編按：生成式AI正掀起全球熱潮，但其實，有高達95％專案無法帶來財務成效，真正能釀出價值的，僅剩5％。MIT與顧能研究指出，企業投資AI前，必須先釐清「泡沫與啤酒」的界線。也就是說，在幻滅來臨前，應重新審視這場技術泡沫。
自從2022年底起，生成式AI風風火火了近三年的時間，由我們《數創實驗室》社群經營的Podcast，也在過去一年中，探討無數與AI相關的技術演進與趨勢變化。
不過，近來我益發感受到，在各種技術測試中，雖然大語言模型（Large Language Models, LLMs）頻頻創下佳績，但當我和團隊實際將這些LLM工具導入社群的經營流程時，明顯發現跑分上的優勢，與我們日常使用中的真實體感，存在一定程度的落差。
這種技術指標與現實應用之間的落差，也讓我再次好奇：雖然我們看好生成式AI的前景，但生成式AI是否仍有被過度吹捧的現象？
近期，一份麻省理工學院媒體實驗室（MIT Media Lab）NANDA團隊的研究報告《The GenAI Divide: State of AI in Business 2025》，剛好解答我心中的部分疑惑。這篇報告的研究人員，訪問上百位企業高階主管與數百名員工，發現多達95％的生成式AI專案，確實「無法」帶來財務效益。
另一份研究報告，來自知名科技顧問公司顧能（Gartner），其提醒生成式AI在多個應用領域，已進入「幻滅期」。甚至，連OpenAI執行長奧特曼（Sam Altman）都坦言，市場確實存在泡沫。
生成式AI屬於「肥皂泡泡」，還是「啤酒泡泡」？
在經濟學裡，「泡沫」是指資產價格在一段時間大幅偏離其內在價值，而這個落差由投機或非理性的預期推動。阿里巴巴前CEO衛哲曾提出一個我很喜歡的泡沫比喻。他說，科技的泡沫有兩種，一種是「肥皂泡泡」，破掉後，什麼都不會留下；另一種是「啤酒泡泡」，雖然泡沫會褪去，但底下仍有實質的啤酒支撐。前者往往隨著熱潮散去而煙消雲散，後者則會留下技術突破、產業基建，或是人才累積。
那麼，生成式AI屬於哪一種？
在我看來，它更像是「啤酒泡泡」。即使存在一定程度的過度吹捧，但實際上，已確實改變我們的工作跟生活方式，反應實質的應用價值。最客觀的佐證是，每當ChatGPT當機時，幾乎立刻就會成為新聞，這正反映它深度滲入日常工作與生活，其影響力已無法被忽視。
因此，若說生成式AI的泡沫是肥皂泡泡，或許又過於悲觀。
AI泡沫是真的？MIT研究結果提醒了什麼？
如果各位讀者對上述觀點有共鳴，那麼，下一步就值得思考：究竟，我們該如何區分當前生成式AI的「泡沫」與「啤酒」部分？對正將生成式AI落地在公司或個人工作流的先驅者而言，文章開頭提到的麻省理工學院研究，或許正為我們提供一扇觀察的窗口，讓我們得以窺見那5％的生成式AI專案，為何能存活下來，成為實質的「啤酒」。
以下，是MIT研究整理的四個特徵：
1.由下而上推動的AI專案，並取得高階主管支持
這點看起來有點矛盾，但實際上非常合理，因為痛點最容易被一線團隊發現。然而，若沒有高層支持，專案很容易因資源不足或戰略衝突而被擱置。能結合前線洞察與上層支持的專案，才可能沉澱為啤酒。
2.具有數據化的基礎，才追求AI化
不論是哪種類型的AI，都需建立於數據化的基礎上。若公司的數據仍停留在紙本階段，例如，一些醫院或診所的醫師手寫病例資料，不可能將AI直接套用在紙本數據上，然後期待魔法發生。唯有打好數據化的基礎，AI才能將數據釀成啤酒。這裡的數據，包含表格型態的結構化數據與文本、圖片等非結構化數據。
3.公司規模小，且有較年輕的管理者
研究發現，小公司的成功率較高，這並非指大公司就必然失敗，但規模龐大的組織常被流程拖沓，也是不爭的事實；反之，小公司則因決策速度、資源配置上更靈活，加上年輕管理層通常對新技術的接受度較高，使得AI專案的推動相對順暢，更容易釀出勝利的啤酒。
4.外購系統優先於內部自建
研究顯示，外購的成功率約為67％，幾乎是內部自建的兩倍（33％）。表面上，外購似乎更具優勢，但我對這點抱持保留態度。因為通常有能力自建AI系統的，多半是技術基礎較深厚、規模較大的公司；而傾向外購的，往往是規模較小、歷史包袱比較少的公司。因此，似乎較難單憑此數據下定論，需進一步釐清，差異究竟源於單純「自建vs.外購」的策略選擇，還是只是間接反應「公司規模」的差異。
大數據浪潮啟示錄！泡沫褪去，酒香才顯
十年前的大數據浪潮，已給過我們一次借鏡。當時，「數據是新石油」的口號鋪天蓋地，麻省理工學院數位經濟計畫訪問學者戴文波特（Thomas Davenport）教授，甚至曾在2012年10月號的《哈佛商業評論》撰寫專文，稱資料科學家是21世紀〈企業最誘人的職缺〉。
然而，許多公司投入龐大基建，最後卻發現與自身業務關聯有限。
但，這代表大數據毫無價值嗎？不是的，反觀大數據的歷史，泡沫褪去之後，留下的正是判別式AI（更精確的說，是以「監督式」與「非監督式」學習為核心的機器學習方法論），以及圍繞著這類型AI搭建起來的應用體系。例如，Google、Meta、支付寶等巨頭，都是站在那波浪潮的基礎上，進而壯大起來。
回顧每一次科技浪潮，如同Gartner提出的知名「技術成熟度曲線」，從網路、雲端到大數據，無一不是經歷了由繁榮到幻滅，再到落地的循環。當下真正值得關注的，不完全是泡沫何時褪去，而是思考得更前瞻，深入探索當浪潮褪去後，哪些技術、流程與人才會留存下來。而判斷的標準，建議以落地應用是否有足夠的商業價值，才更能避免把資源投入在泡沫之上，即便它是會留下實質啤酒的泡泡。
