一張沒人敢拿出來看的帳單

過去三年，香港與台灣的企業幾乎都做過同一件事：成立AI小組、買算力、開工作坊、發新聞稿。但很少人願意公開另一份文件——那張寫著「投入多少、省回多少」的帳單。

麥肯錫2025年的全球AI調查指出，超過七成企業已在至少一個業務單位使用生成式AI，但同一份報告也顯示，只有約兩成企業能清楚說出AI對EBIT（稅前息前利潤）的具體貢獻。換句話說，八成的公司知道自己花了錢，卻說不出賺回什麼。這不是技術問題，而是會計與管理的問題。

數字會說話：領先者與落後者的差距

先看有把數字攤開來的企業。麥肯錫將受訪企業分成「AI高績效組」與一般組，高績效組在行銷與銷售環節的AI應用，平均帶來3%至15%的營收成長；在供應鏈與庫存管理上，則降低10%至20%的存貨成本。這些數字的共同點是：它們全都掛在既有的財務KPI上，而不是另立一個「AI成效」欄位。

再看MIT史隆管理學院與BCG的聯合研究，他們追蹤了數百家企業的AI專案，發現真正拉開差距的不是模型多強，而是「流程重設計」的程度。同一套模型，若只是塞進舊流程，平均回報接近零；若同時改掉三成以上的作業步驟，回報率可以高出四到五倍。

這解釋了為什麼台灣與香港的中小企業特別容易卡住。多數公司把AI當成「加裝一個工具」，而不是「重寫一段流程」。工具裝上去，人照舊做，報表照舊填，最後只能得到一句「好像有快一點」。

香港與台灣的在地帳本

把鏡頭拉回本地。香港生產力促進局近年的調查顯示，受訪港企中約有四成已嘗試生成式AI，但真正進入「規模化部署」的不到一成。最常見的三個卡點是：資料散落在不同系統、缺乏能翻譯業務語言與技術語言的橋樑人才、以及無法量化效益。

台灣的情況類似但更集中在製造與半導體供應鏈。以晶圓代工與封測廠為例，AI已被大量用在瑕疵檢測與機台預測維護，這類專案的ROI最好算——因為它直接對應「減少的報廢片數」與「減少的停機小時」。一家封測廠的公開案例顯示，導入AI視覺檢測後，誤判率從人工的約5%降到1%以下，等於每年省下數千萬新台幣的報廢與重工成本。

反觀服務業與金融業，ROI就模糊得多。客服AI省下的通話分鐘數，很容易被「客戶滿意度下降、後續客訴處理成本上升」抵銷。這也是為什麼金融業的AI專案常常在POC（概念驗證）階段很漂亮，進入全行部署就開始失血。

為什麼七成專案算不出回報？

第一個原因是「成本歸屬錯位」。AI的算力與授權費掛在IT部門，但省下的人力與時間落在業務部門，兩邊的帳本不對接，於是沒有人有動機去證明它有效。

第二個原因是「只算省下的，沒算新增的」。AI導入後往往會新增工作：資料清理、標註、模型監控、合規審查。這些隱形成本常被低估三到五成。

第三個原因最致命：多數企業沒有設定「對照組」。沒有導入AI的門市、沒有使用AI的客服小組，就沒有比較基準，最後只能靠感覺。

三個讓AI回本的關鍵動作

第一，把KPI寫在導入之前。 不是「提升效率」，而是「客訴處理時數從48小時降到24小時」這種可以被財務部門承認的指標。麥肯錫的高績效組企業，幾乎都在專案啟動時就綁定了財務指標。

第二，指定一位「流程擁有者」。 這個人要能改流程、能調人、能對損益負責，而不是IT專案經理。MIT的研究反覆驗證：流程改動幅度與ROI高度相關。

第三，先做減法再做加法。 導入AI前先砍掉不必要的審核關卡與報表，否則AI只是讓錯誤的流程跑得更快。香港有銀行在導入AI審批前先刪掉三層簽核，結果審批時間縮短六成，AI的貢獻才真正被看見。

延伸閱讀

結語：AI不是投資，是重組

把AI當成一筆投資，你會問「多久回本」；把AI當成一次組織重組，你會問「哪些流程該消失」。前者是財務問題，後者才是策略問題。

對香港與台灣的企業而言，真正的風險不是AI太貴，而是花了錢卻沒有改變任何事。當競爭對手已經在算EBIT貢獻時，還在算「我們用了幾個AI工具」的公司，帳單只會越來越厚。

下一次開AI檢討會，別再問模型多強。先問：這張帳單，誰來買單？