很多中小企業現在不是沒在用 AI，而是用得太快。
行銷用 AI 產文案、客服用 AI 整理回覆、業務把客戶對話丟進工具摘要、主管想買 AI Agent 平台。效率看起來變高，但若沒先設計好 AI 工具資安與企業 AI 治理規則，風險也會一起被放大。
問題從來不是「AI 能不能用」——當然能用，而且應該用。真正該先想清楚的是這幾件事：
- 哪些資料能丟進工具？
- 誰可以用？能用到什麼程度？
- 做了什麼操作，有沒有紀錄？
- 供應商靠不靠譜、會不會說停就停？
- 萬一 AI 回錯、資料外流、帳號被離職員工帶走，責任算誰的？
這份清單不是要把 AI 擋在門外，而是避免公司掉進「員工各用各的、老闆完全不知道資料去哪裡」的狀態。那不是創新，是 Shadow AI（影子 AI）。
在 RunningMate 的陪跑現場，我們不會丟一份厚厚的政策給你自己讀。我們會帶著老闆和員工一起，把一份「最小治理包」做出來：資料分級表、可用工具清單、權限規則、驗收指標——讓你真的敢加速。
為什麼 AI 導入風險不是大公司才需要管？
因為中小企業的風險不一定比較小，只是少了人幫你擋。 大公司有法務、資安、IT、稽核部門在前面把關；中小企業多半沒有，一旦出事，最後幾乎都會回到老闆身上。
常見的失控狀況包括：
- 員工用私人帳號處理公司資料
- 客戶名單被上傳到不明工具
- AI 回覆沒有任何審核紀錄
- 供應商合約沒有資料保存條款
- 工具買了卻沒人驗收成效
AI 導入不只是採購一套軟體，而是把公司的資料、流程、甚至部分決策權交給系統。所以談功能之前，要先談邊界。
第 1 題：這個工具會碰到哪些資料？
先別問「這個工具能做什麼」，要問「它會讀到什麼」。 把資料分級，老闆才知道哪些流程可以快跑、哪些要慢慢來。
建議先把資料分成四級：
- 公開資料：官網內容、商品資訊、FAQ、已發布文章。通常可放進 AI 知識庫。
- 內部資料：SOP、教育訓練、活動規劃、一般報表摘要。可以用，但要限制權限。
- 客戶與交易資料：姓名、電話、地址、訂單、詢問內容、客服對話。必須控管，不能隨便丟進個人版工具。
- 高敏感資料：財務、薪資、醫療、法律文件、未公開合約、大量個資。除非有明確合約、權限與刪除規則，否則不要上傳。
第 2 題：資料會被保存、訓練或分享嗎？
AI 工具最常被忽略的，是資料進去之後到底去了哪裡。 至少要先確認這四件事：
- 資料會不會用於模型訓練？
- 資料會保存多久？
- 能不能刪除？
- 會不會被第三方處理？
如果供應商回答得很模糊、或合約沒寫清楚，就不要把敏感資料交給它。
中小企業不一定一開始就得買最貴的企業版，但至少要守住三條底線：
- 公司資料不用私人帳號處理
- 客戶資料進 AI 前先去識別化
- 高敏感資料只進「有合約、有管理後台」的工具
第 3 題：誰可以用？可以做到什麼程度？
權限不能只分「能用」和「不能用」，更務實的是分三層。 依「讀取 → 建議 → 執行」由淺到深設定：
- 只能讀取：能查資料，但不能改、不能匯出。
- 可以建議：能產生回覆或方案草稿，由真人確認後才送出。
- 可以執行：能實際發信、改資料、調設定——這層要最小化、最謹慎。
對應到不同角色：
- 客服可查訂單、產生回覆建議，但不該匯出整批會員資料。
- 行銷可用公開商品資料與品牌素材，但不該讀客服客訴紀錄。
- 外包文案只能看簡化產品資訊，不該拿到完整客戶名單。
AI Agent 尤其要小心，因為它不只是回答，還可能發信、改資料、建立任務、調整廣告。第一版最好先停在「可以建議」，由真人確認後才執行。
第 4 題：出了錯，有沒有紀錄可以追？
沒有紀錄的 AI 系統，出事時幾乎無從處理。 如果 AI 回錯客服、寄錯信、改錯資料、產出違規文案，老闆需要能回答：
- 誰觸發了這個任務？
- AI 讀了哪份資料？
- 它產生了什麼建議？
- 誰按下確認？
- 最後改動了哪裡？
對應地，至少要留下這 5 種操作紀錄：
- 使用者紀錄（誰做的）
- 資料來源紀錄（讀了什麼）
- 輸入與輸出紀錄（問了什麼、答了什麼）
- 執行紀錄（實際做了什麼）
- 人工確認紀錄（誰核可的）
工具本身做不到，就先把關鍵流程寫進 Google Sheet、CRM、任務系統或內部表單。重點不是形式漂亮，而是事後查得到。
第 5 題：供應商倒了、漲價、停服，資料拿得回來嗎？
