# 10-20-70 法則：為什麼你的 AI 投資沒有回報？
一場觸動人心的簡報
2026 年 7 月 21 日，我在世貿中心的「AI for Impact」論壇上聽了一場讓我印象深刻的分享。BCG X 大中華區負責人吳學林站上講台，拋出一個靈魂拷問：
「貴公司導入 AI，ROI 在哪裡？」
台下幾百位企業主和轉型主管，沒有人舉手說自己已經看到明確的財務回報。
吳學林接著分享了一組來自 BCG 全球調研的數據：超過 70% 的企業 AI 專案未能達到預期效益。不是工具不夠強，不是模型不夠準確——而是企業從頭到尾，就把資源放錯了地方。
這就是我今天想跟你深入探討的——10-20-70 法則。
什麼是 10-20-70 法則？
這個框架來自 BCG 多年的 AI 轉型實戰經驗，將企業導入 AI 所需的資源配置拆解為三個層次：
| 層次 | 佔比 | 核心內容 |
|---|---|---|
| **演算法（Algorithms）** | **10%** | 模型開發、資料科學、演算法選擇 |
| **系統整合（Systems Integration）** | **20%** | IT 基礎建設、API 串接、資料管道、資安合規 |
| **轉型管理（Transformation Management）** | **70%** | 組織變革、人才培育、流程重塑、文化建立、治理機制 |
你可能會覺得：「30% 給技術已經很多了，70% 花在『管理』上會不會太誇張？」
但這就是問題所在——多數企業實際上的配置，跟這個比例是顛倒過來的。
為什麼多數企業做反了？
我輔導過的許多台灣企業，導入 AI 的第一個動作是什麼？買工具、建模型、上雲端。一間年營收五十億的傳產，去年砸了三千萬採購生成式 AI 平台，結果半年後員工使用率不到 8%。總經理很沮喪地問我：「CJ 哥，是不是這套工具不好？」
我說：「工具沒問題，問題出在你的組織還不準備好。」
這不是單一案例。在台灣企業中，我反覆看到三個被嚴重低估的障礙：
1. 人才缺口：沒有人懂怎麼「用」AI
這裡說的「懂」不是寫程式，而是懂得在真實業務場景中運用 AI 解決問題。很多公司花大錢請了資料科學家，卻沒有培養內部員工最基本的人工智慧素養（AI Literacy）。業務部門看不懂模型的輸出，主管不知道怎麼制定 AI 策略，HR 沒有建立新的職能地圖——整個組織對 AI 的理解，停留在「這東西很厲害」的層次。
2. 變革阻力：員工不信任、不願意用
這是最常見、但也最被輕忽的障礙。員工擔心被取代、不相信 AI 的建議、覺得導入 AI 是老闆在找藉口砍人頭。當員工帶著防備心打開系統，任何一點小 bug 都會被放大成「這個工具根本不能用」的結論。管理層通常到這時候才驚覺：原來真正的成本不是在採購階段，而是在行為改變的階段。
3. 流程沒有跟著改
AI 不是一個獨立的工具，它是一個需要嵌入流程的系統。如果 SOP 還是三年前那套、決策權責沒有重新劃分、績效考核沒有涵蓋新的工作方式——那 AI 的輸出再怎麼精準，也無法轉化為實際的營運效益。
這三點加起來的結果就是：企業把 70% 的預算花在技術工具上，卻只願意花不到 10% 在組織準備度上。然後再來問為什麼沒有回報——這就像買了一台法拉利回家，卻發現車庫裡沒人會開車、沒有油、而且路還沒鋪好。
少即是多：聚焦三大關鍵領域
你一定會問：「CJ 哥，那 70% 的資源到底要花在哪裡？」
根據我的經驗，真正成功的企業不會一次打好幾場仗。他們只聚焦在 2 到 3 個關鍵領域，把資源集中投入，打穿打透。
我推薦的聚焦框架是這三個：
- 1營收成長（Revenue Growth）：AI 輔助銷售預測、客戶分群與精準行銷、動態定價策略
