AI PoC 題目怎麼選？用價值、就緒度與風險避開展示型專案
AI 概念驗證不是比誰的示範最驚豔，而是用小成本確認一個工作假設是否成立。好題目要有清楚使用者、可取得資料、可比較基準與能承受的失敗範圍；若連成功定義都說不清楚，PoC 結束後通常只剩一段展示影片。
先把想法改寫成可驗證問題
不要寫「導入生成式 AI 提升效率」，改寫成：「客服人員能否從核准知識庫找到附來源的回覆草稿，讓平均搜尋時間下降，同時不提高錯誤回覆率？」這句話包含使用者、任務、資料、品質護欄與比較方向。
可先瀏覽30 個企業 AI 使用情境，挑三個和現況接近的工作，再用AI 情境優先順序工具各評一次。工具分數只是討論起點，不能取代流程 owner、資安、法務或現場人員的判斷。
用三個面向排序
價值
看發生頻率、每件工時、等待、返工與對客戶影響。價值要用現有基準表示，不能把所有節省分鐘都直接算成現金收入。若被省下的時間沒有重新配置，也未必形成財務效益。
就緒度
檢查規則是否能說明、資料能否合法取得、系統能否串接、是否有 owner、能否觀察成功與失敗。資料散亂的情境可先做清理與搜尋，不要直接承諾端到端 Agent。
風險
評估錯誤是否可發現、可撤回，是否涉及敏感資料、權益、安全、付款、對外發布與法規。NIST AI RMF 要求在具體情境中辨識、測量與管理風險；分數高的高價值案不一定要放棄，但應縮小權限、增加人工關卡或延後到治理成熟後。
建立測試集，不靠現場挑題
先收集代表真實工作的案例，包含常見、邊界、資料缺漏、無答案、過期文件、權限不足與惡意指示。測試資料要標示預期結果與判定者。若團隊在示範當天才臨時挑問題，就無法知道成功是能力還是運氣。
NIST 的生成式 AI 風險管理文件強調部署前測試、真實情境評估、內容來源與事件處理。實務上可把結果分成正確、部分正確、拒答正確、應拒答卻回答、權限越界與無法判定，避免只算單一正確率。
寫清楚通過與停止條件
每個 PoC 至少設定：品質門檻、時間或成本目標、最大可接受風險、人工修正量與時程。例如「引用正確率未達門檻，或出現任何跨權限取文，就停止擴大」。停止不是失敗，而是避免把已知問題帶進正式環境。
同時記錄不做 AI 的替代方案。有些工作用表單驗證、搜尋改善或規則自動化會更便宜、更穩定。PoC 應比較能解決問題的方法，不是先保證一定使用大型語言模型。
選一個最小閉環
第一案適合「頻率高、規則較清楚、資料已有 owner、錯誤可回復、結果能觀察」。例如把進件分類成待辦並由人確認，比讓 AI 直接回覆客戶更容易安全驗證；把文件答案附原文，比只輸出流暢摘要更容易查核。
完成選題後，依企業 AI 六階段導入路線圖準備資料與治理，並在試作前閱讀生成式 AI 使用政策清單；準備擴大時再用PoC 到上線清單。