OpenAI 最新使用報告顯示，他們已經擁有 7 億週活躍用戶，每天處理 26 億則訊息，相當於全球成人人口的 10%。但對企業領導者而言，真正值得警惕的是一個令人困惑的矛盾：為何在如此驚人的個人採用率下，企業的 AI 轉型卻普遍陷入失敗？另一份麻省理工學院的研究顯示，雖然企業投入 300 至 400 億美元（約港幣 2,340 至 3,120 億元），95% 的 AI 專案未能產生回報。更諷刺的是，雖然只有 40% 企業正式採購 AI 工具，卻有 90% 員工正在用個人帳號偷偷使用 ChatGPT 處理工作——而且 77% 的人曾在其中貼入公司機密資料。這不是技術問題，而是企業根本性的策略失誤。
90% 員工用個人AI成功 95% 企業官方專案慘敗
第一份是麻省理工學院媒體實驗室 NANDA 專案的《生成式 AI 鴻溝：2025 企業 AI 現狀報告》。這項研究透過 52 個組織的深度訪談、153 位高階主管的問卷調查，以及對 300 個公開 AI 部署專案的系統分析，揭示了企業 AI 轉型的失敗模式。雖然這份報告在研究方法論上引發了部分爭議——批評者質疑其樣本代表性和 95% 失敗率的計算方式——但其揭示的核心趨勢卻得到多方印證：企業提供的官方工具僵化難用，迫使員工轉向「影子 AI」。
第二份是 OpenAI 與哈佛大學經濟學家 David Deming 合作完成的 65 頁學術報告《人們如何使用 ChatGPT》。這是首次有科技公司開放內部數據進行學術研究。研究團隊運用私隱保護的自動化分類系統，分析了從 2024 年 5 月到 2025 年 6 月期間超過 110 萬則對話樣本，並在數據清潔室中結合 13 萬名用戶的就業與教育資料，繪製出迄今最完整的 AI 使用圖譜。整個研究過程中，沒有任何研究人員直接接觸過用戶訊息內容。
兩份報告的交叉驗證揭示了企業 AI 轉型的三個致命盲點：誤把 AI 當執行工具而非決策夥伴、過度追求控制而扼殺靈活性，以及在不知不覺中將組織暴露在巨大的合規風險之下。以下是這些數據揭示的關鍵洞察。
教育需求超越編程
OpenAI 針對 26 億則每日訊息的深度分析，為企業領導者揭示了幾個被嚴重低估的市場機會。首先 73% 的使用屬於非商業場景，且這個比例還在持續上升。這個發現打破了許多行政總裁對 AI 價值的狹隘認知，也解釋了為何企業 AI 專案難以複製消費市場的成功。
在實際使用分布上，近 80% 的對話集中在三大領域：實用指導佔 28.8%，包含個人化建議和創意發想；資訊搜尋佔 24.4%，直接替代傳統搜尋引擎；寫作輔助佔 23.9%，這是商業場景中的主導應用。但更引人注目的是，教育輔導佔了 10.2% 的使用量，幾乎與技術協助（7.5%）相當。這個數據揭示了三個戰略機會：企業培訓市場的重新定義、員工技能提升的低成本方案，以及組織知識傳承的新模式。相較之下，廣受討論的編程應用只佔 4.2%，而「關係與個人反思」僅佔 1.9%，遠低於媒體報導中「心理陪伴」的熱度。
在商業相關的使用中，寫作佔據了 40% 的比例。但關鍵發現有三分之二寫作任務是修改既有文本，而非從零創作。這揭示了 AI 現時定位：並非取代人類的創意和判斷，而是要放大和加速這些能力。當一位經理需要將技術報告轉換成董事會能理解的語言時，當一位分析師需要將數據洞察轉化為可執行的建議時，AI 扮演的是助手而非替代者的角色。
透過 O*NET 職業資訊網絡的分析框架，研究團隊發現商業相關使用高度集中：獲取資訊佔 19.3%、解釋資訊意義佔 13.1%、記錄資訊佔 12.8%，這三項資訊處理活動就佔了 45.2%。而「制定決策和解決問題」（8.5%）、「創意思考」（9.1%）、「提供諮詢建議」（9.2%）三項決策相關活動則佔 26.8%。這個分布揭示了 AI 在企業中最有價值的定位：不是執行者而是決策支援系統。
商業 AI 運用核心在決策支援而非任務自動化
更關鍵的發現在於「詢問」與「執行」的比例變化。研究顯示，49% 的使用屬於尋求資訊或建議的「詢問」，40% 屬於要求 AI 執行任務的「執行」，另有 11% 是情感表達。而「詢問」類型增長更快，用戶滿意度也顯著更高——良好評價從「不良」的 3 倍增長到 4 倍以上。這個趨勢指向了一個關鍵洞察：在知識經濟時代，AI 作為決策支援工具的價值遠超過作為自動化工具。
