一篇供應鏈文章，讓我想到台灣中小企業的老問題
最近讀到一篇關於美國企業如何把 AI 應用在供應鏈管理上的文章，核心講的是三件事：第一，要在正確的領域用正確的數據；第二，要聰明地進行嘗試與部署；第三，要懂得何時停損、果斷放手。
老實說，這種文章讀起來有點像是在講「做事要有方法」，聽起來理所當然，但我讀完之後，腦子裡卻跑出了另一個問題——這些事情對台灣的中小企業來說，到底是太難了，還是其實根本還沒輪到我們去煩惱？
我想把這個問題說清楚，因為這背後有一個我覺得很多人還沒意識到的機會。
為什麼台灣中小企業的數位化一直走得那麼辛苦
我們常說台灣中小企業的數位化腳步慢，但我覺得這樣說有點不公平，因為沒有交代清楚背後的脈絡。
問題不在於老闆不聰明，也不在於員工不配合，很大程度上，是成本的問題。早年要導入一套像樣的系統，不管是 ERP、進銷存，還是規格更高的 SAP 或 Oracle，光是導入費用就已經是一筆龐大的支出，更別說後續的維護、客製化、人員訓練。對一家年營業額幾千萬的中小企業來說，這個門檻實在太高了。
更痛的是，很多公司咬牙導入之後，反而帶來一堆內部問題。流程要重新跑、人員要重新學、原本的做法要強迫改變，那段陣痛期的代價有時候比不導入還大。於是漸漸地，大家就形成了一種心態：有一個問題，就找一個軟體來解決這個問題。頭痛醫頭，腳痛醫腳，從來沒有人真的坐下來想說，整個營運流程應該要怎麼走，數位工具在哪些地方可以真正發揮效益。
這不是不想進步，是在那個年代，全盤規劃的代價實在太高，很多人根本負擔不起。
對岸的競爭對手，是怎麼走過來的
反觀對岸，他們崛起的時間點剛好跳過了那個痛苦的過渡期。
台灣很多製造業在全盛時期，內部還有一式三份、一式四份的複寫紙，倉庫進出貨靠手抄，業務報價靠傳真，這些都是真實存在過的日常。後來要數位化，就要把這些東西一一轉換，過程裡面充滿了阻力和摩擦。
但對岸的很多企業是直接從 Windows 98 的時代開始，拿著 Excel 就在管庫存、跑業務，沒有歷史包袱，沒有要說服老師傅換掉用了二十年的那本手帳的問題。他們是數位原生的工作環境，台灣的很多企業則是數位移民。這兩條路走下來，差距就這樣一點一點累積出來了。
這個歷史背景不說清楚，很多事情都說不明白。
美國企業導入 AI 碰到的牆，我們暫時還碰不到
回到那篇供應鏈的文章。裡面提到，美國企業在導入 AI 的過程中，碰到了一個很現實的問題：數據太多了。
這聽起來有點荒謬，數據多不是好事嗎？問題在於，當 AI 開始處理這些海量數據的時候，它會挖出大量的矛盾、例外狀況，還有各種過去被忽略或刻意不處理的坑。這些東西一旦浮出來，企業往往不得不停下來，重新檢視整套 AI 導入的邏輯是不是對的、數據的品質夠不夠乾淨、方向有沒有跑偏。
這個停頓的代價非常高，因為前期的投入已經很大，但系統卻跑不動，或者跑出來的結果根本不能信。
更麻煩的是，很多大公司內部其實都有所謂的 cooked data——數字經過美化，報表做給老闆看的和實際情況有落差，這是幾乎每個產業都不敢大聲說但心裡都知道的秘密。這種數據一旦餵給 AI，它跑出來的結論可能比沒有 AI 還糟糕，因為你會以為自己有了依據，但那個依據本身就是錯的。
所以他們很大膽地做實驗，最後上線了，卻反而因為數據的問題卡在那裡。
沒有歷史包袱，也許才是我們的機會
這讓我開始想一件事：台灣中小企業沒有趕上數位原生，但搞不好可以趕上 AI 原生。
為什麼這樣說？因為很多企業現在手上的數據其實還很有限，系統還沒有跑很多年，沒有一堆過去年代累積下來的雜亂資料需要清理。這在過去看起來是落後的象徵，但放在 AI 導入這件事上，反而可能是一個優勢。
當你的數據量還不大、還很乾淨，你在起步的時候，就不會被那堵數據的牆撞到。你可以用比較舒服的節奏，在自己真實的工作場景裡，慢慢把 AI 的工作邏輯建立起來。
更重要的是，如果你是今天才開始收集數據，你等於是讓 AI 從頭參與這整個過程。它知道每一筆數字怎麼來的、背後的脈絡是什麼，當問題出現的時候，它有辦法幫你釐清，而不是面對一堆來路不明的舊數據束手無策。
這就回到一個我一直很在意的核心觀念：數據要乾淨，AI 才能真的用得起來。這不是在說大道理，是很實際的操作問題。你餵給它什麼，它就長成什麼樣子。
也許，這是一個始料未及的彎道超車機會
我沒有辦法保證台灣中小企業一定能靠這個翻身，但我覺得這個角度值得認真想一想。
美國那些大企業現在面對的問題，是怎麼駕馭龐大且複雜的數據，讓 AI 能在混亂中找出有用的訊號。這是他們的課題，也是他們的代價。而我們如果從現在開始認真把數據建立起來，一開始就用對的方式去累積、去整理，那幾年後我們面對的問題，可能根本不是同一個量級的難度。
當然，前提是要真的開始動。不是等到問題大到不得不處理才動，而是在規模還可控的時候，就把基礎建好。
沒趕上數位原生這件事，對很多人來說是一個遺憾，甚至是一個傷。但如果因為這樣，反而讓我們少了那些歷史包袱，在 AI 這個新的起跑點上，能夠用更輕盈的姿態入場——那這個遺憾，也許換了個方式，給了我們一個意想不到的機會。
───
Inspired by: How supply chain leaders can avoid common AI pitfalls
