本文可協助您建立 AI 採用計劃，將組織的 AI 策略轉換成可採取動作的步驟。 AI 採用計劃可橋接 AI 願景與執行之間的差距。 此計劃可確保 AI 計劃與商務目標之間的一致性，同時解決技能差距、資源需求和實作時程表。
AI 使用案例識別
制定 AI 策略的第一步是用例識別。 此步驟定義決策者如何發現 AI 能改善組織整體業務成果。 目標是先發掘有意義的機會。 這份清單不必詳盡，但也可以。 其目的是讓每個人對企業最重視的事物有一個共同的觀點。 依序進行，確保每個使用案例都能追溯到真實價值。
先從商業問題開始。 在考慮 AI 之前，先找出組織需要更好成果的地方。 最明顯的訊號來自於人們的工作方式，例如反覆手動操作或審核緩慢。 用簡單的詞彙來框定搜尋，例如「結果在哪些地方超出預期」或「人們在哪些地方花時間做重複性任務」。這種做法讓 AI 專注於價值而非新奇。 取捨：廣泛掃描會發現許多機會，因此請專注於既可衡量又有意義的結果差距。
將問題轉化為應用案例。 將每個業務問題整理成簡短陳述，說明活動內容及預期結果，例如「協助支援人員從內部文件回答，縮短解決時間」。確認這些活動發生頻率足夠高，足以證明投資的合理性。 權衡：早期情境往往模糊，所以在繼續前進前，先將它們精煉成清晰且可執行的描述。
分類使用情境。 根據每個用例如何創造價值來分類。 利用這個決定來指導後續的科技選擇。
個人工作： 這些使用案例改善了個人或團隊在現有工具中的運作方式。 例如寫作協助或會議準備。 它們與生成式 AI 解決方案如 Microsoft 365 Copilot 高度契合。
商業自動化： 這些使用案例改變了組織的運作方式或價值的傳遞方式。 例如自動化客戶路由或需求預測。 它們通常需要與其他系統整合，且能結合多種 AI 類型。
考慮所需的 AI 類型。 這個考量不是最終決定，你可以在使用情境更明確時再檢視。 大致了解你想要的一致性，就能縮小接下來的技術選擇範圍。 你之後有自由調整。
生成式 AI（非確定性 ）產生的輸出即使相同輸入也可能有所不同，且在輸入非結構化（如自然語言或文件）時效果良好。 它適合工作流程不固定的情況，且你希望系統能創造內容或協助人類決策。 當你事先不知道確切步驟，且可以接受輸出結果有些差異時，請採用這種方式。
非生成式 AI（確定性 ）從結構化輸入產生一致且可重複的輸出。 它適用於工作流程已定義且相同輸入應該導致相同結果的情況。 對於依賴準確度的任務如預測或異常偵測，則傾向於此。
將同樣的順序應用於每個業務領域。 可重複的流程減少混淆，防止你在不必要的地方使用生成式 AI，並讓你準備好選擇下一步解決方案。
評估 AI 技能
評估現有能力可防止資源錯配，並確保專案規劃符合組織準備狀態的切實可行。 當組織嘗試實作超出其技術成熟度或數據可用性時，AI 專案就會失敗。 評估你的技能、資料資產與基礎設施，為成功採用 AI 奠定基礎。 方法如下：
使用技能和數據整備架構來測量 AI 成熟度層級。 此架構提供客觀準則來評估貴組織的目前 AI 功能。 此措施可防止過度投入到超出您目前能力的專案。 使用下表來評估您的成熟度：
AI 成熟度層級 需要的技能 數據整備 可行的 AI 使用案例 層級 1 ▪ 對 AI 概念的基本瞭解
▪ 整合資料來源並設計和規劃提示的能力▪ 可用數據最少到零
▪ 可用的企業數據▪ Azure 快速入門專案
▪ 任何一個 Copilot 解決方案層級 2 ▪ 使用 AI 模型選取體驗
▪ 熟悉 AI 部署和端點管理
▪ 數據清理和處理的體驗▪ 可用數據最少到零
▪ 小型結構化數據集
▪ 少量可用的網域特定數據任何 1 級專案
▪ 使用 Foundry 工具的客製化分析 AI 工作負載
▪ Foundry 中無需檢索增強生成（RAG）的自訂生成式 AI 聊天應用程式
▪ 自訂 Azure Machine Learning 應用程式，具備自動化模型訓練功能
▪ 微調生成式 AI 模型層級 3 ▪ 快速工程的熟練程度
▪ AI 模型選取、數據區塊化和查詢處理的熟練程度
▪ 數據前置處理、清除、分割和驗證的熟練程度
▪ 編製索引的基礎數據▪ 適用於機器學習的大量歷程記錄商務數據
▪ 少量可用的網域特定數據▪ 屬於層級 1-2 的任何專案
▪ 在 Foundry 中搭配 RAG 的生成式 AI 應用程式
▪ 定型和部署機器學習模型
▪ 在 Azure 虛擬機器 上訓練並執行小型 AI 模型層級 4 ▪ 進階 AI/機器學習專業知識，包括基礎結構管理
