AI 導入失敗，先查工作卡在哪裡：員工不用 AI 的 7 類原因與修復順序

專題編輯：Sylvia Yeh｜人才發展與職場編輯

編輯說明：署名為 TARAISG AI 專題編輯角色，不代表真實個人。本文經 AI 輔助資料查核與編輯複核，未宣稱已由人類專家審閱。

資料查核日期：2026 年 11 月 14 日

公司買了帳號，辦過說明會，也請各部門提出應用案例。幾個星期後，使用紀錄卻只剩少數人活躍。主管開始懷疑員工不願改變，資訊部門覺得工具明明正常，HR 則收到「再安排一次培訓」的要求。每個單位都在處理問題，卻可能還沒看過一件工作是怎麼被做完的。

同樣是「沒有用」，原因可能完全不同。有人沒有合適任務，有人無法開啟正確資料，有人試過卻花更多時間重做；也有人已經用 AI 協助思考，只是沒有透過公司指定入口。若將這些情況合併成使用率，便很難知道改善該從哪裡開始。

這篇處理的是已採購、已提供或已上線後的採用受阻。企業若還在決定第一筆預算，可先閱讀AI 導入前的工具、資料與流程診斷。以下方法集中於現場工作、停止使用的原因與修復驗證，不以傳聞中的企業失敗比例當作結論，也不把沒有使用 AI 當成員工表現不佳的證據。

本文追查的是已採購或已上線後，員工未採用、停用或無法持續使用的原因。若同仁已經大量使用，卻沒有縮短跨部門交付時間，可另讀團隊效率與工作流程診斷，將採用問題與端到端效率分開衡量。

原創教學示意，非統計圖、產品介面或真實企業實績。

一、先定義哪一種失敗，才能找到真正需要改善的地方

AI 導入失敗不是單一事件。技術無法運作、員工沒有採用、產出不合格，以及投入後沒有改善業務，代表不同層次的問題。工具可以運作而沒有合適任務；員工也可能大量使用，卻把更多錯誤送到下一個部門。只看登入次數，無法區分這些差異。

主管可以先要求把「失敗」寫成一個具體句子：在什麼期間，哪一類工作，本來希望達成什麼，實際停在哪裡。例子是「值班交接摘要可以產生，但接班人仍需要重新查看全部紀錄」，比「員工對 AI 沒興趣」更接近可處理的問題。

若原先沒有訂明目標，也沒有記錄導入前的工作方式，就應先補基準，暫時不要急著宣告成功或失敗。此時能確認的只是「尚無足夠證據證明效果」。這種說法保留改善空間，也避免為了維護專案形象而挑選少數漂亮案例。

RAND 在 2024 年發布的探索性研究，訪談有經驗的 AI 工程與研究人員，歸納問題定義、資料、技術選擇及基礎設施等失敗原因。它提醒管理者檢查專案與業務情境的連結，但不能把受訪者經驗當成所有企業的失敗率，也不能直接套用為台灣生成式 AI 導入比例。S1

對個別公司，真正重要的是本身證據。即使其他企業的成功案例很多，也不能證明你的任務適用；即使某項市場調查顯示採用不易，也不能替一個具體系統問題開脫。診斷應回到能觀察的輸入、動作、結果與責任。

另一個需要釐清的問題，是停止使用是否一定不好。若員工發現工具可能引用過期資料而改採人工核對，這可能是正確的風險判斷。主管應先了解原因，再決定修復與恢復條件，不能為了提高數字，鼓勵大家忽略已經發現的限制。

二、從最近一次放棄使用的工作開始，收集足夠而適度的證據

可以從一件最近發生、能重建過程的任務開始。請使用者帶著經批准的範例，說明原本要完成什麼、在哪裡開始、為什麼打開 AI，以及最後如何交付。若無法確認真實資料可供本次觀察使用，先改用合成材料；去識別資料也須經資料負責人確認使用方式與範圍。重點是理解流程，不是收集更多機密。

