我最近幾個月到一家傳產、協助公司做數位轉型。今天換上「數位轉型負責人」（也就是買家）的身分去逛未來商務展，想看看有沒有真正有意思的解決方案。演講聽到幾場很精彩，但攤位逛下來卻有點意興闌珊——因為大部分的方案，我一邊看一邊想：這些好像我自己也做得出來？
逛久了才發現，問題不在技術炫不炫，而在於：這套東西，到底能不能長在「我這一間公司」的現場？很多方案漂亮歸漂亮，卻是一套誰都能買、買了都長一樣的標準品——那它就很難變成我真正的競爭力。
逛完一圈，我只會對三種解決方案有興趣
走了一輪之後，我大概想清楚，真正會讓我這種買家想掏錢的，只有三種：
- 有獨特的資料庫，而且能讓我串接：它握有我在網路上抓不到、或自己要結構化很困難的資料，而且願意開放 API 或 MCP 讓我接進來。對一個要採購 AI 的人來說，「能不能開放 API／MCP」其實是關鍵——它決定了我是只能用它包好的功能，還是能把它的能力接進自己的系統、長出屬於我的應用。前者是租，後者才是把它變成我的資產。
- 願意幫我把手弄髒：能無痛整合各種異質資料、異質系統，還能清理髒資料——尤其像 ERP 這種封閉又難搞的系統。我自己在傳產做數位轉型，最花時間的往往不是導 AI，而是先把散在各系統、格式不一、還一堆錯漏的資料整理乾淨、串成一條能用的線。這段「打通資料孤島、清髒資料」的苦工，多數廠商不想碰，但誰願意扛，我就願意付錢。
- 把 domain know-how 變成 AI 吃得下的規範與流程：不只是懂某個領域，還能把這些 know-how 轉成 AI 能理解、能執行的規範與流程，再讓我融合進公司的實際現場。
為什麼很多 AI 專案，卡在 PoC 就停了？
會有這三個標準，是因為我看過太多 AI 專案，熱熱鬧鬧做完一個概念驗證（PoC），就再也走不下去了。原因通常不是模型不夠強，而是三件事：現場的人根本不想用、資料髒到跑不出穩定結果，以及——沒有人說得清楚「做到什麼程度才算成功」。
所以我在看解決方案時，眼睛盯的從來不是 demo 有多炫，而是：它有沒有想過怎麼進到我的現場、怎麼面對我那些不完美的資料，以及能不能跟我一起把「成功長什麼樣」定義清楚。這三題答不出來的，PoC 之後大多會安靜地消失。
為什麼 domain know-how 不能「寫死」？
回到第三種方案，那也是我最在意、最難的一點。這個 domain know-how 不能做成寫死的功能，而是要留有讓公司持續微調、回饋，然後越來越聰明、越來越貼近自身狀況的空間。
因為每一間公司，一定都有屬於自己、很深的 domain know-how，只是它通常太隱形、沒有被流程化，也很難具體成一套「怎樣才算好」的驗收標準——某種程度上，那就是一間公司的品味。我自己在傳產這幾個月，做的很大一部分，就是把這些原本只存在老師傅、老業務腦袋裡的判斷，一點一點流程化、變成別人也能照著走、還能交給系統的規則。所以我真正願意買的，是一套能被流程化的框架，同時又能讓公司的使用者在日常使用中一邊微調、一邊長成更符合自己需求的樣子。這才是把 domain know-how 真正「萃取」出來的最好方式。
AI 時代，公司真正的護城河是什麼？
我一直在想一個問題：AI 時代，我能幫公司建立、又不會被取代的護城河到底是什麼？當強大的模型人人都租得到，能拉開差距的就不再是「有沒有用 AI」，而是這幾件別人搬不走的東西——你獨有的資料、你把資料打通並持續累積的能力，以及只屬於你的 domain know-how 被流程化之後、還能隨著使用越長越聰明的那套系統。
逛完這場展，這三個條件雖然還不是完整答案，卻也幫我往那個答案又逼近了一點。
常見問題
傳產沒有乾淨的數據，也能導入 AI 嗎？
可以，但順序要對。多數傳產卡住不是因為沒有 AI，而是資料散、髒、對不起來。先把資料打通、清乾淨，AI 才有辦法穩定產出；跳過這步，再強的模型也會被髒資料拖垮。
導入 AI 前，ERP 的髒資料要清到什麼程度？
不用一次到完美，但要「乾淨到足以支撐你要做的那個決策」。從你最想解的一個問題回推，需要哪些欄位、哪些資料，就先把那條線清乾淨、跑得穩，再慢慢擴大，比一開始就想清理全部務實得多。
什麼是開放 API／MCP？和我要不要買這套 AI 有什麼關係？
簡單說，它決定你買到的是「一套封閉的功能」還是「一種能接進自家系統的能力」。能開放 API／MCP 的方案，你可以把它接進自己的流程、長出別人沒有的應用；不能的，你就只能用它給你的樣子，很難變成你的競爭力。
如果你也正在幫公司找數位轉型的方向，或想釐清「什麼才是我們真正該投資、別人搶不走的能力」，歡迎預約我的 60 分鐘顧問諮詢，我們一起把方向理清楚。