2027 年的 AI 預算，該增加、維持，還是重新分配？
當年度預算規劃開始進入檯面，AI 已經很難再被視為一次性的試驗支出。對許多企業來說，現在比較難回答的，不是要不要投入，而是哪些項目值得繼續加碼、哪些應該停下來重新檢視，以及下一筆預算究竟該放在哪裡。
過去一年，企業陸續導入生成式 AI、預測模型、AI 平台與各類智慧應用。隨著應用範圍擴大，相關支出也分散到軟體授權、模型、資料準備、系統整合、教育訓練與治理等不同項目。
預算增加之後，管理難度也跟著提高。
同一家企業裡，可能同時存在高使用率的工具、已經產生效益的模型、仍停留在 PoC 的專案，以及幾乎沒有被使用的授權。單看投入金額，很難判斷哪些支出正在累積企業能力，哪些只是讓成本繼續堆高。
Forrester 在 2027 年預算規劃研究中指出，超過 80% 的企業與科技領導者預期未來 12 個月的整體預算將增加。但 Forrester 同時提醒，更多預算不會自然帶來更好的成果。缺乏清楚策略、治理、決策責任與共同成功指標的 AI 投資，反而應該重新檢視；已經驗證的成果，也應先確認能否跨團隊與場景擴展，再進一步投入。
企業 AI 投資正在進入另一個階段。前幾年比較在意 AI 能不能做出成果，現在更值得關注的，是這些成果能不能進一步被複製、擴大，最後反映在營運與財務表現上。
BCG 於 2026 年 7 月發布的研究也呈現出相同落差。近九成受訪 CEO 已經在部分場景看到 AI 帶來成本或營收效益，近三分之二的企業也仍在進行 AI 試點，但只有 26% 已將 AI 納入更廣泛的企業轉型。更值得注意的是，只有 14% 能清楚定義所有 AI 計畫對 P&L 的影響。
換句話說，許多企業現在面對的問題，已經不是 AI 完全沒有價值，而是局部成果還沒有變成可以持續擴大的企業能力。
因此，規劃 2027 年 AI 預算時，比起先決定增加幾個百分點，更值得先找出目前限制成果繼續往下走的環節。
只要瓶頸沒有被解決，即使預算增加，也很容易只是把錢繼續放進企業原本最熟悉的項目。
AI 預算不是多寡問題，而是配置問題
企業 AI 的發展很少是一條整齊的直線。
同一家公司裡，可能有員工已經大量使用生成式 AI，有些部門正在部署預測模型，也有少數流程開始探索 AI Agent。不同部門、不同流程，甚至同一個流程裡的不同工作環節，都可能處在不同的發展階段。
這也是 AI 預算最容易配置錯誤的地方。
工具使用率不高，解法未必是換另一套工具；模型已經足夠準確，下一筆錢也未必應該繼續花在模型優化；開始做 Agent 之後，如果缺少企業知識、系統整合或權限治理，再增加 Agent 數量也很難真正進入營運。
表面上都是 AI 問題，需要補的能力卻完全不同。
PwC 2026 年發布的 AI 績效研究提供了另一個值得參考的角度。研究指出，74% 的 AI 驅動財務報酬集中在 AI 成熟度排名前 20% 的企業。這些企業的優勢並不只是投入更多，而是更有能力把資源集中在高價值項目、建立可重複使用的基礎能力，再將有效應用擴展出去。
因此，成熟度盤點的價值不在於替企業評級，而是幫助管理者判斷，目前的預算到底應該補在哪裡。
L1–L4 可以作為這項盤點的框架。它不是一張排行榜，也不代表每一個流程都必須一路走到 L4。有些工作透過工具輔助就已經能產生足夠價值；有些影響營運的重要流程，才值得持續往預測、決策協作甚至任務執行發展。
L1–L4 AI 能力與預算配置
這張表要回答的，不是哪一級比較先進，而是企業目前的瓶頸，需要用哪一類投資來解決。
L1｜AI 工具輔助：先把已經買進來的 AI 用起來
AI 最常從個人工作工具開始進入企業。
員工利用 AI 整理資訊、產製內容、查找文件或分析資料，先從縮短工作時間與降低重複性作業開始產生價值。
例如設備發生異常時，維修人員過去可能需要逐一翻找設備手冊、維修紀錄與歷史案例。透過 AI，可以更快彙整相關資訊、SOP 與過往處理方式，減少大量搜尋與比對的時間，把人員的時間留給需要專業判斷與現場處理的工作。
企業走到 L1 後，常見的瓶頸往往不是工具不夠，而是使用深度不足。
有些授權只有少數人持續使用；有些工具長期停留在查資料、摘要或產生內容，沒有進入關鍵工作情境；不同部門也可能分別採購功能類似的工具，最後形成重複支出。
因此，在追加工具預算之前，更值得先盤點現有工具的使用狀況。哪些應用已經形成固定工作方式，並產生可以衡量的效率改善？哪些授權長期閒置？不同部門之間是否存在功能高度重複的工具？
使用範圍擴大後，基本的資料與使用規範也必須同步建立，包括哪些資訊可以輸入 AI 工具、哪些涉及營業機密或個資，以及不同角色可以使用到什麼程度。
