
文 / 蔡典承 Dien Chen Tsai ,Profet AI 資深技術經理
當 AI 開始普及,管理問題也隨之而來
在上一篇文章中,我們討論了企業成功導入 AI 的關鍵要素,其中一個重要觀念是,不能只關心有多少員工開始使用 AI,還需要思考這些工具如何真正融入業務流程,並持續創造價值。
在與客戶交流的過程中,我們觀察到兩種不同的情況。有些企業已經積極開放 Codex、Claude Code 等工具,員工普遍有不錯的使用回饋,但隨著使用規模擴大,管理問題也開始浮現。另一部分則相對審慎,即使了解這些工具的價值,仍然擔心資料安全、權限管理,以及未來可能衍生的風險。
這些疑慮其實都很合理。畢竟,讓少數員工使用 AI,與讓整間公司的員工都能自由運用 AI,是兩件不同的事。當 AI 開始成為日常工作的一部分,企業究竟應該如何開放,又該如何管理?
一、企業的雲端 AI 服務,能不能放心使用?
首先要釐清的是,目前主要 AI 供應商的企業級服務,已經具備相當程度的資料安全保障。以 OpenAI、Anthropic 等供應商為例,適當的企業方案通常會提供明確的資料使用條款,並依產品與方案提供身分認證、使用權限、資料保留及稽核等功能。
因此,對多數一般辦公與軟體開發場景而言,不需要因為 AI 是雲端服務,就完全禁止員工使用。只要選擇適合的方案、確認供應商的資料處理政策,並完成必要的資安評估,通常就已具備開始導入的基本條件。
不過,資料不被用於模型訓練,不代表所有資料都不會離開企業環境。尤其這類 AI Coding 工具不只會處理文字,也可能讀取原始碼、專案檔案、系統設定,甚至透過外部工具連接資料庫與第三方服務。如果員工不清楚哪些資訊可以提供給 AI,或者任意開放系統存取權限,仍然可能產生資安風險。
真正需要關注的,不只是供應商是否安全,也包括員工如何使用這些服務。哪些資料可以交給 AI 處理、哪些系統允許連接、哪些操作需要經過授權,都應該有清楚的規範。
當使用人數從少數工程師擴大到不同部門,也需要進一步管理帳號、使用權限與資料存取範圍。這些問題可以透過適當的技術與制度逐步解決,不必因此放棄新工具帶來的效率提升。
然而,當 AI 真正開始大規模普及,資安往往還不是唯一需要面對的挑戰。
二、當每個人都在使用 AI,企業如何累積真正的價值?
在實際接觸客戶的過程中,我們發現 AI 工具普及之後,管理層很快就會開始關心另一個問題:公司投入了這麼多授權與資源,員工也確實用得很積極,但究竟產生了多少實際效益?
目前企業版 AI 工具已經提供不少使用管理功能,例如活躍使用者、使用量、成本,以及部分開發活動的統計資訊。這些數據有助於了解採用情況,但對經營管理而言,使用量本身並不等於工作成果。
一位工程師每天使用 AI 數十次,可能是在解決一項重要的技術問題,也可能只是在反覆修改一段最後沒有採用的程式。AI 產生了多少程式碼、員工與模型進行了多少次對話,都不能直接換算成生產力,更不適合單獨作為個人績效的依據。
真正值得了解的是,這些技術究竟改善了哪些工作。例如原本需要數小時完成的資料分析是否明顯縮短,工程師是否能更快排除設備異常,或者業務人員是否因此減少大量重複性的行政作業。這些成果需要與實際流程、交付品質及業務指標相互對照,才能逐漸建立可靠的效益評估方式。
除了工作效率之外,還有一個可能更加重要、卻經常被忽略的問題,就是如何保留員工在使用過程中累積的知識與經驗。
以製造業為例,資深工程師在處理設備異常時,往往不只是查詢資料,而是會根據過去的經驗,決定應該先檢查哪些參數、如何比較歷史紀錄,以及如何逐步排除可能原因。當這些工作開始透過 AI 協助完成,原本存在個人經驗中的分析方法,也開始有機會被記錄與整理。
但如果相關內容只是停留在個人的對話紀錄、Prompt 或程式檔案裡,其他人未必知道它們的存在。即使某位工程師已經找到非常有效的工作方法,其他部門仍然可能在面對類似問題時,重新從頭摸索一次。
