95%的AI專案沒有回報，為什麼「無聊」的公司反而賺到錢了？

作者：深思圈

你有沒有發現一個矛盾的現象？一邊是鋪天蓋地的AI成功故事，融資消息滿天飛，各種AI產品每天都在發布。另一邊卻是企業真實的困境：IBM的研究顯示75%的AI解決方案沒有帶來預期的ROI（投資報酬率），MIT的報告更慘，95%的AI專案沒有任何可衡量的報酬。這個巨大的鴻溝到底是怎麼回事？為什麼看起來如此光鮮亮麗的AI技術，落地時卻如此艱難？

前幾天我看了一個視頻，是Ben分享的關於2026年AI商業模式的深度分析。 Ben自己經營AI agency（AI代理商）和AI軟體業務已經超過兩年，他的觀察讓我產生了很多共鳴。他指出了一個被很多人忽視的現實：那些真正賺錢、真正為客戶帶來價值的AI業務，往往不是那些看起來最酷炫的純產品公司，而是那些看起來"很無聊"的、提供服務+產品組合的企業。這個觀點徹底顛覆了我對AI創業的認知。

為什麼大部分AI解決方案都失敗了

Ben在影片中提到了一個令人震驚的數據對比。雖然ChatGPT的使用率正在快速成長，企業也瘋狂嘗試各種AI解決方案，但真正能看到商業價值的卻少之又少。根據MIT的研究，在供應商銷售的AI解決方案中，只有5%的試點計畫最終進入了生產環境。 Deloitte（德勤）發現只有15%的組織表示他們從AI中獲得了顯著的、可衡量的ROI。 PWC（普華永道）報告顯示76%的企業還沒有看到利潤影響。這些數字實在太糟糕了。

但同時，我們也看到了完全相反的案例。 Clara報告說他們的AI助理幫助削減了40%的客戶服務成本，而且沒有降低客戶滿意度。 Intercom每週解決超過一百萬次客戶支援對話。 Freshwork使用AI將IT幫助台的工單解決時間減少了76%。同樣是AI，為什麼有些公司能獲得如此驚人的回報，而其他公司卻顆粒無收？

Ben總結了三個關鍵因素，我覺得說得非常到位。第一個因素是客製化和流程重組。 AI能夠自動化勞動力，但它只能在真正嵌入實際工作流程中創造ROI，而不是簡單地在工具堆疊中添加另一個工具。這意味著通常需要一定程度的客製化、集成，甚至重新設計現有流程。勞動力是與公司的獨特數據、邊緣案例、工具以及對"什麼是好"的定義緊密相關的。 McKinsey（麥肯錫）的一項研究證實了這一點，他們發現在測試的25個屬性中，為AI重新設計和定制工作流程對組織是否能從生成式AI解決方案中看到實際EBIT（息稅前利潤）影響的影響最大。

我對這點深有體會。很多企業以為買一個AI工具就能立即見效，就像買一個Excel軟體一樣。但AI不是這樣運作的。每個公司的資料結構不同，業務流程不同，品質的定義也不同。如果不進行深度客製化，AI就像一個不了解公司狀況的新員工，根本無法勝任工作。這就是為什麼那些開箱即用的AI產品往往效果不佳，而那些經過深度客製化的解決方案才能真正創造價值。

第二個因素是團隊訓練和思維轉變。 Ben強調，AI是一項新技術，傳統軟體是確定性的（deterministic），而AI軟體是機率性的（probabilistic）。人們需要重新學習如何批判性地看待AI軟體的輸出，而不是盲目信任。很多人看到一次錯誤輸出就認為這個AI解決方案不成熟，而不是理解這項新技術的本質。如果團隊不學會如何使用AI軟體，如何評估輸出，何時驗證，什麼是好的結果，公司內部的採用率往往會死掉。

