重點摘要

• AI 原生 ≠ AI-First：前者把 AI 當地基，後者只是把 AI 疊在既有事業上。
• 還要避開兩個狀態：Embedded AI（只靠第三方工具，效率會撞天花板）與 Shadow AI（員工私用 AI，資安與合規風險）。
• 四大支柱：資料地基、資安與隱私、機器學習生態系、護欄與回饋迴路。
• 麥肯錫：92% 企業計畫在 2029 年前加碼 AI 投資；真正的分水嶺是「加掛」還是「重構」。

前兩篇 CEO Insights，我們談了〈服務，正在成為新的軟體〉講「為什麼」服務會變成軟體，〈如何打造 AI 原生服務公司〉講新創「怎麼從零把它做出來」。但我知道，讀這系列的多數人，手上已經有一家公司。你的問題不是「要不要從零創業」，而是「手上這家公司，怎麼往 AI 原生的方向重構？」

哈佛商學院線上（HBS Online）最近一篇由 Tim Stobierski 撰寫的〈How to Architect an AI-Native Business〉，正好回答這題。它把「AI 原生」講清楚，並拆出四根支柱。以下我完整整理成中文，忠實還原內容；我的看法放在文末〈觀點〉。

👉 原始來源：Harvard Business School Online《How to Architect an AI-Native Business》，作者 Tim Stobierski

目錄

1. 什麼是「AI 原生」企業？
2. AI-First 與 AI-Native：疊上去，還是長出來？
3. 還要避開兩件事：Embedded AI 與 Shadow AI
4. AI 原生企業的四大支柱
5. 案例：一家 AI 原生的牙科診斷公司
6. 筆者觀點
7. FAQ

AI 從研究室走進日常營運後，企業迅速把它整合進工作流程。根據 HBS 引用的麥肯錫（McKinsey）報告，早在 2024 年之前，就有 69% 的公司開始投資 AI，而 92% 打算在 2029 年前加碼。但其中越來越多公司，是「從地基就以 AI 為核心」蓋起來的 — 這就是 AI 原生企業。

1. 什麼是「AI 原生」企業？

依 HBS Online「AI for Leaders」課程的定義：AI 原生企業，是一家「從零打造、以 AI 進行價值創造與問題解決」的公司。AI 被內建進組織的每一個階段 — 從研發、行銷、顧客互動，到人力資源。

這個概念和「數位原生」（digital-native）公司很像：那些公司在網路時代長大，把數位基礎建設與顧客體驗擺在第一位；AI 原生企業，則是把 AI 放在同樣的位置。

2. AI-First 與 AI-Native：疊上去，還是長出來？

「AI-native」和「AI-first」常被混用，其實是兩件事。AI-first 公司把 AI 當成一種核心能力，用來強化既有的產品、服務與營運；AI-native 企業則更進一步，把「整個商業模式與價值主張」都圍繞 AI 來設計。

HBS 用兩家公司對比：

• A 公司：一家 30 年的老公司，有系統地把 AI 工具導入各個系統。這是 AI-first。
• B 公司：一家成立不到一年的新創，從第一天起每個流程都內建 AI。這是 AI-native。

一句話：AI-first 是把 AI「疊」在既有的東西上；AI-native 是把 AI 當成整間公司賴以建立的「地基」。

3. 還要避開兩件事：Embedded AI 與 Shadow AI

多數既有企業的 AI 旅程，是從 Embedded AI（嵌入式 AI） 開始 — 把 AI 工具加進現有工作流程。這能帶來早期價值，但如果只依賴第三方工具，長期會受限：效率提升會撞上天花板，還可能養出一堆彼此不相通的「破碎智能系統」。

另一個要小心的是 Shadow AI（影子 AI）— 員工在沒有組織監管下私自使用 AI 工具。它或許能提升生產力，卻帶來嚴重的資安與合規風險。HBS 建議三招防範：訂出清楚的 AI 使用政策、提供官方核可的工具、教育員工了解風險與防護措施。

4. AI 原生企業的四大支柱

要打造或轉型成 AI 原生企業，HBS 點出四根支柱，每一根都是 AI 原生架構的地基。

支柱一：資料地基（Foundational Data）

與 Iavor Bojinov 教授共同教授該課程的 HBS 教授 Karim Lakhani，把 AI 系統比喻成一座「工廠」：把資料轉化成洞察。進廠的原料是資料，從試算表裡的數字，到文字與影像；工廠處理這些資料，在另一端產出有用的東西，通常是一個「預測」：可能是未來需求的預測、對使用者下一步想要什麼的推薦，或是「核准／拒絕」這類分類；有時產出的則是一個被發現的模式、一群相似的顧客，或一段新內容。

要支撐 AI，組織需要穩健的資料蒐集系統與流程，把原始資訊轉成可用的格式；並且理解「資料生命週期」— 生成、蒐集、處理、儲存、管理、分析。沒有扎實的資料地基，AI 轉型根本不可能發生。

支柱二：資安與資料隱私

AI 原生組織會用大量敏感資料訓練模型，包括公司專有資訊與顧客紀錄，依產業別還可能涉及財務、醫療或生物特徵資料。要維持顧客信任、符合法規標準，就必須建立強健的資料治理（Data Governance）實務，確保資訊安全與隱私。少了這一層，再先進的 AI 系統，也可能讓組織暴露在合規風險與商譽損害之下。

支柱三：機器學習生態系

每一家 AI 原生企業，都倚賴一個機器學習生態系，由三個部分組成：演算法（處理資料的邏輯）、機器學習模型（經訓練後產生預測或辨識模式的系統），以及一個協作層（Orchestration Layer）（員工用來管理各項 AI 任務的介面）。

