💡一句話定義
AI 專案規劃（AI Project Planning）＝在寫任何程式之前，先把業務問題翻譯成可被 AI 解決的問題，再依序回答四件事：要解什麼（需求分析）、能不能做（可行性）、要花多少（成本結構）、值不值得（ROI 與回收期），最後排出 PoC→Pilot→Scale 的導入路徑並登錄風險。關鍵觀念：AI 是手段不是目的，很多問題用規則、流程改善就能解，根本不需要模型。
iPAS「AI 應用規劃師」這個名字的重點在規劃——考題最常考的不是模型細節，而是「這個情境該先做哪一步」「哪個面向沒評估到」「ROI 怎麼算」。接下來照專案真實發生的順序一路走下去。
🧭從業務問題到 AI 問題：先問「真的需要 AI 嗎？」
業務單位通常只會講痛點（「客服回信太慢」「退貨太多」），規劃師要把它拆成一個可量測、可交付的任務。這個翻譯叫問題定義（Problem Framing），分三步：
- 釐清業務目標：痛點背後想改善的數字是什麼？（例：客服平均回覆時間從 8 小時降到 1 小時）
- 找出決策點：哪一個「判斷」如果能自動化，數字就會動？（例：把來信自動分類到對的部門、先草擬回覆）
- 轉成 AI 任務型態：這個判斷是分類、迴歸、排序／推薦、生成還是異常偵測？輸入是什麼、輸出是什麼、怎麼算對？
規則式（Rule-based）還是機器學習（ML）？
翻譯完之後，第一個分岔是：規則寫得出來，就不要用模型。規則式系統便宜、可解釋、可預期；ML 的價值是在「規則太多、太模糊、會隨時間變」的時候才出現。
| 面向 | 規則式系統（Rule-based / RPA） | 機器學習（ML／深度學習） |
|---|---|---|
| 適合情境 | 判斷邏輯明確、條件少、不常變（例：金額 > 5 萬需主管簽核） | 規則說不清、例外太多、模式藏在資料裡（例：從照片判斷瑕疵、從文字判斷情緒） |
| 需要資料 | 幾乎不需要歷史資料，只要專家知識 | 需要足量、有代表性、（監督式）有標籤的資料 |
| 可解釋性 | 高，每一條規則都看得到 | 依模型而異，深度模型偏黑箱 |
| 維護方式 | 規則變了就改規則；規則一多會互相打架 | 資料變了要再訓練（資料漂移、概念漂移） |
| 成本曲線 | 起步便宜，規則爆炸後維護成本飆升 | 起步貴（資料、算力、人力），規模化後邊際成本低 |
| 錯誤型態 | 沒寫到的情況就直接漏掉 | 機率性出錯，需要容錯機制或人工覆核 |
實務口訣：「先規則、再傳統 ML、最後才是深度學習／生成式 AI」。能用 Excel 公式或 if-then 解決的，就是最便宜、最穩定的解；先做一個規則式基準線（baseline），之後模型至少要打贏它才有資格上線。
🎮互動一：「該不該用 AI」決策樹
帶著你手上的案子，一題一題答。每個分岔都對應考題常考的評估面向：規則、資料、錯誤代價、效益。結論分三種：✅ 啟動、⚠️ 有條件啟動、⛔ 先不要。
🌳 該不該用 AI？四題決策樹
📋需求分析：利害關係人、KPI、資料盤點、限制條件
確定「值得用 AI 試試」之後，才進入需求分析（Requirements Analysis）。它的產出是一份大家簽字同意的需求文件，內容至少四塊：
👥利害關係人（Stakeholders）
誰出錢（贊助者）、誰用（第一線）、誰被影響（客戶、法遵、IT）。每一群的「成功」定義都不一樣，要在開工前對齊。
誰出錢（贊助者）、誰用（第一線）、誰被影響（客戶、法遵、IT）。每一群的「成功」定義都不一樣，要在開工前對齊。
🎯成功指標（KPI）
業務 KPI 是「退貨率降 20%」「客服工時省 30%」；模型指標是「F1 ≥ 0.85」。兩者要能對應，否則模型很準但老闆無感。