這也解釋了為何高學歷和專業職業的用戶更傾向使用 AI 於工作場景。研究發現，擁有研究生學歷的用戶有 48% 的訊息與工作相關，而學士學位用戶為 46%，高中以下則只有 37%。在職業分布上，電腦相關職業 57% 的訊息為工作用途，管理與商業為 50%，工程與科學為 48%，而非專業職業只有 40%。這種差異不是因為技術門檻，而是因為這些職業的核心產出就是判斷和決策。
具體而言，AI 正在改變知識工作的三個核心環節。第一，資訊獲取的速度和廣度——過去需要耗費數小時搜尋和整理的資料，現在可以在幾分鐘內完成。第二，選項評估的深度和客觀性——AI 可以協助決策者考慮更多角度，避免認知偏誤。第三，溝通表達的精準度和影響力——無論是內部提案或外部簡報，AI 都能協助將複雜思維轉化為清晰論述。這三個環節的提升，累積起來就是組織決策能力的質變。
值得注意的是，ChatGPT 和競爭對手 Claude 服務著截然不同的用戶群。Claude 的工作相關對話中，編程佔比高達 33%，而 ChatGPT 只有 4.2%。這個 10 倍差距反映了產品定位的根本差異：Claude 更受技術導向企業青睞，而 ChatGPT 在大眾市場的滲透更為成功。對行政總裁而言，這意味著選擇工具時不能只看品牌，而要看用戶結構是否匹配組織需求。
三大根源企業 AI 方案失敗關鍵
然而了解 AI 的價值是一回事，成功導入又是另一回事。MIT 研究指出的 95% 失敗率背後，隱藏著企業在三個層面的根本性錯誤。
錯誤 1 ：將 AI 導入視為技術部門的責任
MIT 發現，採購專業供應商工具的成功率為 67%，而內部自建只有 33%。許多企業尤其是金融等高度監管行業，堅持自建系統以確保控制權，卻因為過度工程化而導致工具僵化、無法適應實際工作流程。**這就解釋了為何員工會投奔個人版工具——因為企業提供的官方工具僵化、難用，完全扼殺了員工真正需要的、高價值的「詢問」與「決策輔助」功能。**當一位律師需要快速理解一份複雜合約的風險點時，企業版工具要求填寫 6 個欄位、等待 IT 審批、再經過 3 層安全檢查；而個人版 ChatGPT 只需要貼上文本，30 秒內就能獲得結構化的風險分析。員工不是在反抗公司政策，而是在用腳投票選擇真正能提升決策品質的工具。這種差距直接反映在用戶體驗上：企業內部工具被描述為「僵化、過度設計、與實際工作流程脫節」，而消費級工具則因「靈活性、熟悉度和即時效用」而獲得好評。
錯誤 2 ：將 AI 當作「會說話的搜尋引擎」而非「決策夥伴」
多數企業只訓練員工如何操作工具，卻沒有教他們如何提出高品質的問題。但前述數據已經清楚顯示：「詢問」類訊息的滿意度是「執行」的 1.5 倍，且增長速度更快。這意味著 AI 的核心價值不在於「幫我寫一封郵件」這種執行任務，而在於「這個策略的潛在風險是什麼」這種決策支援。然而當企業將 AI 培訓簡化為「如何下指令」的操作手冊時，員工永遠無法發揮工具的真正潛力。研究發現這種「學習鴻溝」才是失敗的主因——不是技術不夠強大，而是組織不知道如何將技術轉化為決策能力的提升。一個不會提問的員工，即使給他最先進的 AI，也只是把它當成更快的搜尋引擎。
錯誤 3 ：嚴重低估了資安風險
根據 LayerX 的 2025 年企業 AI 與 SaaS 數據安全報告，45% 的企業員工正在使用生成式 AI，其中 77% 曾複製貼上公司資料到 AI 工具中，22% 甚至貼入了個人資料或支付卡資料。更嚴峻的是，上傳到 AI 平台的檔案中，40% 包含敏感的 PII 或 PCI 數據，而這些上傳有 39% 來自非公司帳號。在所有 AI 使用中，67% 發生在企業 IT 部門無法監控的個人帳號上。這意味著當行政總裁還在會議室裡討論 AI 專案的 ROI 時，公司核心資料可能已經透過數百位員工的個人 ChatGPT 帳號大量外洩。ChatGPT 佔企業 AI 使用的 92%，已經超越電郵和檔案分享，成為最大的資料外洩管道。
諷刺的是，這種「影子 AI」現象恰恰證明了 AI 的價值。雖然只有 40% 的公司採購了正式的 LLM 訂閱，但 90% 以上公司的員工每天多次使用個人 AI 工具處理工作——員工已經用個人帳號證明了 AI 能大幅提升工作效率，企業卻因為提供不了同等體驗的官方工具，而將自己暴露在巨大的合規風險之下。對於受 GDPR、HIPAA 或 SOX 監管的企業而言，這除了是效率問題，更是可能導致巨額罰款的法律危機。當一位醫療機構員工將病患資料貼入個人 ChatGPT 以快速生成摘要時，他在提升工作效率的同時，也讓機構面臨違反 HIPAA 的風險。
