AI Fitness 與企業 AI 成熟度
AI fitness 是 PwC《AI績效研究》用來描述企業能否把 AI 放進關鍵事務、建立符合用途的基礎能力，並將 AI 嵌入企業各環節的概念。它不是單純的工具採用率、模型能力或 AI 專案數量，而是「基礎能力 × 應用能力 × 可衡量績效」的組合。
九大要素
PwC 將 60 項 AI 管理與投資實務整理為兩類、九項要素：
| 類別 | 要素 | 衡量重點 |
|---|---|---|
| AI 基礎能力 | 策略 | AI 藍圖、業務目標、負責人與影響追蹤是否連結 |
| AI 基礎能力 | 投資 | 資金是否足夠，以及能否依優先順序重新配置 |
| AI 基礎能力 | 資料與技術 | 可信資料、可擴展平台、可重用元件與流程重設 |
| AI 基礎能力 | 人才 | 技能、培訓、協作、獎勵與員工對 AI 的信任 |
| AI 基礎能力 | 治理與風險 | 權限、資安、法遵、責任歸屬與負責任 AI 框架 |
| AI 基礎能力 | 創新 | 沙盒、創新負責人、投資組合檢視與終止機制 |
| AI 應用能力 | 廣度與深度 | AI 是否進入價值鏈主要部分與核心工作流 |
| AI 應用能力 | 應用程度 | 從摘要、建議，走向受控自動化與自主優化 |
| AI 應用能力 | 跨產業融合 | 是否用 AI 發掘新價值池、夥伴關係與商業模式 |
主要研究訊號
- 研究涵蓋全球 25 個產業的 1,217 家企業，包含 30 家臺灣企業；受訪者皆為副總以上職級。
- AI 成熟度前 20% 的 AI 領先者囊括 74% 的 AI 財務效益，其 AI 驅動績效是其他企業的 7.2 倍。
- 領先者在廣度與深度的分數約為其他企業 2 倍，使用自主運作 AI 的比例也約為 2 倍。
- 當基礎能力更紮實，AI 應用的績效約可成長 2 倍；研究的解釋是資料、平台、流程、信任與回饋彼此形成乘數效應。
- 跨產業融合是最能驅動成長的應用指標；領先者不只用 AI 降本，也用 AI 重塑商業模式、產品與服務。
這些結果支持一個重要判準：AI ROI 的瓶頸通常不是再買一個模型，而是補上阻礙複製與規模化的組織能力。 這和 ai-native-enterprise-governance 的 owner／權限／KPI、agent-ready-data-governance 的資料與流程底座，以及 loop-engineering 的驗證與回饋迴圈相連。
臺灣企業的成熟度落差
報告以 10 分制衡量，在回覆數達 30 份以上的 18 個地區中，臺灣企業 AI 成熟度為 4.3 分，低於全球中位數 5.5 分，排名第 18。相較 AI 領先者，臺灣企業的 AI 基礎能力差距為 1.53 倍，AI 應用能力差距為 1.61 倍，應用能力落差更大。這是報告樣本的比較結果，不應直接解讀成所有臺灣企業的普查結論。
報告指出，臺灣相對值得保留的能力包括定期檢視 AI 投資優先順序、跨部門共同開發，以及建立可信的重要資料紀錄；最大落差則在治理與風險，尤其是跨功能 AI 治理委員會。應用面最大落差在跨產業融合，包括發現新商機、跨界合作與重塑價值創造方式。
從 pilot 到企業能力
可把報告的行動路徑濃縮成五步：
- 選少數與策略高度相關、資料可取得、6–12 個月能看到指標改善的高價值場景。
- 找出最可能阻礙複製的基礎能力瓶頸，而不是先擴大工具數量。
- 以跨職能團隊、具名 owner、沙盒與明確 workflow KPI 把 pilot 做成可驗證的工作流。
- 將成功模式嵌入端到端流程，從輔助與草稿逐步走向有安全界線的自動化。
- 只有在品質、信任、權限與失敗處理達標後，才複製到其他部門、地區、職能與決策節點。
這個路徑也解釋為什麼治理不是創新的對立面：標準化模板、快速審查節點、持續監控與風險分級，反而能讓低風險案例更快擴張，把高風險案例留給人工與治理委員會審查。
企業內部 agent 的績效分母
BusinessNext 報導 Appier 將 Agentic AI 先大規模用在公司內部：每位員工都有數個 agent 協作，研發流程因此縮短，且公司以單季毛利除以員工數計算的人均毛利，從 744 萬日圓升至 1,025 萬日圓、年增 38%。公司另表示以儀表板追蹤 token consumption，消耗增幅低於毛利提升；這是 Appier／BusinessNext 的案例歸屬，不是本 wiki 的獨立因果估計。
可重用的判準是把 AI fitness 的「可量化績效」落到同一個分母：任務完成、週期時間、品質與人均毛利等業務指標，要和 token、retry、工具與人工審查成本一起看，而不是把 agent 數量或 token 用量當成 adoption 成功。這直接連到 ai-native-enterprise-governance 的 workflow KPI、agentic-ai-cost-management 的完整任務成本與 ai-reverse-division-of-labor 的人類角色重設。