業務 KPI 是「退貨率降 20%」「客服工時省 30%」；模型指標是「F1 ≥ 0.85」。兩者要能對應，否則模型很準但老闆無感。
🗄️資料盤點（Data Inventory）
有哪些資料、在哪裡、多少筆、有沒有標籤、品質如何、能不能合法使用、更新頻率多少。
有哪些資料、在哪裡、多少筆、有沒有標籤、品質如何、能不能合法使用、更新頻率多少。
🚧限制條件（Constraints）
預算、時程、延遲要求（即時 vs 批次）、部署環境（雲端 vs 地端）、法規（個資、金融監理）、可解釋性要求。
預算、時程、延遲要求（即時 vs 批次）、部署環境（雲端 vs 地端）、法規（個資、金融監理）、可解釋性要求。
最常被考：業務 KPI vs 模型指標
| 層級 | 例子 | 誰在乎 | 怎麼對應 |
|---|---|---|---|
| 業務 KPI | 客訴處理時間、詐欺損失金額、轉換率、人力工時 | 老闆、業務單位 | 先定 KPI 目標值，再回推模型要多準才夠 |
| 模型指標 | Accuracy、Precision／Recall、F1、RMSE、BLEU | 資料科學家 | 依錯誤代價挑指標：漏抓代價高用 Recall，誤報代價高用 Precision |
| 系統指標 | 延遲（ms）、吞吐量、可用性、單次推論成本 | IT／維運 | 寫進限制條件，模型選型時一併考慮 |
典型錯誤：需求文件只寫「準確率 95%」。問題一：95% 在類別不平衡時毫無意義（99% 的正常交易全猜「正常」就有 99%）；問題二：沒說這 95% 會帶來什麼業務改善。正確寫法是「詐欺 Recall ≥ 0.9 且每日誤報 ≤ 50 件，預期每年減少詐欺損失 600 萬」。
🔍可行性四面向：技術、資料、經濟、法規／倫理
可行性研究（Feasibility Study）回答「做得成嗎」。iPAS 考題最愛問「下列哪個面向沒有評估到」，所以四個面向要背到反射：
| 面向 | 核心問題 | 檢查項目 | 不過關的典型徵兆 |
|---|---|---|---|
| 技術可行性 | 現有技術做得到嗎？團隊會嗎？ | 任務型態是否有成熟方法、是否有預訓練模型可用、延遲／算力是否達標、整合既有系統的難度 | 需要「影片即時理解＋ 10 ms 回應」這種超出現況的要求 |
| 資料可行性 | 有足夠、合法、乾淨的資料嗎？ | 數量、標籤、代表性、品質、取得成本、更新頻率、能否持續取得 | 只有 200 筆標籤、資料散在紙本、歷史資料沒有「結果」欄位 |
| 經濟可行性 | 效益大於成本嗎？多久回本？ | 一次性成本、每年成本、量化效益、ROI、回收期、NPV、敏感度 | 回收期 > 系統壽命；效益只有「提升形象」這種無法量化的詞 |
| 法規／倫理可行性 | 可以合法、負責任地做嗎？ | 個資法、資料跨境、著作權、歧視與公平、可解釋性義務、高風險應用的監管（如 EU AI Act） | 用客戶個資訓練但沒取得同意；用 AI 自動拒絕貸款卻無法說明理由 |
💰成本結構與 ROI 公式
AI 專案的錢不是只花在模型上。考題常給一堆數字要你分「一次性」還是「每年」，再算 ROI。先把成本拆乾淨：
| 成本類別 | 內容 | 性質 | 常被忽略的點 |
|---|---|---|---|
| 資料取得與標註 | 購買資料、爬取、清理、人工標註（Labeling）、標註品質審核 | 一次性為主，但資料會持續新增 | 標註往往是最大宗；專業領域（醫療、法律）標註工時極貴 |