訪談不要先問「你為什麼不用」，而可以問：「上一次你考慮使用這個工具，是哪件工作？」接著追問當時有哪些資料、何時決定改用其他方式、若只能改善一件事希望改什麼。這些問題比較容易得到具體經驗，也讓受訪者知道目的在改善工作。

光聽描述仍可能漏掉細節。經同意後，可請使用者示範一次相近任務，觀察是否需要切換多個頁面、重複貼資料、等待批准、重設格式或重新輸入結果。研究者應記錄可見動作與使用者解釋，避免把自己的猜測寫成當事人的動機。

抽樣時不要只找最熱心的種子人員。可以納入持續使用、使用後停下來、尚未嘗試，以及負責接收結果的同仁。各組都能揭露不同問題：高手可能知道未寫進教材的捷徑，接手者可能承受原先未被計入的修正負擔。

樣本大小依工作種類、風險及現場差異決定。初期小範圍觀察可以用來形成假設，但不能宣稱代表全公司。若不同分店、班別或職務條件差很多，應分開看，避免平均值遮住真正受阻的群體。

一份現場觀察紀錄應保留哪些欄位

系統紀錄可協助定位時間、錯誤與功能使用，但它看不到所有工作脈絡。例如一次長時間停留，可能是認真檢查，也可能只是頁面沒有關閉。一次快速離開，可能是功能不好找，也可能是已取得需要的資訊。行為數字必須搭配情境解讀。

收集前應說明目的、可見範圍與保留方式，不需要直接要求所有員工提交完整聊天紀錄。若大家以為訪談結果會被拿來排名，就可能只報告成功案例。保留具體問題證據與必要上下文，比不加區分地蒐集全部內容更有用。

三、七類卡點診斷表：從適用條件到實際交付，逐步定位受阻位置

以下七類是本文整理的管理診斷分類，不是官方評級。它們可以同時存在，但每次修復仍要找出目前最先阻擋合格工作的環節。不要一次把所有因素都歸為「文化問題」，也不要因為某人不熟悉操作，就忽略其他環境限制。

實際判斷可以沿著幾個問題往下走。先問這項任務是否在工具核准範圍內，且有足夠發生頻率；若不是，低使用量未必需要修復。再問使用者能否取得工具與必要資料；若不能，先處理環境，不能要求他靠更多練習解決存取問題。

接著檢查輸出能否符合工作標準。若熟悉該工作與核准工具的人員，使用相同材料與相同權限仍無法得到可用結果，應優先查資料、設計或能力限制。若熟悉方法的人能完成，新使用者卻在固定步驟停住，才更有理由安排針對性的教學。

當品質已可接受，還要看完整流程是否值得使用。把資料搬進工具、再把結果搬回原系統，可能比直接完成還慢。若流程本身合理、使用者也有能力，卻仍不願投入，便需要討論績效、責任、工作時間與可信的支援。

這個順序不是要求每家公司做相同檢查清單，而是防止因果倒置。員工說「不方便」，可以指操作介面，也可能指沒有使用權；說「不準」，可以指模型錯誤，也可能指公司資料本來互相矛盾。每個概括詞都值得追問一個具體例子。

還要保留反證。如果主管認為「只是缺訓練」，應問什麼觀察會證明這個想法不成立。例如已受訓者仍無法找到最新版資料，或訓練後操作正確但交接仍要重做，就應改查其他原因。診斷需要容許原先假設被推翻，下一步投資才有較好的依據。

四、任務與流程卡住時，先看 AI 產出之後發生什麼

有些工具在展示時很亮眼，因為展示停在生成結果。正式工作卻要繼續經過審查、登錄、確認、分派與交接。若 AI 只改善其中一個小步驟，卻增加其他步驟的負擔，使用者回到原方法可能是合理選擇。

檢查流程時，可以請使用者畫出「開始工作到下一位接手」的路徑。不必先使用專業流程圖軟體，只要列出每個輸入、動作、等待與輸出。特別注意需要人工搬移資料的地方，以及 AI 結果是否仍需轉成原系統要求的欄位。