對 L1 來說，預算的優先順序通常不是增加工具數量，而是提高現有投資的利用率，找到可以穩定產生效益的工作場景。
如果現有工具都還沒有真正用起來，再多一套 AI 很難直接轉化成更高的企業生產力。
L2｜AI 預測 × 流程協作：從模型表現走向流程績效
進入 L2 後，AI 的價值開始從個人效率走向流程績效。
企業把模型的分析與預測結果帶進設備維護、品質管理、生產排程、需求預測等營運場景。到了這一步，衡量 AI 的方式也需要跟著改變。
模型準確率、F1 score 或其他技術指標仍然重要，但當模型已經達到業務可用的門檻，企業還需要往下看：模型輸出究竟有沒有改變後續流程與營運結果。
設備異常預測有沒有讓維護提前安排、減少非計畫停機？品質風險預測有沒有讓工程人員更早介入、降低報廢與重工？需求預測有沒有實際影響備料與生產計畫？
走到這個階段，停機時間、良率、庫存、交期、產能與成本，會和模型指標一樣重要。
這也是 AI 從 PoC 走向 ROI 時最常出現的斷點。
資策會 MIC 針對台灣製造業的調查發現，已實踐 AI 的業者中，高達八成仍面臨不同程度的數據挑戰；尚在規劃導入的企業，主要問題則包括成本高、效益難以評估，以及資料準備不足。
當模型本身已經可用，下一個瓶頸很多時候並不在模型。
預測結果可能仍靠 Excel、Email 或人工傳遞；模型與 MES、ERP 或其他營運系統沒有串接；既有 SOP 沒有因為 AI 的加入而調整；即使 AI 提前發現問題，現場也沒有明確的後續處理機制。
這時候，繼續把大部分預算投入模型優化，帶來的可能只剩有限的邊際改善。
更值得補強的，通常是資料與系統串接、流程設計、SOP 調整，以及模型進入營運後的監控與維護。模型一旦成為日常流程的一部分，資料品質、模型版本、效能變化與責任歸屬也必須有人持續管理。
Profet AI 的 AutoML 所處理的，正是從結構化製造資料建立、驗證與管理預測模型的這一層能力。但模型建立完成之後，是否能進一步接上流程，才會決定 AI 能不能從技術成果走向營運成果。
L2 的預算重點，是讓有效的模型真正改變流程，而不是讓它停留在一個成功的 AI 專案。
L3｜AI 助手 × 決策協作：把企業 know-how 變成可以持續使用的能力
當 AI 已經進入流程，企業接下來面對的問題會更接近自身的專業能力。
AI 可以從資料中找到規律，但許多影響實際決策的資訊，並沒有完整存在資料庫裡。
在製造現場，資深工程師判斷設備異常、製程偏移或品質問題時，通常不會只看感測數據與歷史紀錄。他也可能同時考慮最近是否更換過零件、設備目前處在什麼運轉條件、過去類似異常如何發生，以及哪些看似異常的現象其實不需要立即停機。
這些判斷來自長期累積的 know-how，也是單純增加資料量或訓練更多模型不一定能取得的能力。
這就是 L3 與 L2 最主要的差別。
L2 處理的是如何從資料產生預測，並讓預測進入工作流程；L3 開始處理的是，企業自身累積多年的專業知識，能不能成為 AI 判斷時可以使用的依據。
這些知識也不一定都需要被轉成模型。有些更適合整理成過去案例、規則、判斷依據、文件、流程脈絡，或其他可以持續驗證與更新的知識資產。
Forrester 在 2027 年預算建議中特別提出 enterprise context，原因也在這裡。當 Agent 開始參與企業工作，它需要的不只是通用模型能力，也需要理解企業自己的政策、流程、系統與專業知識。
到了 L3，AI 預算因此很難只被視為 IT 預算。
除了模型、平台與系統，企業還需要投入資深人員整理與驗證知識的時間，並處理知識後續如何更新、誰可以存取、版本如何管理，以及誰對內容負責。
這些投入解決的也不只是 AI 問題。
當 know-how 能被更有系統地留下來，企業就有機會降低重複試錯、縮短新人學習時間、提高判斷一致性，也減少關鍵工作長期依賴少數資深人員的風險。
這也是 Domain Twin™ 所處理的核心問題之一：把製造業的資料、模型、專業知識與工作流程放回同一個企業脈絡，讓原本分散在人與系統中的能力，可以被治理、使用與持續累積。
L3 的投資重點，不是單純讓 AI 再聰明一點，而是讓企業的專業 know-how 不再只存在於個人經驗裡。
L4｜AI 成為數位員工：預算開始從 AI 能力走向營運治理
進入 L4 後，AI 開始從提供資訊與建議，進一步參與工作的實際執行。
具備 Agent 能力的 AI，可以根據既定目標、規則與工作情境判斷下一步行動，再透過系統串接建立任務、通知人員或執行特定操作。
AI 不再只回答一個問題，而是開始參與一段完整的工作。
