企業 AI 落地：BA 點樣評估同推 AI 專案

2026-08-02 · 職涯 × AI · Eric Cheung

前言：AI 落地嘅樽頸，唔係技術

快速結論（TL;DR）

• 企業 AI 專案死因通常唔係技術，而係「值唔值得做、做唔做得成、點解要而家做」——呢三樣正正係 BA/PM 嘅主場。
• 揀題要由痛點出發：頻率高、規則模糊、後果可接受嘅任務先啱做第一個 AI 專案。
• ROI 唔需要精準財務模型：而家成本 × 保守嘅 50% 自動化比例已經夠用，仲要計埋人工 review 嘅隱藏成本。
• POC 要細、要快（兩星期有結果）、要預先寫低成功標準；失敗都要寫低原因，好多時只係場景揀錯。
• 過審批要準備三樣嘢：業務價值故事、風險控制方案同試行計劃；數據安全通常係最大關卡，越早入方案越好。

好多企業老闆見到 ChatGPT 咁勁，第一反應係「我哋都要上 AI」。但幾個月之後，大部分專案都無聲無息咁死咗。問題通常唔喺模型能力，而係三樣嘢：值唔值得做、做唔做得成、點解要而家做。而呢三樣嘢，正正係 BA/PM 嘅主場。

我成日見到嘅情況係：IT 團隊想試新技術，但講唔出業務價值；業務部門想要「好似 ChatGPT 咁」嘅嘢，但講唔出具體場景。中間缺少嘅，就係一個識得喺兩邊翻譯嘅人。

第一步：問題優先，唔好技術優先

最大嘅陷阱係由「我想用 AI」開始。正確嘅起點係：我哋有咩痛點？用返你做需求訪談嘅方法，問清楚而家個流程點運作、邊度最花時間、邊度最易錯。

• 頻率高 — 每日或者每星期都要做，先值得自動化
• 規則模糊 — 好難用傳統 if-else 寫死，先顯到 AI 嘅價值
• 後果可接受 — 出錯唔會即刻出事，適合做第一個專案

反面教材：一次過嘅低頻任務、零容錯嘅核心交易流程、法規要求人手簽名嘅步驟，都唔適合做第一個 AI 專案。唔係做唔到，而係 ROI 同風險唔成正比。

第二步：計一個「夠用就得」嘅 ROI

好多 AI 專案死喺「計唔到回報」度。其實唔需要精準財務模型，一個簡單算式已經夠用：

而家成本 = 每次花嘅時間 × 每星期次數 × 人工時薪 × 4
AI 慳到 = 而家成本 × 估計可自動化比例（保守啲，用 50%）

例子：每次 30 分鐘 × 每日 10 次 × $150/小時 × 22 日 = $16,500/月
AI 慳到（50%）= $8,250/月 → 兩三個月已經回本

記住計埋隱藏成本：數據整理嘅時間、prompt 調校、模型 API 費用、同埋最重要嘅——人工 review 嘅時間。AI 唔係 100% 準，你預留 20% 嘅 output 要人睇過先可以出街。

第三步：POC 要細、要快、要預先寫低成功標準

唔好一嚟就做生產級系統。兩個星期內做到嘅小 POC，已經足夠令 management 睇到價值。

• 揀一個具體場景 — 一個流程、一個部門，唔好貪多
• 兩星期有結果 — 太耐就失焦，management 會走晒
• 成功標準預先寫低 — 慳幾多時間、準確率幾高，白紙黑字

記住：POC 失敗唔等於 AI 唔掂，好多時只係場景揀錯。將失敗原因寫低，一樣係成果。

第四步：內部推銷 — 過 budget 同審批嘅實戰

到呢度就係 BA 嘅 stakeholder 溝通技能出場。要過 budget 同 IT 審批，你要準備三樣嘢：

• 業務價值故事 — 唔好講技術，講「慳咗幾多時間／錢」
• 風險控制方案 — 數據去邊、點樣保護、出錯點算，主動答
• 試行計劃 — 邊個部門先用、行幾耐、點樣驗收，令 decision maker 容易 say yes

數據安全通常係最大關卡。好多企業要嘅唔係「最強嘅模型」，而係「數據唔出公司」嘅方案。你越早將呢個問題放入方案，審批就越快過。

第五步：上線之後 — 度量、迭代、擴大

POC 成功只係開始。上線之後要持續睇住三個數字：

• 實際慳咗幾多時間 — 同 POC 估算比對
• 錯誤率 — 高過預期就要收窄 scope 或者加 review 步驟
• 用戶採用率 — 同事唔用，幾勁都係白做

第一個成功案例企穩之後，先好擴大去第二個場景。將成功數字包裝成內部 case study，之後嘅專案會易推好多。

總結：AI 落地，係 BA/PM 嘅主場

企業 AI 落地從來唔係純技術問題，而係評估、執行、推銷三合一嘅問題。需求分析、ROI 計算、stakeholder 溝通、風險管理——每一樣都係 BA/PM 每日做緊嘅嘢。你唔需要識訓練模型，你只需要將你嘅專業技能，搬去一個新領域。

Written by Eric Cheung · 職涯 × AI 系列