假設一家連鎖門市導入值班交接摘要工具。當班人員把營運紀錄貼入工具後，幾秒鐘就得到一段完整文字；但接班主管仍要求在原本表單填寫未完成事項、負責人與期限。員工實際做了兩份紀錄，摘要也沒有成為交接的正式依據。

這個情境的第一個問題是交付形式與流程責任。改善可以先從固定欄位開始，讓產出對應交接表要求，並由流程負責人決定是否可取代部分重複整理。若原系統無法直接接收，就要把人工轉貼與檢查時間算入工作負擔，而不是只宣傳摘要很快。

另一個可能是任務根本太簡單。如果門市每天只有少量固定項目，使用標準表單或勾選狀態就能交接，加入 AI 反而增加檢查成本。此時保留原系統、簡化欄位可能更適合。已經買了工具，不代表每個工作都必須替它找到用途。

任務頻率也影響採用。每月一次的特殊報告，不應期待使用者每天登入；季節性活動在淡季低使用，也不一定是失敗。衡量時需要先看工具被設計服務的工作機會，不能拿全員每天使用當作所有功能的共同目標。

流程修復可以採「最小改動」方式。先選一種常見交接，保留必要人工覆核，只改一個輸出欄位或一次重複輸入，再觀察接手者是否能順利使用。這比一次重做所有系統更容易看出變化來自哪裡，也讓回復舊方法有清楚路徑。

如果改動涉及正式資料寫入、對外通知或核准程序，就不能只由熱心員工自行決定。需要由有權的流程負責人確認，並讓相關單位知道哪些步驟變了。否則原本是想減少重工，最後可能產生平行版本與責任空缺。

修復完成後，要向使用者說明「少做了什麼」與「仍須做什麼」。如果公司只宣布新增 AI 功能，沒有取消任何舊要求，員工很容易理解成又增加一項工作。讓流程變更可見，才能公平判斷工具是否真的有幫助。

五、品質不穩與資料混亂，會讓員工把查核成本算進選擇

使用者願不願意採用，與他是否能判斷結果密切相關。若答案看似合理，卻不知道來自哪份文件、適用哪個版本，就需要額外查證。對要負責交付的人而言，這些查證時間與出錯代價都是真實的工作成本。

不要把所有問題都歸為模型不夠強。可以分別檢查原始資料是否正確、系統是否找到適用內容、任務要求是否清楚、輸出是否保留必要條件，以及人員是否理解適用範圍。不同環節出錯，需要不同修法；更換模型只處理其中一部分。

例如制度問答引用舊文件，可能是資料沒有下架；找不到答案，可能是文件未被正確收錄或使用者無權存取；回答省略例外條款，可能是摘要方式不適合該任務。診斷應保留問題、當時來源、版本與輸出，讓資料與技術負責人能重現，而不只留下「AI 不準」四個字。

錯誤嚴重度也要區分。有些是格式不合，修改即可；有些是重要條件遺漏，必須重新核對；若涉及未授權資料、錯誤對外承諾或不可逆動作，就需要立即限制受影響用途。把不同錯誤平均成一個分數，可能讓高影響問題被大量小成功掩蓋。

Microsoft Research 的人機 AI 互動設計指引包含清楚說明能力、支援忽略不需要的服務，以及讓使用者容易修正錯誤等原則。這些是設計參考，不是某個產品必然具備的功能，也不保證採用效果。企業可用它檢查工具是否讓使用者保有工作控制權。S2

修品質不能只拿同一批問題反覆調整後，宣稱已經解決。至少要保留未參與調整的相近案例，再看是否仍能處理。對重要用途，還需依影響與任務分布安排更完整驗收。本文的採用診斷只負責指出需要驗證什麼，不取代正式上線門檻。

