AI 導入看不到回報？Apollo 報告引爆討論，台灣公司該怎麼判斷
☰ 目錄 table-of-contents.md
月初看報表，訂閱費那一欄多了好幾個 AI 工具，營業額那一欄跟去年差不多。這個畫面，今年很多台灣老闆都看過。10 月 24 日，Apollo 首席經濟學家 Torsten Slok 在他的每日短評裡，把這種感覺寫成一句很重的話：除了科技業，AI 到目前為止沒有替美國企業帶來任何財務回報。這篇短評被貼上 Hacker News，衝到 608 分、644 則留言（10 月 26 日早上時事雷達抓取時的數字），連續兩天掛在熱門前段。
我們讀完報告與留言的判斷是：這份報告量的是美國大型上市公司的平均，量不到你公司裡的某一條流程，不必拿它當「AI 沒用」的證據；但它和底下最有料的幾則留言指向同一件事，回報會先出現在做完能馬上驗證對錯的工作上。台灣中小企業要做的，是先挑一條能驗證的流程，用一個月量出差別，而不是等總體數字轉好。本文引用的報告內容、調查數字與社群留言查證於 2026 年 10 月 26 日。
Apollo 這份報告說了什麼：五張圖，幾乎沒有數字
先把事實擺清楚。這篇刊在 Apollo 的 The Daily Spark 專欄，標題是〈No signs of AI payoff outside the tech sector〉，作者是 Apollo 合夥人兼首席經濟學家 Torsten Slok。它是一篇短評，正文不長，論點靠五張圖撐著：
- 每名員工營收：七大科技股（Mag 7）一路往上，S&P 500 裡其餘的 493 家公司（S&P 493）持平，以 2019 年第四季為基準並扣除通膨。
- 利潤率：一樣是七大科技股上升，其餘公司持平。
- 總要素生產力：用舊金山聯邦準備銀行經景氣調整的數列，看不到 AI 拉高生產力成長的跡象。
- AI 支出集中度：引用企業支出管理公司 Ramp 的資料，AI 花費集中在少數公司。
- AI token 支出的循環性：同樣出自 Ramp AI Index。
文中最常被轉貼的句子是「the technology has delivered zero financial payoff to corporate America outside of tech」。他的推論是：主流企業開始把 token 支出當成壓縮利潤率的成本，而不是成長引擎，所以會開始縮手；模型就算越來越便宜，要把這些能力轉成科技業以外的營收與利潤也不容易，因為「AI 也許是很棒的計算機，但在商業裡，智慧大多是判斷」（原文：AI may be a great calculator, but in business, intelligence is mostly judgment）。他接著列出 AI 不懂的東西：責任歸屬、信任、企業文化、沒寫出來的規矩、倫理取捨與公平。整篇的結論是，AI 的故事會在那 493 家公司裡決定，不是在那 7 家。
讀這份報告要記得兩個限制。它看的是美國大型上市公司的整體平均，一家公司裡某個部門省下的時間，在這種總體數字裡幾乎不會出現；正文也沒有列出具體數值，圖表涵蓋的期間沒有在文字裡寫明，想引用數字的人要回去看圖。這不代表它錯，代表它回答的是「整體經濟有沒有感」，不是「我這條流程值不值得做」。
Hacker News 六百多則留言在吵什麼
主討論串讀下來大致是四種聲音：說還太早的、說好處被 AI 公司收走的、說關鍵在能不能驗證的，以及拿出現場反例的。
還太早：電氣化也走了十年
科技業是所有產業裡最軟體化、最虛擬的，最先改變很自然。其他產業得先做資本投資才能跟著調整。電氣化也有類似的歷史：少數產業很快就轉過去，接著有大概十年幾乎沒什麼成長。（原文：Other industries need to make capital investments to adapt to change.）
（Hacker News 使用者 secabeen 的留言，原文）
他在同一則留言後段說得更直白：真正的效益會來自「從一開始就圍繞 AI 設計的新工廠與新公司」（原文：new factories and new companies that are designed from the ground up around AI）。另一位使用者 ttul 的看法接近：
我不懂為什麼現在就該看到回報。很多（但絕對不是全部）軟體公司沒有多請人，產出就變多了。可是軟體功能變多，不見得會馬上讓其他產業的生產力提升，這些好處需要時間才會擴散出去。（原文：It will take time for those benefits to percolate.）
（Hacker News 使用者 ttul 的留言，原文）
好處都變成 AI 公司的營收
當然看不到。如果借了一兆美元，蓋一台成本一分錢的阿斯匹靈機器，去跟一美元的學名藥競爭，就會很想把阿斯匹靈定價在 99 分。我們看不到生產力提升，是因為幾乎所有好處都變成了 AI 公司的營收。（原文：approximately all of the gain is captured as revenue for AI companies.）