Ben提到了一個很好的例子，他們的AI SEO軟體是一個產品化的解決方案，但如果不培訓團隊如何使用系統本身以及如何與AI協作，它就無法被正確採用。我覺得這點特別重要，因為它揭示了一個很多人忽略的真相：AI不是魔法，它需要人類學會如何與之合作。就像當年從命令列介面轉向圖形介面時，使用者也需要學習新的互動方式。現在從傳統軟體轉向AI軟體，同樣需要一個學習曲線。

第三個因素是持續營運和人工監督。由於AI解決方案通常承諾交付結果而不僅僅是生產力工具，這意味著通常需要有人負責並擁有系統的運作。工作在變化，業務在變化，AI發展得非常快。所有這些因素意味著通常需要有人監控質量，成為人工循環（human in the loop）的一部分，處理邊緣案例，收緊護欄，更新提示詞和邏輯，並且總體上保持它與業務的一致性。

Ben把AI比喻為一個聰明的實習生，它仍然需要手把手的指導和輔導才能產生結果，而不是一個可以設定後就忘記的軟體。我非常認同這個比喻。許多企業期望AI能像傳統SaaS（軟體即服務）一樣，部署後就能自動運作。但AI更像是僱用了一個員工，需要持續的管理、回饋和調整。 Gardner的一項研究也支持這一點，定期進行AI系統評估和優化能夠將獲得高價值的可能性提高三倍。

成功的AI業務都在做什麼

那麼成功的AI業務是如何確保這些因素得到滿足的呢？ Ben的答案很簡單也很重要：通常是透過在AI解決方案或AI軟體之上添加服務層（service layer）。這就是那個"無聊"但極其有效的商業模式的核心。我們看到所有類型的成功AI業務，使用AI原生軟體的企業，都在越來越多地提供諮詢、教育和客製化實施的組合。

Ben詳細分析了幾種主要的商業模式。第一種是AI新創公司和AI軟體業務越來越多地設有諮詢部門。 Forward deployed engineers（前置部署工程師）或solution engineers（解決方案工程師）現在是AI新創公司中最搶手、價值最高的職位之一。有數十家Y Combinator新創公司正在透過這些前置部署工程師提供這些服務，以確保部署真正發生。這些工程師根據解決方案的不同，幫助持續優化並將產品整合到每個特定業務中。他們有時會提供諮詢，幫助企業優先排序和重新規劃流程，有時則教育和培訓團隊如何與AI協作並有效地使用這些工具。

我看了一下Ben提到的那些Y Combinator公司，Harvey AI、Strata AI、Sakana、Collectwise、Furai等等，他們都在大量招募這類角色。即使是大公司如n8n、Relevance AI或Make.com，他們通常也為大客戶提供服務部門，並擁有可以為小客戶提供這類服務的合作夥伴網路。想想n8n的成功，很大程度上是因為有YouTube上的部落客教育了許多企業主如何實際使用這些工具。這說明了什麼？說明即使是最好的產品，也需要教育和服務層才能真正發揮價值。

根據具體軟體的不同，有些更傾向於客製化服務，有些則傾向於培訓賦能，有些則更傾向於諮詢。有時是三者的混合，但對於幾乎所有這些AI原生軟體業務來說，這個服務層仍然是向企業交付真正ROI所必需的。這徹底打破了我之前對軟體業務的理解。在傳統SaaS時代，最成功的商業模式是完全自助、可擴展的產品。但在AI時代，即使是最好的產品也需要服務層的支持。

第二種商業模式是AI優先的服務機構（AI-first service agencies），例如行銷或潛在客戶開發機構，它們在內部流程中大量使用AI來自動化向客戶提供的服務。 Ben提到了Called IQ，這是一家AI優先的潛在客戶開發機構，使用AI自動化一些內容、電子郵件和LinkedIn外展流程，透過客戶經理或GTM engineers（進入市場工程師）來提供這些服務。這些機構有一個優勢，因為他們自己就是AI操作員。所以通常不需要訓練客戶團隊使用AI軟體。但這本身就是一個服務業務，提供諮詢和客製化策略，通常透過這些客戶經理來完成，他們越來越需要變得更加技術化，這就是為什麼AI GTM工程師成為一種新型的、高需求的職位。

