IBM Company & Career Sharing
顧問工作常常和「高層策略」、「產業分析」或「簡報提案」畫上等號；但當企業真正要推動轉型時，最困難的往往不是提出方向，而是如何讓方向真的被執行。
本次臺大管顧社邀請現職 IBM Business Transformation Consultant 的Yoolin 與社員分享，從 IBM Consulting 的定位、AI 轉型方法論，到顧問專案的實際工作方式與能力要求，試著回答一個很重要的問題：在 AI 時代，顧問的價值究竟是什麼？
IBM Consulting：顧問不只提出方向，更要陪客戶把事情做成
很多人對 IBM 的印象還停留在硬體、伺服器或大型企業系統，但從這場分享中可以看見，今天的 IBM Consulting 更像是一個能夠串起策略、資料、系統與落地執行的整合型顧問團隊。
相較於大家熟悉的傳統策略顧問模式，IBM 的特色不只是前期做規劃，而是能夠一路從前端機會辨識、中期藍圖設計，走到後端的系統建置、資料模型開發與營運維運。這樣的定位，也讓 IBM 在顧問市場中形成一個很鮮明的差異：它不只回答企業「應該做什麼」，更試著回答另一個更難的問題——那要怎麼做，才能真的做出來？
這一點在大型企業尤其重要。因為很多企業其實不缺策略簡報，缺的是能夠把藍圖拆成流程、拆成需求、拆成系統、拆成權責分工的人。真正的挑戰，往往不在於想不到方向，而在於方向一旦進入組織內部，就會遇到跨部門協作、既有系統限制、資料分散、預算競爭與內部政治等現實問題。
AI轉型的關鍵——從「+AI」走向「AI+」
本次演講中，最核心的一個觀念，是 「+AI」與「AI+」 的區分。兩者看似只差一個符號位置，但所代表的轉型深度其實完全不同。
+AI：把 AI 加進既有流程
所謂 +AI，指的是在既有流程中加入 AI 應用，以提升局部效率。例如：用 AI 協助整理會議記錄、用生成式 AI 撰寫文案、用 chatbot 回應常見客服問題、用 AI 摘要報表與文件等，這類做法的特點是，企業原本的工作流程大致不變，AI 主要扮演一個加速器或外掛工具的角色。這通常是企業最容易起步的方式，因為不需要大幅改變組織分工與運作邏輯，也較容易在短期內看到成果。
但這種模式也有明顯限制。若原本的流程本身就冗長、資訊流混亂、跨部門交接過多，那麼 AI 只能讓某幾個環節變快，卻無法從根本上解決整體效率問題。
AI+：從 AI 出發，重新設計工作流程
相較之下，AI+ 代表的是另一種思考方式。它不再只是問「哪裡可以加 AI」，而是反過來思考：如果 AI 已經存在，整個流程是否應該被重新設計？
這樣的思考方式，意味著企業會重新檢視整個 workflow，而不是只優化其中一兩步。例如，原本需要十幾個步驟、跨數個部門交接的流程，是否能夠被壓縮成更少的核心節點？哪些工作可以交給 AI 自動處理？哪些判斷必須保留給人？哪些資訊應該在前一個節點就先結構化，避免後續重複整理與轉譯？
因此，AI+ 的本質不是工具導入，而是 workflow redesign。這也是 Yoolin 特別強調的一點：企業未來真正的競爭力，可能不在於有沒有用 AI，而在於是否能從停留在 +AI 的局部優化，進一步走向 AI+ 的整體重構。
AI 轉型的底層框架：People、Process、Technology
Yoolin 以 PPT（People, Process, Technology） 框架說明企業轉型時的三個核心面向。這個框架之所以重要，在於它提醒企業：AI 轉型從來不是單一技術專案，而是組織、流程與技術三者的共同調整。
1. People
不同企業有不同的文化、權力結構與推進模式，因此 AI 轉型並不存在單一標準答案。以金融業為例，有些公司適合由中央設立統一的轉型單位，有些則更適合由各事業體自行發展應用場景與需求。
組織設計之所以重要，是因為轉型真正落地時，常常牽涉到權責劃分、資源配置與跨部門協作。若這些問題沒有先被處理，即使技術成熟，專案仍可能停留在試點階段，無法擴大。
2. Process
AI 要真正發揮作用，不能只停留在 demo 或單點工具使用，而必須被放進日常工作流程中。這就使得流程重塑成為轉型成敗的關鍵。
若企業仍沿用既有冗長的作業方式，只在其中增加 AI 功能，最多只能達到局部效率提升；相反地，若企業願意重新設計流程節點、資訊流與決策機制，AI 才有可能從輔助工具變成真正的轉型槓桿。
3. Technology
Yoolin 也提到，許多企業以為自己在做 AI，實際上限制它們的往往不是模型能力，而是底層系統與資料基礎設施。
若資料散落、系統彼此孤立、API 能力不足、架構缺乏彈性，那麼 AI 應用通常只能停留在單一場景，難以複製與擴大。也因此，AI 轉型背後其實高度依賴雲端、資料平台、治理機制與系統現代化等底層基本功。
