AI 真正的金礦不在新 App：數兆美元的既有系統，才是下一個戰場
AI 目前最大的影響集中在新應用和個人生產力，但真正的機會在於改造支撐全球經濟的數兆美元既有軟體基礎設施。Treeline 執行長 Peter Doyle 認為，整合速度才是 AI 進展的最大瓶頸，而這需要全新的商業模式和很長的時間。
本文整理自《AI + a16z》2026 年 4 月播出的單集。
{{< spotify "episode/2TEbwJqZOuuh3v3EpVR3I8" >}}
{{< apple-podcast "tw/podcast/how-ai-is-reshaping-it-services-from-the-inside/id1740178076?i=1000758627143" >}}
AI 的影響力分布：新 vs. 舊
到目前為止，AI 最大的影響力集中在兩個領域：全新的應用程式，以及提升個人和小團隊的生產力。這兩件事都很好，也很有商業價值。但如果你退後一步看全局，會發現一個規模大得多的機會還幾乎沒被觸及。
Treeline 執行長 Peter Doyle 在 a16z 的 podcast 上提出一個觀點。Doyle 曾在 Accel 做了近十年創投，專投 IT 基礎設施和資安公司，對這個產業的運作有很深的理解。他認為：過去數十年來，全球經濟體系建立在數兆美元的軟體基礎設施之上。這些系統每天在運轉，支撐著金融、醫療、製造、零售、政府的核心營運。AI 要進入這些系統，不是呼叫一個 API 就能搞定的事。它需要深度整合、需要理解既有流程的邏輯、需要處理跨系統的資料流、需要在不中斷營運的前提下逐步改造。
這就是為什麼 Doyle 認為，AI 進展的最大瓶頸不是模型能力，而是整合速度。GPT-4、Claude、Gemini 的推理能力已經很強了，但把這些能力嵌入一個跑了十五年的 ERP 系統或 IT 維運流程中，那是完全不同等級的挑戰。
整合為什麼這麼難：一千億美元市場的案例
如果你想理解「AI 整合到既有系統有多難」，IT 託管服務（MSP）產業是一個最好的案例。這個市場規模超過一千億美元，美國有四萬多家服務商。它們的工作就是幫中小企業管理 IT 和資安，聽起來應該是最容易被科技改造的產業。
但實際情況是這樣的：一家典型的 MSP 同時使用 30 到 35 套軟體工具。這些工具不是精心設計的統一系統，而是過去十到二十年間逐一採購、拼湊在一起的。新買的和舊的功能重疊，資料格式不統一，流程散落在不同系統中。更糟的是，很多流程的存在理由就是「一直以來都這樣做」，沒人記得當初為什麼要這樣設計。
在這種環境中，你沒辦法只是「導入一套 AI 工具」。你必須先搞懂每個流程的前因後果，判斷哪些值得保留、哪些該重新設計、哪些可以直接用自動化取代。然後你還得處理變更管理的問題：這些公司營運了十五到三十年，讓他們改變做事方式需要極大的耐心和信任。這不是技術問題，是組織問題。
Doyle 的結論是：要在這類產業中導入 AI，你不能只賣軟體。你需要一個全新的商業模式，一個結合服務、軟體、和人機協作的混合模式。純軟體路線在這裡行不通。
「人在迴圈中」不是妥協，是護城河
在矽谷的敘事裡，「人在迴圈中」（human-in-the-loop）常常被視為一種過渡狀態。好像最終目標是把人完全拿掉，全部交給 AI。但 Doyle 提出一個不同的觀點：在很多產業中，人不是暫時的過渡，而是持久的競爭優勢。
他觀察到一個有趣的現象：連最頂尖的 AI 實驗室也在大量投入人力。Anthropic 和 OpenAI 派上百人的團隊進高盛這樣的大企業客戶，「前進部署工程師」（forward-deployed engineer）成了流行概念。這不是因為它們的技術不夠好，而是承認了一個事實：AI 軟體再強大，要在關鍵生產環境中有效落地，人的參與是不可或缺的。
