W6 把五要件裡的基礎建設、文化脈絡、與信任談完了。那三個要項有一個共同性質：組織可以關起門來自己把資料格式統一、紀錄資深同仁的判斷邏輯、以及先溝通內部對 AI 工具的信任。這一篇要談的維護與在地能力就沒有這麼容易，因為它們會直接面對外界的採購合約與廠商關係。
老實說要處理這兩個要件，組織現場的條件不像大家想的那麼寬裕。完全沒有專職技術人員的非營利組織平均有接近六成的技術風險指標被標記出來，技術人員超過十人的組織則不到 30%（NTEN, 2026）；在資料成熟度七個構面裡，「技能」也是連續四年研究中沒有改善的那一項（Data Orchard, 2024）。就算有辦法引入工具，也不代表現場有人有時間照顧它。
因此這一篇要談的主題有三件：
維護：資訊系統上線之後由誰來確保穩定運作
在地能力：廠商交接之後現場有沒有辦法順利接手使用
摩擦：最後是那些人工把關點是否被有意識的設計
維護指的是上線之後是否有人力與資源來確保資訊系統穩定運作。這句話第一時間可能會被理解成系統保固，譬如確保伺服器不要掛掉，或者出問題有廠商窗口可以打電話。然而服務現場真正要承擔的維護是另一份工作，這責任並不是能交給平台廠商的。
舉例來說，服務法規修改了認定標準，或者是系統供應商提供的使用方案改變，這些事時時都在發生。然而這些事情發生之後就必須要有人去把 AI 那一端跟著調整，否則系統會照著舊規則繼續判斷。又或者，當初把這套系統帶進來的那名員工離職了。他一走，那些從來沒有寫下來的設定邏輯與廠商往來紀錄，即使有交接也不一定能 100% 順利運行。
這些都不是意外，是可以預期的日常。問題是它們在多數組織的年度預算與工作分配裡容易被忽略。
W5 談現場環境時，我有提到判斷「維護」要件是否成熟，最直接的一個方式就是問：「這套 AI 是幫工作者減壓，還是讓他們多了一套要照顧的系統？」Saxena 與 Guha（2024）在兒少福利機構做了兩年田野研究，觀察到的正是後者。第一線得額外花時間修復被演算法與數位系統打斷的行政流程。工具號稱減輕負擔，實際上多出一份維修工作。
這份工作在實際場域多半是掛在某一個基層員工身上。Social Current（2026）的調查指出，約 41% 的非營利組織，所有與 AI 有關的決定都由同一名員工做出。除了可以理解為組織分工不足以外，更現實的一面是：那個人幾乎都還有本職，AI 維護是他額外扛下來的事，沒有職稱也沒有額外算工時。同一份調查也顯示，年營收超過一百萬美元的組織採用速度接近小型組織的兩倍，而過半數組織的年營收低於這條線（Social Current, 2026）。拉開差距的理由可以推測除了資金以外，也包含組織人手多寡。
還有一層常被低估：監測本身就是工作。部署前的評估多半在受控環境完成，然而真實服務裡常有例外輸出。要能列管必須得另外安排人力與程序（Rao et al., 2026）。也就是說，即使組織願意持續盯著它，那個「盯」也要有人負責。
所以導入前要問的不只是這套數位工具能幹嘛。還要討論這份維護工作由誰來做、用哪一段時間建立規則流程、當然還有錢要從哪裡出。如果忽略這三個項目，這套數位系統的壽命就等於某個人的餘裕或某筆補助的期限，一但到期這套系統就等於死亡。
上一節談的是維護的工作量，這一節在地能力要談的是就算有人願意做，他有沒有辦法得知從何下手？上面提過的 Saxena 與 Guha（2024）那份田野研究另一個發現是：負責採購的人沒有受過預測分析的訓練，廠商交付的是一套無法理解的系統，機構連程式碼的存取權都沒有。就顯示了這個問題。
談在地能力並不是要求每個組織都養一支 AI 工程團隊。它其實只要滿足四項最低標準：
可以理解：團隊知道這套系統大致依據哪些資料以及哪些規則在運作。
可以問對：團隊覺得數位系統產出結果不對的時候，得到的回應不會只有「模型就是這樣算」。
可以改動：團隊有能力自行調整流程、權限、規則等，不必每一次都排進廠商的開發週期。
可以轉移：團隊決定更換系統的時候，可以將資料與知識順利轉移到新的工具或平台。
英文情境中，所謂的 Vendor Capture 或者 Vendor Lock-in（廠商鎖定）一詞就是用來描述因為團隊（尤其是公部門）本身必須重度依賴外部廠商才得以讓數位系統運作的窘境。組織裡沒有人看得懂系統怎麼運作跟調整，或者久了之後凡事直覺先問廠商，連「這件事我們可以自己決定」的念頭都不會出現（Burton, 2025）。