這也是組織需要進一步思考知識管理的原因。除了讓員工主動分享有效的 Prompt、分析方法、工作流程與 Agent Skill,也可以運用 AI 本身的能力,協助辨識和整理日常工作中產生的有價值資訊。
這類機制可以進一步發展成所謂的 Enterprise Agent Memory。它與個人 AI 記憶有所不同,重點不只是記住某個使用者的習慣,而是從經過授權的工作互動與執行紀錄中,持續萃取值得保留的知識。例如一項問題的處理經過、某種異常的判斷方法,或者一套經過反覆驗證的分析流程,都有機會被整理成後續可以搜尋、參考與重複使用的內容。
當然,這不代表公司應該毫無限制地蒐集所有員工對話。哪些資料可以保留、誰可以讀取,以及個人資訊與客戶機密如何受到保護,都需要清楚的政策。AI 萃取出來的內容也不一定正確,重要的專業知識仍然需要經過適當驗證,才能正式提供其他人使用。
同時,導入集中管理系統也不代表就能自動取得所有第三方工具的對話紀錄。實際能整合哪些內容,仍取決於供應商提供的介接能力、授權範圍,以及工作是否透過受管理的環境執行。
隨著模型技術持續進步,員工使用的產品可能會不斷改變,但真正能長期留在組織內部的,是這些工具協助人員累積下來的知識、經驗與解題方法。如果能進一步將有效的方法整理成可重複使用的能力,就不只是讓每位員工變得更有效率,也能讓整體的專業能力持續成長。

三、Vibe Coding 普及後,IT 面臨的管理挑戰
隨著 AI Coding 工具日漸普及,企業內部開始出現越來越多由員工自行開發的小型應用。這些成果可能只是簡單的資料處理程式、部門 Dashboard,或是用來自動化特定流程的工具。過去這類需求通常需要等待 IT 開發資源,但現在即使沒有完整軟體開發背景的人員,也能透過 AI 快速完成。
這對日常營運的幫助相當直接。許多工作中的流程問題,規模不足以成立正式 IT 專案,卻又持續消耗人力。透過 Vibe Coding,最熟悉業務的工程師、業務或其他領域人員,可以直接嘗試解決這些需求,IT 也不必負責每一項零碎的開發工作。
只是,當開發門檻大幅降低,後續的系統管理反而可能成為 IT 更大的負擔。
不同部門可能各自使用 Python、JavaScript 或其他技術,有人自行建立資料庫,有人將程式部署在個人電腦、部門 Server 或外部雲端服務。初期每套程式都不大,也能正常運作,但當內部逐漸累積數百個小型應用時,IT 很可能連完整的清單都沒有,更不用說掌握它們使用哪些資源、連接哪些系統,以及誰負責維護。
尤其這些工具一旦被納入日常作業,就不再只是員工的個人專案。如果開發者離職、套件版本更新,或其中一套系統突然無法運作,最後通常還是需要 IT 協助處理。更麻煩的是,各個程式可能採用不同的架構、權限設計及部署方式,未來要維護、升級或進行系統整合,都會增加額外成本。
這與過去常見的 Shadow IT 問題相當類似,只是生成式 AI 讓開發速度大幅提升,內部應用增加的速度也可能遠超過 IT 能夠掌握的範圍。原本希望藉由新技術減輕工作負擔,卻可能在幾年後發現,組織多了大量缺乏統一標準、難以維護的系統。
從 Day One 建立開發與管理標準
面對這個趨勢,不應該重新限制員工自行開發。Vibe Coding 的價值,正是讓熟悉業務需求的人能夠快速解決問題,不必每次都等待正式的開發流程。
IT 更適合扮演提供共同開發環境與技術標準的角色。例如,預先定義認可的技術框架、專案範本、共用開發資源、資料庫連接方式、身分認證與部署流程,讓各部門有所依循。
這些標準也可以透過共用的開發指令、Agent Skill 或專案設定,直接提供給 AI Coding 工具。如此一來,即使員工使用不同的產品,也能盡可能遵循既有的開發規範。對於需要正式上線的系統,再透過自動化測試、安全檢查及必要的審核來確認品質。
