這套 AI 值不值得導入?——給決策者的判斷基準(老闆不會問你用 GPT-5 還是 Claude)

秀了 27 天，把三套系統——設備分析、CVE 通報、下單報價——的技術細節都攤開了。但真正要拍板的人，不管是老闆、主管還是預算的守門人，他們的問題從來不是「你用了 GPT-5 還是 Claude」，而是三個概念: 值不值得投? 搞砸了賠多少? 開始容易嗎?

這篇把決策者真正在意的東西排出優先序，用這系列列舉的實際功能推估成本(講量級，不追求精準——反正整季都去識別化了)，再把導入前後攤開來比。

技術絢麗是工程師的浪漫，不過它排在決策者清單的最後一格。 導入風險、要解決的痛、要花多少，才是他的職責。

決策者其實不看技術，看的是這幾件面向

(筆者備註: 這篇的內容如果能提早認知清晰，就可以在最前期的設計階段就做出有效設計)

其實同一套系統，工程師從上往下看清單，決策者從下往上看。

把決策者真正在意的列出來，大概長這樣:

但在這六件之前，還有一個更先決、工程師最容易漏、決策者卻一定先想的問題:

「這東西導入下去，風險有多大? 搞砸了怎麼收?」

所以這篇順序這樣走:

1. 先看導入前後差在哪(②痛點)、再算要花多少(③④)、

2. 再把最重的導入風險攤開。

3. 至於⑥技術，我們 27 天都在講了，這裡不湊字數。

這系列是經過設計的，從系列的尾巴回讀到系列開頭，就可以符合這篇D28的敘事主題順序 : P

其實正確的說法是因為系列前後呼應很完整，所以整個系列的內容可以在各自主題間互相勾住

導入前 vs 導入後:這三套系統實際改變了什麼

與其描述不如直接用整個系列把「現況」和「導入後」擺在一起看。 (舉個栗子)

這張表是這系列的核心主張。

而最右邊那一欄，是決策者真正會坐直身體的地方:省時省力只是對內的效率;當這些能力變成「別人做不到、或做得比你慢」的服務，它就從成本項變成了競爭項。

主動預警的維運、天天更新的資安通報、幾分鐘就回得出的報價——對客戶是差異化，對同業是進入門檻。

對決策者的意義是——它解的不是「錦上添花」的痛，是每天都在發生、加人也補不完的痛(這正是 D3/D4 講的規模、速度、不間斷三道人力牆)。這一格(②解決痛點)過不了，後面 ROI 都不用談。

檯面上是三套，檯面下不只三套——你買的是一條「AI 生產線」

決策者要評估的，其實不是「三個一次性專案」，而是**「這個團隊能不能持續長出 AI 能力」**。這系列一路上，除了三大主角，還順手做了、或只在截圖與一兩句話裡帶過這些真實系統:

對老闆來說，這一段的訊息是:這不是「做了三個專案」，是「養出一條能實際持續開發AI 應用的生產線」。 三套是拿得出手的成品，底下還有一批工具與共通手法(工具呼叫、記憶、MCP 標準化、任務拆解、成本追蹤，D14–18)可以複用。

下一個需求進來，不是從零開始。 這一點，才是⑤功能完整性真正該問的:不是「功能多不多」，是「要新功能時，長得快不快」。

導入要花多少?——建置成本 + 每個功能跑一次的錢

先看把這三套「建起來」的一次性成本。下面是建置期間、依服務別拆開的雲端花費(去識別化):

重點不在單一數字，在量級:把三套 AI 系統從零建起來，雲端成本是幾 K 台幣這個等級——不是幾十萬，也不用先養一支團隊。

換句話說，導入的門檻低到「一個人 + 幾 K 雲費」就能開始。 對「容不容易開始」這一題，答案很直接:容易。

那跑一次要多少? 我從開發期總帳(Foundry Models 約 NT$2，072，是整段開發、反覆重跑累積的所有呼叫)反推，得到一張量級推估的功能成本換算比——

因為刻意去識別化了所以不精準，但對於「值不值得」這種量級估算可以夠用了:

白話講:跑一次最貴的設備分析，AI 成本大概就一杯咖啡;它換掉的，是一個工程師盯著 28K 行 log 看半天。

這裡要特別講清楚——那幾十次呼叫不是「跑腳本」，是 LLM 在判讀(哪段狀態異常、哪個徵兆值得報);至於事實比對那種確定性的活，反而交給無 AI 的程式做(D20/D23)。這是生成式 AI 真的在做判斷，不是拿 AI 當標題的自動化。

