PwC AI 績效研究口語簡報稿（2026）

開場

今天分享的是 PwC 的《AI績效研究：全球暨臺灣報告》。這份報告最值得注意的地方，不是又列出幾個 AI 應用案例，而是直接問一個企業真正關心的問題：AI 到底有沒有轉成營收、效率、成本或決策品質？

報告的答案很集中：AI 的價值目前並不是平均分配，而是集中在少數成熟企業。前 20% 的 AI 領先企業，囊括了 74% 的 AI 財務效益；它們的 AI 驅動績效，是其他企業平均的 7.2 倍。

第一段：差異不是模型，而是成熟度

PwC 把這種能力稱為 AI fitness，也就是企業能不能把 AI 放進關鍵事務，建立適合用途的基礎能力，並把 AI 嵌入整個企業。

它分成九個要素。六個是基礎能力：策略、投資、資料與技術、人才、治理與風險、創新；三個是應用能力：AI 使用的廣度與深度、應用成熟程度，以及跨產業融合。

這個框架提醒我們，AI 不是買一個模型就結束。資料不可信、流程沒有重設、員工不信任、權限不清楚，模型再強也很難形成企業績效。

第二段：從效率走向成長與重塑

很多企業第一個想到的 AI 用途，是把既有工作做得更快，例如摘要、客服回覆、文件處理或程式碼生成。這些用途有價值，但 PwC 觀察到，真正拉開差距的領先企業，不會停在單點效率。

它們會問：AI 能不能創造新產品？能不能重塑商業模式？能不能跨越產業邊界，從客戶和生態系找到新的價值池？

所以 AI 投資不應只有成本思維，也要有獲利與重塑思維。企業要建立一個獨立的成長型 AI 投資組合，設定優先順序、負責人和可驗證的成功標準。

第三段：基礎能力要精準，不是無限現代化

報告沒有主張企業先做一個無止境的大型數位轉型。它反而建議先找出一兩個最可能阻礙成功複製的瓶頸。

可能是資料品質，可能是平台與系統整合，可能是流程交接，也可能是員工不信任、權限不清或沒有治理機制。

領先企業的做法是：提供安全的 sandbox，為每個優先計畫指定業務負責人，讓資料、IT 與業務共同開發，建立可重用的 AI 元件，然後定期檢查投資組合，決定哪些要擴大、哪些要停止。

第四段：治理不是煞車，而是加速器

AI 導入越廣，治理越重要。企業至少要處理五件事：哪些資料可以用、使用哪個模型、員工怎麼使用 AI、不同風險要怎麼分級，以及最後的責任由誰承擔。

對 agent 來說，治理還要更即時。因為 agent 不只回答問題，還可能調用資料、操作系統與執行流程。企業要知道 agent 代表誰、擁有哪些權限、每次做了什麼，以及什麼情況必須交回人類。

真正好的治理，不是每件事都走一樣慢的審批流程，而是低風險案例快速通過，高風險案例進入更嚴格的人工審查。

第五段：臺灣的矛盾與機會

報告的臺灣數據很直接：臺灣企業 AI 成熟度是 4.3 分，全球中位數是 5.5 分，在 18 個地區中排名第 18。相較 AI 領先者，臺灣在基礎能力有 1.53 倍差距，在應用能力有 1.61 倍差距。

這並不代表臺灣沒有 AI 能力。臺灣在晶片、伺服器、散熱、電源、網通、製造和工程整合上，都是全球 AI 供應鏈的關鍵節點。

真正的問題是：我們能不能把硬體供應鏈優勢轉成企業自己的 AI 應用優勢？也就是把 AI 放進產品、流程、決策、知識管理和商業模式裡，而不是只替世界建造 AI 基礎設施。

第六段：給企業的行動建議

如果把整份報告濃縮成幾個行動，我會建議：第一，選三到五個和核心策略高度相關的窄而深場景；第二，先找出資料、流程、人才或治理瓶頸；第三，指定具名 owner，建立 sandbox 和 workflow KPI；第四，把 AI 嵌入端到端流程，而不是只加速一個步驟；第五，在可靠性、信任和安全界線都達標後，再複製到其他部門。

這個順序和我們已經整理的 ai-native-enterprise-governance、agent-ready-data-governance、loop-engineering 很接近：先把資料、權限、流程和驗證準備好，再讓 agent 持續執行和擴張。

結尾

PwC 報告的核心訊息可以濃縮成一句話：AI 競爭不只是誰擁有更強的模型，而是誰能把模型變成可信、可量測、可複製的企業能力。

對臺灣來說，下一步也不只是繼續做 AI 的供應鏈贏家，而是成為 AI 應用的實踐者。當硬體、資料、流程、人才、治理和 agent 工作流真正接在一起，AI 才會從一個試驗專案，變成企業長期的複合競爭力。