「有沒有回本」才是今年真正的問題

2023 到 2024 年，企業談 AI 談的是「要不要做」；2025 年談的是「怎麼做」；到了 2026 年，董事會問的問題只剩一句：錢花下去了，回本了沒？

這個轉折不是空穴來風。過去兩年，全球企業在生成式 AI 上的支出從試點預算變成正式資本支出，許多公司已經跑完第一輪完整週期——從導入、試用、調整到結算。結果出現明顯的兩極化：有些企業的 AI 專案在 9 到 14 個月內就攤平成本，有些則卡在「試點地獄」，每年燒錢卻說不出具體產出。

對香港與台灣的中小企業來說，這個分化更殘酷。本地企業普遍沒有矽谷那種「先燒三年再說」的資本耐受度，一筆 200 萬港幣或 800 萬台幣的 AI 投資，往往就是全年 IT 預算的全部。因此，關鍵不是「AI 有沒有用」，而是哪一種 AI 應用、在什麼條件下、多快能回本。

拆解三種最常見的導入場景與真實數字

第一類：客服與售後自動化。 這是目前回本速度最快的場景。以一個 50 人規模的客服中心為例，導入具備檢索增強（RAG）能力的 AI 助手後，第一線人員處理單一查詢的平均時間從 6.5 分鐘降到 3.8 分鐘，等於人力需求下降約三成。若以台灣客服平均月薪 4.2 萬台幣計算，等於每月省下約 60 萬台幣的人力成本，加上系統年費與導入費約 250 萬，回本期落在 7 到 10 個月。這類專案的關鍵成功因素是知識庫整理——資料越乾淨，AI 準確率越高，人工複核的比例就越低。

第二類：製造與品檢。 台灣製造業導入視覺檢測 AI 的案例今年明顯增加。某中部金屬加工廠將 AOI（自動光學檢測）加上 AI 判讀後，誤判率從 4.1% 降到 0.9%，直接減少的報廢與客訴成本每年約 480 萬台幣，而系統建置成本約 600 萬，回本期約 15 個月。製造業的回本期比服務業長，但一旦上線，邊際成本幾乎為零，第二條產線的複製成本往往只有第一條的三成。

第三類：行銷與內容產出。 這是最容易被高估的場景。許多企業以為「AI 寫文案」能省下整組行銷人力，實際上，導入後真正省下的是初稿時間，約占整體工時的 25% 到 40%，而非全部。以一個 8 人行銷團隊計算，等於省下約 2 到 3 個人力的產能，但因為產出量增加，反而需要更多人做品質把關。這類專案的 ROI 通常體現在「產出量」而非「人力成本」，企業若用錯指標衡量，很容易誤判失敗。

顧問報告的數字，為什麼跟你的財報對不上

市面上不少顧問報告宣稱企業 AI 平均 ROI 達 250% 甚至更高，但實際導入的企業財報往往看不到這種數字。落差來自三個地方。

第一，報告算的是「理論最大值」。 它們假設 AI 準確率 95%、員工完全配合、資料完全乾淨，但現實中，光是資料清理就吃掉三到五成的專案時間與預算。

第二，忽略了「隱形成本」。 包括內部培訓、流程重寫、以及最容易被低估的人工複核成本。很多企業導入 AI 後，反而多請了「AI 品質檢查員」，這筆錢通常不在原始預算裡。

第三，把「省下時間」直接換算成「省下人力」。 但多數企業並沒有真的裁員，省下的時間被拿去做了別的事。這不一定是壞事，但若用「人力成本節省」當 KPI，就會嚴重高估 ROI。務實的做法是：用「單位產出成本」而非「人力人數」來衡量，例如每處理一張訂單的成本、每回覆一個客訴的成本。

延伸閱讀

給香港台灣企業的三個落地建議

一、先選「有明確 baseline」的流程。 客服回應時間、品檢誤判率、帳務處理筆數——這些都有現成數字可以對比。沒有 baseline 的專案，做完了也說不出成效，最容易被砍預算。

二、把預算的 30% 留給資料與流程，而不是模型。 2026 年的模型本身已經很便宜，真正貴的是把公司內部資料變成 AI 能用的樣子。這一點，本地企業的失敗案例幾乎都栽在這裡。

三、設定 12 個月的檢核點，而不是 3 個月。 3 個月只能看到「能不能跑」，12 個月才能看到「回本了沒」。太早砍專案，等於把已經投入的資料整理成本白白丟掉。

AI 在 2026 年已經不是「要不要做」的問題，而是「怎麼做才不回不了本」。那些跑出漂亮數字的企業，共同點不是用了最強的模型，而是選對了場景、算對了成本、等對了時間。對資源有限的香港與台灣企業來說，這三件事，比模型參數重要得多。