信任修復也需要具體資訊。與其說「現在已經更準」，不如說明已修正哪類問題、還有哪些限制、使用者應如何核對，以及發現同類問題要找誰。讓員工有理由恢復某一項用途，比要求他重新相信整套系統更可操作。

六、工具可用、資料可讀與工作獲准，是三個不同條件

有帳號不代表能完成工作。使用者可能登入成功，卻沒有讀取正式資料的權限；也可能能看到資料，但不知道是否允許上傳到外部服務。若公司只公布「鼓勵使用 AI」，沒有說明邊界，謹慎員工就可能選擇不使用。

診斷時應把技術問題與授權問題分開。技術問題包括登入、網路、檔案格式、功能額度與必要系統連接；授權問題包括哪些人可做哪些事、可接觸何種資料、結果由誰批准。前者需要測試與排錯，後者需要有權的人作成明確決定。

一份簡短的使用範圍表，應至少寫出允許的任務、資料來源、禁止動作、覆核角色與求助方式。對同一工具，不同職務可以有不同範圍，不必採全開或全禁。先提供確定可做的低風險工作，讓員工能在清楚邊界內累積經驗。

NIST AI RMF 1.0 的人機互動附錄指出，使用、監督與管理 AI 的角色需要清楚區分，也強調人員理解與情境差異。此處引用的是 2023 年自願性風險管理框架的原則，不表示台灣企業依法必須採用本文的職稱或組織安排。S3

對不能使用公有雲工具的環境，應依已核准條件選擇方案。不能把「同事在家可以用」當作公司內部可以使用的證據，更不應以提高採用率為由，鼓勵繞過網路、帳號或資料規定。若目前沒有合適環境，就應如實記錄限制與替代工作方式。

也要檢查權限是不是與實際工作相符。過度限制可能讓人無法取得必要資料，過度開放則增加不應有的存取。修復方式應是按任務調整並保留批准，而不是為了方便直接給所有人最高權限。

當規則改變時，應先確認實際系統設定與公告一致，通知也不能只說「政策已更新」。使用者需要知道哪一項工作現在可以做、哪個步驟增加確認、舊範本是否仍有效。把規則放到實際入口與工作說明附近，可以減少員工在不同公告之間自行推測的負擔。

七、缺能力與缺支援，要用不同的方法補

能力問題應被描述為具體動作，而不是籠統地說「AI 素養不足」。有人不會整理輸入，有人不知道如何提出限制，有人能生成內容卻不會查核；也有人清楚方法，但在新介面裡找不到功能。不同問題需要不同協助。

可以安排一個與工作相近的短任務，讓使用者說明自己如何處理。觀察他在哪一步停住，再決定提供範例、示範、練習或回饋。若問題只是缺少格式，提供一份可修改的範本可能比再上一堂工具總論更直接。

學習評量也要符合工作。如果目標是能判斷回答可否採用，就應讓學員比較來源與輸出，而不只考名詞；如果目標是完成跨人交接，就應讓另一人接手檢查。能重現講師操作，不一定代表能處理自己的資料與例外。

熟練者的做法值得整理，但不要把個人技巧直接變成全員要求。高手可能使用不同權限、額外工具或自己的資料整理方式。把這些前提寫清楚，才能判斷其他人是否具備相同條件，並避免不公平比較。

支援問題則發生在知道方法之後。員工遇到錯誤，若不知道要找 HR、IT、資料負責人還是供應商，就可能反覆轉問。企業可以用問題類型分流：帳號與系統交給技術窗口，資料與版本交給資料主責，工作品質交給業務負責人，操作方法交給教學支援。

Google 的 People + AI Guidebook 在錯誤處理章節強調，團隊應辨認錯誤來源，並讓使用者在 AI 失敗後仍有往前完成任務的路徑。替代方式仍須符合工作風險，不能假設直接切回人工就一定安全。這裡借用的是使用者體驗原則；本文的分流表與回應安排是企業可調整的管理建議。S4