以品質異常處理為例，當系統偵測到良率下降或異常趨勢，AI 可以比對歷史批次、製程條件與過往案例，整理可能原因，通知相關人員，並建立後續處理任務。
規則明確、風險較低的步驟，可以由系統協助完成；涉及重大品質判斷、製程條件調整或高風險操作時，則保留人工核准。
當 AI 開始採取行動，企業需要管理的也不再只有模型準不準。
Agent 可以看到哪些資料？可以呼叫哪些系統？哪些行動可以直接執行？哪些一定要經過人工確認？執行失敗時如何處理？發生問題後，能不能回頭確認 AI 當時使用了什麼資訊、經過哪些核准，又執行了什麼動作？
這些問題會直接決定 Agent 能不能從 Demo 走進日常營運。
NIST 現行的 AI Risk Management Framework 1.0 將 Govern、Map、Measure、Manage 列為 AI 風險管理的四項核心功能，其中治理是貫穿其他功能的橫向基礎，風險管理也應持續涵蓋 AI 系統的生命週期。
對企業而言，這代表治理不應該等到 Agent 上線後才補。
事實上，從 L1 的資料使用規範、L2 的模型管理、L3 的知識權限，到 L4 的 Agent 行動與稽核，治理範圍會隨著 AI 能力逐步擴大。
到了 L4，下一筆投資因此不應只是增加更多 Agent。
企業更需要建立系統整合、身分與權限控管、人工核准、例外處理、執行紀錄與稽核機制。治理的目的也不是把 Agent 綁住，而是讓企業清楚知道哪些工作可以安全交給 AI，哪些責任仍應由人承擔。
Profet AI AI Studio 聚焦的正是 Agent 在企業脈絡中的建立與協作，包括知識、工具、工作流程與人工確認；當這些 Agent 要真正進入製造營運，權限、行為與稽核也會成為不可分割的一部分。
L4 的目標不是完全自主，而是讓 AI 在清楚的任務、權限與責任邊界下，穩定承接更多工作。
企業需要建立的，是一個可以放心讓 AI 進入營運的環境。
成熟度盤點的目的，是排出下一筆預算的優先順序
L1 到 L4 可以幫助企業重新檢視 AI 發展狀況，但在實際做預算時，最重要的並不是替整家公司貼上一個 Level。
更有效的方法，是以流程為單位來看。
同一家公司裡，有些工作可能停留在 L1，有些流程已經走到 L2；部分高度依賴專業判斷的工作正在往 L3 發展，而少數具備明確規則、系統連接與治理條件的流程，則可能已經適合開始導入 L4。
企業不需要讓所有部門一起升級。
預算應先集中在有明確營運價值的流程，再找出限制這些流程繼續放大的能力缺口。
在進入 2027 年預算討論之前，可以先檢查五件事：
- 現有 AI 工具是否真的被持續使用，還是大量授權處於閒置？
- 已完成的模型是否已經進入實際營運流程，而不只是產出預測結果？
- AI 成果是否已經反映在良率、交期、成本、產能或其他流程 KPI？
- 關鍵 know-how 是否仍高度依賴少數資深人員？
- Agent 是否已具備進入實際流程所需的資料、系統、權限與治理條件？
盤點之後，再回頭檢查目前投入最多 AI 預算的地方，是否真的就是限制成果放大的瓶頸。
工具已經足夠，下一筆錢可能應該放在 adoption，而不是新增授權。
模型已經有效，下一步可能是 workflow integration，而不是再提高幾個百分點的準確率。
資料與模型都已具備，下一個限制可能是企業 know-how 還沒有被系統化。
Agent 已經能執行任務，接下來需要補的則可能是權限、治理與跨系統整合。
AI 預算不應永遠停留在同一組科目裡。隨著能力成熟，投資重心本來就應該跟著瓶頸移動。
這可能也是 2027 年 AI 預算規劃最值得重新檢視的一件事。
增加預算本身不是目的。更重要的是，把資源放到能讓既有成果繼續往下走的地方，讓一個有效的工具、一個成功的模型或一個可行的 Agent，不再停留在單點，而能逐漸進入更多流程、被更多團隊使用，最後形成可以持續複製的企業能力。
下一筆 AI 預算，最該補在哪裡？
如果企業正在進行 2027 年 AI 預算規劃，可以透過 企業 AI 成熟度 Agent，從工具應用、流程整合、企業知識到 Agent 治理，盤點不同工作流程目前所處的階段與主要瓶頸。
成熟度盤點的目的，不只是得到 L1、L2、L3 或 L4 的結果，而是釐清哪些能力已經具備、哪些環節正在限制成果放大，以及下一階段更值得優先投入的方向。
先找到限制成果放大的瓶頸，再決定下一筆 AI 預算該加在哪裡。
開始盤點企業 AI 成熟度 →https://rtgapp.profetai.com:4299/enterprise-ai-assessment