企業買了 ChatGPT，為什麼生產力未必跟著上升？

生成式 AI 已經從新奇工具逐漸進入企業日常。ChatGPT、Microsoft Copilot、Gemini 等工具開始出現在 Email、文件、簡報、資料分析與客服工作中。

當 AI 使用率持續提高，管理階層接下來面對的問題也開始改變。

問題不再只是「員工有沒有使用 AI」，而是：如果 AI 確實替員工省下時間，這些時間最後是否變成更短的交付週期、更高的人均產值、更低的成本，或更好的客戶體驗？

AI 已經能改善部分知識工作，但這不是企業生產力的全部

OpenAI 在 2025 年發布的企業 AI 報告，結合企業使用資料與近 100 家企業的調查結果。75％ 的受訪工作者表示，在工作中使用 AI 改善了產出速度或品質；ChatGPT Enterprise 使用者平均自陳，每個活躍使用日可節省約 40 至 60 分鐘。¹

這些結果顯示，生成式 AI 已經能在部分工作中創造可感知的效率改善。

但這些數字主要描述的是個人使用者的工作經驗。

對企業管理者而言，還有另一層問題需要回答：員工節省下來的時間，是否最後反映在企業真正關心的營運指標？

例如專案週期、服務速度、錯誤率、成本、人均產值、成交率或營收。

個人工作變快，與企業創造更多價值，中間還隔著一層工作與組織設計。

7,137 名知識工作者的實驗，顯示「個人可改變的工作」比較容易先發生變化

2025 年，NBER 發表一項為期 6 個月、跨產業的隨機實地實驗，共有 7,137 名知識工作者參與。研究團隊讓其中一半受試者取得整合在 Email、文件建立與會議應用中的生成式 AI 工具。²

結果顯示，在超過一半觀察週中使用 AI 工具的員工，每週 Email 處理時間平均減少 3.6 小時，約下降 31％；如果以所有被分配取得 AI 工具的員工計算，Intent-to-Treat estimate 約為每週減少 1.3 小時。²

研究同時發現，AI 在研究初期主要改變了員工能夠自行調整的工作行為；需要多人協調才能改變的活動，例如會議時間，並沒有出現顯著變化。²

這個結果對企業 AI 導入很有啟發性。

AI 可以先讓一個人寫得更快、整理得更快、分析得更快，但一條跨部門、跨系統、跨角色的工作流程，通常不會因為多了一個工具就自動重新設計。

Task 變快，不代表 Workflow 已經改變。

例如：30 分鐘的報價 Email 變成 5 分鐘，企業究竟得到什麼？

假設一名業務原本需要 30 分鐘撰寫一封報價 Email，使用生成式 AI 後只需要 5 分鐘。

單看這個 Task，效率提升非常明顯。

但一條完整的報價 Workflow 可能還包含：

1. 取得客戶需求。
2. 確認產品與價格。
3. 向主管確認折扣。
4. 整理 Excel。
5. 製作報價 PDF。
6. 寄出 Email。
7. 更新 CRM。
8. 3 天後 Follow up。

如果只有「寫 Email」這一步變快，其他環節仍需要等待核准、人工搬資料、重新輸入不同系統，那麼企業取得的仍然主要是局部效率改善。

這也解釋了為什麼企業內部可能同時出現兩個看似矛盾的現象：員工覺得 AI 很有幫助，管理階層卻仍在尋找更清楚的 ROI。

從工具到商業成果，中間至少存在 6 個層級

從企業導入的角度，可以把 AI 從「取得工具」走到「形成成果」的過程，拆成以下六層。

Tool：先取得可用的 AI 能力

公司提供 ChatGPT、Copilot、Gemini 或其他合規可使用的 AI 工具，解決的是工具取得與基本使用的問題。

Task：讓單一工作變快

員工開始利用 AI 進行摘要、翻譯、Email、資料整理、分析、簡報與內容產出，這一層最容易看到個人生產力的變化。

Workflow：重新設計一整段工作流程

AI 不再只是協助單一任務，而是開始進入一條跨多個步驟、可以重複執行的流程。

例如：客戶需求 → 資料整理 → 報價 → PDF → Email → CRM → Follow up。

Team：把個人方法變成團隊能力

如果只有少數 Power User 知道怎麼做，公司取得的仍然主要是個人能力。

當方法可以透過 SOP、模板、共同標準與訓練被其他同仁複製，才開始形成團隊能力。

Operating Model：重新定義人、AI 與管理責任

到這一層，企業需要處理 Workflow Owner、資料來源、權限、Human Review、例外處理、Log、資安與 KPI 等問題。

Business Outcome：最後才回到企業成果

包括時間、成本、品質、交付速度、人均產值、營收、風險與客戶體驗。

2026 年，企業 AI 的瓶頸開始從工具轉向組織條件

Microsoft 2026 Work Trend Index 調查 10 個市場、20,000 名在工作中使用 AI 的知識工作者，並將其中具完整資料的 16,971 名受訪者放在「個人 AI 準備度」與「組織 AI 準備度」兩個軸線上分析。³

