AI 導入評估要先問的不是準備度，是需求性質。需求本質是預測、AI 要讀的資料不存在、流程沒有一步需要判斷，這三種情況都不該導入 AI。
真正在評估 AI 的人，通常不是老闆，是被指派推數位轉型的那個人。他要判斷需求做不做得到，要寫內部提案，要在會議上被問「這個可行嗎」的時候答得出來。他手上最缺的不是廠商選項，選項通常已經太多了；缺的是一把能把選項分開的尺。
網路上找得到的自我診斷清單，問的幾乎都是同一組問題：資料整理好了嗎、員工接受度夠嗎、預算多少、有沒有人維護。這些問題不算錯，但它們有一個共同的預設：你要做的事本身是對的，只差時機還沒到。實務上不是這樣。Data-DI 的業務把客戶需求帶回公司之後，內部評估的第一關不是準備度，是需求性質：這個需求究竟該不該用 AI Agent 解。
以下三種情況，是我們評估到最後會建議客戶先別做的類型。三條都跟時機無關，也不是靠準備就能解決的。先說清楚：這不是叫你別碰 AI，而是在把錢花到真的會有結果的地方之前，先把不會有結果的那些排掉。
先看能不能省掉後面 15 分鐘
如果你正在評估一個 AI 需求，把它拿去對這三題：
三題中了任何一題，這篇文章已經幫你省下三個月和一筆採購，可以直接跳到最後看我們怎麼處理這類需求。三題都沒中，這個需求適合往下走準備度評估，繼續讀有更多可以帶走的東西。
先判斷性質，再判斷準備度
Data-DI 的初步可行性評估表上有四種標記，不是「能做」和「不能做」兩種：可行、有條件可行、可行但不需要 AI、不可行。
「可行但不需要 AI」這一格的存在，等於承認了一件事：有些需求技術上做得到，但不該用 AI 做。用了不會壞，只會變貴、變慢、變得比原本更難維護。
.png)
順序很重要。紅線是第一關，先確認需求性質，再談資料、串接、時程、預算。倒過來的話，你會把三個月花在整理一批本來就不該餵給 AI 的資料。
兩份 2025 年的研究從不同角度指向同一個結論。
Gartner 在 2025 年 6 月發布一份預測：超過 40% 的代理式 AI（Agentic AI）專案會在 2027 年底前被取消，原因是成本失控、商業價值不清、風險控管不足 [1]。資深總監分析師 Anushree Verma 在同一份新聞稿裡補上一句更重要的話：很多今天被定位成代理式的使用案例，其實並不需要代理式的實作方式 [1]。40% 是結果，「不需要代理式實作」是原因。
MIT NANDA 專案 2025 年 7 月的報告《The GenAI Divide: State of AI in Business 2025》給出更直接的數字：儘管全球企業投入約 300 到 400 億美元，95% 的企業 AI 專案沒有可測量的財務影響，只有 5% 的整合系統創造顯著價值 [2]。研究基於 52 場主管訪談、153 位領導者問卷、300 個公開部署案例。作者特別指出，卡住的原因不是技術能力，而是「多數 GenAI 系統無法保留回饋、適應情境、隨時間改善」[2]——這正是為什麼有些需求本質上不該交給通用 LLM。
Gartner 的取消原因加上 MIT 的卡點分析，回頭看沒有一個是「技術做不到」。全都是在採購前就該擋掉的問題。接下來三種情況，就是我們在評估階段實際用來擋的東西。先講一件可能讓你鬆一口氣的事：實務上最常中的不是第一條，是第三條。也就是說多數卡住的需求並不是不能做，只是選錯了工具。
這題再準備十年也不該做
第一種情況是需求本質錯配：如果你要的是從一批歷史數字推算出一個未來數值，那是統計模型的工作，不是 AI Agent 的工作。
你把資料交出去，期待回來的是一個數字，那就命中了。常見形態包括銷量預測、設備故障預測、庫存與備料最佳化、客戶流失預測、推薦排序、生產排程最佳化。它們的共同點是答案不在文字裡，在數字的分布裡。
大型語言模型擅長的是理解語意、做推理、把非結構化的東西整理成結構化。它可以讀懂一份預測報告，可以幫你把預測結果寫成給高層看的說明，但它不該是產生那個預測數字的人。
那條最容易搞混的線，同樣是客戶資料，一種問法可行、一種不可行。
同一個客戶、同一批資料，差別在輸出的東西是「一種解讀」還是「一個數值」。解讀可以錯，錯了看得出來：你讀完會覺得這個判斷有點怪，然後回去確認。數值錯了看不出來，它只會被當成事實拿去排生產、下採購單、調人力。這就是為什麼這條線要劃在採購之前，而不是上線之後。
某製造業者的窗口在會議上問我們能不能幫他做原物料用量預測，我們的答案是不建議。