| 算力 | 訓練用 GPU、推論伺服器或雲端 API 呼叫費、儲存 | 訓練一次性，推論每年持續 | 生成式 AI 的 token 費用隨使用量線性成長 |
| 人力 | 資料科學家、ML 工程師、領域專家、專案管理 | 開發期一次性，維運期持續 | 領域專家的時間常沒被計價 |
| 授權與平台 | 模型／軟體授權、MLOps 平台、標註工具、資安稽核 | 每年持續 | 按席次或按量計價，規模化後暴增 |
| 維運與再訓練 | 監控、資料漂移處理、定期再訓練、模型版本管理、客服與教育訓練 | 每年持續，通常佔一次性成本的 15–30% | 最常被漏算；沒編這筆預算，模型上線一年就「退化」 |
效益怎麼量化
效益也要變成錢，常見三種：省時（省下工時 × 時薪）、增收（轉換率提升 × 客單價 × 客數）、減損（錯誤率下降 × 每次錯誤代價）。無法量化的（形象、員工滿意）列在旁邊當加分，不要塞進 ROI 公式。
ROI ＝ (總效益 − 總成本) ÷ 總成本 × 100%
回收期（Payback Period）＝ 一次性成本 ÷ 每年淨效益
NPV ＝ −C₀ ＋ Σt=1..n Bt ÷ (1 + r)t C₀＝一次性導入成本；Bt＝第 t 年淨效益（效益 − 每年成本）；r＝折現率；n＝評估年限。NPV > 0 代表「考慮錢的時間價值後仍划算」。
回收期（Payback Period）＝ 一次性成本 ÷ 每年淨效益
NPV ＝ −C₀ ＋ Σt=1..n Bt ÷ (1 + r)t C₀＝一次性導入成本；Bt＝第 t 年淨效益（效益 − 每年成本）；r＝折現率；n＝評估年限。NPV > 0 代表「考慮錢的時間價值後仍划算」。
例題練一次：導入成本 300 萬（一次性）、每年維運 60 萬、每年效益 310 萬。每年淨效益＝310 − 60＝250 萬；回收期＝300 ÷ 250＝1.2 年；三年 ROI＝(930 − 480) ÷ 480＝93.8%；折現率 8% 的三年 NPV＝−300 ＋ 250/1.08 ＋ 250/1.08² ＋ 250/1.08³ ≈ 344 萬。下面的計算機就是用同一組預設值。
🎮互動二：AI 專案 ROI 計算機
改任何一個數字，右邊的 ROI、回收期、淨現值與累積現金流圖會立刻重算。試試看：把「每年維運」調高、或把折現率拉到 20%，觀察回收點怎麼往後跑。
🧮 AI 專案 ROI 計算機（單位：萬元）
💸 成本
📈 每年效益
省時效益＝工時 × 時薪 ＝ 160 萬／年；每年總效益 ＝ 310 萬
評估年限：
250
每年淨效益（萬）
94%
期末 ROI
1.2 年
回收期
344
淨現值 NPV（萬）
名目累積現金流折現後累積現金流損益兩平線
🚀導入路徑 PoC→Pilot→Scale、失敗原因與風險登錄表
算完划算也不要一次全上。AI 專案的不確定性高，業界標準作法是三階段放大，每一關都設「過關條件」，不過就停：
① PoC 概念驗證4–8 週、小資料、離線評估。目標：證明「技術上做得到、模型指標達門檻」。過關條件：模型指標 ≥ 目標、資料管線跑得通。
→
② Pilot 試行1–3 個月、真實使用者、小範圍上線（一個部門或 5% 流量）。目標：驗證業務 KPI 真的會動、使用者願意用。過關條件：KPI 改善、無重大事故。
→
③ Scale 規模化全面導入、納入 MLOps 監控、編列維運與再訓練預算。目標：穩定運作並持續產生效益。
AI 專案最常見的失敗原因
🎯問題定義錯
解了一個沒人在乎的問題，或 KPI 跟模型指標對不上：模型很準、業務沒感覺。
解了一個沒人在乎的問題，或 KPI 跟模型指標對不上：模型很準、業務沒感覺。
