最近讀到加州管理評論（CMR）的一篇研究〈Profiting from AI: Evidence from Ericsson’s Pursuit to Capture Value〉，作者分析 Ericsson (一家電信設備大廠)如何試圖從 AI 中獲利——結果發現，大部分企業最終都只做到「省錢」，卻很難「賺錢」。作者提到，企業導入 AI 的價值不在於技術本身，而在於是否能「捕獲價值（capture value）」。
AI 策略：降本 vs. 增收
我將這篇研究的重點整理為三個層次與你分享：
第一層：AI 策略的兩大方向：降本 vs. 增收
路徑一：降低營運成本（降本）：利用 AI 提升內部營運效率以改善既有獲利。
路徑二：擴大市場營收（增長）：透過 AI 驅動市場營收成長、創造新業務、帶來更高層次的創新。
我們的觀察是：降低成本相對容易，擴大營收則充滿挑戰，且難以量化。
第二層：擴大營收策略的「外部協作陷阱」
為什麼追求營收增長（增長）的策略如此困難？
原因在於必須仰賴客戶資料，與客戶共同協作，導致外部協作成本高和 價值不確定性，以下由兩大陷阱做說明：
陷阱一：客製化的代價與信任的缺口
- 客製化的代價： AI 服務提供商需要進行高度客製化，而客戶也必須投入大量資源，配合調整資料與流程，才能讓系統真正運作並創造價值。
- 信任的缺口：對客戶而言，最大的顧慮不在於技術本身，而是核心資料會被拿去做什麼？客戶擔心這些機密數據在訓練與優化模型後，可能成為 AI 服務商改進演算法的素材，最終反過來用於服務他們的競爭對手。
陷阱二：商業價值的「證明難題」：成效難驗證，價值難定價
AI 的導入是一場長期抗戰，短期內，營收不一定會上升；
即使上升了，也難以證明這份成長究竟來自於 AI 模型的貢獻？還是源自於客戶既有價值的資料與團隊努力？
同時，客戶在過程中也需投入大量時間調整與清理數據，相比於提升營收，降低成本的價值更直觀、也更容易被量化，這讓客戶難以為不確定的成果支付溢價。
第三層：AI 服務提供商的突圍策略
面對高度客製化、數據壁壘與價值難驗證的三項挑戰，
AI 服務提供商若想突圍，關鍵不在技術突破，而在策略調整與商業模式設計。
這部分的核心觀點來自 CMR 文章中對 Ericsson 的分析：
「To profit from AI, firms must align their AI initiatives with complementary assets and adopt business models that enable value capture.」
（要從 AI 中獲利，企業必須讓 AI 專案與互補資產對齊，並採用能有效捕獲價值的商業模式。）
- 聚焦可量化價值： 當「營收提升」的價值難以驗證時，先專注於容易被衡量的成本項目，來證明投資報酬，讓客戶看見實際金額的改善，這類方案因為結果明確，更容易被決策者採納。
- 降低客製化門檻： 每個客戶的資料結構與流程都不同，若過度客製化，將難以規模化，可嘗試將系統模組化與標準化，設計出具備「通用介面」的小型模組，在降低開發負擔的同時，也提升維護效率。
- 重新設計收費模式： 採用分階段收費機制，根據價值層級區分為初階（通用功能）、進階與高階（客製化功能），讓客戶能循序擴展投資，而服務商也能逐步捕獲價值。
總結：降本容易，增收艱難，但真正的關鍵在「整合」
AI 要從技術變成價值，企業必須先解決以下四個根本問題：
- 流程問題：先梳理，後自動化。
AI 無法修正混亂。在導入任何系統之前，企業必須先重新梳理、簡化並標準化現有流程，否則只是讓舊問題自動化。 - 人才問題：從「買工具」到「自建AI人才」。
不只要部署工具，企業必須將重點放在培養能駕馭AI 輸出的數位人才，讓實際負責業務的人主導 AI 的應用。 - 數據挑戰：信任與主權。
企業內部擁有資料相對容易，但對 AI 服務商而言，跨組織取得數據是一場信任考驗，建立符合法規、可控風險的數據分享模式，是打開市場的第一步。 - 價值挑戰：讓價值可驗證、可計價。
價值模糊讓客戶難以買單，企業必須透過明確的價值鏈分析，定義出可被量化、計入損益表的成果，設計出能讓客戶清楚理解「付出與回報」的價值主張。
AI 的價值在於整合——整合流程、整合人才、整合合適的 AI 工具，並建立負責任的治理機制，當企業能將這些要素串聯起來，就能把 AI 從技術導入轉化為可驗證的商業成果。
