「95% 失敗」不是終點，而是該回去看問題怎麼定義。
節目主持人先指出，流傳最廣的是社群貼文對 MIT 報告的轉述；他們認為這種轉述把一個複雜的導入問題，簡化成「AI 不可用」的證明。這是來源的解讀，不是本頁對該研究的獨立驗證。
訪談真正關心的不是要替每個 AI 專案辯護，而是追問：哪些工作情境真的有在使用？工具是否能從實際資料與回饋中學習？能不能進入原本分散、充滿例外的工作流程？如果答案是否定的，失敗很可能是導入設計失敗，而不只是模型失敗。
企業採用的難題，往往在模型以外。
主持人談到，許多企業內部團隊既不常使用程式生成工具，也對 AI 的能力抱持懷疑。即使買了工具，若沒有把工作資料、權限、既有軟體和使用者習慣一起處理，工具就只會停在展示，而非真正改變工作。
這讓「採用」成為比「買到模型」更難的問題：一個系統得能處理企業內部的文件、例外、決策節點和責任邊界，還要在工作過程中獲得回饋。這並不保證所有整合都值得做，但它說明了為何單看一個聊天介面，很難推論整個專案成敗。
企業做不動，不代表需求不存在；可能正好代表入口存在。
訪談的核心商業判斷是：若企業無法自行建立可用產品、也無法從既有大型軟體商取得足夠好的解法，能把工具真正做進工作現場的新創，就會被看見。這是「壞消息」裡的機會：痛點不是缺少，而是還沒被可靠地解掉。
節目以 Reducto 等案例討論需要處理文件與非結構資料的工作，但重點不在某一家公司，而在產品條件：新創不能只交付一個通用模型入口；它得讓輸入、輸出、評估與人的復核一起工作。企業採購的不是 demo，而是能承擔實際流程的結果。
先問：它有沒有被用到足以產生學習？
節目將能否「從使用中學習」放在很前面。這不是指模型自行神奇進化，而是產品要能收集正確的工作脈絡、辨識哪個輸出被接受或修正，並讓團隊能以此改善流程。沒有使用與回饋，所謂 AI 功能很難變成可靠產品。
這也把產品評估從「模型在 benchmark 多強」拉回現場：它是否讓某個任務更快完成？錯誤能否被發現與回復？新流程是否比原本的試算表、email 或手動交接更值得信任？這些都要由真實使用與測量回答，而不是由宣傳頁回答。
不要把反 hype 也變成另一種不用驗證的 hype。
訪談反對用單一數字宣判整個 AI 領域，也同樣沒有提供一個「新創必勝」的公式。企業導入慢，可能來自風險管理、資料治理、採購、技能或產品不成熟；每一種原因都需要不同解法。把它們都歸結為工程師不相信 AI，會失去必要的細節。
對讀者真正有用的問題是：你看到的案例，是否交代了任務、使用者、整合方式、失敗成本和驗證方式？如果沒有，無論它宣稱 AI 已經成功或已經失敗，都還只是一個尚待檢查的故事。
企業 AI 的空白，不是新創的自動勝利；它是一個要求產品把資料、流程、回饋與責任接起來的窗口。
如果你要判斷一個企業 AI 專案值不值得做，
你會先看哪一件事？
這不是測驗。選一個你最不願意跳過的驗證點。