▪ 處理複雜 AI 模型定型工作流程的熟練程度
▪ 體驗協調流程、模型基準檢驗和效能優化
▪ 保護和管理 AI 端點的強技能▪ 可用於訓練的大量數據 ▪ 任何層級 1-3 專案
▪ 在虛擬機器、Azure Kubernetes Service或Azure 容器應用程式上訓練並執行大型生成式或非生成式AI應用程式清查您的數據資產，並評估其 AI 使用案例的品質。 數據品質直接影響 AI 模型效能，並判斷您可以成功實作的使用案例。 此清查會顯示數據準備需求，並協助根據可用數據排定使用案例的優先順序。 記錄整個組織的數據源、格式、質量和輔助功能。
檢閱您的技術基礎結構，並判斷 AI 整備需求。 基礎結構容量會限制 AI 專案範圍，並影響部署策略。 此回顧有助於您規劃基礎建設投資並選擇適當的 Azure 服務。 評估目標 AI 使用案例所需的計算資源、記憶體容量、網路頻寬和安全性控制。
取得 AI 技能
完整的功能建置策略可確保貴組織擁有成功實作和維護 AI 系統所需的技能。 技能差距會建立項目延遲，並增加實作失敗的風險。 發展結合培訓、聘用與合作夥伴關係的多面向策略，以打造永續的人工智慧能力。 方法如下：
培養 AI 技能。 內部技能開發提供長期功能建置，並確保貴組織內的知識保留。 此方法會建置組織信心，並減少對外部資源的相依性。 使用 AI 學習中樞 平臺，免費進行 AI 訓練、認證和產品指引。 設定認證目標，例如Azure AI Fundamentals認證。
招募 AI 專業人員。 外部招聘可讓您立即獲得專業專長，並加速項目時程表。 此策略有助於填補內部開發時間過長的空缺。 聘請模型開發、衍生 AI 或 AI 道德方面的專家。 更新工作描述，以反映目前的技能需求，並建立強調創新和技術領導地位的僱主品牌。
請透過 Microsoft 合作夥伴。 Microsoft 的合作夥伴關係提供經過驗證的專業知識與產業最佳實務，同時降低實施風險。 此方法加速學習，並確保與 Microsoft AI 技術同步。 利用 Microsoft partners marketplace 取得跨產業的 AI、數據與Azure專業知識。
存取 AI 資源
清除存取需求和授權策略可防止部署延遲，並確保符合組織原則。 不同的 AI 解決方案具有影響成本、安全性和治理的不同存取模式。 了解您投資組合中每個 AI 解決方案的具體存取需求，以有效規劃預算與安全控管。 方法如下：
| Microsoft AI 解決方案 | 如何取得存取權 |
|---|---|
| Microsoft Copilot | 需要 Microsoft 365 授權，並額外取得 Copilot 授權。 請參見 Microsoft Copilot。 |
| Microsoft Copilot Studio | 需要獨立授權或附加元件授權。 參見Microsoft Copilot Studio。 |
| 產品內智能助理 | 需要存取主要產品。 請參考 GitHub Copilot、Power Apps 中的 Copilot、Power BI 中的 Copilot、Dynamics 365、Power Automate、Microsoft Fabric 中的 Copilot，還有Azure Copilot。 |
| 角色型共輔助手 | 需要特定的存取需求。 請參閱 Microsoft Security Copilot、銷售代理、服務代理、財務代理。 |
| Azure 服務 | 需要Azure帳號。 包含 Microsoft Foundry。 |
排定 AI 使用案例的優先順序
策略性優先順序可確保您將資源放在專案上，這些專案可提供最大價值，同時符合您的組織功能。 使用情境優先順序可降低實作風險，並加速獲得價值的時間。 評估每個使用案例的可行性、策略價值及資源需求，以制定可達成的實施路線圖。 方法如下：
根據您目前的 AI 成熟度和可用資源評估使用案例。 務實的評估能防止過度承諾超出現有能力的專案，並確保成功執行。 此評估可協助您專注於可達成的目標，以建立未來項目的勢頭。 針對每個用例，檢視您的 AI 成熟度、資料可用性、技術基礎設施及人員配置。
依策略價值和實作可行性來排名使用案例。 策略排名可協助您將有限的資源配置給具有最高潛在影響和成功機率的專案。 這種方法可最大化 AI 投資的回報，同時建立組織信心。 針對業務影響、技術複雜性、資源需求，以及符合組織目標，為每個使用案例評分。