歐盟執委會早年一份涵蓋 244 個公部門採購機關的調查就發現，至少四成受訪者感受到某種程度的廠商鎖定，主因是新舊系統的互通性與資料可攜性不足（European Commission, 2013）。儘管那份調查談的是一般資訊系統，但互通性與可攜性不足這兩件事卻會一路延續到 AI 時代。依賴推到最後會影響一件很基本的事：要不要繼續用，也不是自己說了算。提前終止有違約成本，而系統跑了兩年之後，原本那套人工流程早就沒有人在做了。
採購的當下還有一層雜訊。Gartner（2025）指出市場上存在 agent washing，也就是說：不少廠商把既有的智慧助理、流程自動化工具、或聊天機器人重新包裝成具有複雜能力的代理人 AI，然而真正具備能力的廠商目前仍在少數。就算產品標籤說它是代理人 AI，既不能證明它真的是也不能證明你的組織已經有能力使用與管理。
當然，這一節的主旨並不是反對找廠商。建置需要技術專業，向外採購是合理的選擇。這裡提出來希望大家避免的是數位系統成為組織服務一個長期看不懂也不知從何問起的環節，成為組織使用 AI 放大影響力的瓶頸。所以上述的四項最低標準（可以理解、可以問對、可以改動、以及可以轉移）要在採購階段就考慮進去，不是等上線之後再辦幾場同仁訓練。
而以台灣當地現況來說，亞太區的非營利數位能力調查顯示，台灣組織的 IT 支出只佔營運支出的 2.4%，四分之一的組織在過去十二個月發生過資安事件，46% 把資安列為技術首要項目，卻只有 9% 有書面計畫（Infoxchange & TechSoup Asia Pacific, 2023, p. 32）。也就是說，連資安都停在有意識卻沒文件的階段，AI 系統的移轉與接手更難靠臨場反應處理。少數組織選了另一條路。netiCRM 這類採開源授權的系統（網絡行動科技，無日期），程式碼與資料的所有權留在使用它的組織與開源社群手上，被單一廠商綁住的風險就低一些。這是可行的例子，但還稱不上趨勢。
W5 從 ICT4D 借來的教訓在這裡再出現一次。Sahay 與 Mukherjee（2017）指出，在地團隊有沒有這套系統的所有權跟組織覺不覺得它值得留著，這兩件事互為因果。因此導入時沒有把所有權交到在地團隊手上，外部資源一撤走，組織就不會認為它值得繼續維運。
前面兩節討論的是：AI 上線之後，誰的時間被算進去以及如何跟外部做協調。而除了維護以及在地能力，還有不在五項要件裡但同樣性質的「摩擦」也必須考慮：也就是不要自動化，刻意留給人做的那些步驟。W3 談 AI 整理意見時給過一個答案：不是所有的摩擦都該被拿掉。「摩擦」嚴格說不在「現場條件五要件」裡。但留下摩擦之後由誰的工時支付、如何安排，就與現場環境息息相關。
先確認保留是有根據的。W2 談信任校準時我們聊過這道設計：高風險的判斷做出來之前，先讓一線形成自己的初步判斷，再看 AI 的建議，可以降低對 AI 的過度依賴。那時引的是獸醫放射科的影像對照實驗，Buçinca 等人（2021）以 199 人做的對照也指向同一個方向，這類認知強制設計確實能顯著降低過度依賴。
但這道摩擦力設計要成立，得有人真的停下來細心檢視與規劃。W2 問的是這件事要不要做，這一篇要問的是那段時間從誰的工作裡挪出來以及有沒有被算進工時。沒有被算進去的時候，摩擦不會消失但卻會空轉。
空轉的第一種樣子是注意力被耗掉。一份追蹤 112 位基層醫師的研究發現，同一次看診每多收到一則系統提醒，醫師會注意下一則提醒的可能性就降低約三成（Ancker et al., 2017）。同一則提醒排在第一則和排在第八則，被認真看待的機率就是不一樣。
第二種更難處理。Green（2022）檢視了 41 項要求人工監督政府演算法的政策，指出人類不一定做得到政策裡期待他做的那種監督，而這樣的「空架子監督」還會反過來變成一張合法性證明，讓系統看起來有人把關。沒有時間的監督不只是沒有用，它比沒有監督更容易讓錯誤留在制度裡。
所以這道摩擦跟維護的人力費用、累積知識的交接轉移一樣，都是上線之後持續發生的成本。如果沒有把它們當作成本考量進去，引入數位系統以及 AI 反而會削弱組織自身的效益。
到這裡我們談完了 W5 提出的「現場環境」五要件：信任、維護、文化脈絡、基礎建設、在地能力，加上刻意保留的那些「摩擦」人工節點，全部湊齊之後回答的仍然是同一個問題：這件事我們做不做得到。團隊可以馬上透過下列 checklist 檢驗自己的現場環境：
組織內部可以自己處理的（W6）
□ 基礎建設：要讓 AI 用於判斷所需要的資料都已經數位化且有格式的管理
