為什麼 95% 的企業 AI 專案沒效果？MIT 報告白話解讀

這篇文章把 MIT《The GenAI Divide》報告的三大發現翻成白話，對照台灣內訓現場的常見症狀，並附八題自我診斷檢核表與三個救回專案的切入點。適合公司導入 AI 卻量不出成效的管理者與承辦人閱讀。

95% 不是危言聳聽，是 MIT 算出來的數字

MIT 研究團隊在 2025 年發布報告：95% 的企業生成式 AI 試點專案，沒有產生可衡量的財務報酬。不是效果不夠好，是在損益表上量不出任何影響。

這份報告叫《The GenAI Divide》，由 MIT 的 Project NANDA 團隊執行，基礎是 52 場高階主管訪談、153 位決策者問卷與 300 個公開導入案例（報告原文）。

這個數字解釋了我在內訓現場看過的多數場景——課上完很熱鬧，三個月後系統沒人開。但報告把「為什麼失敗」講得相當清楚，而且多數原因救得回來。這篇我做三件事：把核心發現翻成白話、對照台灣企業的常見症狀、給你一份可以打勾的診斷表。

MIT 報告到底發現了什麼：四個白話版重點

一、問題不在模型，在「學習落差」

報告最核心的概念叫 learning gap（學習落差），而且是雙向的。多數企業導入的 AI 系統不會記住回饋、不會適應情境、不會隨使用變好——工具不學習公司的工作方式；組織也沒學會把工具接進流程。結果就是一個停在「科展作品」階段的系統：示範時很驚豔，放進日常工作就卡住。

重點：白話講，主因不是「AI 不夠聰明」，是「AI 跟你的工作流程互相不認識」。

二、錢花錯地方：行銷拿走預算，後台才有報酬

報告發現明顯的投資偏誤：生成式 AI 預算的一半以上流向業務與行銷工具，但實際報酬最高的是後台自動化——取代外包、減少代理商費用、把重複行政作業自動化。原因不難理解：業務與行銷的專案「看得見」，適合對老闆交代；後台自動化很無聊，但省下的是真金白銀。

三、自建成功率只有一半：33% 對 67%

報告比較兩種路徑：找外部夥伴合作的專案約 67% 走到實際部署，自建工具只有約 33%，差距一倍。不是內部團隊不行，而是自建常低估「從原型到上線」的距離：權限、資安、維運、教育訓練，每一項都是坑。

四、員工早就在用，只是不在你的系統裡

報告還有一個容易被忽略的發現：超過 90% 的受訪員工會用個人 AI 工具處理工作，遠高於公司正式採購的覆蓋率。員工不是不會用 AI，是公司給的工具太難用，所以轉頭用自己的——這就是影子 AI，我在另一篇文章完整拆解過。台灣的版本更生猛：中華電信 2026 年統計，66% 的員工直接在公司內網使用 AI 工具。

串起來就是一張失敗地圖：公司花大錢買了看得見的工具，工具接不進流程，自建版本上不了線，員工繞過全部，用自己的 ChatGPT 把工作做完。預算燒掉了，損益表上什麼都量不到——這就是那 95%。

台灣內訓現場的對應症狀：我看到的三種「正在失敗」

MIT 的樣本以歐美企業為主，但我在台灣企業上課、做訪談看到的症狀，幾乎逐條對得上。

症狀一：「我們上過課了」。 辦了一場 AI 演講或半天工作坊，當天滿意度很高，然後就沒有然後。沒有指定應用場景、沒有課後追蹤、沒人負責回答「我這個情況可以用嗎」。國際調查顯示 85% 的員工無法把 AI 訓練內容連結到自己的實際工作——不是員工笨，是課程太通用。這正是學習落差發生在「人」這一端。

症狀二：「工具買了，登入率不到兩成」。 公司採購企業版 AI 工具，IT 發了帳號，三個月後後台數據慘不忍睹。追問通常會發現：選型時沒問過使用者、沒對接既有流程、第一線覺得「用它比不用更麻煩」。然後你去看員工的瀏覽器，個人版 ChatGPT 開得好好的。

症狀三：「資訊部做了一個內部 GPT」。 通常是老闆看到別人有，指示「我們也要有」。三個月後原型出來，demo 很順；要正式上線時，資安審查、個資疑慮、維運人力全部冒出來，專案卡在「再等等」。這就是 33% 那條路——不是技術做不出來，是最後一哩沒人鋪。

自我診斷檢核表：你的專案在哪一格

以下八題，答「是」得一分，先誠實打分：

一、這個 AI 專案有一個用數字寫下來的成效目標嗎？（例：客服首次回覆時間縮短 30%）
二、目標對應的是損益表上找得到的項目嗎？（省下的工時、外包費、錯誤成本）
三、專案瞄準的是單一、具體的痛點流程，而不是「全面提升生產力」？
四、第一線使用者在選型階段就被問過意見嗎？
五、AI 工具接進了既有的工作系統（信箱、ERP、客服系統），而不是要求員工另開視窗？
六、有指定的專案負責人會看使用數據、收回饋、迭代調整嗎？
七、上線後30、60、90 天各有一次檢核點嗎？
八、資安與資料分級規則在專案啟動時就定好，而不是上線前才補？

六分以上，你有機會站進那 5%；三分以下，專案大概率正走在失敗路徑上——但先別砍掉重練，下一段就是救法。

把專案救回來的三個切入點

切入點一：把目標換算成錢，砍掉量不出來的。 把現有 AI 專案攤開，每一個都問：它省下或賺進的東西，在損益表的哪一行？答不出來的，要嘛補上可衡量指標，要嘛降級成實驗、停止投入正式預算。MIT 那 5% 成功者的共同點之一，就是拿業務指標驗收 AI，而不是拿「有沒有上線」驗收。

切入點二：從一條後台流程重新開始。 與其救面子工程，不如挑一條無聊但燒錢的後台流程——報表整理、文件初審、客服分流、會議紀錄——做 60 天的小型試點。範圍小到一個負責人管得動，效益大到財務看得見。成功一條再複製下一條，比「全公司導入」的存活率高得多。

切入點三：把「人的學習」設計進專案。 工具會不會學習你管不了，但組織會不會學習你管得了。具體做法：選型時讓使用者投票、培訓用各部門自己的真實案例、之後每月一次 30 分鐘回饋會。如果要外請講師，課程必須對接你們的實際流程——怎麼挑這種講師，我在企業 AI 內訓完整指南列了十個檢查問題。

流程總覽

小結

• 95% 的企業生成式 AI 試點量不出財務報酬，主因是學習落差，不是模型不夠聰明
• 預算的一半以上流向看得見的業務行銷工具，實際報酬最高的卻是後台自動化
• 外部合作的專案約 67% 走到部署，自建只有 33%：差在從原型到上線的最後一哩
• 員工早就在用自己的 AI 工具，公司系統接不進流程就會被繞過
• 救法三招：把目標換算成錢、挑一條後台流程做 60 天試點、把人的學習設計進專案

下一步：把你的專案放上診斷表

如果你心裡已浮現某個「正在失敗」的專案，我提供企業 AI 導入診斷諮詢：帶著現況來，我們用檢核表逐題過一遍，找出卡點在哪一層，離開時你會有一份具體調整清單。來信預約診斷，信裡簡單描述專案類型、投入多久、目前卡在哪即可。

95% 這個數字的價值不是讓人焦慮，而是證明失敗有固定模式——有模式的東西，就能被診斷、被修正。你的專案不必當分母。