我覺得這種模式特別聰明。與其試圖說服客戶改變他們的工作方式，不如直接為他們提供結果。客戶不需要學習如何使用AI，他們只需要看到更好的行銷效果或更多的潛在客戶。這種模式把AI的複雜性完全隱藏在服務背後，客戶購買的是結果，而不是工具。這也解釋了為什麼許多傳統服務機構透過引進AI可以大幅提高利潤率，因為他們的交付成本降低了，但客戶支付的價格並沒有相應降低。

第三種是能夠為企業提供最大ROI並獲得最多牽引力的AI自動化機構（AI automation agencies）。這些機構不只是專注於構建，而是成為企業的AI合作夥伴，提供完整的服務層，包括透過AI審計提供諮詢、客製化實施和團隊培訓，教導他們如何有效率地與這些系統合作。在這些機構中，非常有價值的職位是delivery managers（交付經理），他們具有業務理解、AI技術和溝通能力的綜合素質。他們可以持續諮詢、重新規劃流程、發現低效環節、訓練團隊並配置AI操作員。

Ben分享了他自己的經歷很有啟發性。當他剛開始做agency時，他們更專注於實施部分，這經常導致AI解決方案不被公司使用或採用。後來他們採用了一種將策略、教育和實施相結合的方法，並引入了這些交付經理。從那時起，他們為企業創造的採用率和ROI就高得多。這個轉變非常關鍵，它說明了一個道理：技術實施只是成功的一小部分，真正的價值在於確保解決方案被正確使用並產生結果。

第四種高價值的角色是AI officers（AI官員）或fractional AI officers（兼職AI官員），他們具有業務敏銳度和AI技術理解的綜合技能集，可以為企業提供同樣的服務組合，幫助企業在AI時代轉型。 Ben提到這個角色有很多名字，例如fractional AI officer或AI transformation officer（AI轉型官員），但歸根結底是那些擁有特別高價值技能集的人，能夠從AI解決方案中為企業帶來真正的ROI。

產品和服務的界線正在模糊

Ben的一個核心觀點讓我印象特別深刻：即使我們現在可以用Claude Code在幾小時內建立出色的軟體，但如果想要建立一個AI產品業務，大多數時候（不是所有時候，但大多數時候）你需要大量投資於提供服務。很多人把產品和服務看作非黑即白，但Ben認為在AI領域這更像是光譜。可能有一些完全自助服務的AI SaaS，也有一些像AI轉型機構那樣完全客製化的。

我完全同意他的觀點。 Ben的論點是，大多數試圖在2026年起步的AI業務，無論商業模式如何，都需要增加服務層的某些部分。因為即使你有一個完全自助服務的產品，你可能也需要大量投資教育和入門培訓。隨著像Claude Code這樣的工具的出現，產品建置正在變得越來越民主化。雖然在SaaS時代產品很難構建，但現在讓一個成功的AI SaaS起步，已經不再是關於程式碼，而更多是關於AI部署能力。

這個洞察非常深刻。它意味著技術門檻正在降低，但服務門檻正在提高。過去，能寫程式就能創造很大價值，因為寫程式很難。現在，能寫程式碼已經不夠了，因為AI可以幫你寫程式碼。真正有價值的是理解客戶需求、設計正確的解決方案、確保它被正確部署和使用。這些都需要深厚的服務能力，而不僅僅是技術能力。

Ben說很多人夢想著建造一個AI產品，保持精簡，然後賣給成千上萬的人。但對於大多數沒有多年創業經驗、VC connections（創投關係）或矽谷人脈的人來說，現實是即使提供服務不是最終目標，它們也是今天交付真正ROI的最快路徑。而且服務也是產品化的最佳載體。當同樣的模式在不同客戶之間重複出現時，相似的工作流程調整、相似的整合、相似的訓練問題和重複的ROI，它們就成為了應該重複且產品化的訊號。