AI 工具市場變很快，今天很紅的工具，半年後可能改價、停功能、被併購，或跟你的主系統不再相容。 導入前先問清楚：
- 資料能不能匯出？格式是 CSV、JSON、Markdown，還是只能截圖？
- 知識庫、提示詞、流程設定能不能備份？
- 取消帳號後資料保存多久？
- 是否支援 API？
- 合約有沒有 SLA、資料處理條款與終止條款？
這些問題聽起來很無聊，但 AI 流程一旦跑進日常營運，退出成本會比想像中高很多。
第 6 題：AI 回答或執行前，有沒有人工接管規則？
成熟的 AI 自動化不是什麼都讓 AI 做，而是知道哪裡一定要人接手。 建議先設三條紅線：
- 金額紅線：超過預算、折扣、退款或報價範圍，必須人工確認。
- 內容紅線：涉及法規、合約、醫療、財務、個資、負面情緒，必須轉真人。
- 權限紅線：AI 可以提醒與建議，但不能直接刪資料、改價格、匯出名單、發正式承諾。
舉幾個實務情境：
- 客服遇到客訴、退費、法律威脅、情緒升高，要轉真人。
- 廣告 Agent 想調高預算、關閉活動、改受眾，要主管確認。
- 文案 AI 產生保健、醫療、金融、功效宣稱，要進合規審查。
第 7 題：導入後要用什麼指標驗收？
AI 導入要回到營運結果，不要只看產出量。 不同工具看不同指標：
- 行銷工具：產出速度、審稿退件率、素材上線時間、廣告成效。
- 客服工具：回覆時間、轉真人比例、客訴率、摘要正確率。
- 業務工具：名單跟進速度、成交率、遺漏率。
- 營運 Agent：異常發現時間、任務完成率、錯誤減少數。
建議用 30 天驗收節奏走：
- 第一週：記錄原流程數據（沒有基準就沒辦法比較）。
- 第二到三週：讓 AI 進入半自動流程。
- 第四週：決定擴大、調整或停掉。
沒達到指標，就不要硬擴大。
把這 7 題串起來：用 RACAE 一次跑完導入
上面 7 題，看起來是七個獨立檢查項，其實可以包成一個可重複的優化循環。
這就是狼大在陪跑時一直在用的招牌方法——RACAE 優化循環，順序是 Record（紀錄）→ Analysis（分析）→ Conclusion（結論）→ Assumption（假設）→ Experiment（驗證）。
把「資料分級＋權限＋紀錄＋30 天驗收」對應進去，就是這樣：
- Record（紀錄）：先把上面說的 5 種操作紀錄留下來——使用者、資料來源、輸入與輸出、執行、人工確認。沒有紀錄，後面全部都是憑感覺。
- Analysis（分析）：拿第 7 題的驗收指標去看資料。回覆時間有沒有變短？退件率有沒有下降？哪個流程其實沒省到時間？
- Conclusion（結論）：根據指標下判斷。這個流程值得擴大、需要調整、還是該停掉？
- Assumption（假設）：先從低風險、可逆的流程開出第一版假設——例如「公開資料整理、文案初稿用 AI，應該能省時又不碰敏感資料」。先開低風險，不要一上來就動客戶名單。
- Experiment（驗證）：用 30 天驗收去跑這個假設。過了，就擴大到下一個流程；沒過，就回到 Record 重來一輪。
這套循環的好處是：每一輪都有資料佐證，老闆不用憑感覺決定要不要再投錢。
想更完整了解這個方法在企業端怎麼落地，可以參考我們的 企業 AI 陪跑。
一份真實案例：先留紀錄，才有得驗收
講方法容易，落地很難。分享一個 RunningMate 帶著做的例子。
某塑膠擠出工廠（依約不具名） 的生產日報，原本是紙本手寫——工單號碼、工序、起訖時間、生產數量，全靠人工抄。痛點不只是慢，而是抄完就散在紙堆裡，根本沒辦法回頭分析。
我們陪老闆和員工一起，把它改成一支手機 Web App：
- 選員工
- 輸入工單／工序
- 按下計時，開始工作
關鍵在於——這一步等於先把「紀錄」這件事做起來（Record）。資料變成結構化、查得到，後面才談得上分析與驗收。光是把紙本搬上手機這件事，就預估一年省下 200+ 小時。
值得一提的是，這不是顧問丟一份報告就走，而是帶著老闆和員工一起做、讓團隊長出自己的能力。
同樣的精神，狼大也用在自己經營的 Meta Toy 玩具電商：把原本要開電腦、員工又不愛用的 Google 試算表進銷存，改成手機可操作的進銷存流程——
- LINE 自動推播下單紀錄
- 手機庫存／盤點 Web App（可掃 SKU、選倉位、語音輸入）
結果是每天約省 30 分鐘，員工落實率也跟著提升。
從工廠到電商，重點都一樣：先把紀錄做起來，治理和驗收才有依據。