支援不一定意味著全天候有人待命。比較重要的是讓使用者知道什麼時段可求助、多久會得到初步回應、緊急工作如何改走替代路徑。若服務承諾尚未確立，就不要對員工說「有問題隨時找我們」卻沒有任何人承接。

每次解決問題後，可以留下簡短的可搜尋紀錄：症狀、影響範圍、原因、解法與仍需注意的限制。不要只把答案埋在私人訊息裡，否則下一位遇到同樣問題的人仍要重新問。分享前應確認接收對象與可見範圍已獲准，並只保留必要資訊；無法確認可用範圍時，改以合成範例說明。

如果同一問題持續出現，應考慮修改系統、教材或流程，而不是一直提醒使用者「請仔細看」。反覆求助本身就是診斷訊號，可能顯示介面難懂、規則不一致，或解法沒有真正抵達工作現場。

八、員工會用卻不想用，應談工作安排與責任

當任務適合、工具可用、方法也已掌握，仍然沒有採用，就需要了解新的做法如何影響員工。此時應確認組織是否同時發出了互相衝突的要求。

例如主管要求大家嘗試 AI，卻只按當週產量評估，沒有留試用與修正時間；或員工完成改善後，原本工作沒有減少，卻被追加更多臨時任務。此時「鼓勵創新」與日常安排不一致，單靠宣導很難解決。

另一種情況是責任不對稱。AI 的快速產出被視為部門成果，查錯與補救卻全部落在個別員工身上；提出限制的人反而被認為不配合。若沒有合理的覆核時間與責任分工，員工選擇熟悉且可控制的方法，便有其工作上的理由。

主管可以把討論改成三個具體問題：嘗試新方法要占用哪段工作時間？若結果不合格由誰協助？採用後原先哪項要求可以調整？這些問題比空泛保證更容易形成可執行安排，也能看出管理者願意投入哪些資源。

OECD 於 2023 年發布的調查研究，涵蓋 7 國製造與金融業的雇主與工作者，指出培訓及員工諮詢與較佳工作者結果具有關聯。這是特定調查範圍的相關性，不能解讀為辦一場課或一次溝通，就必然造成某種效益，也不是台灣全產業的代表數據。S5

員工參與應有可見回應。若同仁提出工具找不到正式版本，主管至少應告知是否受理、由誰處理及目前決定。決定暫不採納時，也應說明理由。只要求大家填回饋表，卻看不到任何結果，容易讓回報變成額外負擔。

評估制度也應避免直接獎勵輸入次數、生成篇數或使用時長。這些數字可能鼓勵表面活動，未必改善工作。較合適的觀察是是否在適用範圍完成合格任務、是否減少重複處理，以及是否主動回報重要限制。具體指標應配合職務與風險調整。

主管同樣需要遵守新流程。若要求員工使用結構化成果，自己收到後卻仍只接受另一份格式，團隊就會維持兩套作業。管理行為與交付要求一致，員工才知道公司真正採用的是哪一種工作方式。

對於工作可能受到改變的擔憂，應誠實說明目前決策與未定事項。不要承諾管理階層無法保證的未來，也不要用威脅逼迫回報成功。能夠承認限制、討論角色調整與所需支持，才有機會得到較可信的採用資訊。

九、修復順序要看影響、證據與依賴，不要一次開七個專案

診斷出多個問題後，第一個決定是哪些需要立即限制使用。涉及可能的資料越權、重大錯誤對外行為或不可逆操作，應依組織程序先控制影響並保留證據。這類問題不能排在提高使用率的宣傳活動後面。

其他問題可以看三件事：影響多少合適工作、對原因有多少證據、修復前還依賴哪些條件。例如登入問題阻擋所有使用，且已能重現，通常應先處理；某項進階功能只有少數低頻需求，又沒有清楚價值，就不必搶在基本工作前面。

不一定要把三件事乘成一個分數。對小團隊，一張能說明排序理由的表格已經足夠。數字有助比較時才使用，並避免精確分數掩蓋高度不確定的判斷。主管需要看的是為什麼先做這一項，以及做完後如何知道問題有變化。