- 2營運效率（Operational Efficiency）：供應鏈優化、生產排程、異常偵測與預防性維護
- 3員工賦能（Workforce Empowerment）：知識管理搜尋、自動化報表生成、AI 輔助決策儀表板
少就是多。一家企業只要在一個領域做出有感成效，團隊的信心就會倍增，第二波、第三波的導入就會順利得多。 那些想要在第一年同時轉型業務、供應鏈、人資、財務、客服的企業，幾乎百分之百會在半年內失焦，最終什麼都沒做好。
KPI 必須從「採用率」換成「財務績效」
另一個常見的陷阱，是用錯誤的指標來衡量 AI 專案的成敗。
我常常在企業的轉型月報上看到這些數字：
- •平台活躍用戶數：3,200 人
- •模型每月調用次數：45 萬次
- •員工訓練完成率：92%
這些數字看起來很漂亮，但當我追問：「所以這幾個月營收跟去年同期比是增還是減？」「庫存周轉天數改善了幾天？」「客戶投訴率有變化嗎？」——會議室往往陷入沉默。
採用率是一種 vanity metric（虛榮指標）。它只告訴你多少人在用，卻不告訴你用了之後創造了多少價值。
企業應該將 AI 專案的 KPI 與財務績效直接掛鉤。不需要很複雜，關鍵問題只有三個：
- 1這項 AI 應用幫我們增加多少營收？
- 2這項 AI 應用幫我們節省多少成本？
- 3這項 AI 應用幫我們降低了多少風險（合規、資安、營運中斷）？
當你開始用這三個問題來檢視每一個 AI 專案，你就會發現哪些專案值得擴大投資，哪些只是在燒錢。
五個行動綱領
總結以上觀點，我為正在規劃或正在進行 AI 轉型的企業，整理出五個行動綱領：
一、先診斷，再導入
在花任何一毛錢買工具之前，先做一次完整的組織 AI 準備度評估。了解公司當前的人才結構、資料成熟度、流程現狀與文化特質。不需要大規模顧問案，一張簡單的檢核表加上幾場關鍵主管訪談，就能讓你看到真正的差距在哪。
二、把 70% 的預算留給「人」和「流程」
重新編列預算結構。模型和基礎建設不該超過總預算的 30%。剩下的 70% 要花在：內部培訓、變革管理溝通、流程梳理與重新設計、建立新的績效衡量機制。
三、培養「AI 翻譯官」
在每一個業務部門中，至少培養一位懂業務也懂 AI 的關鍵人物（我們稱之為 AI Translator 或 AI Champion）。這個人不需要會寫程式，但要能夠辨識哪些業務痛點可以用 AI 解決，並且有辦法跟資料科學家和 IT 團隊溝通。這是目前台灣企業最欠缺的關鍵角色。
四、用 MVP 思維快速迭代
不要一上來就想做完美的大型專案。選一個痛點明確、範圍可控的場景，在 6 到 8 週內做出最小可行產品（MVP），快速驗證價值。如果成效有感，再擴大規模。一次只做一件事，把它做到有感為止。
五、把 KPI 鎖在財務數字上
每季回顧時，只問一個問題：「這個 AI 應用為公司的財務報表帶來了什麼改變？」如果三個季度都答不出來，勇敢地停掉它，把資源轉移到下一個更有潛力的場景。認錯不是失敗，持續燒錢才是。
結語
吳學林在那場論壇的最後，放了一張圖：左邊是一台看似先進的機器，右邊是一群人蹲在地上討論。圖說寫著——「Technology is the easy part. People are the hard part.」
技術是簡單的，人才是困難的。
10-20-70 法則不是一個學術模型，它是一個殘酷的誠實提醒：AI 轉型的成敗，90% 與技術無關。它關乎你的團隊願不願意改變、你的主管懂不懂得領導、你的組織願不願意把資源花在看不見的地方。
如果你正在為 AI 投資的回報苦惱，不妨先停下來，重新問自己一個問題：
「我的 70%，到底在哪裡？」
*本文作者 CJ 哥，榕耀管顧 RongRise Consulting 創辦人，長期專注於台灣中小企業的 AI 轉型輔導。如需進一步諮詢，歡迎透過官網與我們聯繫。*