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

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，三種思維下怎麼做，一看就明白。

三層對照表

  AI-enabled (Copilot) AI First 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
主要執行者 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 怎麼拿到資料 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 的位置 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. AI-enabled: 把 AI 加進既有工作

這就是 Excel 加 Copilot。原本的流程是:

原本的流程
業務填 CRM→ 分析師匯出 CSV→ 開 Excel→ 寫公式、拉樞紐分析表→ 畫圖→ 貼到 PPT→ 週會報告

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)。

2. 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 幫我做週報」，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。

3. 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」

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。

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。

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)

用三句話收:

  • AI-enabled: AI 幫你做工作
  • AI First: 優先讓 AI 做這個工作
  • 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