AI 應用的下一步：從「大腦」走向具備「手腳」的 Agent
Yoolin 也提到，AI 的角色正在從單純的內容生成與知識輔助，逐漸往 AI Agent 的方向演進。
傳統上，企業較常將 AI 視為一種「大腦」——用來預測、生成、回答問題或提供建議；但未來的 AI 應用，會越來越強調其執行能力，也就是讓 AI 從「會想」進一步變成「會做」。
在這樣的架構下，企業可能不只部署一個 AI，而是形成多個 Agent 協作的網絡。例如：
需求規劃 Agent
測試 Agent
開發 Agent
知識整理 Agent
再由上層的 Orchestrator 進行任務調度與流程編排。
同時，AI 能力本身也可以分成兩類：
推論式 AI（Predictive AI）：擅長判斷與預測，例如風險評估、購買機率、流失預測
生成式 AI（Generative AI）：擅長內容產出，例如文案、摘要、回覆、腳本等
當兩者結合時，AI 應用就不再只是被動回應，而能在判斷後進一步生成對應行動。這也是 AI Agent 越來越受到企業重視的原因。
不過，當 AI 被正式納入流程並開始影響決策時，治理問題也會變得更加重要。Yoolin 特別提到，未來企業不能只關心 AI 是否好用，還必須關心其 可靠性、公平性、隱私保護與可追溯性。這些議題也成為顧問服務中逐漸被重視的新方向。
IBM 顧問的角色分工：不同職位，對應不同能力模型
在職能分類上，Yoolin 也說明了 IBM 顧問體系中幾種常見角色。
Customer Transformation：主要聚焦在行銷、體驗設計、CRM、GA 分析等議題，較接近顧客經營與體驗優化。
Finance & Supply Chain：較常服務製造業，處理供應鏈管理、ERP 與營運流程轉型。
Talent Transformation：聚焦於人資系統與流程轉型，例如 Workday 導入。
Core Banking & Payment：屬於 IBM 顧問體系中相當重要的一塊，主要負責銀行核心系統與支付相關轉型。
而在角色上，也可進一步區分為：
Business Consultant：偏重策略規劃、商業分析與解決方案設計
Application Consultant：偏重系統分析、需求轉譯與技術協作
Package Consultant：偏重套裝系統導入，如 SAP、Salesforce 等
Data Scientist：偏重資料分析、建模與演算法相關工作
這些職稱雖然都屬於 consulting 範疇，但工作內容、所需能力與職涯方向其實差異很大。
Yoolin 也進一步分享了顧問在不同類型專案中的實際工作內容：
規劃案
規劃案通常以 3 至 6 個月為週期，重點在於：高階與工作層級訪談、外部標竿研究、問題盤點與機會辨識、方案設計與效益評估、路線圖規劃。
其中一項很重要的產出，是將問題轉化為具體的 solution card。每張方案卡通常會包括欲解決的問題、影響的 KPI、預期效益、執行方式與時間安排，再進一步依據效益與可行性排出優先順序，形成未來一到三年的 roadmap。
建置案
建置案則更長，可能橫跨 1.5 至 5 年。此時顧問的工作重心，會從高層策略規劃轉向更細緻的系統與流程設計。例如：撰寫標籤規則與商業邏輯、畫 wireframe 或流程圖、整理 API 規格與需求文件、撰寫 test case、以 SQL 驗證資料與邏輯、協助上線與教育訓練
這也顯示，顧問工作並不只停留在高空藍圖層次，而常常需要深入系統細節，真正處理落地時的各種問題。
AI 時代下的顧問工作流：工具不取代思考，但會重塑工作方式
最後，Yoolin 也分享了自己如何使用 AI 工具協助工作。
例如，在研究產業資料時，可利用 NotebookLM 快速整理年報、法說會與公開資訊；在簡報構思時，可先透過 ChatGPT 協助整理 storyline，再搭配deep research工具進行延伸研究與案例補充；若需要進行跨產業轉譯，也能利用 AI 快速生成不同場景下的方案草稿。
這些做法的共通點在於：AI 並不是拿來取代顧問思考，而是用來加速前期研究、資訊整理、情境轉換與初步推演。對顧問工作而言，這類工具的價值尤其明顯，因為顧問常常需要在極短時間內快速理解陌生領域、整理資料並形成可溝通的產出。也因此，Yoolin 提到一句相當具有代表性的話：AI 不會取代顧問，但會取代不會與 AI 協作的顧問。
再次感謝 Yoolin 帶來這場內容扎實且啟發性十足的分享，從顧問產業的實務樣貌、AI 轉型的方法框架，到實際專案中的工作流與能力要求，都讓大家對 IBM 顧問工作與數位轉型落地有了更具體的理解！
