WiDS Taipei 2026 | Human x AI 新世代工作模式 — Lydia Chu & Audrey Tsang

WiDS Taipei 2026 | 微軟MIcrosoft講者合影

AI 代勞執行，人類回歸決策

講者介紹

⭐️ 講者 — Audrey Tsang (上圖左)
Customer Success Account Manager · Microsoft Taiwan
▎畢業於國立政治大學 MBA，並於職涯初期即加入微軟。長期站在企業第一線，協助金融、醫療、教育與公部門等大型組織導入AI與數位轉型，重新定義人與科技的工作模式。

⭐️ 講者 - Lydia Chu (上圖右)
Sr. Customer Success Account Manager · Microsoft Taiwan
▎從資訊背景出發，歷經程式開發與數據分析角色，進一步走入商業與企業轉型第一線，長期協助客戶將技術轉化為可衡量的業務成果。

本文大綱

1. 前言：AI 導入的理想與現實
2. 企業導入 AI 的三大核心挑戰
3. AI Agent價值：釋放時間，回歸高階思考
4. 實務應用分享：打破工具界線，實現「一條龍」的工作流
5. 總結：AI 代勞執行，人類回歸決策
6. 今天聽完就能做的事
7. Q&A

• 本文整理自演講公開分享，為 Taiwanese in Data Science Taipei 2026 論壇筆記。

💡 導讀小提醒： 
本文內若遇到右上角帶有「*」記號的數據科學與AI專有名詞（如 Agentic AI*），
皆可隨時滑至文章底部查閱詳細的白話註解，幫助您更流暢地掌握核心重點。

一、前言：AI 導入的理想與現實

據 Gartner 的市場調查預測，至 2028 年將有逼近 33% 的企業應用程式採用 Agentic AI*。然而，現實中高達 60% 的 AI 專案最終未能落地。 其主要原因在於企業內部缺乏「AI-Ready Data*」，即缺乏能讓 AI 直接讀懂、格式統一且乾淨的資料。導入 AI 的關鍵，在於如何打好資料基礎，讓 AI 真正落地發揮價值。

本文將逐步解析企業導入 AI 的核心挑戰與具體策略。

二、企業導入 AI 的三大核心挑戰

在評估與導入 AI 工具時，企業決策者與第一線使用者普遍面臨以下三個階段的挑戰：

1. Trustworthy AI — Can we really trust AI outputs?

企業最大的疑慮在於 AI 是否會產生幻覺或提供無事實根據的答案。 關鍵在於建立* Grounding（溯源機制），確保 AI 每一項產出皆附帶明確的企業內部文件引用來源，以建立基礎信任。

2. Business Understanding — How AI understands real-world business logic?

市面上常見的外部 AI 工具，通常無法理解單一企業的專有名詞、代號或獨特的商業邏輯。企業必須先建立統一資料層，並*構建專屬的 Ontology（企業語意層），將跨部門的分散資料統整，實際應用上AI 才能真正讀懂企業內部的專屬「語言」。

3. Data & Exposure Risks — Managing data boundaries in the AI era

員工為了求快，私自將公務資料上傳給未經公司授權的外部 AI 工具，形成 Shadow AI*（影子 AI）危機，大幅增加機密外洩的風險。合格的企業級 AI 必須具備嚴密的邊界守護能力，嚴格執行繼承既有的人員資訊存取權限。系統需自動確保使用者無法透過 AI 繞過權限機制去探取高機密檔案，以達成合規與安全控管。

三、AI Agent價值：釋放時間，回歸高階思考

導入 AI 的目標並非單純追求速度，而是「重塑整體工作流程」。 傳統的資料分析週期往往耗時許久；在 AI 的輔助下，相同的作業流程可大幅縮減。這項轉變能釋放出更多時間，讓員工從重複性的工作中抽離，將精力集中於商業提問、假設驗證與策略決策。

四、實務應用場景：打破工具界線，實現「一條龍」的工作流

以虛構的「評估Bobago珍珠奶茶進軍日本市場」的商業專案為例。

在底層資料已統一且權限控管完善的前提下，營運團隊能將複雜的跨系統任務，轉化為流暢的自動化作業：

• 透過 Researcher 快速梳理商業與產業脈絡：快速建構日本飲品市場不同業態近兩年的市場動態，在專案初期建立全景視野。
• 透過 Analyst 診斷銷售數據，將商業問題轉化為「可驗證假設」：深度剖析各品類的銷售表現，從紛亂的數據中精準定位潛在的商業機會與痛點。
• 透過 Excel Copilot 高效完成數據分析：深度剖析市場銷售趨勢與企業經營的財務健康狀況。
• 透過 Notebooks 累積團隊洞察與思考脈絡：彙整跨系統工具並分析日本市場的競品動態，將碎片化的資訊凝聚成完整的專案知識庫。
• 透過 Cowork 完成重複性工作：讓 AI 代勞重複性的庶務工作，自動生成決策總結報告，並一鍵發送至各利害關係團隊啟動跨部門協作。

此案例證明了 AI 不僅局限於單一軟體內的操作，而是能串聯多種軟體，無縫銜接前期的資料處理到最終的商業提案。

五、總結：AI 代勞執行，人類回歸決策

AI 能否在企業內部發揮最大效益，取決於三大支柱：

1. 「資料」決定 AI 能看見什麼資訊
2. 「語意」決定 AI 如何理解公司的商業邏輯
3. 「治理」則劃定了 AI 能執行的安全邊界

當 AI 能夠打破軟體界限，代勞繁雜的資料統整與執行任務時，團隊的競爭優勢將不再是「誰做得快」，而是誰具備「洞察異常數據」與「提出精準商業假設」的能力。

六、今天聽完就能做的事

企業與個人的 AI 轉型並非一蹴可幾。針對以下三類客群，我們可以嘗試探索以下三種不同的工具：

1. 給「還沒開始」的你：體驗關鍵作業的改變

• 建議工具： Microsoft 365 Copilot。
• 如何開始： 針對日常最耗時的文書彙整工作，先準備 3 個可以試的 Prompt進行實作測試，感受 AI 帶來的效率轉變。