（Hacker News 使用者 fwlr 的留言，原文）
這段講的是帳單。省下來的工時如果大半拿去付訂閱與 token，損益表上當然看不出差別。對中小企業的提醒很實際：算回報時，每月的 AI 帳單和人工核對的時間要一起算，只看「省了幾小時」一定高估。
真正的分界：做完能不能驗證
討論串裡被引用最多的論點，是使用者 eslaught 在回覆裡說的「LLM 成功的關鍵是可驗證性」（原文：the key to LLM success is _verifiability_）。軟體、數學、遊戲都有很強的驗證工具，編譯器、定理證明器、分數；在無法驗證的領域對 LLM 下樂觀的判斷，他認為已經超出它目前做到的事（原文）。做資料分析的使用者 lenkite 給了實務版本：
抱歉，就算是最新的 Claude 模型，我也不相信 LLM 做出來的資料分析是準的。過去一年出過幾次很尷尬的錯。寫一支結果固定的程式來做資料分析，還是比較好。（原文：It is just better to code a deterministic tool to do the data analysis.）
（Hacker News 使用者 lenkite 的留言，原文）
也有人提到醫療現場。使用者 malfist 說，他看診的診所用 AI 工具寫病歷筆記，結果寫進了從沒發生過的診斷、檢查與家族病史，想更正還很難（原文）。使用者 bunderbunder 回報，他待過一家什麼工作都積極導入生成式 AI 的公司，AI 會議摘要把重點講淡或講錯，造成溝通誤會，大家在投入大量資源之前，也變得比較不會先驗證點子（原文）。
現場的反例：不寫程式的人也做出東西了
最近幾週我帶了一批非技術背景的同事上手，他們的產出暴增，交件比以前更快也更好。（原文：they deliver faster and better than before.）
（Hacker News 使用者 kolinko 的留言，原文）
他把原因歸給最近幾次工具更新：自動模式、終於磨順的瀏覽器整合，加上 Opus 5.5，連一般的 Pro 方案都變得很好用，而且提升主要在專案管理與行銷工作，不是寫程式。使用者 invaliduser 則分享，他在法務合規部門工作的伴侶需要一個有表單與審核流程的小工具，外包工程師估 15 天、技術長嫌太複雜不做，她用 ChatGPT 搭配公司內部的微軟工具，一個早上就做完了，他說這種故事每週都會聽到（原文）。
同一個週末還有另一串熱門討論可以對照。Dan Luu 的文章〈We should be more ambitious with the software we build〉在 Hacker News 拿到 719 分（討論串），其中一則留言講的是 AI 對個人開發者的改變：
與其說是更有野心，不如說我現在終於能把那些早就有點子、架構也早就想好，卻一直沒時間做的東西做出來。最近一個好玩的副業，是讓我的 Kobo 電子書閱讀器不只能看書：我做了一套 SDK 和應用程式，讓電子紙 App 有沙箱、權限模型和自動更新。（原文：I can now build things I had no time for）
（Hacker News 使用者 thepoet 的留言，原文）
兩串放在一起看就很清楚。在軟體圈和個人手上，AI 的好處已經具體到可以舉例；要變成一家傳統公司的營收與利潤，中間還隔著組織、流程與驗證。Apollo 的圖量的是後者。
為什麼回報先出現在科技業：我們自己踩過的那一步
eslaught 那句話我們很有感，因為自己的流程就是照這個邏輯一次次調出來的。
我們在〈內容批次作業怎麼交給 AI〉寫過一次失誤：替十九篇待發文章補封面圖，尺寸與格式都先確認過，跑完才發現站上既有封面是明亮的真人商業攝影，生出來的卻全是深色、沒有人物的物件特寫，只好整批重做。規格可以用程式檢查，風格只能靠人看；那次省掉的「先產一張給人看」，最後用整批重跑的時間還了回去。之後流程多了一個不能跳的步驟：批次之前先產一個樣本，人看過才放行。
另一個例子是我們替元智大學終身教育部做的排課系統。十幾個班、二十位左右的老師，每位都有自己的排課條件。我們沒有讓 AI 直接排課，先用規則引擎把衝突算清楚，AI 排課助理在上面查課表、掃空檔、提出排課提案，承辦人確認後才寫入（完整做法在〈排課條件交給 AI 行得通嗎〉）。衝突過不過得去由規則判斷，排得好不好由人判斷，AI 放在兩者中間，才敢讓它天天上工。
這兩件事放回 Apollo 的報告，答案就浮出來了。軟體工作天生帶著驗證工具，編譯器會報錯、測試會失敗，AI 寫錯很快就被抓到；一般公司的工作，很大一部分是 bunderbunder 在另一則留言說的「我認識的白領大多把時間花在彼此溝通上」（原文），對錯要等客戶回覆、等月底對帳才知道。驗證成本一高，AI 省下的時間就被核對吃掉，這就是 Slok 說「智慧大多是判斷」在辦公室裡的樣子。
