A2｜腦：AI × 數據驅動的整合決策
數據愈來愈多，企業的決策真的變得更好了嗎？
A2場次由康士藤副總經理吳政哲 Roger 擔任引言人，國立中央大學人力資源管理研究所王群孝教授擔任主講人，並由緯詠智能共同創辦人暨營運長廖秋婷Tiffany，代表原訂講者羅志鵬博士進行實務分享。 本場次從人機協作、數據判讀到企業AI Agent應用，探討企業如何將大量資料轉化為可採取行動的洞察，進一步提升決策品質。
真正的問題不是缺少資料，而是如何整合判斷
Roger在開場時指出，AI時代的資訊量快速增加，企業面對的資料不只來自內部，也會跨系統、跨部門持續流動。
因此，管理者真正的挑戰已不是能否取得資料，而是能否從大量資訊中找出關鍵訊號，進行正確診斷，做出對組織有幫助的決策。
AI如果只是協助整理或產出資訊，卻沒有進一步改善判斷品質，就還沒有發揮真正的價值。
有了AI，為什麼決策不一定變得更好？
王群孝教授引用調查結果說明，AI對工作效率、品質與創意多有正面幫助，但在「協助決策」方面，效果卻沒有同樣明顯。
原因在於，決策不能完全交給AI，也不能只停留在由AI提供資料、人再自行判斷的階段。企業必須重新設計人與AI的協作方式，清楚區分兩者各自適合負責的工作。
AI擅長快速處理大量資料、辨識規律及找出可能的關聯；人則必須負責理解情境、判讀例外、建立信任與採取行動。
自動化與能力擴增，不是二選一
企業導入AI時，常在「自動化」與「能力擴增」之間做選擇。
如果將所有決策都交給科技，員工可能逐漸失去學習及判斷的機會，也容易對AI產生依賴；但如果AI只被用來提供建議，所有工作仍由人處理，企業又難以擴大規模及降低成本。
王教授認為，較適合的方式是讓兩者形成循環：
- 先由人與AI共同處理問題，從小規模應用中找出規律。
- 規律逐漸穩定後，再將部分任務自動化。
- 當環境改變、既有模型開始失效時，人必須重新介入。
- 人將新的判斷與經驗帶回系統，再進行下一階段的調整。
因此，人機協作不是一次性的分工，而是持續校正與學習的過程。
數據不是愈多愈好，而是要找到真正有用的訊號
王教授以職業棒球為例，說明不同數據對球隊勝負的解釋力並不相同。
打擊率、安打數等傳統資料，不一定能完整呈現球員對球隊的實際貢獻。隨著數據增加，球隊還需要進一步分析上壘率、長打率等指標，才能更接近真正想了解的結果。
對企業而言也是如此。若沒有先確認策略目標，就無法判斷哪些資料值得使用。即使擁有大量數據，也可能只是被雜訊淹沒。
企業應先釐清希望改善的結果，再回頭尋找與結果高度相關的資料，才能讓數據真正成為決策依據。
從落後指標走向領先指標
許多企業習慣檢視離職率、營收或績效結果，但這些多半是事情發生後才看見的落後指標。
更重要的是回頭找出：在結果發生之前，曾出現哪些行為、流程或情境變化？其中哪些訊號與最後結果的關聯最強？又有哪些是企業可以提前介入的領先指標？
例如，若排班異動、請假頻率或特定工作情境，與後續離職風險具有關聯，企業就能提早辨識高風險族群，進一步了解員工真正的需求，而不是等到人員離職後才檢討數據。
HR需要的三種能力：數據力、洞察力、推動力
王教授進一步提出，數據要轉化為管理成果，需要三項能力：
- 數據力：知道資料從哪裡來、哪些資料可信，以及數據反映了什麼問題。
- 洞察力：結合情境與經驗，解釋數字背後的原因。
- 推動力：將洞察轉化為制度、流程與管理行動。
