小編最近常聽到「我們公司要 AI First」「這是 AI Native 的產品」這類說法，但追問下去，每個人的理解都不太一樣。很多人口中的 AI First，其實只是在既有工具裡加了一個 AI 聊天框。

這篇整理了顧問公司、軟體廠商和 AI lab 的說法，把 AI 導入組織的程度分成三層:

AI-enabled (Copilot) → AI First → AI Native

不過談 AI 之前，得先把起點講清楚。台灣不少公司(特別是傳產)資料還散在每個人的電腦裡，這種狀態直接談 AI First，等於跳過中間必要的一步。所以前面再補兩層還沒有 AI 的階段，這兩層的分界是雲端化: 資料到底在個人電腦裡，還是在雲端系統裡。

1. 單機作業 → 2. 雲端系統 → 3. AI-enabled (Copilot) → 4. AI First → 5. AI Native

前兩層沒有 AI，但它們決定了後面三層能不能成立。

為了讓差異更具體，全文用同一個案例貫穿: 一份每週銷售報告。同一份報告，五個階段下怎麼做，一看就明白。

五個階段對照表

先看還沒有 AI 的兩層:

  1. 單機作業 2. 雲端系統
核心問題 這份資料在誰的電腦裡? 這件事能不能用系統管起來?
出發點 個人的檔案和習慣 統一的流程和資料
工作流 每個人自己一套 標準化，人照系統跑
資料在哪裡 每個人的電腦，一人一份 雲端系統，全公司一份
程式能不能讀資料 不能，檔案鎖在個人電腦裡 能，有 API、有權限、有稽核紀錄
使用者介面 單機軟體和紙本 雲端系統網頁和儀表板
Excel 週報 業務各自寄 Excel 過來，分析師手動合併、對數字 分析師從 CRM 匯出 CSV，在 Excel 做分析
Excel 的角色 當資料庫用: 客戶名單、成交紀錄直接存在 Excel 檔裡 當分析工具用: 資料在雲端系統，Excel 只拿來算

再看 AI 導入的三層:

  3. AI-enabled (Copilot) 4. AI First 5. AI Native
核心問題 AI 可以怎麼幫我? 這件事能不能先讓 AI 做? 如果今天從零開始，還會這樣設計嗎?
出發點 現有的工作 AI 優先 AI 的能力本身
工作流 大致不變 大量 AI 化，部分重新設計 從根本重新設計
執行者 人 人 + AI Agent 執行，人監督
AI 的角色 工具 / Copilot 協作者 / 數位同事 整個系統的執行層
AI 怎麼拿資料 人手動提供 系統整合提供 跨系統自動取得，資料通道是基礎設施
使用者介面 原本的 UI 加一個 AI 入口 AI 成為主要操作方式之一 UI 不是重點，需要時才產出
Excel 週報 分析師在 Excel 裡問 Copilot Agent 更新 CRM、分析、直接產出 Excel 和 PPT，人審閱後報告 重新思考週報的目標(維持業績健康)，agent 持續監測、異常立即行動，人監督結果
Excel 的角色 流程的中心，人操作的工具 人不再操作，變成 agent 的交付物 非必要，只是 agent 的可選輸出

1. 單機作業: 資料在每個人的電腦裡

這一層沒有 AI，也沒有雲端系統，資料的所在地是個人電腦。

每個業務有自己一份客戶名單 Excel，欄位和格式各自定義。要做週報的時候，分析師得先發 email 跟五個業務要檔案，收回來五份長得都不一樣的 Excel:

單機作業: 資料在每個人的電腦裡
業務各自記在紙本或自己的 Excel→ email 跟五個業務收檔案→ 手動合併、統一格式→ 打電話對數字→ 寫公式、拉樞紐分析表→ 畫圖→ 貼到 PPT→ 週會報告

分析師大部分的時間不是花在分析，是花在把資料湊齊: 統一欄位、合併、對總額，某一區的數字跟業務自己報的對不起來，就打電話問。報告做完靠 email 寄出去，於是有了「週報_v2_最終版_修正.xlsx」。