這三個錯誤揭示了一個根本矛盾：企業想要控制，但控制扼殺了靈活性；企業想要安全，但僵化的官方工具迫使員工轉向更不安全的個人帳號；企業想要 ROI，也不願投資於讓員工真正學會「提問」而非「下指令」的能力建設。結果就是 MIT 報告中那個殘酷的數字：95% 的失敗率。
建立 AI 優先企業的實戰路徑
要跨越這道鴻溝，企業需要在 5 個層面進行系統性建設，但核心是先認清現實：員工已經用個人工具證明了 AI 的價值，問題是企業版為何做不到同樣的體驗。
首先是決策基礎設施的重建。這不是指採購多少工具，而是將 AI 嵌入每一個關鍵決策過程。當評估新產品方向時，AI 應該能夠快速提供市場分析。當制定年度策略時，AI 應該能夠協助情境模擬。這需要將組織的知識資產數碼化、結構化，並與 AI 工具深度整合。許多企業坐擁龐大的檔案庫、案例庫、經驗庫，卻因為缺乏有效的知識管理而讓這些資產沉睡。
其次是工作流程的重新設計。不是在既有流程上疊加 AI 工具，而是以 AI 的能力為基礎重新思考流程。例如傳統的市場研究可能需要 3 週，但透過 AI 輔助可能縮短到 3 天。這不只是效率提升，更意味著決策節奏的加快。當競爭對手還在進行第一輪分析時，AI 為先企業已經完成了 3 次疊代。
第三是組織能力的系統性提升。這包括 3 個層次：基礎層確保每位員工都具備 AI 協作的基本素養；進階層在各職能領域培養 AI 應用專家；戰略層在高階管理團隊中建立對 AI 能力邊界的深刻理解。特別是教育與培訓功能，既然 10.2% 的使用是輔導教學，企業應該善用 AI 建立內部知識傳承和技能提升系統。
第四是安全治理機制的建立。面對 77% 員工在 AI 中貼入公司資料的現實，企業需要的不是禁用，而是建立安全的替代方案。正視「影子 AI」的存在，分析哪些個人工具提供了價值，然後採購企業級替代方案，同時建立清晰的資料分類和使用規範。67% 的 AI 使用發生在非企業帳號這個事實，說明現有企業方案的體驗差距有多大。
第五是文化與評估機制的調適。當員工使用 AI 協助決策時，如何評估其工作品質？當 AI 提供的建議與人類判斷衝突時，如何裁決？這些問題沒有標準答案，但需要組織在實踐中逐步建立共識，鼓勵而非懲罰 AI 實驗。
必須立即啟動的三件事
根據 Gartner 在 2021 年的預測，到 2025 年將有 30% 的新藥開發運用生成式 AI 技術——這不是遙遠的未來，而是正在發生的現實。同時該機構在 2024 年也警告，30% 的 GenAI 專案將因成本、數據品質或不明確的商業價值而在 2025 年底前被放棄。這種兩極化正是當前市場的寫照：少數企業正在獲得巨大優勢，多數企業則在浪費資源。
更值得警惕的是競爭態勢的改變。當 ChatGPT 的性別差距從早期的 80% 男性用戶縮減到現在的均衡分布，當中低收入國家的採用率成長速度是高收入國家的 4 倍，這意味著 AI 能力的民主化正在全球範圍內發生。你的競爭對手可能不再是傳統的同業巨頭，而是一群善用 AI 工具、決策迅速、疊代快速的新創團隊。
作為行政總裁，現在需要做的不是制定一個 5 年 AI 戰略，而是立即開始 3 件事。第一，親自使用 AI 工具至少 30 天，深度理解其能力與限制。不要透過報告和示範來了解 AI，要透過每日使用來培養直覺。第二，面對 77% 員工外洩資料的現實，立即建立數據分類與 AI 使用規範，這是合規底線。第三，識別組織中 3 個高價值的決策場景，投入資源進行深度 AI 化改造，追求 10 倍而非 10 個百分點的改善，並在過程中建立內部 AI 協作能力。
7 億用戶的選擇已經證明了 AI 的價值，95% 的失敗率警示了轉型的難度，而 77% 的資料外洩揭示了風險的急迫性。這 3 個數字共同描繪了當前時刻的關鍵性：工具已經成熟，風險正在累積，但組織能力尚未跟上。率先跨越這道鴻溝的企業，將在未來 10 年建立難以超越的競爭優勢。而繼續停留在試點階段或視而不見的企業，可能會發現自己正在被一個加速前進的世界所拋棄。選擇權在於領導者，但時間不會等待任何人。
資料來源：