以排班問題為例，數據或許可以辨識員工的異常狀況，但主管與HR仍要進一步了解原因。員工可能正在準備考試、需要照顧家庭，或正面臨其他問題。管理者必須根據實際情境調整安排，甚至進一步改善制度。
如果只有數據，沒有洞察與推動，資料仍不會帶來改變。
從數據看見人才，更要靠洞察做出選擇
王教授也以職業球隊延攬大谷翔平的案例說明，當所有競爭者都擁有相似的數據與分析方式，單靠數字已不足以形成差異。
真正拉開差距的是，決策者能否從資料之外，看見人才的特質、企圖心及發展潛力，並提出具體的人才發展規畫，進一步說服組織與人才採取行動。
數據可以協助企業看見可能性，但最後仍需要人的洞察與推動，才能將可能性轉化為成果。
企業實務：建立屬於企業自己的AI能力
Tiffany從中小企業導入AI Agent的經驗出發，指出公開AI雖然方便，卻無法完整理解企業內部資料、流程及專有知識。
企業也必須留意，將財務、薪資或客戶資料放入外部平台，可能產生資訊安全風險。因此，企業可以依資料敏感程度及應用需求，評估使用本地端模型，讓重要資料留在企業環境中，建立自己的AI能力。
這並不代表AI要全面取代既有系統，而是讓AI Agent在員工與系統之間，協助執行重複性工作。
例如，財務人員原本需要登入不同系統，下載銀行資料、查詢合約與應收帳款，再逐筆進行比對。導入AI Agent後，可以由系統協助擷取資料、完成初步比對，只有例外狀況再交由人員判斷。
另一個案例則將橡膠原料公司過去約十萬筆接單資料提供給AI學習，協助業務初步判斷新訂單是否符合公司的研發與生產能力。AI不是取代專業人員，而是將過去累積的經驗轉化為可以重複運用的組織知識。
現場QA精華
Q1：企業導入本地端AI，是否需要建立獨立網路？
Tiffany表示，目前的做法可以與企業既有網路環境整合，不一定要建立完全獨立的網路。重點在於依企業的資訊架構及安全需求，設計適合的部署方式，並由IT共同參與管理。
Q2：本地模型的規格與費用是否固定？
本地端AI可以依現階段適合的開源模型進行配置，後續也能隨模型發展持續更新。硬體與基礎服務有一定規格，但不同企業需要串接的流程及應用程式不同，實際導入內容與開發費用仍會有所差異。
Q3：AI會取代企業既有的ERP嗎？
現階段較適合的方式是讓AI與ERP共存。
ERP仍負責保存及管理原有資料，AI則協助執行過去由人員操作的查詢、擷取、核對及整合工作。換句話說，AI主要取代的是部分重複性操作，不是直接取代整套ERP。
Q4：如何從落後指標找出領先指標？
王教授指出，可以先找出不同資料與最終結果之間的關聯，再確認哪些事件會在結果發生之前出現。愈早出現、與結果關聯愈強的訊號，愈有機會成為領先指標。
但相關性不等於完整答案。HR與主管仍要結合專業經驗及工作情境，判斷哪些訊號真正具有管理意義。
Q5：當AI的判斷能力愈來愈強，人還剩下什麼價值？
王教授認為，即使未來更多資訊可以被量化，數據與實際表現之間仍可能存在落差。人需要解釋落差、理解情境，並決定是否採取行動。
AI可以協助分析，但洞察問題、承擔決策責任及推動改變，仍是管理者不可取代的價值。
結語：數據只能提供方向，行動才會創造成果
AI與數據可以幫助企業看見更多訊號，但不能自動形成一個好決策。
真正的整合決策，必須同時具備可靠的數據、對情境的洞察，以及將判斷轉化為行動的能力。對管理者與HR而言，未來的競爭力不只是會使用AI，而是能否帶領團隊運用AI及數據，做出更快、更準確，也更符合組織目標的決策。