結果顯示，19％ 的受訪 AI 使用者同時處於較高的個人能力與較高的組織準備度；另有 10％ 屬於個人能力較高、但組織條件尚未跟上的「Blocked Agency」。³

Microsoft 也特別提醒，這些數據來自受訪者自陳，呈現的是統計關聯，而不是因果效果。³

但這項調查仍提供一個值得企業管理者注意的訊號：當員工的 AI 能力提升速度快於管理制度、文化、治理與工作設計，企業可能出現新的能力落差。

McKinsey 在 2026 年發布的 AI Transformation 研究也得到相似方向的觀察。其全球調查指出，企業 AI 價值不會只因為更多人使用工具就自然形成；進展較快的組織會把重點放在高價值領域，重新設計 Workflow，同時處理技能、管理、行為與 Operating Model。⁴

在 McKinsey 的 enablement horizon 受訪者中，重新設計 Workflow 的組織主管，回報已取得 enterprise value 的比例為 32％；Workflow 未改變者為 6％。研究描述的是主管回報的關聯，不能直接解讀為 Workflow redesign 單獨造成 5.3 倍效益，但差距仍凸顯流程設計的重要性。⁴

AI Adoption 是起點。下一階段的管理問題，是如何把 Adoption 轉換成可衡量的 Impact。

所以企業下一階段，可以少問「員工會不會 ChatGPT」

更值得問的，是公司的工作方式究竟改變了多少。

這些問題比「下一套 AI 工具應該買什麼」更接近企業真正需要解決的管理問題。

AI 培訓，也會從學工具走向重新設計工作

如果從企業能力建立來看，AI 導入可以大致分成三個階段。

第一階段：Learn AI

讓員工具備基本 AI 使用能力，理解生成式 AI 可以協助哪些工作，以及哪些情境不適合直接交給 AI。

第二階段：Apply AI

把 AI 實際放進 Email、文件、資料分析、報價、客服、行銷、行政、人資與管理等工作。

第三階段：Redesign Work

重新設計人、AI、資料與系統如何共同完成一條 Workflow，同時建立責任、Human Review、權限與 KPI。

真正從個人 AI 使用走向企業 AI 能力，關鍵通常出現在第二階段與第三階段之間。

企業不需要一次啟動 20 個 AI 專案

較務實的方法，是先找到一條同時符合以下 4 個條件的 Workflow：

• 高頻：每天或每週反覆發生。
• 高耗時：目前需要大量人工時間。
• 可量化：可以建立 Before／After KPI。
• 風險可控制：適合先進行小規模測試。

接著建立目前的 Baseline，再設計 AI 介入點、資料來源、Human Review、Workflow Owner、權限與 KPI，進行小規模驗證。

如果時間、品質、成本或營收指標確實改善，再把相同方法推到更多流程。

當 AI 進入 Workflow，資安也必須一起進入設計

當 AI 開始接觸公司資料、客戶資料、CRM、ERP、Email、API 或內部文件時，效率不再是唯一的設計條件。

企業還需要同步確認資料分類、存取權限、身分驗證、Secret 與 API Key 管理、第三方資料外傳、Log 與 Audit Trail、保存期限、刪除機制、Human Review 與 Incident Response。

如果這些問題在 Workflow 已大規模運作後才處理，後續重新設計的成本通常更高。

最後，企業真正應該追蹤的，不只是 AI 使用率

ChatGPT 的登入次數、Prompt 數量與使用人數可以追蹤，但這些指標主要回答「AI 有沒有被使用」。

下一階段，更值得管理者追蹤的是：

• 有多少高價值 Workflow 被重新設計？
• 有多少流程已經建立明確 KPI？
• 有多少工作方法可以被整個團隊複製？
• 有多少 AI 專案已經產生可量化的時間、成本、品質或營收成果？

生成式 AI 正在快速變成企業的基礎能力。企業之間真正拉開差距的地方，可能逐漸從「有沒有 ChatGPT」，轉向「能不能把 AI 從 Tool 與 Task 推進到 Workflow、Team、Operating Model，最後形成 Business Outcome」。