我覺得這是最重要的觀點。好的產品通常來自證據，而不是假設。 A16Z（Andreessen Horowitz，一家頂尖VC公司）也發表了一篇關於AI時代產品導向成長（product-led growth）與服務導向成長（service-led growth）的文章。他們看到同樣的趨勢：能夠提供最大ROI並獲得最多長期收入的企業是採用服務導向的AI業務。儘管這可能意味著在開始時利潤率較低、工作量更大，但通常意味著你能更快找到產品市場契合度（product-market fit）。

Ben用他自己的AI SEO軟體作為例子。他們為多個客戶建立了客製化的SEO系統，以了解產品需要什麼、什麼真正能產生結果、需要哪些整合、如何讓人們有效率地使用它。透過這個過程，他們能夠越來越多地將解決方案產品化。但即使在與100多家企業合作過這個軟體之後，他們仍然需要對每位客戶在教育和培訓方面進行大量投資，才能從這些解決方案中獲得實際結果。

我對AI商業模式的深度思考

聽完Ben的分享後，我對AI商業的本質有了更深的理解。我認為我們正在經歷的不僅是技術變革，更是商業模式的根本轉變。在傳統軟體時代，scalability（可擴展性）是王道。最成功的軟體公司是那些能夠以最低的邊際成本服務最多客戶的公司。這就是為什麼SaaS模式如此受追捧，因為一旦軟體開發完成，服務一個客戶和服務一萬個客戶的成本幾乎相同。

但AI改變了這個遊戲規則。 AI的價值不在於軟體本身，而是它如何被應用在特定的業務場景中。每個企業的資料不同、流程不同、目標不同，這意味著同一個AI工具在不同企業中的部署方式和效果可能完全不同。這就是為什麼客製化和服務層變得如此重要。我們不能再用傳統軟體的思維來思考AI業務。

我覺得AI業務更像是顧問業和軟體業的混合體。它需要諮詢業的客戶洞察和客製化能力，同時也需要軟體業的技術能力和規模化潛力。那些試圖走純產品路線的AI公司往往會遇到adoption（採用率）問題，因為他們的產品雖然技術上很先進，但客戶不知道如何使用或無法整合到現有流程中。而那些走純服務路線的公司雖然能滿足客戶需求，但缺乏規模化的能力，利潤率也受限。

最成功的AI業務模式是在這兩者之間找到平衡。 Ben提到的那些成功案例，無論是Y Combinator的AI新創公司、AI優先的服務機構，或是AI自動化機構，它們的共同點是都提供了產品和服務的組合。它們用產品來提供核心功能和可擴展性，並用服務來確保產品被正確部署和使用。這種混合模式可能在短期內利潤率較低，但長期來看卻更永續，因為它真正為客戶創造了價值。

我還注意到一個有趣的趨勢：AI時代的高價值職位都是複合型的。不再是純粹的工程師或純粹的業務人員，而是那些既懂技術又懂業務的人。 Forward deployed engineers需要理解客戶的業務流程，AI GTM engineers需要既懂技術實現又懂市場策略，delivery managers需要有業務理解、技術能力和溝通技巧，AI officers更是需要全方位的能力。這反映了AI業務的本質特徵：技術和業務的深度融合。

從創業角度來看，我認為Ben的建議非常實用。對於想要進入AI領域的人，不要一開始就想著要做一個scalable的產品。先從提供服務開始，透過服務深入理解客戶需求、累積經驗、發現可重複的模式。當你為10個客戶解決了同樣的問題後，你就知道什麼值得產品化了。這種從服務到產品的路徑雖然看起來"無聊"，但卻是最穩健、最有可能成功的。

我也思考了為什麼傳統的產品思維在AI時代失效了。我認為根本原因在於AI的機率性本質。傳統軟體是確定性的，給定相同的輸入，總是產生相同的輸出。但AI是機率性的，相同的輸入可能產生不同的輸出，而且輸出的品質取決於許多因素，包括訓練資料、提示詞、上下文等。這種不確定性意味著AI不能像傳統軟體那樣"設定後忘記"，它需要持續的監督、調整和優化。

