人工智慧物聯網AIOT文章分享

人工智慧物聯網AIOT-057

先知科技總經理 高季安

March 27, 2025

在上一篇文章中，我們以數據 AI 為例，帶大家一起走過了從資料準備、特徵處理、模型建立到結果驗證的完整流程，並分享了幾個實戰中的「神秘訣竅」與「快速上手的小技巧」。看起來，AI 的應用似乎已經萬事俱備、只欠東風了嘛！但故事發展到這裡，請各位先別急著高歌「AI 落地成功！」事實上，當 AI 真正要「進場實戰」、走進企業現場、落地在百工百業時，才是硬仗的開始。

這篇文章，我們將開啟另一個真實世界的冒險任務：AI 落地應用時，到底卡在哪裡？ 是資料拿不到？是系統整合困難？還是現場不信任模型？或者...根本沒人知道 AI 該用來解哪個問題？透過這一篇，我們將深入探討各行各業在導入 AI 的路上，會遭遇的幾大常見困難，並解析其背後的核心原因，讓讀者在未來啟動 AI 專案時，少走冤枉路、多一點底氣與掌握！

一、百工百業導入 AI：為何卡關？

根據 2024 年的產業調查顯示(如圖1所示)，AI 雖被視為未來產業競爭力的核心關鍵技術，但導入過程卻困難重重。從調查中可發現，導入 AI 最大的三大阻礙分別是：

1. 缺乏 AI 人才與技能（63%）:這幾乎是所有產業的痛點！企業主管常說：「我不是不想導入，是沒人會用啊！」尤其是製造、交通、醫療等傳統產業，內部團隊大多以工程背景為主，資料科學與 AI 建模技術仍有明顯落差。即便有願景、有數據、有預算，沒有懂 AI 的人才，一切都是空談。更別說還要會 MLOps（機器學習營運）、要會調參數、還要懂程式，這根本不是一個人能扛得動的事。而且 AI 工程師還很難找、很貴，企業內部沒人可以培養也沒辦法留人，人才荒成了第一道高牆。
2. 缺乏 AI 治理與策略（46%）:這一點則屬於「高階決策者的盲點」。AI 不是買一套系統就能用，它牽涉到整個企業的治理架構。例如：誰負責 AI 項目？如何跨部門協作？AI 項目的 KPI 怎麼定？數據的權限與安全又怎麼規範？這些都是落地前的基本功。很多企業其實做過 PoC（概念驗證），但因為缺乏長期策略與制度支持，驗證完後就不了了之，導致「AI 永遠停在 Demo 階段」，無法正式投入營運。
3. 建置與維運成本過高（38%）:AI 看似是軟體解決方案，但其實非常「硬」。你得有資料中台、有雲端運算平台、有 IoT 硬體、有資料治理系統，然後還得配 DevOps 團隊維護，光是系統建置與整合，就已經是筆不小的投資。更不用說，真正導入後的維運、模型更新、資料持續蒐集，這些都需要長期投入，不是一筆資本支出（CapEx）就能結束的。

圖1: 阻礙AI 導入的因素 (註1)

二、深入解析：AI 生態鏈中，最常「斷鏈」在哪？

如圖2所示的「AI 生態金字塔」中，AI 要真正發揮效益，必須經歷以下幾層：
1. IT 基礎建設層：運算資源、儲存、網路等硬體支撐。
2. 資料層：資料取得、傳輸與儲存。
3. 人工智慧層（Offline）：資料處理、建模、預測與優化。
4. 部署層（Online）：實際環境部署、串接現場機台。
5. 應用層（AI+）：應用於製造、農業、電商、政府等產業場景。

圖2: AI 生態金字塔

從目前產業實務看，「人工智慧層」與「部署層」最容易斷鏈。為什麼？因為「人工智慧層」涉及數據處理、特徵萃取、演算法選擇與模型訓練，是專業門檻最高的一層。大多數企業缺乏相關技術人員與經驗。而「部署層」則涉及 IT 系統串接與現場落地。例如：模型預測結果如何寫入 ERP？怎麼觸發警報？怎麼與既有 SCADA 整合？這些都不是一兩天能完成的事。最終造成的情況是：AI 團隊只會模型、IT 團隊不懂 AI，導致「AI 做得出來，但永遠上不了線」。

三、不同產業的挑戰，有共通點也有差異

根據產業別分析，不同類型企業在 AI 導入過程中的痛點如下(如表1)：

表1: 不同類型企業在 AI 導入過程中的痛點

即便都是導入 AI，每個產業因為營運邏輯不同，碰到的挑戰也各異，但「人才、策略、成本」這三個問題，是所有企業的共通挑戰。

四、走出斷鏈困局：企業可以怎麼做？

  1. 建立 AI 專責小組（AI Team）或尋求外部協作
    1. 結合資料科學、IT、業務流程專家，建立跨部門團隊。
    2. 尋找合適的 SI（系統整合商）或 AI 服務公司，補足人力缺口。
  2. 導入 AI 中台架構
    1. 整合 IoT 資料流、模型訓練平台與部署環境，避免 AI 孤島。
    2. 建立標準化資料流程，讓資料從「可用」走向「可行動」。
  3. 從場域問題出發，設定明確 AI 目標
    1. 不是為了導 AI 而導 AI，要針對具體問題定義應用場景。
    2. 例如：製造業可先從「機台異常預測」切入，而不是整廠自動化。
  4. 降低導入門檻：從 AI 平台工具、雲端工具或生成式 AI 起步
    1. 許多 GenAI 工具（如 ChatGPT、Copilot）已能輔助員工提升效率。
    2. AI 模型訓練平台如 AWS SageMaker、Google Vertex AI 與先知科技的數據通、天眼通與知識通等 AI 平台，無須自建硬體也能上手。

五、未來趨勢：AI 不再只是技術，是企業營運的基礎能力

根據報告顯示，近 50% 組織正在評估導入生成式 AI，數據分析、深度學習與 GenAI 技能成為企業最搶手的三大人才類型。
AI 已經從「先進科技」走向「營運工具」，企業必須開始將 AI 能力視為基本營運素養（Operational Literacy），而不只是 IT 團隊的責任。
導入 AI，不只是一個技術選擇，更是一場組織轉型的修煉過程。從內部的資料整備、人才培養，到外部技術選型與部署串接，無一不是考驗企業的整體體質。
未來誰能真正打通 AI 生態鏈的每一層級，誰就能在百工百業的 AI 戰場上拔得頭籌。希望這篇文章，能幫助你少走彎路，多踩實地，真正讓 AI 成為企業升級的最佳夥伴。
註1: Ref to: 2024 AI Taiwan 未來商務展網頁(https://edm.bnext.com.tw/2024ai_report/)

作者已盡力查證相關資料來源，若是讀者對此系列文章有任何資料來源的指正或其他意見，歡迎提供正確資料來源與建議，請投書: fs-tech@fs-technology.com。

由於篇幅限制，若讀者針對數位轉型(例如人工智慧或物聯網) 相關議題有興趣或想共同進行合作，皆可與先知科技聯絡 (fs-tech@fs-technology.com 或http://www.fs-technology.com/)。

  • E-mail： fs-tech@fs-technology.com

  • Link： http://www.fs-technology.com/