分類：雙軸轉型實務　|　id-esg.com 雙軸轉型洞察系列

林世駿

文章重點：
雙軸轉型指企業同步推進數位轉型與淨零轉型。然而台灣多數企業導入AI的方式仍停留在「外掛思維」——把現有流程交給AI加速執行，而非用AI原生思維重新定義問題本身。在ESG碳盤查領域，這種思維讓企業只產出漂亮的報告書，碳排卻一克未減；在TTQS訓練評核領域，它讓數位化淪為「把紙本垃圾掃描成PDF」，數據變成AI無法讀取的暗數據（Dark Data）。真正的轉型突破點，在於讓AI參與問題的重新定義，而不只是問題的執行。企業應培養π型跨域整合人才，跨越專家陷阱，打造從源頭就機器可讀（Machine Readable）的知識資產。
———————————–

你的AI是「外掛」，還是「原生」？
這幾年在企業輔導現場，我最常看到的一個場景是：一位主管或HR打開ChatGPT，把剛做完的工作成果貼進去，請AI「幫我整理一下」或「幫我寫得漂亮一點」。
這個動作沒有錯，但它有一個根本限制：你所能問出的答案，上限就是你原本的問題框架。你拿著錘子的方式，決定了你能打出什麼形狀的釘子。
這就是「AI外掛思維」與「AI原生思維」的本質差異，用一個比喻來說明：
AI外掛思維：馬車裝電動馬達
先設計好傳統的馬車結構（流程、表單、報告格式），再思考「哪裡可以讓AI幫忙？」AI成為加速既有流程的工具，問題框架沒有被挑戰。
AI原生思維：從零打造電動車
直接問：「如果AI是核心，這個問題應該怎麼被解決？」重新定義資料蒐集方式、決策流程、和交付成果，讓AI的優勢成為設計的起點。
2017年，Google研究團隊發表了改變AI歷史走向的論文《Attention Is All You Need》，提出了Transformer架構。這個後來撐起整個生成式AI浪潮的核心想法，在發表初期並不被所有人理解——因為它跳脫了當時主流的循環神經網路（RNN）框架，是一種不折不扣的「原生新邏輯」，而非在既有架構上打補丁。
企業的AI轉型，同樣需要這種「敢於從底層重新定義問題」的勇氣。缺少這個視角，所謂的AI導入，往往只是讓原有的低效流程跑得更快一點而已。
實務痛點一：ESG報告的「專家陷阱」
企業面臨2050淨零碳排的壓力，加上供應鏈稽核與金管會的ESG揭露要求，碳盤查已從「加分題」變成「必答題」。這時候，公司裡熟悉ISO 14064或GHG Protocol的永續主管，很可能正掉入一個心理學上稱為「能力詛咒（Curse of Knowledge）」的深坑。
場景還原：報告寫得漂亮，碳排一克未減
能力詛咒的意思是：當你對一個領域太熟悉，你反而難以跳脫它的框架思考。一位懂得如何填寫ISO 14064表格的主管，很自然會想到「讓AI幫我更快填這張表」——把電費單、差旅記錄、機台能耗數據丟給AI，請它生成一份詞藻優美的永續報告書前言。
。AI 外掛做法（錯誤示範）
「把碳排數據丟給AI，叫它把報告書寫得更好看。」結果：報告書產出速度變快，但工廠每個月的碳排放量一克都沒減少。這個AI應用的「價值」，僅僅是讓一份原本就存在問題的文件，變得更精美地呈現了同樣的問題。
。AI 原生做法（正確方向）
從機台源頭結合IoT感測器自動蒐集能耗資料，讓AI持續分析各生產線的碳排趨勢，並根據排程與訂單量預測下週碳排量，主動建議調整產線順序或降載時段以達成實質減碳。報告書，是這個減碳成效的副產品，而不是目的本身。
這兩種做法的差距，不在技術能力，而在問題定義的起點。前者問的是「AI能幫我寫什麼？」，後者問的是「AI能幫我改變什麼？」
比較維度 AI 外掛思維（偽轉型） AI 原生思維（真轉型）
問題出發點 如何讓報告書寫得更快、更好？ 如何用數據讓碳排實質降低？
AI的角色 內容生成工具（打字機升級版） 決策分析引擎（問題重定義者）
資料流向 事後彙整 → 人工輸入 → AI潤稿 源頭自動採集 → AI分析 → 主管決策
實質效益 節省文書時間，問題本質未解 減少碳排、優化排程，報告書是附帶產出