這件事不是資料不夠、也不是時機未到，是預測這個動作本身不該交給 AI Agent。但同一場會議裡我們給了另一件事：基於過往歷史資料，整理出用量的模式與異常，讓他自己判斷。差別在於我們不生成那個預測數字，我們幫他看見資料裡本來就有的東西。
這場會議最後的結果比較有意思，留到文章最後再講。
除了預測，還有一類需求也不該交給 AI Agent：必須靠專用模型訓練才會準的辨識任務，例如產線瑕疵偵測、醫療影像判讀、IC 電路板辨識。這類需求跟預測的共同點不是「輸出是數值」，而是「通用 LLM 在訓練時沒見過你要它處理的東西」。判斷標準不同，結論一樣。
AltaBots.ai 是通用 LLM 之上的 Agent 層，不做模型訓練與微調。這句話是邊界，不是缺點。製造業哪些場景是 AI Agent 真正接得住的，可以看2026 智慧製造 AI Agent 落地指南的場景盤點。
整理資料前，先確認資料在不在
第二種情況是資料層的錯配：AI Agent 要處理的東西，現在還不存在於任何系統裡，或者存在但形式讀不了。這條跟「資料還沒整理好」不一樣，不是時程問題，是可行性問題。
大部分準備度清單問的是「資料整理好了嗎」，隱含的意思是只要投入時間整理，就能開始做。但在動手之前有一個更基本的問題：這批資料現在在哪？如果它根本不存在於任何可讀取的地方，或存在但是一種讀不進去的形式，整理再久都不會有結果。
資料不存在的形態：某製造業者想做能源監控，希望 AI 幫忙判讀機台耗能異常。評估時發現廠端只有 MES 連網，機台本身還沒連網。要餵給 AI 判讀的即時電流、電壓、負載資料根本沒有被記錄。合理路徑是先完成機聯網、跑三到六個月累積資料，再回頭談 AI 判讀，不是先簽 AI 專案再等資料到位。
如果高層問「不能先簽 AI、邊做邊補資料嗎」，實務上可以這樣回答：機聯網跟 AI 判讀是兩個獨立階段、各有各的驗收，綁在同一份合約裡兩邊都會被對方拖住。分開走反而快。
資料存在但形式難讀的形態：另一家製造業者的窗口想做內部知識庫，回答業務與研發的信件問答。這件事本身命中的是可行類型，但他們先前用開源工具自建過一次，卡在圖片與複雜表格的辨識準確度。合理路徑是先做小額 PoC，把最典型的圖表案例丟進來實測。
PoC 不是驗證「能不能跑出結果」，LLM 一定會給答案。要驗證的是：辨識率在你們最複雜的十份文件上能不能過門檻、答錯時能不能被系統標出來（而不是自信滿滿地答錯）、資料量放大十倍後速度會不會變得不能接受。
驗收標準寫進 PoC 合約，答案不對就不進正式導入。這對窗口的意義是內部提案時有實據，不是靠廠商的簡報說服老闆。回頭看 Gartner 那份 40% 統計，「成本失控」和「商業價值不清」有很大一部分就是這條紅線沒在採購前擋掉。
混合型流程要 AI，純規則不用
第三種情況是需求性質的錯配：如果整條流程從頭到尾都是固定規則、沒有一步需要語意判斷，那用傳統自動化工具做就好。加 AI 進去只會讓一件本來穩定便宜的事變得昂貴而不穩定。三條紅線裡實務上最常中的就是這一條，因為 AI 這個詞現在什麼都能套，很多需求被包裝成 AI 專案送進來，其實骨子裡是 Zapier 或 n8n 的守備範圍。
把流程從頭走一遍，每一步都問這個問題。
「對照就知道」是這樣的動作：業務把訂單填進 Excel，Excel 有更新就通知會計；客戶填了官網表單，就自動寄一封感謝信；每個月 5 號自動把上月報表寄給主管。規則寫得完：發生 A 就做 B。這幾種用 Zapier 就能做。
「要看懂內容才知道」是這樣的動作：客戶在 Line 上反映一件事，該轉給業務還是客服？這封信裡提到的是 A 產品還是 B 產品？同一件事在會議紀錄和報價單上寫得不一樣，哪一份才對？規則寫不完，因為每一次的內容都不同。這才是要 AI 判斷的地方。
一條流程走完，只要有一步落在「要看懂內容」，就是 AI Agent 的守備範圍。一步都沒有的話，Zapier 或 n8n 更省。
某工程營造業者要做的施工日誌 Agent 就是典型的混合流程。整套需求裡有兩種步驟：
照規則跑的：每天盤點哪些工地還沒交日誌、自動把當日天氣填進去、把工程進度百分比對到工項、把日誌存到資料庫。靠一般自動化工具就能跑。
要看懂內容才做得了的：現場工程師在 Line 群組傳的訊息通常是口語的，例如「今天 3 號工地下午下雨停工兩小時」，AI 要從這句話裡認出是哪個工地、發生在什麼時段、屬於哪類工項、雨停了多久，然後填到對應欄位。缺欄位還要主動追問補齊。這一部分規則寫不完。