這一層的 Excel 同時是三種東西: 資料庫(資料就存在檔案裡)、分析工具、報告工具。也因為資料就在個人電腦裡，沒有權限控管、沒有稽核紀錄，人離職檔案就跟著找不到。

這聽起來像很久以前的事，但台灣不少中小企業和傳產的部門現在還是這樣運作。

2. 雲端系統: 資料集中到雲端

雲端化做的事，是把資料從個人電腦搬到雲端系統: 雲端 CRM、雲端 ERP、雲端 BI 報表。

雲端系統: 資料集中，分析和判斷還是人做
業務填雲端 CRM→ 分析師從 CRM 匯出 CSV→ 開 Excel→ 寫公式、拉樞紐分析表→ 畫圖→ 貼到 PPT→ 週會報告

三個手動步驟消失了: 跟業務收檔案、合併不同格式、打電話對數字。因為資料只有一份、存在 CRM 裡，大家看到的數字一樣，這叫單一真相來源(single source of truth)。流程也標準化了: 商機階段怎麼分、多少金額要誰簽核，寫在系統裡而不是靠口頭默契。

但這一層還是沒有 AI。系統只負責記錄和呈現(system of record)，不做判斷。要分析什麼、結論是什麼、下週該做什麼，全部還是人想。分析師的工作從「湊資料」變成「真的在分析」，這已經是很大的進步，但工作量沒有減少。

對後面三層來說，這一層真正的意義是: 雲端系統有 API。 資料在雲端，代表它可以被程式讀取，也代表有帳號、有權限、有稽核紀錄。第 5 節會提到 AI Native 需要「跨系統的資料通道」，那個通道就是建在這一層上面。散在每個人電腦裡的 Excel 檔，agent 讀不到，也沒有權限可以管。

3. AI-enabled: 把 AI 加進既有工作

這就是 Excel 加 Copilot。承接上一節的流程，加了 AI 之後變成:

AI-enabled: Excel + Copilot
業務填 CRM(OCR、語音輔助)→ 分析師匯出 CSV→ 開 Excel→ 問 Copilot→ Copilot 寫公式、做分析、畫圖→ 貼到 PPT→ 週會報告

流程本身沒有變，Excel 還是工作的中心，分析師還是那個分析師，只是變快了。Copilot in Excel 和 Claude for Excel 都是這個定位: AI 在側邊欄裡，用 Excel 內建的功能幫你改工作簿，所有修改都由你掌控(出處: Microsoft、Anthropic)。

上游的「業務填 CRM」也一樣: 人照填，AI 幫忙填快一點，例如 OCR 掃名片和訂單自動帶入欄位、拜訪完用語音口述讓 AI 整理成 CRM 筆記。業務還是要打開 CRM，只是少打很多字。

這一層的共識定義是「每個員工有一個 AI 助理，把同樣的工作做得更好、更快」，收益留在個別任務和孤立的試點裡，核心結構和流程維持不變(出處: Microsoft、Deloitte)。

所以「讓每個員工用 AI 提升生產力」這件事，還不算 AI First，它只是 AI 輔助(augmentation)。

4. AI First: 優先用 AI 處理，自動化整個工作流程

這個詞 2016 年就有了。Google 當年宣布從 mobile first 走向 AI first，隔年補了一句: 這個轉變「迫使我們重新想像我們的產品」(出處: Google 2016 創辦人信、I/O 2017)。重點不是在既有 app 裡加一個 AI 按鈕，而是產品本身跟著 AI 重新設計。

2025 年幾封 CEO 內部信把它變成三條操作規則(出處: Shopify、Duolingo、Opendoor):

  • 預設用 AI: 如果你先打開 Google Sheets 而不是先打開 AI 工具，你就沒有預設用 AI
  • 要人之前先問 AI: 要求增加人力之前，團隊必須先證明為什麼用 AI 做不到
  • 要重新想的是「我們怎麼工作」: 對為人設計的系統做小幅調整不夠，很多情況下要整個重做