延續工廠比喻：演算法就像廠裡的機具 — 一組組處理進廠資料的指令，它們幫忙打造出機器學習模型，而模型才是真正產出預測、辨識模式的工具。多數組織一開始會把開源演算法套用到自家專有資料上；隨著成熟，再逐步演進到「自建模型」，去支撐自己與眾不同的價值主張。

支柱四：護欄、防護與回饋迴路

機器學習模型會隨著真實世界的資料改變而自然「退化」。為了維持準確度，AI 原生組織必須建立三種機制：護欄（Guardrails） 在開發階段設下界線，確保模型被合乎倫理地使用；防護（Safeguards） 即時監控上線後的模型，當產出看起來不對勁時觸發警示或人工複核；回饋迴路（Feedback Loops） 長期追蹤表現，讓模型能從新資料學習、持續提升準確度。三者合起來，撐起可靠性、公平性與可信賴度。

5. 案例：一家 AI 原生的牙科診斷公司

HBS 用牙科 AI 公司 VideaHealth 當例子：一家圍繞「AI 驅動診斷工具」打造、服務醫療產業的 AI 原生組織。

該公司 CEO 暨共同創辦人 Florian Hillen 在課程中描述：牙科診斷其實很難，牙醫常在時間壓力下、盯著小螢幕看影像，容易漏判；病患也因為看不清楚過程而質疑診斷。他也提到，牙科病患對牙醫的不信任，比其他醫療領域都來得高。

VideaHealth 的解法，是把整個事業建立在 AI 診斷上：訓練 AI 模型高準確度地判讀牙科 X 光，給臨床醫師一個客觀的「第二意見」，結果是診斷信心提升、對病患也更透明。如今它的 VideaAI 平台有超過 30 個診斷模型，估計服務全球約 5 萬名牙科專業人員。這個成功，正說明了 AI 原生策略能創造的價值。

多數組織是把 AI「加」到既有系統上；AI 原生企業則不同，它把 AI 嵌進策略、營運與價值創造的核心。就像數位原生公司當年用網路改變了各行各業，AI 原生組織，正準備用 AI 做同樣的事 — 從裡到外，重塑企業創造價值的方式。

筆者觀點

讀完 HBS 這篇，我想先幫亞洲的 B2B 讀者做個誠實的定位：坦白說，我們多數企業目前連 AI-first 都稱不上，頂多停在 HBS 說的 Embedded AI — 買了幾個工具、貼在舊流程上。這沒有錯，是必經的起點；但 HBS 的提醒很到位：只停在這裡，效率會撞天花板。

而我想特別放大「支柱一：資料地基」。這篇把它排第一，是有道理的 — 四根支柱裡，它是其他三根的前提。可是對台灣製造業與 B2B 來說，這一根偏偏最弱：最關鍵的顧客資料，常常不在公司手上，而是散在業務個人的通訊軟體帳號、Excel、名片堆裡。你連「資料在哪、誰擁有」都答不出來，後面的機器學習生態系、護欄與回饋迴路，就都是空談。

所以對還在轉型路上的公司，我的建議很單純：別急著追模型，先把資料地基蓋起來 — 把散落的顧客關係，收攏成一份公司真正擁有、也治理得了的資料。這正是 OakMega Social CDP 與 FDE 服務在做的第一件事。AI 原生不是從買模型開始，是從「你終於擁有自己的資料」開始。

最後呼應 HBS 的結論：數位原生公司當年靠網路重寫了產業規則，AI 原生企業會用 AI 再寫一次。差別只在 — 這次，你是想從地基蓋起，還是繼續往舊牆上加掛？

你有什麼看法呢？歡迎與我們聊聊 👉 聯絡我們

FAQ

Q1：什麼是「AI 原生企業」（AI-native business）？
AI 原生企業是一家從零打造、以 AI 進行價值創造與問題解決的公司，AI 內建在研發、行銷、顧客互動到人資的每個階段。它和「數位原生」公司類似，只是把核心從網路換成了 AI。

Q2：AI-native 和 AI-first 有什麼不同？
AI-first 是把 AI 當成一種能力，用來強化既有的產品與營運；AI-native 則把整個商業模式與價值主張都圍繞 AI 設計。前者是把 AI「疊」上去，後者是把 AI 當「地基」。

Q3：什麼是 Embedded AI 和 Shadow AI？該怎麼避免 Shadow AI？
Embedded AI 是把第三方 AI 工具加進現有流程，能帶來早期價值但長期會撞天花板；Shadow AI 是員工未經組織監管私自使用 AI，會帶來資安與合規風險。避免 Shadow AI 的三招是：訂清楚使用政策、提供官方核可工具、教育員工風險與防護。

Q4：打造 AI 原生企業需要哪四大支柱？
根據 HBS，四大支柱是：資料地基、資安與資料隱私、機器學習生態系（演算法＋模型＋協作層），以及護欄、防護與回饋迴路。四者共同構成 AI 原生架構的基礎。

Q5：為什麼「資料地基」是最重要的第一步？
因為它是其他三根支柱的前提 — 沒有可用、可治理的資料，機器學習生態系與回饋迴路都無從談起。理解資料生命週期（生成、蒐集、處理、儲存、管理、分析）並把原始資訊轉成可用格式，是 AI 轉型的起點。

Q6：VideaHealth 為什麼算 AI 原生公司？
因為它把整個事業建立在 AI 診斷上，而非把 AI 加在既有服務旁。它訓練 AI 判讀牙科 X 光、提供客觀「第二意見」，VideaAI 平台已有超過 30 個診斷模型，估計服務全球約 5 萬名牙科專業人員。

‍