企業大腦升級！生成式AI引爆轉型革命！
隨著生成式AI的快速發展，愈來愈多企業探索如何導入，以提升效率與品質。然而各種挑戰也伴隨而來，包括技術限制、組織文化阻力，以及數據治理等問題。因此，企業必須找到適合自身需求的應用場景，循序漸進落實。
AI加持六大構面
PwC資誠創新諮詢公司董事陳世祥觀察指出，生成式AI能協助企業解決因人才流失造成的傳承斷層，以及資料數位化不足所帶來的永續經營壓力。
不同於傳統機器學習或深度學習仰賴大量數據建立固定模式，生成式AI的大型語言模型（LLM），具備更強大的理解和生成能力，結合企業內部的數據資訊，經過微調（Fine-tuning）後，可以成為企業的「第二大腦」，運用場景可見於六個主要面向（見表一）。
第一是法務與合約管理。生成式AI可以快速比對不同版本的合約，在修改協商的過程中，特別標註的重點，讓法務人員省去繁瑣的比對工作，專注審閱和談判這類更高價值的工作。
此外，AI還能根據預設的規則或法條，自動檢查合約中的潛在風險，過濾不合規定的條款或是補足應有的必要條款，保障企業權益。
第二是行銷與溝通。生成式AI能協助企業推動更精準、個人化的顧客互動。根據顧客的瀏覽歷史、購買行為和偏好，自動生成個人化的行銷內容，例如產品推薦、促銷郵件和廣告文案等，提升顧客參與度和轉化率。AI還能自動執行重複性的行銷任務，例如社群媒體發文、廣告投放和客戶服務等，釋放行銷人員的時間和精力，讓他們更專注於策略規劃和創意。
第三是人力資源管理。生成式AI執行履歷篩選、人員資料統計和整理等日常任務，只能算是基本配備，許多企業已經建立以生成式AI為基礎的聊天機器人平台，即時解答員工關於公司政策、福利和流程等方面的疑問；或是透過AI的數據分析，產生「洞見」，例如員工敬業度、流動率，及影響績效表現因素的交叉分析等。意即重新定義HR的角色，使其從行政管理轉向更具策略性和價值導向的職能。
第四是學習與發展。生成式AI能將企業內部的員工訓練計畫轉型為個人化，且由數據驅動，根據員工個人需求或待補強的技能，提供差異化的學習路徑和資源，例如線上課程、個人化學習模組和互動式學習等。AI還能自動創建學習內容，將公司內部的知識文件轉化為易於理解的培訓教材，並追蹤學習進度和績效。
第五是軟體開發。生成式AI已經具備基礎程式設計的能力，能夠自動執行部分重複性的軟體開發任務，讓企業的軟體開發更有效率，也讓有限的人力可以投入創造性的問題解決和創新。陳世祥以一家跨國銀行為例指出，自從導入生成式AI協助個金部門的軟體開發之後，效率增加了40％。
第六個面向是客戶服務。現在很多企業已經導入語音客服進行初步的問題解答，但滿意度並不高，而且多數人還是選擇直接轉接真人客服。主要原因是傳統的語音客服要預先設定大量的問答配對，如果顧客沒有問到關鍵字句，就無法得到滿意的答覆。但生成式AI可以理解自然語言，與顧客直接對話，擴大服務範疇與能力。以知名的新創企業瑞典行動支付公司Klarna為例，導入生成式AI後，原本客服的通話時間，由平均每通11分鐘，大幅降低至2分鐘。
緊密聯結利害關係人
除了六大功能已被愈來愈多企業重視與導入外，KPMG安侯建業數位長賴偉晏則強調，企業應該利用生成式AI針對市場、客戶、生態系統和未來的工作能力，創造五大連結和八項關鍵能力（見表二）。
第一項是連結市場。透過生成式AI即時蒐集、分析與整合資料，協助企業更精準理解市場變化。例如整理最新的市場法規變化，監測競爭對手推出的新產品或服務，提升決策效率和市場競爭力。
第二項是連結客戶。除了利用生成式AI的數據分析打造精準的客戶體驗外，更能優化內部流程管理。以金融業為例，除了用來設計個人化的理財或保險商品外，更應利用生成式AI提升客戶審核效率、加快理賠速度等。
第三項連結前中後台。主要強調企業應打造一個全新的系統架構，執行工作流程自動化、數據清理與整合等，幫助企業發現流程瓶頸並優化決策。常見的使用案例包括分析製造業供應鏈數據、調整採購策略，或預測銷售需求等。
第四項連結員工。就是人機協作，為人員提供即時支援並提升工作價值。不過賴偉晏特別提醒，企業必須了解生成式AI的局限。舉例來說，現在企業都想導入生成式AI與客服人員協作，但關鍵是必須找出讓真人介入的最佳時間點，「如果讓顧客跟AI在那邊『鬼打牆』，他離開的速度可能會更快。」
第五項則是連結生態。關鍵在於多方數據的整合，推動產業鏈中成員的數據共享，達成上下游協作。例如農產品經常會過剩和滯銷，主要是農民無法掌握需求。若能利用AI平台，將農民、中盤商及零售商的資訊整合，就能夠調節生產及優化配送流通。生態的整合連結，更可以幫助企業探索新的商業模式。例如現在許多汽車製造商開始投入智慧交通系統的開發，可以結合智慧城市的發展，找到新的獲利模式。
應對三大挑戰
雖然生成式AI有這麼多的應用空間和優勢，但企業在導入時，仍有許多挑戰。首先就是內部資料的連結和流通，必須依靠「資料清洗」來完成。陳世祥表示，資料清洗是讓企業內部屬性不同的數據能夠互通，像是製造業的研發、製造和物流的數據可能都有不同的編碼原則，必須清洗之後變成標準化與一致性，再將資料送入生成式AI的資料庫中，才能創造內部獨有的「智識庫」。
第二項可能面臨的挑戰是組織文化與變革管理。安永諮詢服務公司執行副總經理曾韵表示，之前曾協助一家金融業的法遵部門導入生成式AI，當時顧問興高采烈地表示未來將可以減少多少人力，沒想到對方就開始批評模型的精準度，「後來我們發現，要強調生成式AI造成工作與生活平衡的效益才行。」
另外就是很多企業一開始就推動很大規模的AI投資，但成效並不顯著。曾韵建議，企業可以先訂出一些優先事項，採取小範圍的試行，確認獲得一些小成功後，再擴大規模，比較容易克服內部的阻力。
最後則是法規與道德風險。生成式AI需要處理大量數據，企業應確保數據收集、儲存和應用的合規，避免可能侵犯隱私。再者，企業也必須建立數據審查機制，定期過濾和糾正AI模型中的偏見或錯誤。
對AI應用的焦慮目前普現於各個大小企業。企業應訂立長期發展計畫，採取循序漸進的策略，才能實現生成式AI的價值最大化。
延伸閱讀：