這就解釋了為什麼服務層如此重要。服務層提供的不僅是技術支持，更是一種持續的最佳化和調教過程。就像Ben說的，AI更像是一個聰明的實習生，而不是一個自動化工具。你需要給它回饋，調整它的行為，處理它的錯誤，教它新的技能。這個過程不是一次性的，而是持續的。這就是為什麼那些只賣產品不提供服務的AI公司很難成功，因為他們把這個持續優化的責任推給了客戶，而大多數客戶沒有能力或意願來承擔這個責任。

對未來的展望與建議

基於Ben的分析和我自己的思考，我對AI業務的未來有幾個判斷。短期內（未來2-3年），服務導向的AI業務模式將持續占主導地位。科技還在快速演進，每個企業的需求都不同，standardization（標準化）還沒形成。這個階段，能夠提供深度客製化和持續支援的企業將獲得最大的價值。

中期來看（3-5年），我們會看到一些成功的模式開始產品化。那些在服務過程中發現了可重複模式的企業，會開始將這些模式固化為產品功能。但即使在這個階段，完全自助服務的AI產品仍然會是少數，大部分成功的AI企業仍然會保留一定的服務成分。就像現在的企業軟體市場，雖然有Salesforce這樣高度產品化的公司,但它們仍然有龐大的實施夥伴網路和專業服務團隊。

長期來看（5年以上），AI技術會變得更加成熟和可靠，使用者也會變得更加熟悉如何與AI合作。這時候，我們可能會看到更多完全產品化的AI解決方案出現。但我認為服務層永遠不會完全消失，因為業務的複雜性和多樣性是永恆的。即使AI變得更智能，企業仍然需要協助將AI整合到他們獨特的業務流程中。

對於想要進入AI領域的專業人士，我的建議是培養複合型能力。不要只學技術或只學業務，而是要兩者兼顧。學習一些AI自動化工具，像是n8n、Make.com，也學習一些coding，像是Claude Code。但同時也要培養業務洞察力，學會辨識企業痛點，設計解決方案，與客戶溝通。這種複合能力在未來會非常值錢。

Ben建議專業人士應該慢慢將自己定位為所在企業的AI操作員或AI官員。開始自動化自己的一些流程，擴展到業務中的其他流程，向團隊中的其他人展示和培訓如何使用AI。這不僅會讓你在當前公司變得不可取代，還會為你建立AI時代的寶貴技能集。我非常認同這個建議，因為AI不會取代人，但會使用AI的人會取代不會使用AI的人。

對於想要創業的人，Ben的建議是從AI agency或fractional AI officer開始。因為你會自然而然地建立起這三項技能：諮詢、實施和訓練。工具可以在幾週內學會，但這些技能需要在實踐中累積。而且大多數企業都落後於AI趨勢，只要你比他們領先幾週，他們就願意長期與你合作。通常只需要2到4個客戶就能達到每月1萬到2萬美元的經常性收入。

如果你已經在經營AI agency，Ben建議真正投入提供服務組合：諮詢、訓練和實施。許多機構純粹專注於實施，但增加透過AI審計、workshop（研討會）和培訓來提供的諮詢和培訓層，才是真正推動你所建立的解決方案產生ROI的關鍵。而且你可以讓這些客戶簽訂長期合作協議，這是這種商業模式中經常性收入的關鍵。

如果你是現有的服務機構，例如行銷機構或潛在客戶開發機構，或是在這類領域有經驗，你也處於一個很好的位置。不要因為外面的炒作而猶豫是否要轉向AI agency或建立AI產品業務。如果你能夠在內部利用AI來提供企業行銷或潛在客戶開發服務，你就能建立一個非常好的高利潤率業務。關鍵是要認識到AI可以大幅降低你的交付成本，而不是完全改變你的商業模式。

如果你是一個正在努力獲得牽引力的AI產品業務，Ben建議真正考慮在幾個月或幾年內大量投資於服務層，然後再完全嘗試產品化。我覺得這個建議特別重要，因為很多AI新創公司失敗不是因為產品不好，而是因為他們太早追求規模化，忽略了服務的重要性。先透過服務證明價值，找到product-market fit，然後再考慮規模化。