2. 給「個人應用」的你：嘗試挑選首個工作自動化

• 建議工具： AI Agents。
• 如何開始： 若個人操作已具備基礎，請進一步探索 5 個具備高業務影響力的 Agent 場景，並列出 3 個 Agent 清單，評估將其規模化應用至團隊的潛力。

3. 給「想驅動業務流程」的你：對齊AI導入願景與組織商業目標

• 建議工具： Business Scenario Alignment with Agent Factory。
• 如何開始： 跳脫個人改變的限制，將 AI 發展願景直接對齊企業的核心業務目標，並進行嚴謹的優先場景排序，確保資源投入在能帶來最大商業價值的專案上。

六、Ｑ＆Ａ

Q1: 請問目前AI導入專案中，認為用戶最常使用以及不常用的功能分別是什麼？導入時常卡關的部分是什麼，以及如何解決？

1. 最常用的功能：以 Excel 為例

過去 Excel 仍需仰賴人工手動將公式帶入資料中。目前的版本已大幅演進，用戶無需學習公式，直接下達分析指令即可完成，能直接協助用戶簡化繁瑣的資料比對與處理流程，顯著降低了技術門檻與學習成本。

2. 導入時常見的難關：

• 指令過於模糊： 用戶常給出籠統的需求，例如「幫我把 20 家公司的財報彙整成一份大表」，但 AI 無法理解「大表」的具體定義、資料來源與運作邏輯。
• 轉型陣痛：企業在實際導入時最常見的瓶頸，並非員工缺乏專業能力，而是「不知道如何將原本的傳統作業模式，轉換成 AI 能理解的語言」，往往難以將龐雜的經驗拆解並具體化為系統指令。

3. 解決方案與建議：任務邊界設定與流程拆解

克服卡關的關鍵不在於盲目學習「如何寫出完美的Prompt」，而是給予「明確且具體的任務定義」，並嘗試將「作業的步驟化拆解細化」，逐步引導 AI 適應並學習企業專屬的運作流程。

Q2: 請問前文提到的功能是公司有購買Microsoft office 365 就可以使用嗎？另外，Microsoft Notebooks 和 Google 的 Notebook LLM差別在哪？或是Microsoft Notebooks 特別的優勢是什麼？

1. 關於 Microsoft 365 訂閱與使用權限

• 基本功能（Basic）： 若公司已購買企業版 M365，通常已包含基礎的 Copilot 功能，可用於輔助生成 Word、Excel 或 PowerPoint 的初步內容。
• 進階功能（Premium）： 前文所提及的AI Agent、Cowork，則需額外加購 Copilot Premium 授權。

購買 Premium 後，用戶可以介面中自由切換不同的模型，無需另外支付高昂的 Token 費用，對於企業而言更具經濟效益。

2. Microsoft Notebooks 與 Google Notebook LLM 的差異與優勢

雖然市面上工具看似相似，但微軟具備以下兩大核心優勢：

• 強大的生態系整合：微軟的 AI 助手不只是讀取單一文件，此外它能理解你在企業中的業務邏輯、正在進行的專案脈絡及個人工作習慣，能夠串聯用戶在 Outlook（郵件）、Teams（會議）、SharePoint 與 OneDrive（檔案）中的所有資料。
• 開放的 AI 平台策略：微軟將自己定位為「AI 平台」，而非單一模型提供者，用戶可以根據不同工作需求，在平台上自由選擇最適合的模型，讓各個模型各司其職，發揮最大綜效。

【附註】

• Agentic AI（代理型 AI）： 指具備自主代理與決策能力的 AI 系統，能主動發掘問題並執行多步驟任務，而非僅被動接收指令。
• AI-Ready Data： 經過清理、格式統一，可直接供 AI 模型精確讀取與分析的高品質資料。
• Grounding（溯源機制）： 限制 AI 僅能依據特定、受控且已驗證的資料庫（如企業內部的 SharePoint 或 Email）來生成回答，並附上引用來源，以防止 AI 產生幻覺。
• Ontology（企業語意層）： 源自哲學本體論，在數據科學中指「企業的字典」。協助 AI 理解企業專屬商業邏輯、專有名詞及其相互關聯的架構。
• Shadow AI（影子 AI）： 員工在未經企業 IT 單位授權與監管的情況下，私自於工作中使用外部 AI 工具，易導致企業機密資料外洩的資安盲區。

【資料來源】 Gartner Top Strategic Tech Trends 2025; Gartner Newsroom, 2025; IDC Agentic AI Playbook, 2025.

【✨更多專業交流資訊✨】

若您對企業 AI 落地實務、資料治理架構有更多想探討的想法，歡迎關注TWiDS與微軟講者LinkedIn，鎖定更多數據科學領域的科技新知：

• Taiwan Women in Data Science, TWiDS： 歡迎關注 TWiDS LinkedIn 官方專頁，持續鎖定年度精彩科技論壇與社群活動。
• 微軟講者： Lydia Chu’s LinkedIn ｜ Audrey Tsang’s LinkedIn