導入層級：資料底座、任務、工作流、營運模式
AIHAO 2026-08-23 的 revision 在 AI-enabled → AI First → AI Native 前補上 單機作業 → 雲端系統：前者資料散落在個人檔案，沒有一致 schema、API、權限或 audit；後者集中資料並提供 single source of truth、API、帳號與稽核，但判斷和行動仍由人負責。這讓 AI fitness 的 gate 往前移：先確認資料與系統能否被安全讀取、授權與驗證，再討論 Copilot 或 agent。
後三層仍分別代表 task augmentation → workflow redesign → operating model redesign。採用成效不能只看員工是否有 Copilot，而要看流程是否減少不必要步驟、資料與權限是否支援跨系統執行、結果是否有具名 owner 與 workflow KPI；這連到 agent-ready-data-governance 的資料底座、ai-native-enterprise-governance 的責任／控制面與 loop-engineering 的驗證迴路。
五層不是線性成熟度排名；一次性分析可能停在 AI-enabled，重複、跨系統且可量測的工作才值得往 AI First 或 AI Native 重設。可直接使用的 zero-basing 問題是：「如果 AI 從第一天就存在，我還會把這個工作流設計成現在這樣嗎？」若答案是否定，應先重新定義場景目標與交付物，再補資料、權限、工具與人工接管條件；文章引用的顧問與企業成效數字仍屬來源 attribution。
Domain-first 的受監管場景選擇
BusinessNext 2026-08-17 的國泰人壽案例提供一個與 PwC 路徑相容的企業場景選擇樣本：團隊從十三個部門提案中，依「能否複製到多元場景、公司效益、技術可行性」挑出六個案子，再把 AI Coach 延伸到客服與直效團隊。這讓高價值場景的判斷不只看效率，也看能否把領域知識、評估規則與流程能力複用。
案例中的 Cathay Eye 以案件複雜度分級與派工連結資料、專業角色與流程速度；同時，來源強調保險業仍要處理公平性、可解釋性、合規與 Agentic AI 的受控運作。可重用的 AI fitness 檢查因此是：場景價值 → domain owner → 可量測規則 → 受控工作流 → 跨場景複製，並把人才 AI 素養與專業／工程雙路徑視為基礎能力，而非只增加模型或 agent 數量。這與 agent-ready-data-governance、ai-native-enterprise-governance 的資料、責任與 workflow KPI 相連；使用率、精準度與效益仍是公司／媒體 attribution。
使用強度與需求定義 gate
BusinessNext 2026-08-19 轉述貿協對台灣 AI 使用強度的觀察：台灣人均 AI 使用強度由 2.29 降至 2.08，全球使用占比排名由第 19 名退至第 23 名；中小企業實際導入率則被報導為 7.4%，低於文中引用的 OECD 約 39% 各國中小企業導入率。這些數字是貿協／調查／BusinessNext（原文出自鉅亨網）的 attributed claims，不是本 wiki 的獨立普查或因果估計。
來源把第一大導入障礙指向「尚無明確應用需求」（63.9%），高於導入成本（25.5%）與人才短缺（21.3%）；可重用的 AI fitness 判準因此要把 gate 往前移：工作型態與 domain problem → owner／資料 → workflow redesign → 可量測結果 → 再決定模型、人才與預算。這補強 taiwan-ai-reindustrialization 的硬體供給與應用競爭力區分，也連到 ai-native-enterprise-governance 的場景篩選、責任與 KPI，以及 agent-ready-data-governance 的資料與流程底座；「AI 使用強度」本身不能取代任務完成率、品質、週期時間與價值捕獲證據。
限制與解讀邊界
- 研究主要是高階主管問卷與產業調整後的相關分析，不能單獨證明某一項做法造成 7.2 倍績效。
- 企業案例中的節省時間、營收、錯誤率與投資報酬率是 PwC／客戶案例的 attributed claims，需與獨立資料分開。
- 「AI 領先者」是樣本內 AI 成熟度前 20%，不是永久或跨產業通用的企業排名。
- AI fitness 可作為診斷框架，但實際導入仍要搭配任務級 eval、trace、資料權限與人類覆核。