一次修復應寫清楚的內容

修復最好先形成一個可反駁的假設。例如「把交接輸出改成原表單欄位後，接班人不需再重新整理」，就能用接手結果檢查。相較之下，「提升員工 AI 思維」太寬，很難判斷是哪個改動有效。

一次同時更換模型、調整介面、重寫資料、加強訓練並改考核，可能讓結果改善，但難以知道哪項因素最關鍵。若沒有緊急風險，能分開測試的改動就分開；無法分開時，至少留下版本與時間，避免把所有功勞歸給單一措施。

比較應保留失敗與未完成案件，不能只拿修復後最順利的一次展示。若近期沒有足夠適用任務，就延長觀察或記錄證據不足，不要為了結案臨時改分母。任務難度、資料條件或人員組成變了，也要一起說明。

修復後可能有四種決定：恢復原範圍、縮小用途、繼續有限測試或停止。停止不一定代表整體 AI 策略錯誤，可能只是這個工作不適合目前方案。把停止理由與已學到的條件留存，下一次選型才不會再走同一段路。

若牽涉長期維運與跨單位責任，可以接續閱讀AI 服務上線後的責任與成效管理。本篇的診斷單是找出受阻位置，後續服務管理則要把已決定的用途穩定接進日常營運。

十、兩個假設情境：同樣低採用，修復方式可以完全不同

情境一：門市交接工具，問題在重複作業與接手格式

假設一家連鎖門市讓店長使用 AI 整理每日值班紀錄。總部發現登入少，初步認為店長不熟悉工具。觀察後發現，店長其實能正確操作，但產出的敘述仍需拆成原系統的待辦欄位，接班人也不接受沒有明確負責人的摘要。

診斷先把問題分為流程交接與品質條件。改善不是立即更換工具，而是由營運負責人確認哪些欄位才是正式交接必需，將輸出縮為未完成事項、狀態、負責人、期限與來源。沒有提供的負責人不得由 AI 補上，應標記為待確認。

試行時，選取有足夠相似工作的門市，保留原本必要的核對程序。除了看店長是否使用，還看接班人能否直接理解、是否需要追問，以及原本重複輸入是否真的減少。如果公司仍要求保留兩份完整內容，就應承認流程尚未修復。

假設觀察同一受理期間內的 40 件符合範圍交接任務，全部都已到約定的觀察截止點；其中 30 件採用新方式，24 件在約定標準下被接手。可以分別說明嘗試比例為 30／40，嘗試後合格接手比例為 24／30，整批合格接手比例為 24／40。三個分母回答不同問題，不能任選最好看的數字稱為成功率。另需保留 10 件未採用與 6 件採用後未合格接手的原因，同一任務重試不重複計件。

這些數字只是計算示例，不是真實企業成果。即使合格接手比例上升，也還要檢查工作負擔是否轉移到接班人、重要漏項是否減少，以及樣本是否可比。若工具只在較複雜紀錄有幫助，就可以限用於那一類，而不要求每次交接都使用。

情境二：設計團隊的素材助手，問題在版本與可用範圍

再假設一家設計公司建立品牌素材搜尋助手，希望企劃更快找到客戶核准的圖片與文案。工具能搜尋，使用者卻很少採用。訪談顯示，搜尋結果混合草稿、舊版與不同使用範圍的素材，企劃仍要逐一詢問專案負責人。

這裡的主要卡點是資料品質與授權資訊，不是企劃不會提問。即使模型能更準確理解「年輕活潑」的風格，也不能自行判定某張圖現在是否可用。修復應先確認誰負責核准狀態、哪些版本有效，以及系統應呈現哪些限制。

團隊可以先縮小到一個已整理的素材集合，讓結果附上版本、狀態與負責窗口。資訊不足時，工具應提示待確認，不把搜尋到等同已批准。正式對外使用仍依公司流程辦理，不能讓方便的搜尋介面取代權利與發布判斷。