Treeline 的策略正是建立在這個認知上。它的技術人員不是等待被 AI 取代的成本中心，而是產品的核心組成。差別在於，這些技術人員現在配備了 AI 工具和自動化流程，能做更多事、反應更快、更主動發現問題。客戶的體驗是：問題在自己發現之前就被處理了，或者原本要等半小時才解決的事，一分鐘搞定。
這種模式的防禦性在於：任何想進入的競爭者都需要同時具備軟體能力和服務能力。純 AI 公司缺乏產業深度知識和技術人員團隊，純服務公司缺乏軟體和 AI 能力。把兩者結合在一起，就形成了一道不容易跨越的門檻。
哪些公司最該害怕 AI 實驗室？
Doyle 也分享了他對 AI 競爭格局的判斷：不是所有軟體公司都應該害怕被 AI 實驗室取代。關鍵變數是「公司級別的廣泛採用度」。
如果一個產品在整家公司中被廣泛使用，深度嵌入日常營運流程，每個人都有帳號、每天都在用，那它就極度黏著，很難被任何單一的 AI 模型取代。不管是記錄系統、協作平台、還是核心營運工具，一旦它成為公司這個有機體的一部分，要拆除它的成本和風險都太高了。這類公司大概會選擇整合 AI 模型的能力到自己的產品中，而不是被取代。
真正危險的是另一種公司：只有少數人刷信用卡買幾個座位、用於個人或小團隊生產力提升的工具。這類產品沒有組織級別的鎖定效應。如果一個 AI 模型能做到同樣的事情，使用者可以毫無阻力地切換。Doyle 直言，這個領域正在經歷劇烈的顛覆。
這個框架對很多人來說可能意想不到。我們直覺上會覺得那些「大而舊」的企業軟體最容易被 AI 取代，但 Doyle 的觀點恰好相反：正因為它們大而舊、深度嵌入組織流程，AI 反而最難動搖它們。被取代的會是那些輕量、易切換、沒有組織鎖定的工具。
時間是最大的限制因素
在矽谷的社群媒體上，AI 進展的速度被描述得極為戲劇化。每週都有新模型、新能力、新突破。但 Doyle 認為，真正的限制因素不在技術面，而在人的適應速度。
這些傳統產業的變化速度遠比 Twitter 上的討論慢得多。很多 MSP 至今還在開車去客戶那裡處理問題，有些甚至連自己的電子郵件地址都沒有。它們會建議客戶不要上雲端，即使從任何角度看這都是最顯而易見該做的事。這不是因為它們愚蠢，而是因為人類改變行為的速度就是這麼慢。
Doyle 預測，十到十五年後傳統 MSP 依然會存在。產業會整合、碎片化程度會降低、會出現更大的贏家，但長尾永遠不會消失。這對「AI 整合既有系統」這個主題有一個重要啟示：這不是一場閃電戰，而是一場持久戰。真正能贏的不是跑得最快的，而是願意花時間深入產業、理解在地脈絡、逐步拉著客戶前進的玩家。
他自己也承認，坐在舊金山、泡在 Twitter 上，很容易高估改變的速度。但如果你真的走進這些產業，和那些經營了二十年的小公司老闆談話，你會意識到人類對變化的自然抵抗有多強。這個認知落差，正是機會所在，但也是為什麼這條路注定很長。
我的觀察：臺灣企業 AI 轉型的啟示
Doyle 的核心論點對臺灣企業的 AI 轉型有直接啟發。我們花了太多注意力在「用 AI 做新東西」上面，但多數企業真正的痛點在於既有系統的現代化。那些跑了十年的 ERP、跑了五年的工單系統、散落在 Excel 和 LINE 群組裡的作業流程，這些才是 AI 能創造最大價值的地方。
但 Doyle 的經驗也告訴我們：你不能只是買一套新工具扔進去。如果你不先理解現有流程為什麼長這樣、不去質疑那些「一直以來都這樣」的假設、不投入時間做組織面的變更管理，再好的 AI 工具也會變成第 36 套沒人好好用的軟體。最有效的路徑不是大爆炸式的數位轉型，而是從最小的切入點開始，在服務過程中逐步導入自動化，讓使用者感受到真實的改善之後，再推進下一步。