很多公司這一年都在「導入 AI」，但同仁的真實感受常常是：帳號有了、工具有了，工作還是一樣多。微軟 7 月 28 日發的年度回顧文，一口氣攤出 15 家企業的落地數字——英國 NHS 每天替醫護省下 43 分鐘、周大福上線 400 多個 AI agent、EY 15 萬人生產力提升 15%。這篇把它拆開來看：真的做起來的公司，到底跟「還在試玩」的差在哪。
先講這篇是誰發的
來源是微軟官方部落格 2026 年 7 月 28 日的文章〈Looking back on Microsoft's FY26: From AI experimentation to Frontier Transformation〉，作者是 Judson Althoff，微軟商用事業的執行長。這是微軟自己的財年回顧，等於把過去一年客戶端的成果整理成一份成績單。
他在文章裡的定調是這句：
「Throughout this past fiscal year, customers across every industry and segment moved from AI experimentation to deploying AI for real-world business outcomes.」（這個財年，各行各業的客戶都從「試用 AI」走到「用 AI 換到真實的商業成果」。）
關鍵字就是 experimentation（試玩）→ real-world business outcomes（真實成果）。這也是我最近在課堂上一直被問到的那條線：我們公司到底走到哪了？
為什麼很多人覺得「公司導入 AI，但我沒感覺」
我自己的觀察是，卡住的點幾乎都不是模型不夠強，而是三件事沒補上。
第一，是「全公司一起玩」。開了帳號、發了公告、辦了一場說明會，然後就沒有然後了。每個人各自試各自的，沒有一個具體的工作被真的做穿。
第二，是 AI 不認識你。每次打開對話框都要重新解釋一次「我是誰、我們公司在幹嘛、這份文件給誰看」，解釋的時間比自己做還久，久了大家就懶了。
第三，是 AI 只能出一張嘴。它幫你把 Email 草稿寫得很漂亮，你還是要複製、貼到信箱、按送出；它幫你算好 Excel 公式，你還是要自己貼回去。這種「產出靠 AI、執行靠人」的模式，省下的時間會被複製貼上吃掉一大半。
真的做起來的公司，數字長這樣
微軟這篇最有價值的地方，是它把客戶端的數字寫得很具體。我挑幾個跟一般人工作場景比較接近的：
- 英國 NHS England：超過 50 萬名臨床人員與員工導入，試辦期間平均每天省下 43 分鐘的行政時間。
- 周大福（Chow Tai Fook）：上線400 多個 AI agent，核心流程效率提升超過 70%，銷售轉換率提升 57%。
- EY：15 萬名員工，生產力提升 15%、前置時間快 95%、財務成本降 37%、人工作業量降 90%。
- ASM（半導體設備商）：事件分流時間降 68%，筆電問題調查從 25 分鐘縮到 8 分鐘，每週省下 337 小時。
- Banco Popular Dominicano：即時營運風險覆蓋率從約 40% 拉到 100%，分析量放大 7 倍、人工作業減少 70%、準確率 98%。
- Navien：一年省下 28,000 小時，32% 的員工開始自己做資料分析，五年估計省下 140 萬美元。
- Grandiose Supermarkets（超市）：轉換率提升 31%、客單價提升 20%、購物流程加快 40%。
- SimCorp：三年 ROI 134%，每人每週省 10 小時。
你會發現一件事：這些數字都不是「AI 幫我們變得更創新」這種空話，而是某一個具體動作，從 X 分鐘變成 Y 分鐘。25 分鐘變 8 分鐘、每天 43 分鐘、每週 10 小時。這就是「試玩」跟「真的在做事」最好認的差別。
微軟自己怎麼分這三層
文章裡把微軟現在的產品線收成三塊，我用人話翻一次：
- Copilot——把 AI 放進「人本來就在做的事」裡面，Word、Excel、Teams 裡直接用，不用另外開一個網站。
- Microsoft IQ——把公司的知識餵給 AI，同時管好誰能看到什麼。也就是前面說的「讓 AI 認識你們公司」。
- Agent 365——管理 AI agent 的平台。當公司裡有 400 個 agent 在跑的時候，你要知道它們是誰、在做什麼、有沒有出包。