實務痛點二：TTQS評核的「偽數位化」與暗數據
TTQS（訓練品質系統）是勞動部推動的企業訓練評鑑制度，核心是PDDRO迴圈——計劃（Plan）、設計（Design）、執行（Do）、查核（Review）、成果（Outcome）。許多企業HR在面對數位評核要求時，做了一個看起來很合理、實際上卻問題重重的決定。
「把紙本垃圾掃描成PDF」不是數位轉型
把出席簽到表掃描成PDF，上傳到Google雲端硬碟；把紙本滿意度問卷改成Google表單，但仍按月下載成Excel，存到資料夾裡。這一套操作在外觀上完成了「數位化」，但它創造的是資料治理界最棘手的問題之一——暗數據（Dark Data）。
暗數據的定義，是那些「被組織蒐集、儲存，卻從未被拿來用於分析或決策」的資訊資產。根據Gartner與Veritas的研究，一般企業平均超過52%的資料屬於暗數據，AI無法直接讀取分析。台灣已實踐AI的製造業者中，高達8成面臨「數據挑戰」，資料品質是最大瓶頸（資策會MIC，2025年3月）。掃描成PDF的簽到表、躺在硬碟裡的Excel問卷——這些資料對AI來說，就像一本用毛筆草書寫成的帳本：內容可能有價值，但機器根本無法讀懂，遑論分析。
偽數位化不是沒做事，而是把實體垃圾製造成了數位垃圾，還順便多花了一筆雲端儲存費用。
。偽數位化的樣貌
「把紙本簽到表掃描成PDF、上傳Google雲端。」表面符合評核要求，實際上資料格式雜亂、無結構、無法供AI讀取，PDDRO迴圈中的「查核」與「成果」永遠只能靠人工主觀判斷。
。真正的知識治理
從第一天就讓流程結構化落地：出席以數位簽到系統記錄，問卷直接輸出結構化資料；AI自動分析課前課後的職能落差、訓練成效與知識留存率。企業累積的每一筆訓練資料，都成為機器可讀（Machine Readable）的知識資產，下一次課程設計從數據出發，而非從主管的直覺出發。評核過關，只是這套系統運作的副產品。
顧問洞察：從T型人才到π型跨域整合
回顧上述兩個案例，問題的根源不是缺乏技術，也不是缺乏意願。問題出在「單一專業視角」主導了轉型的定義。
懂碳盤查的永續主管，習慣從ISO 14064的框架定義問題；懂訓練品質的HR，習慣從PDDRO的表格定義問題。這是T型人才的侷限——深度夠，但當問題跨越自己的專業邊界時，往往看不到跨域的解法。
真正能推動企業雙軸轉型的，是π型人才：擁有至少兩個以上的深度專業（例如：AI應用 × 永續管理，或是數位學習 × 人才發展），同時具備從全局視角整合資源的能力。對他們來說，AI不是某個部門的工具，而是貫穿整個組織運作的底層邏輯。
順序不對，意義差很多。不要等遇到問題才把AI拿出來解決，而是讓AI從一開始就參與問題的重新定義。
這意味著在規劃ESG路線圖的第一天，就要把資料架構納入設計；在設計訓練課程的第一天，就要決定這些數據如何被結構化儲存與分析。不是把AI加在既有流程的末端，而是把AI思維嵌入流程的起點。
根據PwC Taiwan 2024年針對1,200家台灣企業的調查，目前企業數位轉型的主要目標仍以「提升作業效率」為主（65.6%），真正挑戰商業模式的轉型仍是少數。當企業用效率思維導入AI，得到的是效率提升；唯有用創新思維導入AI，才能得到競爭格局的重塑。
雙軸轉型的真正挑戰，從來不是工具，而是思維框架的升級。

FAQ：企業導入AI的核心疑問
Q1：企業要怎麼判斷自己的AI導入是「真轉型」還是「偽數位化」？
判斷標準有一個核心問題：「如果把AI拿掉，這個問題還是原來的問題嗎？」如果答案是肯定的，表示AI只是在加速一個未被改變的流程，屬於外掛思維。真正的AI轉型應讓資料蒐集方式、決策流程、甚至商業模式本身發生根本改變。當AI是流程設計的起點而非終點，才算進入真轉型的門檻。
Q2：什麼是「暗數據（Dark Data）」？它對AI應用有什麼影響？
暗數據（Dark Data）是Gartner提出的概念，指企業在日常運作中蒐集並儲存，但從未被用於分析或決策的資訊資產。常見形式包括掃描的紙本文件、雜亂的PDF檔、格式不一致的Excel表格等。根據研究，一般企業平均超過52%的資料屬於暗數據。這些資料對AI來說是「不可讀」的，導致企業花了大量成本導入AI工具，卻因底層數據品質低落而無從發揮。解方是從源頭設計結構化的資料蒐集流程。
Q3：AI原生思維與傳統SOP的核心差異是什麼？
傳統SOP的設計邏輯是「由人執行、由人審閱、由AI輔助」——AI是流程末端的助手。AI原生思維則是「由數據觸發、由AI分析、由人決策」——AI是問題重新定義的參與者，而不是流程的美化器。前者先有流程再問AI能幫什麼，後者先問「如果AI是核心，這個流程應該長什麼樣」，然後重新設計整套流程。這個順序的差異，決定了企業能否從轉型中創造真正的競爭優勢。
Q4：中小企業在進行雙軸轉型時，應該從哪裡開始？
建議從「最小可行的數據資產」開始建立。選擇企業中一個高頻且有明確輸入輸出的流程（例如：訓練出席記錄、機台能耗記錄），將其從第一天就設計為結構化、機器可讀的格式，而非日後再「回頭掃描整理」。一旦這個種子流程運作順暢，後續擴大AI應用的土壤才算真正準備好。資源有限時，「做對一件小事」比「用錯方法做很多事」更有價值。

資料來源
· 資策會MIC（2025年3月）：台灣電子資訊製造業AI導入調查，28%已實踐AI，8成面臨數據挑戰
· PwC Taiwan（2024）：《台灣企業轉型現況及需求調查報告》，1,200份問卷
· Gartner / Veritas：企業平均52%資料屬暗數據研究
· Gartner（2024）：預測30%的GenAI專案將因資料品質不佳而被放棄
· Vaswani et al.（2017）：”Attention Is All You Need”，Google Brain