對台灣公司的意義：多數人還沒開始，卡的也不是錢
台灣的情況跟美國大企業不太一樣。依鉅亨網報導引述的 2025 年中小企業 AI 運用現況研究調查，國內中小企業實際導入 AI 的比例是 7.4%，OECD 調查各國中小企業約 39%；外貿協會分析台灣的導入障礙，第一名是「尚無明確應用需求」，佔 63.9%，遠高於導入成本高（25.5%）與人才短缺（21.3%）。人工智慧科技基金會的調查口徑不同，據自由財經報導，2026 年製造業 AI 普及率 38.5%、服務業 38.7%，經濟部的目標是 2028 年企業 AI 普及率達到 50%。兩組數字差很多，是因為調查對象與定義不同，不要混在一起比。
美國大企業是錢花了、回報還沒出來；台灣多數中小企業是還不知道要拿 AI 做什麼。兩邊卡在同一個地方：沒有先找到一條做完能驗證、做錯能退回的流程。這也是我們不建議用「全公司開帳號，看看會不會變好」起步的原因，那樣得到的通常就是 Apollo 圖上那條平線，錢花了，差別量不出來。
圖：照驗證成本排，回報最容易量出來的工作在最左邊
把公司裡的工作照驗證成本排一排，起點就很清楚：
| 工作類型 | 怎麼驗證 | 台灣中小企業常見的例子 | 建議 |
|---|---|---|---|
| 能自動驗證 | 規則或程式比對，對錯立刻知道 | 訂單與發票對帳、出貨單格式檢查、排班排課衝突 | 先做，最容易量出差別 |
| 可抽樣核對 | 人工抽查幾筆就知道品質 | 客服回覆草稿、會議摘要、商品描述、來信分類 | 第二步，保留人工審核 |
| 靠人判斷 | 要等客戶反應或月底結果 | 報價策略、議價、人事決定、新品方向 | 先不交給 AI，頂多請它整理資料 |
第一列的工作，常常正是 lenkite 說「寫一支結果固定的程式比較好」的地方。該做的往往是先把規則寫成程式，再讓 AI 處理規則管不到的例外，排課系統就是這樣分工。各行業的系統整合方式，我們在〈台灣產業 AI 導入進度到哪了〉整理過，可以對照自己所在的產業。
什麼情況該跟，什麼情況先等
該現在就動的，是手上有一條重複、量大、對錯明確的流程，做錯了也能退回，例如每天要比對的訂單或報表。這類工作導入快、好量，第一個月就看得出差別。
可以先等的有兩種情況。資料還散在各人的 Excel 與 LINE 群組裡，連同事都要問來問去才知道哪份是最新版，這時候先把資料收進系統，比導入 AI 有用得多。另一種是工作本身大多靠關係與判斷，例如業務議價，AI 頂多幫忙整理客戶往來紀錄，別期待它替人做決定。
員工已經自己在用 ChatGPT、Gemini 的公司，不必急著禁止，但要畫一條線：哪些資料不能貼、哪些系統不能讓 AI 碰。〈讓 AI Agent 接上你的工作工具〉那份清單可以直接拿來開會討論。
回報怎麼量：別等財報，量一條流程一個月
Apollo 用的是營收、利潤率、總要素生產力，這些指標要很多公司、很多年才動得了。中小企業不用等，量自己的一條流程就好。我們在〈AI 流程自動化的投報怎麼算〉寫過，「能省多少人力」是問錯問題，省下的工時最容易灌水，比較準的是品質變異、漏做機率、經驗能不能留下來；〈AI Agent 效益評估最常見的 3 個迷思〉也提過，很多好處根本不會出現在人力報表上。
實際做法可以這樣排：
- 挑一條流程，導入前先記四週基準：每件花多久、退件或出錯幾次、漏做幾件。
- 導入後同樣記四週，把人工核對 AI 結果的時間也記進去，這筆最常被漏掉。
- 把同期的 AI 訂閱與 API 帳單攤到這條流程上，檢查 fwlr 說的那件事：好處是不是大半付給了工具商。
- 差別小就停下來檢討，不要因為已經付了錢，就硬推到別的部門。
費用結構怎麼估，可以看〈企業導入 AI 自動化要花多少錢〉；要找外部團隊，先拿〈怎麼挑 AI 自動化顧問〉裡的問題去問廠商；整體導入的階段與常見卡關點，對照〈2026 台灣企業 AI Agent 導入指南〉。想把 AI 接進公司既有的系統，而不是多開一個聊天視窗，那是 AI Agent 開發處理的範圍。
回到那份報告。Slok 說 AI 的故事會在那 493 家公司裡決定，這句話換到台灣也成立，只是尺度更小：決定 AI 值不值得的，不是科技巨頭的財報，是公司裡那條每天在跑的流程，做完能不能馬上知道對不對。先找到那一條，其他的再說。
延伸閱讀
常見問題
Apollo 報告說 AI 在科技業以外沒有回報，是真的嗎？
台灣中小企業導入 AI 最大的障礙是什麼？
導入 AI 之後，要怎麼知道有沒有回報？
為什麼 AI 寫程式效果明顯，一般行政工作卻不明顯？
這個主題的完整脈絡、選型比較與導入建議，都整理在指南裡。
訂閱免費電子報
把 AI 自動化、企業系統設計與 WordPress / Laravel 開發的真實案例和可直接照做的技巧，整理成電子報寄給你。只寄精選內容、不灌垃圾信，一鍵就能退訂。