接著挑選常見搜尋與邊界情境測試，包括同名不同版、已停用資料及缺少核准資訊的素材。使用者需要能理解為何有些結果不可直接使用，也需要一條能找到負責人的路徑。如果資料狀態沒有人維護，增加培訓或要求每天登入都無法處理根本問題。

兩個情境的表面症狀相同，卻需要不同資源。第一個主要改交接形式與重複要求，第二個先補資料責任與有效狀態。把低採用直接歸為員工抗拒，會錯過這些差異，也可能讓公司把錢花在不相關的補救措施上。

十一、主管常問的問題，以及一張可以開始用的診斷單

員工沒有使用 AI，要不要直接列入考核？

先確認職務是否有適用任務、工具是否獲准，以及必要條件是否具備。若把使用次數直接當績效，容易鼓勵沒有價值的活動。較可行的做法是依工作要求評估合格成果、合理使用與風險回報，並清楚說明標準。

再辦一次培訓，是否就能改善採用？

如果已確認缺少具體操作或判斷能力，針對性訓練可能有幫助。若問題是資料版本、系統權限、重複填表或無人接手，就應由對應單位處理。培訓可以配合修復，但不能代替管理與系統決定。

什麼情況應考慮換工具？

當目前能力確實不符合任務，或操作限制在合理成本內無法改善，可以比較替代方案。比較時要使用相同任務、資料與品質標準，並計入移轉、學習與維護負擔。不要只因一次展示失敗就換，也不要因已經付費就拒絕重新評估。

使用率多少才算正常？

沒有適用所有企業與功能的單一門檻。應先看合適任務的發生頻率、使用者範圍與預期角色。每季使用一次的功能，不能用每日活躍率判斷；大量日常工作則需要更密集的觀察。門檻應在看結果之前依用途訂定。

員工私下用其他工具，是否代表公司平台失敗？

它是一個需要理解的訊號，可能涉及功能、操作便利、速度或使用習慣，也可能帶來資料風險。應先依公司規則確認使用範圍與資料處理，再了解需求差距。不能把私下使用當成可繞過批准的理由，也不宜未調查就斷定平台毫無價值。

修復多久仍無改善，就應停止？

時間應依任務頻率、風險與可取得證據決定。先約定要觀察哪些工作、什麼結果代表繼續，以及什麼情況立即停止。若長期沒有合適任務，可能應縮小投入；若仍有高影響風險，應先控制使用，不為了等待統計而持續暴露。

一頁診斷單應如何填？

先寫下工作名稱、預期結果與觀察期間，再記錄最近一次受阻的實際過程。接著選出七類卡點中目前最有證據的一至兩類，列出支持證據、反證與仍需詢問的人。最後只安排一項主要修復，指定負責人、批准人、比較方式與回看日期。

若需要外部協助，帶著這張診斷單與經批准可對外分享的工作範例；若資料範圍尚未確認，可先使用合成範例，前往天地人企業 AI 導入服務討論，比直接要求「提高全公司使用率」更容易界定範圍。若確認卡點是特定職務能力，再安排與任務相符的培訓與回饋。

AI 採用應服務工作成果。當主管願意看見實際流程、接受不適用的證據，並讓員工能回報問題，導入失敗才會變成可修復的具體條件。下一步可以先找出最近一件沒做成的工作，和真正做這件事的人一起走完它，留下受阻位置與可驗證的修復決定。

參考來源

[S1] RAND，2024 年，The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI。研究原文。

[S2] Microsoft Research，2019 年，Guidelines for Human-AI Interaction。研究頁與官方指引摘要。

[S3] NIST，AI Risk Management Framework 1.0，2023 年，Appendix C: AI Risk Management and Human-AI Interaction。官方附錄。

[S4] Google PAIR，People + AI Guidebook，Errors + Graceful Failure。官方章節。頁面未標明可確認的發布日期。

[S5] OECD，2023 年，The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers。研究原文。