別忽略的兩筆持續帳:訓練成本 + 維護成本(TCO)

導入前，很多決策者最怕一句話:「AI 是不是要養一支資料科學團隊、一直燒錢訓練?」對這種 LLM + prompt 的做法，答案會讓你意外。

訓練成本: 不是訓練模型，是兩種「人的時間」。

• 你不用標資料、不用租 GPU 訓練模型——模型是現成的，你「調」的是 prompt。真正花時間的，是把一顆 prompt 調到它只做該做的事(例如 CVE 那顆調到「只當記者、不當顧問」，D23)。
• 另一筆更常被低估: 團隊上手與建立信任的時間。抗拒的同事不會因為系統好就自動買單(D8)，得靠自願者先行、讓他們參與設計、看到好處(D9)。這筆「訓練人」的成本，往往比「訓練 AI」還大。

維護成本: 讓它長期跑得住(該排程的天天跑、該隨選的隨時叫得動)，要顧四件事。

• 版本鎖定:模型是原廠的，會被悄悄升級/降級，你調好的 prompt 可能一夜行為漂移(D6)——模型版本要 pin、走設定檔、換版前重跑驗證。
• 監控記帳:每次呼叫逐筆記 token，看得到才控得住(技術實作在 D18，這裡只講「不能省」)。
• 成本控制: cached tokens(固定 prompt/工具定義命中快取)+ 差異化 reasoning effort(只有需要深想的步驟才調高檔位)，把單次呼叫單價壓下來，越跑越省。
• 優雅降級: 壞一塊不拖垮全部(寫檔失敗只警告、某層抓不到就靜默退回、LLM 回空走 fallback)——不然半夜出事，賠的比省的多。

加起來的 TCO(總持有成本):雲端費是幾 K、還能靠優化調整往下壓成本;

真正的持續成本是人花在調教與維護上的時間——但那遠小於「這些事全部繼續用人工做」的時間。TCO 的大頭從來不是 API 帳單，是人; 而這套設計的目的，就是把人從無意義的重複苦工挪到更需要判斷抉擇的地方。

最該先問的一題: 導入風險有多大、怎麼收?

如果只讓決策者問一個問題，那不會是「能賺多少」，而是「搞砸了會賠多少、怎麼收」。 這也是工程師 demo 時最容易跳過、老闆卻一定先想的一題。把這套系統的導入風險拆開，逐一對上「這系列怎麼從設計把它處理到可承受」:

講白: 這套系統幾乎每一個設計決定就有考慮過後果——出草案不定案、平行導入、優雅降級、版本鎖定——本質上都是在「控制導入風險」，不是為了炫技。

對決策者來說，這比「它多聰明」重要得多:一個聰明但失控的系統，遠不如一個沒那麼炫、但你隨時收得住的系統。(AI 到底能拿多大權、出事誰簽名負責，是明天 D29 的正題。)

決策不是算到小數點，而是判斷量級。 如果投入的執行規模過小、風險又收得住，其實怎麼精算都沒有意義— 只要那個痛一年痛你幾次、每次夠痛，那這筆投資的 ROI 就能成立了。 剩下的，是你比我更清楚你公司的痛在哪。

給決策者的一頁判斷基準

• 決策者不看技術，看帳與風險: GPT-5 還是 Claude 是手段;導入風險、痛點、要花多少，才是該先問的三格。
• 導入前後的差別，是「苦工 vs 判斷」的重新分配: AI 接走規模/速度/不間斷的苦工，人回到判斷、談判、負責——三套系統的 before/after 都是同一個形狀。
• 成本量級小到可以「先做再說」: 建置幾 K + 一個人，跑一次從銅板到一杯咖啡——試錯成本低，是這類投資最大的優勢，也是風險最低的一項。
• 真正的成本是人的時間，不是 API: 訓練 = 調 prompt + 團隊對於公司業務流程認知清楚; 維護 = 版本鎖定/監控/壓價/降級。
• 最該先問的是風險，而且它是可設計的: 草案不定案、平行導入、優雅降級——每個設計都能夠規避風險。

成本算完了、風險也攤開了，但風險那一格裡最硬的一塊我還沒展開:AI 到底能拿多大的權?一份報價、一則通報出事了，誰簽名負責?當一個新系統真的更好、開始吃掉舊流程時，原本做那件事的舊團隊會不會覺得被架空? 這些「權責與邊界」的問題，錢和技術都買不到答案——明天 D29，把這條線劃清楚。