建立具有明確成功準則的優先順序實作藍圖。 結構化藍圖提供明確的實作小組方向，並針對已定義的里程碑啟用進度追蹤。 此藍圖可協助管理項目關係人的期望和資源配置。 選取優先順序最高的使用案例，並定義每個專案的特定成功計量、時程表和資源需求。
建立 AI 概念驗證
概念驗證有助於降低實作風險，透過在全面開發前驗證技術可行性與商業價值。 PoC 協助你在受控環境中識別潛在挑戰並精煉需求。 建立針對性驗證專案，測試核心假設並蒐集數據以促進明智決策。 方法如下：
選取適當的使用案例，以證明概念驗證。 正確的 PoC 選擇會平衡學習機會與可管理的風險和複雜性。 此選擇可確保您收集有意義的深刻見解，而不至於使您的團隊或組織感到負擔過重。 從符合 AI 成熟度層級的優先順序清單中選擇高價值專案。 從內部、非客戶面向的項目開始，以限制風險並測試您的方法。
利用 Microsoft 的指導與工具，實作一個聚焦的概念驗證。 結構化實作可縮短開發時間，並確保您遵循所選 AI 方法的經過實證做法。 這種方法可最大化學習，同時將資源投資降至最低。 根據您的 AI 類型使用下列實作指南：
AI 類型 實作指南 生成式 AI Azure PaaS： Microsoft Foundry
Microsoft 副駕駛：Copilot Studio 以及 Microsoft 365 Copilot 可擴展性機器學習 Azure Machine Learning 分析人工智能 Foundry 工具，附有針對 內容安全、文件智慧服務及其他服務的特定指南 使用 PoC 結果來精簡您的使用案例優先順序和實作方法。 PoC 洞察揭示了影響未來專案規劃和資源分配的實際挑戰與機會。 此意見反應迴圈可確保您的 AI 藍圖維持現實且可達成。 記錄所學到的課程、技術挑戰，以及示範的商業價值。 根據經過證實的可行性和測量的影響來調整您的使用案例優先順序。
使用概念證明結果來估計每個使用案例的實作時程表。 PoC 數據會提供實際基準估計，以考慮貴組織的特定功能和限制。 此方法會產生比理論估計更精確的時程表。 記錄 PoC 實作期間觀察到的開發時間、測試週期和部署複雜度。
考慮時間軸規劃中的組織成熟度和複雜度因素。 不同的 AI 解決方案具有根據組織整備程度和專案範圍而有所不同的特性實作時程表。 這項瞭解有助於為專案關係人設定適當的期望。 Microsoft Copilot 通常提供最短的投資報酬週期（數天至數週），而客製化 Azure AI + 機器學習工作負載則需數週至數月才能達到生產準備階段。
預留緩衝時間，應對學習、反覆改進和非預期的挑戰。 AI 專案通常會遇到無法預見的技術挑戰，而且需要多次反覆專案才能達到所需的結果。 緩衝時間可防止排程可能會危害品質或道德考慮的壓力。 將 20-30% 應變時間加入初始估計，並計劃多個開發週期。
實施負責任的人工智慧
負責任的 AI 做法可保護您的組織免於道德、法律和信譽風險，同時確保 AI 系統符合組織價值。 負責任 AI 原則的早期整合可防止成本高昂的重新設計，並建立項目關係人信任。 從一開始就將倫理考量、治理架構和安全措施納入實施計畫中。 方法如下：
使用負責任的 AI 規劃工具來評估潛在影響並設計道德系統。 系統評估工具可協助識別潛在風險，並確保 AI 系統符合道德標準和法規需求。 這些工具提供結構化方法，以處理複雜的道德考慮。 請使用Microsoft負責任的人工智慧工具與實務，如 Human-AI eXperience Toolkit和負責任人工智慧成熟度模型，來指導你的規劃流程。
實作 AI 治理架構，以引導專案決策和監視系統行為。 治理框架提供一致的決策準則，並確保跨 AI 項目問責。 這些架構可協助組織控制 AI 開發和部署。 建立涵蓋角色、責任、合規性需求和道德標準的原則。 如需治理實作的詳細指引，請參閱 治理 AI 。
在整個實作生命週期中套用 AI 安全性和作業最佳做法。 安全性和營運卓越可確保 AI 系統在整個生命週期中保持可靠、安全且符合成本效益。 這些做法可防止安全性事件和作業失敗。 實作 GenAIOps 或 MLOps 等 AI 作業架構，以進行部署追蹤和效能監視。 如需詳細的實作指引，請參閱 管理 AI 和安全 AI 。
下一個步驟
藉由建立實作的技術基礎來完成 AI 採用規劃。 若使用 Azure 進行客製化 AI 工作負載，請繼續使用 AI Ready 來配置您的技術環境。 若要採用 Microsoft Copilot，請進階至 AI 治理以建立組織監督。