這三條講的「重做」是做事的方法，不是要做的事: 目標和交付物還在，換掉的是產出它的過程。下一節 AI Native 我們會連交付物本身都重新思考。

回到銷售週報。AI First 的思維不是「Copilot 協助我做週報」，而是問: 這份週報能不能整個讓 AI 做? 交付物不變，週會還是要有 PPT 和 Excel，但產出的過程交給 agent:

AI First: 優先讓 AI 處理週會報告
Agent 從 email / 通話 / 訂單更新 CRM→ 業務確認→ Agent 分析→ 產出報告(PPT 和 Excel)→ 人審閱→ 週會報告

匯出 CSV、開 Excel、寫公式、拉樞紐分析表這些步驟全部消失，因為那些是「人要做分析」才需要的步驟。人從製作者變成審閱者，Excel 和 PPT 還在，但已經不是人操作的工具，而是 agent 的交付物。

上游的「業務填 CRM」同樣優先讓 agent 處理: 資料早就在 email、行事曆、通話紀錄、訂單系統裡，agent 讀這些來源更新商機階段和聯絡紀錄，業務只確認。CRM 的欄位和格式不變，主管看到的報表也一樣。

5. AI Native: 從目標出發，整個流程重新設計

AI Native 連「工作流是為人設計的」這個前提都拿掉。它的共識定義有三點:

AI 不可拆除。 判斷方式是: 把 AI 拿掉，產品不只無法正常運作，而是根本不再有用。AI 從一開始就是核心元件，不是事後附加的功能(出處: IBM)。

流程不是舊流程跑快一點。 原本拆成多步驟的流程，變成給 agent 一個目標，讓它自己完成。整個營運從一開始就設計成讓 AI 自主執行，從頭到尾由 agent 負責、以結果來衡量。管理者要想的問題從「如何優化流程」變成「如何治理結果」(出處: BCG)。

資料要跨系統打通。 AI-enabled 的 AI 只待在單一應用程式裡(例如只在 Excel 裡)，看不到其他系統的資料。在各自獨立的應用程式上分別加 AI，只會讓資料孤島更多。AI Native 需要把各系統的資料串起來(SAP 叫它「system of context」): 各系統的資料、流程知識、過去的決策紀錄，都讓 agent 安全取用，它才能跨財務、物流、採購做出有意義的行動(出處: SAP)。

回到銷售週報。AI Native 的思維是重新思考週會報告的目標: 為什麼要有這份報告? 因為要維持業績健康。那就直接把目標交給 agent，不需要等每週一次的報告和會議:

AI Native: 給目標、有行動
目標: 維持各區業績健康、每個商機不漏追→ Agent 持續監測 email / 通話 / 訂單等原始事件→ 發現異常(某區業績下滑、某產品退貨明顯增加)→ 查原因、對照政策文件和歷史決策→ 立即行動: 調整報價、通知業務、開單追蹤→ 人監督結果(填 CRM、週報、Excel 都非必要)

週會報告這個交付物本身可能就不存在了: 異常當天就處理，不用等到週會才知道。Excel 在哪裡? 它可能只是 agent 的其中一種輸出: 老闆要看 Excel，那就產一份 Excel。但 agent 不需要像人一樣開 Excel、點欄位、VLOOKUP、拉樞紐分析表、複製貼上。

往上游看，「業務填 CRM」這個動作也不存在了。目標是「每個商機都有人在推進、不漏追」，agent 直接從 email、通話、訂單這些原始事件維護客戶狀態，偵測到客戶三週沒回、報價到期就草擬跟進、提醒業務。CRM 跟 Excel 一樣退成 agent 的狀態儲存，不再是人操作的介面。週報是下游的輸出不需要人做，CRM 是上游的輸入不需要人做，兩端都拿掉之後，中間的分析本來就是 agent 在做，整條鏈就沒有為人設計的步驟了。

業界共識: 四件事

分水嶺是「任務 → 工作流 → 營運模式」

AI 這三層真正的差別不是「用了多少 AI」，而是你願意重新設計多大的範圍:

  • AI-enabled: 改的是個別任務(task augmentation)
  • AI First: 改的是工作流程(workflow redesign)
  • AI Native: 改的是整個營運模式(operating model redesign)

用「人和 AI 各負責什麼」來說:

  • AI-enabled: 人的工作流 + AI
  • AI First: 人與 AI 共同的工作流
  • AI Native: Agent 的工作流 + 人的監督

AI First 和 AI Native 最容易混，用一句話區分: AI First 是讓 AI agent 自動化整個既有流程；AI Native 是整個流程重新思考。

AI First 的「既有」是關鍵: 目標、交付物、節奏都不動，週會還是每週開、PPT 和 Excel 還是要交，只是執行者從人換成 agent，人退到審閱。流程的形狀會簡化，但流程本身還在。

AI Native 則是回頭看: 當初的流程是為了人而存在的。人需要分段處理資訊，先看到數字、才能判斷、才能行動，所以需要報告和會議這些中間步驟。有 agent 之後，可以重新看目標是什麼，把目標交給 agent，讓它監測、判斷、行動一次做完，人只看結果。原本那些為了人而存在的中間步驟，可能就不需要了。

AI Native 要成立，有兩個前提。第一，agent 要拿得到跨系統的資料和權限(CRM、定價政策、歷史決策)，沒有這些，agent 只能寫報告、不能行動，這是下面第三點要講的。第二，人的角色從「審閱交付物」變成「監督結果」: 設定目標、劃定界線(例如異常三天內處理、報價調整幅度上限)、追蹤成效，這是第四點。

AI 這三層不是成熟度高低，也不是每個工作都該做到 AI Native。一次性的分析用 Copilot 就夠了；重複性高、跨多個系統、有明確成效指標的工作，才值得花力氣重新設計。而且這不是線性進程，同一個組織裡不同的工作會同時落在不同層。

Excel 不會消失，消失的是「操作 Excel」

AI Native 不代表沒有 Excel。比較準確的說法是 Excel 可能還在，但它不再是工作流的中心，只是 agent 的一種輸出格式。

Gartner 把這個現象叫「agentic arbitrage」: 當 agent 能跨多套系統完成任務，使用者就不需要自己打開各個軟體操作，agent 直接交付結果，軟體介面變得不重要了(出處: Gartner)。ERP 的例子跟 Excel 週報一模一樣: 傳統是「登入、瀏覽選單、搜尋資料、跑報表、匯出 Excel、分析、決定、行動，大部分工作都是人在做」；agentic app 則是 AI 理解資料、排出優先順序、主動告訴你該怎麼做，「不是貼了一個聊天機器人的傳統應用程式，也不是加了 AI 摘要的儀表板」(出處: Oracle)。

資料通道是基礎設施，不是把所有資料丟給 AI

AI Native 常被簡化成「讓 AI 存取全部資料」，但重點不是量大，而是 AI 能安全、有權限地取用它需要的資料: 使用者身分、操作權限、公司知識庫、歷史決策紀錄、可用的工具和 API。給 AI 的是「跟當前任務相關、且經過授權」的資料，不是全部。

Agent 完成有意義的工作需要三樣東西(出處: OpenAI): 相關資料(context)、工具、持續性(persistence，持續執行直到任務完成)。真正的競爭優勢在於你有什麼業務資料: 「前沿模型人人都拿得到，業務脈絡不是。」(出處: SAP)

人沒有消失，從執行變成監督

AI Native 不等於沒有人。以 Anthropic 自己的工程團隊為例，寫程式不再是瓶頸之後，驗證和 review 變成瓶頸，人的專業沒有消失，只是換了位置(出處: Anthropic)。這個新位置有個名字叫「Agent Steward」: 監督結果，而不是執行任務(出處: Gartner)。