IT 同時需要能夠登錄與追蹤這些應用,掌握用途、負責人、部署位置、使用情況及維護狀態。個人使用的小工具可以採取簡化的管理方式,但涉及敏感資料、跨部門使用或重要業務流程的服務,就必須符合更完整的要求。
這套制度最好在開放 AI Coding 工具的初期就開始建立,讓新開發的成果逐步納入共同架構。否則等到數百個採用不同技術、部署在不同環境的程式已經成為日常工作的一部分,再要求 IT 統一管理,往往就需要投入大量時間重新整理。
四、從管理制度到管理平台,讓 AI 創新能夠持續擴大
隨著 AI 使用與應用開發逐漸普及,IT 需要負責的範圍,也從原本的軟體授權與使用者帳號,擴展到各部門自行建立的 Agent、程式服務,以及日常工作中累積的知識。這些活動不一定都需要技術團隊直接參與,但仍必須掌握必要的使用資訊、資料權限、系統狀態與責任歸屬。
初期可以透過使用規範、開發標準及既有 IT 工具來處理相關需求。但隨著人數和應用數量增加,如果資訊仍然分散在不同部門、系統與服務之中,光是維持管理作業就可能耗費相當多的人力。IT 除了掌握有哪些程式正在運作,還必須持續處理帳號權限、版本更新、資源分配、安全稽核,以及跨系統整合等工作。
到了這個階段,便值得評估是否透過一套統一的 AI 管理平台,將分散的治理作業逐步集中。
這類平台的價值,不一定在於提供更強大的模型,或要求所有員工改用相同的開發工具,而是在組織層級建立一致的管理能力。一方面可以整合必要的使用紀錄與權限政策,讓 IT 更容易掌握成本與風險;另一方面則能集中管理 Agent、Skill 與相關應用資產,了解哪些服務正在運作、由誰維護,以及實際創造了多少效益。
知識管理也是其中重要的一環。當內部開始累積大量 AI 使用經驗,平台可以進一步結合知識萃取、審核、共享與版本管理機制,將有效的工作方法整理成可重複使用的專業能力,而不只是保存零散的對話與文件。
至於 Vibe Coding 產生的大量小型程式,則需要透過共同的開發規範、應用登錄與部署流程,逐步形成可維護的系統環境。相關能力可以與既有的版本管理、CI/CD、資訊安全及維運工具整合,不一定需要全部由單一產品提供。
管理平台也不應成為員工使用 AI 的另一道障礙。人員仍然可以選擇適合工作的工具,依照既定標準進行開發;IT 則透過共同的治理架構,確保正式投入使用的服務能受到必要的監控與管理。對於第三方產品的使用紀錄及執行資訊,也應依照實際支援的介接方式整合,而非假設單一系統能直接掌握所有活動。
透過這樣的方式,組織可以減少各部門重複建置及事後整合的成本,也更容易將真正有效的成果推廣到其他團隊。即使未來模型與開發工具持續更換,已經建立的技術標準、應用資產及專業知識仍能保留並持續演進,不必因為工具改變,就重新建立整套管理體系。

結語:開放 AI 創新,也要建立支撐規模化的管理能力
生成式 AI 正在大幅降低知識工作與軟體開發的門檻,讓更多員工有能力直接改善自己的工作流程。對企業而言,這是值得積極把握的機會。
但當使用規模逐漸擴大,需要面對的就不只是工具採購或資訊安全問題,還包含如何衡量實際成果、累積專業知識,以及管理大量由 AI 協助建立的應用。如果各部門都採用不同的管理方式,即使個人的工作效率持續提升,整體的維運成本與技術複雜度仍可能同步增加。
因此,在開放 AI 工具的同時,也應逐步規劃統一的管理平台與治理架構。這套機制不必取代既有工具,更不需要限制員工的創新方式,而是協助 IT 集中管理必要的權限、使用資訊、Agent、應用及知識資產,讓分散在不同部門的成果能夠被有效維護、共享與持續改善。
對 IT 而言,這代表工作重心可以從逐一處理零散的系統需求,轉向提供共同的管理環境與技術標準;對企業而言,則能在保持創新速度的同時,逐漸建立可長期累積的組織能力。
當 AI 不再只是少數人的工具,而是成為全公司的日常工作方式,就需要相應的管理基礎。讓員工持續運用新技術提升生產力,同時確保成果能夠被安全、有效地運用與累積,才是 AI 從個人效率走向企業規模化應用的重要一步。