如果只看第一類會覺得這案子不用 AI；只看第二類會覺得整案都要 AI。兩類混在一起才是完整的解法。這也是「有些步驟不用 AI」不等於「整案不能做」的意思。
Zapier 和 n8n 跟 AltaBots.ai 不是同一類工具，也不是競爭對手。它們負責的是「照規則跑」的自動化，AltaBots.ai 負責的是「要看懂內容才做得了」的判斷。同一條流程裡兩類工具可以透過 API 銜接，讓每一段用最合適的工具做。當我們建議客戶某條流程用 Zapier 就好，不是把生意讓出去，是把採購決策校正到正確的工具類別，讓真正需要 AI 的那一塊留給該用 AI 的工具。這對窗口的長期意義是：他不會在第三個月被老闆問「這個為什麼不用 Zapier 就好」的時候答不出來。
情況一是需求性質錯配、情況二是資料層不成立、情況三是選錯工具類別。三條都沒中，這個需求才有意義往下走：談資料就緒度、談整合難度、談時程與預算、談要不要先做 PoC。準備度清單問的那些事不是不重要，只是它們該在紅線之後才問。過了紅線的需求，準備度不足是時機問題；沒過紅線的需求，準備度做得再好也沒用。
想繼續往下走準備度那一關的讀者，可以看導入 AI Agent 前必知的 5 大風險。那篇處理的是「已經決定要做、怎麼不出事」，跟這篇「該不該做」剛好接得上。手上正在同時比較幾家廠商、覺得每一家講的都差不多的話，AI Agent 顧問怎麼選的 5 個交付實務檢核點有交付端的判斷標準。
說不能做，反而換到能做的
情況一提過某製造業者要做原物料用量預測，我們評估後直接告訴他不建議。但故事到這裡不算完，我們接著問了他：那你想解決的原本問題是什麼？
他帶進會議的需求寫的是「原物料用量預測模型」，但被問到原本問題的時候，講出來的是另一組詞：庫存不要斷貨、不要囤太多、成本不要飄。這三件事跟預測有關，但不是同一個問題：庫存管理有作業研究方法，成本異常有資料分析路徑，都不需要 LLM 介入。 AI 拿不出預測數字，但可以做另一件事：把過去五年的用量資料攤開來，標出每一次異常波動發生在什麼時間點、對應哪些品項，讓採購自己看到規律、自己判斷。後來實際上線的版本用的是資料整理加視覺化，不是 AI Agent。 這一段技術上不難。難的是願不願意在會議上先停下來，把「你要的到底是什麼」問清楚，而不是急著把方案端上去。多數採購變糟的分岔點就在這一句話有沒有被問。
市場上有一種聲音：顧問只會開會，成果遲遲看不到。這句話反映的是很多買家的真實經驗，不用否認。如果你也有這個疑慮，有一個簡單的檢查方式：這家公司在簽約之前，有沒有先告訴你哪些事不該做。AltaBots.ai 是通用 LLM 之上的 Agent 層，擅長流程編排——Workflow 節點跟 LLM 節點的組合設計。不做模型訓練與微調，不做預測演算法，不搶 Zapier 的活。這條邊界是我們在採購前就願意替客戶劃的，也是三條紅線存在的理由。
如果你手上正好有一個需求要判斷，把它拿去對這三條紅線。命中任何一條，這篇文章已經幫你省下三個月和一筆採購。如果沒中，那才是真正該進入評估的需求。Data-DI 的顧問可以幫你把那個需求走完剩下的評估流程：資料就緒度、跨部門對齊、PoC 範疇、上線時程。
這件事我們叫它可行性快篩，目的是讓雙方對專案有初步共識，交付一份標記過的可行性判定，你直接拿去做內部提案。過紅線的需求會列出可行的最小起點：多數狀況下 3-8 週能看到第一個可用版本，不是三個月後才交付。
在聯絡表單裡簡述你的需求，附上三題自檢的結果（中了哪一題、或三題都沒中？），我們會先回覆初步判斷，再約時間進行免費評估。
[1] Gartner. "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027." Newsroom, 2025-06-25.
https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
[2] MIT Project NANDA. "The GenAI Divide: State of AI in Business 2025." 2025-07.
https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