Klarna 是最常被引用的反例: 2024 年宣布 AI 助理處理了三分之二的客服對話、相當於 700 個全職客服，2025 年 5 月 CEO 承認做過頭了: 「成本不幸成了過於主導的評估因素，結果就是品質變低」，之後改成 AI 處理例行工作、人負責高價值客服的混合模式(出處: Klarna 新聞稿、Bloomberg 採訪)。這件事反對的不是 AI 自動化客服，而是「以成本為唯一目標、把人全部拿掉」的做法。

小編的觀察: AI First 個人就能做，AI Native 一定是組織的事

AI-enabled 和 AI First，個人就能做。分析師自己用 Copilot，或自己寫一個 agent，用手上拿得到的資料把週報從頭到尾做完，其他人的工作方式完全不受影響，週會照開、PPT 照交，不用等公司政策。

AI Native 不一樣。週報沒了、agent 直接調報價、異常當天處理，業務主管、業務、財務的工作方式都跟著變，而且要給 agent 跨系統的存取權限，還要有人為 agent 的行動負責。這些只有組織能決定。

還有一種「沒有感」是更前面的問題: 公司其實還在第 1、2 層。資料留在各自的電腦裡，或者已經進了雲端系統但只拿來查詢和跑報表，這時候買 Copilot 授權發給每個人，能改善的只有打字速度。AI Native 要的跨系統資料通道，前提是那些系統先存在、而且資料真的拿得到。

這也解釋了為什麼很多公司(特別是傳產)覺得 AI 導入「沒有感」: 個別任務變快了，但核心業務沒有差異，需要的人力一樣多，省下來的時間被其他工作吸收，財報上看不出來。業界數據也是這樣: 2025 年全球投入 AI 超過 2500 億美元，只有 25% 的公司說有轉型程度的影響(出處: WEF)；全公司推的 copilot 收益「分散、難以衡量」(出處: McKinsey)；聊天機器人式導入只有 10-20% 的生產力提升，用 AI-first 原則重新設計的才有 200-400%(出處: PwC)。差距這麼大是因為 10-20% 只是讓個別步驟變快(例如 Copilot 幫寫公式)，流程的步驟數和所需人力沒有減少；200-400% 是整段流程重新設計後，很多步驟直接消失，原本一個人花半天做的週報，agent 幾分鐘做完，人只花十分鐘審閱。

但 200-400% 講的還是單一流程的速度。AI Native 真正有感的差異在結構指標: 流程週期、成本結構、人均產出。BCG 的數據是，做完端到端流程重新設計的客戶，生產力是原本的三倍、流程週期縮短 80%、長期成本降低 60% 以上(出處: BCG)。Anthropic 工程團隊是一個具體案例: 約 80% 合併的程式碼由 Claude 撰寫，工程師人均每季產出是 2021-2025 年的 8 倍，人的角色變成指揮、驗證和核准(出處: Anthropic)。

要做到這樣，流程、權限、角色、KPI 都要跟著調，除非領導層由上而下推，否則不會發生。具體來說，領導層要決定三件事: 哪些流程值得重新設計；agent 可以存取哪些資料和系統；agent 的行動由誰負責、界線在哪裡(例如報價調整幅度上限、超過多少金額要人核准)。這三件事沒有一件是個別部門能自己決定的。

一個判斷題

想知道自己的團隊在哪一層，用一個問題就夠了:

「如果 AI 的能力從第一天就存在，我還會把這個工作流設計成現在這樣嗎?」

答案是「不會」，那你現在做的就只是把 AI 加進舊流程。這個練習叫「歸零重新設計」(zero-basing): 不從現有流程出發，而是問「如果我們用 AI 從零開始建這個東西，會有什麼不一樣?」(出處: PwC)

用五句話收:

  1. 單機作業: 資料在你的電腦裡，工作靠人湊
  2. 雲端系統: 資料在雲端系統裡，工作靠人做
  3. AI-enabled: AI 協助你工作
  4. AI First: 優先讓 AI 做這個工作
  5. AI Native: 假設 AI 會做這個工作，重新設計工作

參考連結

本文的說法出自以下來源，依出處整理:

定義與框架

AI First 的起源與企業實踐

產品與組織案例