AI 專案價值評估與優先排序：比較效益、成本與風險

AI 專案應該先做哪一個？

優先做的題目，是在可接受風險內，能以合理投入驗證重要業務假設的題目；不一定是展示最驚豔或預估節省最多工時的題目。排序需要同時比較價值、可行性、成本、風險、相依條件與證據強度。AWS 的工作負載評估將業務對齊、可衡量利益與前提條件放在一起看。[S1] 本文提出的評分與試算方法，是供企業調整的決策工具，不是該來源的官方評級。

第一步：先設不能被分數抵銷的門檻

先確認資料使用權、成果責任、可驗收輸出及錯誤處理。若任何一項仍不存在，該題應進入補條件清單，而非與可試行題目混在同一張排行榜。特別是沒有授權的敏感資料、無法撤回的對外動作，以及沒有人能判定答案是否正確，不能用「預期效益很高」抵銷。這一步能讓後面的比較只發生在有意義的候選之間。

第二步：把價值寫成可以計算與反駁的假設

效率價值可先寫成「每月任務量×每件可減少的淨處理時間×適用比例」。淨時間要扣掉覆核、更正與例外回復。品質價值則先定義錯誤、重工或服務成果，再估改善空間。新收入不能只因內容產量增加就認列，還需要說明內容如何改變顧客行為、轉換與收入，並保留尚未證實的因果假設。

為避免重複計算，試算表應把「全部任務量、適用比例、實際採用比例、每件淨省時」分欄，並為每欄記資料來源與觀察期間。若任務量已經只計可適用案件，就不能再乘一次適用比例；若省時已含人工覆核，也不能在成本端再次扣相同工時。採用比例尚未知時，先列不同假設，不默認人人使用。共同成本也要說明採全額、增量或分攤口徑，讓比較者知道兩個方案是否站在同一基準。把公式交由另一位分析者用原始數字重算，比增加更多評分項目更能抓到足以改變排序的錯誤。

第三步：列出完整成本，避免只比模型單價

• 一次性投入：資料清理、流程設計、權限整合、評估題庫、介面與導入訓練。
• 持續性投入：模型與檢索費用、平台授權、監控、內容維護、模型更版回歸與支援。
• 人工作業：覆核、更正、例外處理、使用者回報與主管決策。
• 轉換與退出：舊流程並行、供應商切換、資料匯出與停用復原；即使不常發生，也應在決策時說清楚。

把人工節省分為可回收容量與可實現財務收益。若員工省下一段零碎時間，卻無法重新安排工作，不能直接當成同額現金節省。財務試算可以用工時價值作情境比較，但必須註明它的意義，避免對投資人或內部決策者產生錯誤暗示。

假設試算：摘要助手與自動回覆誰先做？

假設摘要助手每月共收到200件待處理任務，每件原需20分鐘，使用後草稿加覆核需12分鐘，且只有70%任務適用。則容量改善假設是200×8×70%=1,120分鐘，約18.7小時；不是所有人的工作時間直接減少40%。若每月另需維護5小時，就還要扣除此成本。這些都是示意假設，必須以實測替換，不是 AiTOM 成效。

另一個自動回覆題目雖然任務更多，但需要處理退款承諾、個資與外部寄送。它可能有更高潛力，也有尚未滿足的控制與整合條件。此時可把內部回覆草稿先列小試，把全自動對外寄送列後續。排序不是說哪個永遠較好，而是決定下一筆投入應先買到什麼證據。

第四步：用少量尺度搭配證據，而非製造精確幻覺

本文建議把價值、可行性、可複用性各分低中高，另外列風險門檻、成本區間與證據強度。若管理上需要數字，可以把各尺度定義與權重寫出，並保留原始判斷。不要把資料不明也填成中分；應標未知，安排檢查。兩題總分差很小時，優先做成本較低、能解除共同相依或驗證關鍵假設的實驗，通常比爭論小數點有用。

評分表可以另列「未知是否會改變決策」一欄。若某題只有價格尚待報價，但即使採保守上限仍值得試，可繼續準備；若資料使用權尚未確認，則不能因其他估算樂觀而往前。每次排序會議只聚焦可能改變選擇的差異，會後把採用的假設與未採用的方案一起保存，讓後續能檢查決策是否仍成立。

第五步：加入證據強度與敏感度分析

對每個重要假設列樂觀、基準與保守值，重算排序。若只要採用率從八成改為四成，第一名就變最後一名，決策重點便是測採用率，而不是繼續優化模型。HM Treasury 的AI影響評估指南強調提早建立基準、說明比較組與介入機制。[S2] 這支持以比較和證據檢查效益；本文的容量公式不能替代嚴謹的因果評估。

第六步：把共同底座與單一應用分開排

知識整理、身分管理或事件紀錄，可能同時支援多個場景。不要把全部底座成本塞給第一個試點，也不要因為「大家未來都會用」就無限擴建。列出確定依賴它的場景、最低需求與驗收，再決定採共用服務或局部解法。若只有一題需要，先做足以驗證的範圍；第二題證實共用需求後，再評估抽成元件。

排序結果應如何交付與更新？

交付一張包含場景、證據、價值區間、全成本、風險、相依、下一步及停止條件的決策表。每次新增測試結果或成本改變，都更新假設與排序理由，保留舊版。決策可以是試行、補條件、觀察或停止，不能把所有排名後段都當成已承諾開發。已投入的沉沒成本也不應成為持續做下去的唯一理由。

常見失誤與方法限制

不能用不同部門未校準的分數直接排名，也不能把模型測試分數當成業務價值。任務量、覆核時間與採用率彼此可能相依，試算區間要合理搭配。若涉及長期品牌價值、公共利益或重大風險，單一投資報酬率不足以決定；應把無法貨幣化的效益與限制另列，讓決策者看見取捨。

是否一定要挑最快回本的場景？

不一定。有些試點主要用來學習資料、整合與操作限制；但學習目的也要明確，寫出它會解除哪個未知，以及最多願意投入多少。不能用「戰略價值」掩飾沒有驗收終點的工程。

沒有完整數據，還能排序嗎？

可以先用區間與證據等級，避免假裝精準。最需要補數據的，往往是會改變排序的關鍵假設；先量這些即可，不必為所有候選做同樣昂貴的研究。

何時應該停止已開始的 AI 專案？

當重要門檻未滿足、實測無法支持價值假設、維護負擔超出可接受範圍，或出現更簡單的替代方案時，應重新決定。停止也要保存已學到的條件、資料與可複用產物，避免下一輪重新犯同一個錯。

來源依據與證據界線

1. S1 · Assessment considerations and prerequisites

   AWS · 查閱 2026-10-22

   支持業務目標、可衡量效益與資料/技術前提並重；評分尺度、公式與數字是本文示意，非來源成效。

2. S2 · Guidance on the Impact Evaluation of AI Interventions

   HM Treasury / Evaluation Task Force · 查閱 2026-10-22

   支持基準、比較對象與變革機制；不把技術評測等同業務因果效果，未替本文試算背書。