這個排法其實很誠實：先讓人用得到（Copilot）、再讓 AI 懂公司（IQ）、最後才是讓 AI 自己跑（Agent 365）。順序反過來做，通常會很痛。
從「試玩」到「真的有用」，差的是這 3 件事
1. 挑一件具體的工作先做穿。 看那些有數字的案例，沒有一家是「全公司都變聰明」，都是「事件分流」「風險稽核」「客服回覆」這種可以被計時的單一工作。你能講出「原本要幾分鐘、現在幾分鐘」，這件事才叫做成了。
2. 給足 Context。 我一直覺得 Prompt 怎麼寫已經不是重點了，重點是你給 AI 的背景夠不夠。我自己的做法很土：把跟我有關的事情盡量記下來，再請 AI 幫我記住——我的工作內容、常合作的對象、正在跑的案子、我的寫作習慣。背景累積夠了，它就不是每次從零開始的聊天機器人，而是一個知道我狀況的助理。企業版的做法就是微軟講的 Microsoft IQ，把公司知識變成 AI 的大腦。
3. 把工具接上去。 Agent 除了大腦還要有手腳。能連 Gmail，它才能真的幫你把回信放進草稿夾，而不是叫你複製貼上；能存取資料夾，它才能幫你把出遊的照片依日期分好類。我最近甚至在測試讓 AI 幫我剪影片——我說我不喜歡現在的字體，它去查了 YouTube 常用什麼字型、下載、套上去，整段過程我幾乎沒動手。有沒有接工具，是「聊天」跟「做事」的分水嶺。
我在課堂上看到的真實狀況
我最近幫公司同仁開了一堂 AI Agent 的入門課，線上 400 多人一起上。我特別花了一段時間，先帶大家回顧這幾年的脈絡：從以前的 RPA 自動化，走到現在的 AI Agent。
為什麼要先講這個？因為多數人對 AI 的印象還停在 Chat 型——很會回答，但事情還是要自己做。你請它擬一封信，它給你草稿，你還是得複製貼上；你請它寫公式，它寫給你，你還是得貼回 Excel。這個階段的體感就是「有幫助，但沒有少做事」。
Agent 型不一樣的地方，是它把原本人要自己接起來的那幾段，接完了。而人在這裡沒有變得不重要，反而更重要——因為要判斷成果符不符合需求、要教它怎麼做、要負責檢查它的品質。
我在課堂上還講了一句：AI 能做到多深，取決於你的想像力跟你原本的專業。懂程式的人可以要求它用特定架構寫；做設計的人本來就懂 Banner 的表現方式，這些 know-how 丟進 AI，就是在原本的專業上放大。反過來說，本來就講不清楚自己要什麼的人，AI 也幫不上太多忙。
沒有預算、沒有專案，你今天就能先做的 3 件事
- 把你每週最煩的重複工作寫下來，挑最無聊的那一件。 不用挑最重要的，挑最無聊、最規律、最容易被計時的。做完你才有數字可以講。
- 把背景資料一次餵給 AI。 公司簡介、你的職務、常用的格式、上次做過的成品，一次給它，別每次從零解釋。
- 成果一定自己驗一遍。 數字、人名、金額、日期，這幾樣一定要人看過。AI 負責做，人負責判斷品質，這條線不能鬆。
幾點要注意
這篇畢竟是微軟自己的年度回顧，看的時候我會提醒自己三件事：
- 數字是廠商整理的成功案例。 挑出來的都是做得好的，做不起來的那些不會出現在文章裡。當參考值，別當保證。
- 規模差很多。 15 萬人的 EY 跟 15 個人的公司，導入方式完全不同。大企業能一次上 400 個 agent，小團隊反而應該只做一件事。
- 省下的時間不會自動變成價值。 每天省 43 分鐘，如果只是拿去開更多會，那就白省了。省下來要幹嘛，是主管要先想清楚的事。
小結
整篇看下來，我覺得可以記住一個判斷方式：你講不講得出「哪一件事，從幾分鐘變成幾分鐘」。講得出來，你們公司的 AI 就是真的在做事；講不出來，那多半還在試玩階段——這不丟臉，但要知道自己在哪。
我自己下一步，是把課堂上同仁問最多的那幾個工作場景，一個一個做成可以直接照著跑的流程。與其講「AI 很強」，不如給他們一件「今天回去就能少做 20 分鐘」的事。
本文整理改寫自微軟官方部落格 2026 年 7 月 28 日文章〈Looking back on Microsoft's FY26: From AI experimentation to Frontier Transformation〉，作者 Judson Althoff（Microsoft 商用事業執行長）。文中所有企業數據皆引自該篇原文，個人觀點與課堂經驗為本站補充。
留言
張貼留言