🗄️資料不足或品質差
PoC 用乾淨的歷史資料很漂亮，上線後真實資料髒、分布不同，效果崩盤。
PoC 用乾淨的歷史資料很漂亮，上線後真實資料髒、分布不同，效果崩盤。
🧑💼沒人要用
第一線沒參與設計，覺得 AI 來搶工作或多一道手續，直接繞過它。
第一線沒參與設計，覺得 AI 來搶工作或多一道手續，直接繞過它。
🔧沒編維運預算
模型上線後漂移沒人管、沒再訓練，半年後比規則還差。
模型上線後漂移沒人管、沒再訓練，半年後比規則還差。
🧪PoC 永遠畢不了業
沒有事先定義過關條件，一直「再調一下」，永遠到不了 Pilot。
沒有事先定義過關條件，一直「再調一下」，永遠到不了 Pilot。
⚖️法規／倫理踩雷
資料來源不合法、模型歧視特定族群、無法解釋決策，上線後被迫下架。
資料來源不合法、模型歧視特定族群、無法解釋決策，上線後被迫下架。
風險登錄表（Risk Register）
規劃階段就要把風險寫成表：風險 → 發生機率 → 衝擊 → 因應策略 → 負責人。機率 × 衝擊得到風險等級，高等級的先處理。一份典型的 AI 專案風險登錄表長這樣：
| 風險 | 機率 | 衝擊 | 等級 | 因應策略 | 負責人 |
|---|---|---|---|---|---|
| 標籤資料不足 | 高 | 高 | 🔴 高 | 先做標註計畫與預算；評估弱監督、預訓練模型微調 | 資料負責人 |
| 資料漂移導致上線後退化 | 中 | 高 | 🔴 高 | 建立監控與再訓練機制（MLOps）、設定告警門檻 | ML 工程師 |
| 個資使用未取得同意 | 低 | 極高 | 🟠 中高 | 法遵審查、去識別化、資料使用同意書 | 法遵／PM |
| 使用者抗拒、採用率低 | 中 | 中 | 🟡 中 | 第一線參與設計、Pilot 期收集回饋、教育訓練 | 業務主管 |
| 雲端推論費用超支 | 中 | 中 | 🟡 中 | 設用量上限與告警、評估小模型或快取 | IT |
| 供應商模型停止服務或漲價 | 低 | 中 | 🟢 低 | 抽象化 API 層、保留替代模型方案 | 架構師 |
⚠️ 常見誤區總整理：（1）把「導入 AI」當目標，而不是把「改善某個 KPI」當目標；（2）ROI 只算省下的人力，忘了每年的推論費與維運；（3）用 PoC 的離線準確率當作上線後的效益保證；（4）可行性只評技術，忽略資料與法規；（5）效益用「提升競爭力」這類無法量化的描述硬撐；（6）沒有風險登錄表，問題發生時才找負責人。
✅自我檢測
五題單選，點選後立刻看答案與解釋。
🎯重點整理
- 順序：問題定義 → 要不要用 AI → 需求分析 → 可行性 → 成本與 ROI → PoC→Pilot→Scale → 風險登錄。AI 是手段，KPI 才是目的。
- 規則 vs ML：規則寫得出來且不常變 → 規則式；規則說不清、模式藏在資料裡且資料足夠 → ML。先做規則式 baseline。
- 需求分析四塊：利害關係人、業務 KPI（要能對應到模型指標）、資料盤點、限制條件。
- 可行性四面向：技術、資料、經濟、法規／倫理——「技資經法」，一個不過就縮小範圍或改方案。
- 成本五類：資料取得與標註、算力、人力、授權、維運與再訓練（最常漏）。效益三種：省時、增收、減損，要變成錢。
- 公式：ROI＝(總效益−總成本)/總成本；回收期＝一次性成本/每年淨效益；NPV 把未來的錢用 (1+r)t 折現，> 0 才划算。
- 導入：PoC 驗技術、Pilot 驗 KPI 與使用者、Scale 驗穩定；每關有過關條件。失敗多半不是模型不準，而是問題定錯、資料差、沒人用、沒維運。