老闆可以先做的最小治理包
不用一開始就寫一份厚厚的 AI 政策。 對多數中小企業來說，第一版先做到這 4 件事就夠：
- 資料分級表（第 1 題）
- 可用工具清單（第 2、5 題）
- 權限與人工確認規則（第 3、6 題）
- 30 天驗收指標（第 4、7 題）
這 4 件做完，公司就能先開放低風險流程，例如：
- 公開資料整理
- 文案初稿
- 客服 FAQ
- 會議摘要
- 報表重點
等碰到客戶資料、交易資料、合約、財務或系統執行權限時，再升級到企業版、私有化或更嚴格的導入專案。
最怕的不是慢，而是「假裝已經導入 AI」，實際上只是把公司資料交給一堆無法管理的個人帳號。
一張簡單的 AI 工具導入檢查表
| 檢查項目 | 必問問題 | 沒答案時的處理 |
|---|---|---|
| 資料範圍 | 工具會碰到哪些資料？ | 先限制公開與低敏感資料 |
| 資料保存 | 是否用於訓練？保存多久？ | 不放客戶與高敏感資料 |
| 權限控管 | 誰能讀取、建議、執行？ | 先只開建議，不開自動執行 |
| 操作紀錄 | 出錯時查得到嗎？ | 補表單、任務或紀錄流程 |
| 供應商風險 | 資料拿得回來嗎？ | 要求匯出、備份與終止條款 |
| 人工接管 | 哪些情境必須轉真人？ | 先列金額、內容、權限紅線 |
| 成效驗收 | 30 天後看什麼 KPI？ | 沒指標就不要擴大導入 |
最後：AI 治理不是踩煞車，是讓公司敢加速
沒有規則，公司只會陷入兩種狀態：老闆什麼都不敢開放，或員工各用各的、資料到處飛。 這兩種都不是好事。
好的企業 AI 治理，是讓老闆清楚知道：
- 哪些地方可以快、哪些地方要慢
- 哪些資料能用、哪些資料不能亂丟
- 哪些動作 AI 可以自己做、哪些一定要人確認
規則清楚，公司反而能更快導入，因為大家都知道邊界在哪裡。
導入 AI 工具前，先看這 8 個資安問題
中小企業導入 AI 工具，一定要買企業版嗎？
A：不一定。公開資料、低敏感文案與內部草稿，可以先用較低成本的工具測試。但只要碰到客戶資料、交易資料、合約、財務或大量個資，就應優先考慮有企業管理、資料保存設定、權限控管與合約條款的方案。
員工已經在用 ChatGPT，公司該禁止嗎？
A：不建議只用禁止。更務實的是建立分級規則：哪些資料可以用、哪些要去識別化、哪些禁止上傳、哪些工具可用公司帳號。完全禁止通常擋不住，只會讓 Shadow AI 更難管理。
AI Agent 可以直接串接公司系統自動執行嗎？
A：可以，但不適合一開始就全面開放。第一階段讓 AI 只讀資料與產生建議；第二階段開放低風險任務，例如建立提醒、整理摘要、推送通知；第三階段才逐步開放修改資料、寄信、調整設定，而且要有紀錄、權限與停損條件。
什麼是 Shadow AI？為什麼老闆要在意？
A：Shadow AI 指員工各自用私人帳號、未經管理的工具處理公司資料，老闆完全不知道資料流向哪裡。它的風險在於資料外流、無紀錄可追、離職帶走帳號，且出事責任仍會回到老闆身上。
資料分級到底要分幾級？
A：對多數中小企業，分四級就夠：公開資料、內部資料、客戶與交易資料、高敏感資料。分級的目的是讓老闆知道哪些流程可以快跑、哪些要慢慢來，而不是把所有資料一視同仁地丟進工具。
導入 AI 後要怎麼驗收才不會白花錢？
A：建議用 30 天節奏：第一週記錄原流程數據當基準，第二到三週讓 AI 進入半自動流程，第四週依指標決定擴大、調整或停掉。沒有達到設定指標就不要硬擴大，這也是 RACAE 裡 Experiment（驗證）的核心精神。
RACAE 怎麼用在 AI 導入上？
A：RACAE 的順序是 Record（紀錄）→ Analysis（分析）→ Conclusion（結論）→ Assumption（假設）→ Experiment（驗證）。先留下操作紀錄、用指標分析、下結論、從低風險流程開出假設，再用 30 天驗收去跑——每一輪都有資料佐證，老闆不用憑感覺決定要不要再投入。
找人陪跑導入 AI，跟買課程或找代營運有什麼不同？
A：課程通常只教觀念、代營運是替你做完就走，兩者都不一定讓團隊長出能力。陪跑是介於兩者之間的第三條路：先懂你的生意，再帶著老闆和員工一起把治理包與流程做出來，過程中團隊自己學會操作。費用會依流程複雜度、要不要客製工具等因素而不同，建議先聊聊再評估值不值得。
