件事一定要由他們來當領頭羊才行。
第二個原因：年初學，年底就過時，工具變得太快了
現在工具變化實在是太快了，如果要叫員工去學的話，很可能員工年初學的工具，到年底就不適用了。
以我自己為例，我在年初的時候做了三個課程：
第一個是大略性地介紹 ChatGPT、Google Notebook、Notion AI、Google Antigravity，用來做知識管理。
第二個是講 n8n 以及大型語言模型的應用。
第三個是怎麼使用 ChatGPT 來製作 Google Apps Script 的應用。
到了現在 8 月，ChatGPT 的個人帳號已經不能再建立新的自訂 GPT，企業方案的自訂 GPT 也開始被 Workspace Agents 取代。Google Antigravity 大幅改版，另外拆成了 IDE 與 Agent 兩個版本。
至於 n8n 則是越來越少人在談，因為 AI agents 已經取代了許多需求了，現在除非你有需要做比較複雜的流程，n8n 可能還有使用的機會。
只剩下使用 AI 來做 Google Apps Script ，這倒還是個不錯的主意。
所以如果企業要讓員工去學習 AI 工具的話，比較可行的做法是讓每個員工都要配一個訂閱制的 AI 帳戶，或者是如果有自己的機房的話，就建一個本地端的語言模型，讓需要使用的人去存取。
然後在公司內組織活動，鼓勵員工進修，培養不斷學習的能力。
如果真的要引入一些課程或者外聘一些講師的話，更重要的是要去講解不容易過期的能力。比方說：
大型語言模型的原理
怎麼撰寫提示詞
如何設計全域、專案規則
如何依照工作流程設計技能
第三個原因：模型實在太不受控了，誰敢用
直到目前為止，我們每次在使用 ChatGPT 的時候，都還是會看到底下會顯示一條資訊：「ChatGPT 可能會出錯，請查核重要資訊」。
是的，大型語言模型具有機率性，產出來的資料可能是錯的，而且錯誤的機會還不小。
這樣子的工具，怎麼可能讓企業老闆決定使用大型語言模型？
而且我們三不五時就會看到新聞報導說，有人用大型語言模型不小心刪除了整個資料庫。
之前 Anthropic 也爆出因測試環境設定失誤意外連上網際網路，模型未經授權存取了 3 個外部真實組織的系統。
這些新聞都可能會讓企業高層覺得心驚驚，不知道要怎麼樣去控制這個語言模型。
所以模型真的無法控制嗎？
當然是可以控制的。
我們需要一個 harness 作為大型語言模型的架構，去限制它的邊界，也就是限制它產出的結果。
Agent harness 可以理解成包在模型外面的控制系統。它負責決定：
AI 可以看到哪些資料
可以使用哪些工具
哪些動作需要人類核准
每一步要留下哪些紀錄
發生錯誤時怎麼停止、重試或復原
如何持續測試與監控結果
比方說 Claude Code、OpenAI 的 ChatGPT，或是 Google Antigravity 這類工具，它們本身就包含 harness 架構。
所以 AI Agent 動手之前先問你要不要授權，也會把每一步做了什麼列出來，這就是 harness 在做的事。
可是這些工具的邊界是廠商幫你決定好的。
所以我們能做的，就是針對這些工具，再透過設定 SOP 的方式，讓它可以更受控制。
這個工作就建議要有一個嫻熟於操作 AI Agent 的人來負責維護。
如果不使用大廠 harness 架構，要自己架站，使用開源模型，那麼也是要有一個工程師來為模型設計專門的 harness 架構。
企業應該從什麼地方開始？
我認為比較實際的方式，不要一開始就想要打造一個能夠取代許多電腦上任務的超級 AI Agent，而是找一個流程已經很明確的任務，設法讓 AI 去完成。
例如：
整理每日報告
彙整異常訊息
建立會議摘要
替客服產生回覆草稿
然後再逐漸地把這個工作擴大，並且要由一個專人專門來做「設計 AI 流程」這件事情。
假設公司有在使用 Google Workspace 的話，我強烈地推薦一定要讓員工試著使用 AI agent 建立 Google Apps Script，來讓 Gmail、Google 表單、Google 試算表等各種 Google 工具，將它們串聯起來做自動化。
要學習使用 AI agent 來建立 Google Apps Script 也是非常的簡單。
我自己做了一套開源的教材，叫做 Learn-GAS，放在 GitHub 上面，任何人都可以自由取用。
只要你有 ChatGPT、Claude 或者是 Google Antigravity 這種的 AI 工具，把連結丟給 AI ，就會帶著你做了。
裡面提供了兩條學習路線：
第一條是五個各自獨立的小案例，像是記帳、產生信封、批次寄信；
第二條是八堂課，循序把一套活動報名系統完整做出來。
我也寫了一些 SOP，把初學者最容易卡住、最容易搞混的地方定成規範，讓 AI 照著走，不會每次給出來的做法都不一樣。
Learn-GAS：讓 AI Agent 帶你學 Google Apps Script
AI 跑得快，企業改得慢
回到一開始 Sam Altman 那段訪談。
他說自己低估了經濟體的慣性，人們會繼續用原本的方式工作。
但是他在同一場訪談裡也承認，理論上他應該用完全不同的方式操作電腦，結果他還是在複製貼上，還是自己滑信箱，自己維護待辦清單。
所以這就是人性啊！有時候我們明明知道有更好的做法，可是我們還是照著以前的習慣來做事。
因此，雖然臺灣企業導入 AI 的速度比較慢，也不一定代表老闆沒有看出 AI 的優點。
本來要叫員工去學新技能就比較難啊，而且工具迭代的速度這麼快，學了沒多久很快就過期了。然後 AI 畢竟還是有出錯的可能性，還得有專人維護。
這幾件事情加起來，就是慣性持續存在的原因。
就算企業決定建立 AI 工作流，模型工具迭代速度太快了，總不可能隔幾個月就再重新建立流程。
不過，這也代表微型企業在這個變動快速的時代，會比大型企業來得更有彈性。
我們甚至可以推斷，未來幾年內人數在 10 人以下的小公司，甚至是 5 人以下，或者一人公司，可能能夠透過 AI 的這波浪潮而紛紛興起。
你也準備好了嗎？
相關連結
社畜進化論｜Raven AI
如果你也想把 AI 從聊天工具變成真正能夠進入工作流程的 Agent，歡迎加入我的 Skool 社群「社畜進化論｜Raven AI」。裡面可以一起交流導入方式、分享實作成果，也一起處理權限、驗證與自動化流程中遇到的問題。
