第一個月大家都很興奮。Demo 跑起來了，老闆點頭了，會議室裡有掌聲。有人開始討論要不要擴大到其他部門。

第二個月開始有人問：那我原本的工作流程要怎麼改？

真正的問題從這裡才開始。

第一個月的成功是一種錯覺

Demo 之所以順利，是因為它跑在一組被挑選過的資料上，由一個高度投入的人操作，而且沒有任何既有流程需要為它讓路。這三個條件在第二個月會同時消失。

我看過一個倉儲的揀貨排程專案。Demo 階段的模型把揀貨路徑縮短了 23%，數字漂亮到不需要解釋。導入四週後，實際節省是 4%。

差距不在模型。差距在於現場的組長有一套自己累積十年的排法，他知道哪個貨架的棧板容易卡、哪個時段的堆高機會塞車。模型不知道這些，而沒有人被指派去把這些知識餵進去，也沒有人被指派去說服組長改變。

失敗的不是技術，是沒有人負責承擔改變的成本

任何流程改變都有成本，而這個成本一定會落在某個具體的人身上。導入 AI 的專案書裡通常會寫「預期效益」，很少寫「誰的工作會在前三個月變難」。

但後者才是決定成敗的變數。

• 如果沒有人被指派承擔這個成本，成本會被默默地丟給最沒有話語權的人，然後那個人會用各種方式讓新流程失效。
• 如果有人被指派，但他沒有拒絕舊流程的權力，結果是一樣的。
• 只有當「承擔成本的人」與「有權改變流程的人」是同一個人，導入才會真的發生。

這聽起來像組織問題而不是 AI 問題。確實如此。絕大多數 AI 專案的失敗都是組織問題，只是它剛好穿著技術的外衣。

一個更好的第一個問題

多數人導入前問的第一個問題是：這個模型準不準？

更能預測成敗的問題是：這件事做成之後，誰的工作會變難？

如果答案是「沒有人」，那多半代表這個專案沒有真正改變任何流程，效益也會等於零。如果答案是某個具體的人，那接下來的問題就清楚了——他知道嗎？他同意嗎？他有沒有拒絕的權力？

我從來沒看過一個死掉的 AI 專案，是死在模型不夠好。它們都死在沒有人願意為了它改變自己的工作方式。

所以第二個月該做什麼

不要在第二個月擴大範圍。第二個月應該縮小範圍，找出那個「工作會變難的人」，然後把整個月花在他身上。

具體來說：把他知道而模型不知道的事情列出來，一條一條問為什麼。這份清單通常會比模型本身更有價值，因為它是這家公司真正的營運知識，而它從來沒有被寫下來過。

如果第二個月結束時你手上有這份清單，這個專案大概不會死。如果沒有，準確率再高也撐不到第四個月。