□ 文化脈絡：資深同仁排順序時決策的方式與考量都已經被記錄下來，可重複利用
□ 信任：被指派核對 AI 產出的人明瞭 AI 的限制，並且會適時阻擋或修正 AI 的產出
牽涉到長期負責與外部廠商的（W7）
□ 維護：引入 AI 或數位系統後有規劃資源讓員工適時管理，那個人也知道該看什麼。
□ 在地能力：可以理解、可以問對、可以改動、可以轉移四項都成立
□ 必要摩擦：保留下來的那道人工把關確認，是有經過事前適當規劃的
上面這六項湊齊就表示組織具有較爲成熟的現場環境，可以往下一步討論「該不該引入 AI？」因為做不做得到跟該不該做是分開的兩題。條件齊備的組織仍然可能得出「這個節點不該交給 AI」的結論，而這個結論不會因為條件齊備就變得比較沒有道理。
下一篇 W8：把前面幾週的假設交給反方壓力測試。如果導入代理人 AI 的每一項條件都被滿足了，還剩下哪些理由，讓我們選擇不做？
In-Clues UX Studio／引鹿創新體驗研究室
Ancker, J. S., Edwards, A., Nosal, S., Hauser, D., Mauer, E., & Kaushal, R. (2017). Effects of workload, work complexity, and repeated alerts on alert fatigue in a clinical decision support system. BMC Medical Informatics and Decision Making, 17, Article 36. https://doi.org/10.1186/s12911-017-0430-8
Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287
Burton, M. (2025, November 18). Vendor capture and the limits of fast government reform. Niskanen Center. https://www.niskanencenter.org/vendor-capture-and-the-limits-of-fast-government-reform/
Data Orchard. (2024). State of the sector: Data maturity in the nonprofit sector 2024. https://www.dataorchard.org.uk/resources/sots-data-maturity-in-nonprofit-sector-2024
European Commission. (2013). Against lock-in: Building open ICT systems by making better use of standards in public procurement (COM(2013) 455 final). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52013DC0455
Gartner. (2025, June 25). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Press release]. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
Green, B. (2022). The flaws of policies requiring human oversight of government algorithms. Computer Law & Security Review, 45, Article 105681. https://doi.org/10.1016/j.clsr.2022.105681
Infoxchange & TechSoup Asia Pacific. (2023). Asia Pacific NGO digital capability report 2023. https://digitaltransformation.ngo/sites/default/files/IX_APACReport23.pdf
NTEN. (2026, January 5). Technology adoption in nonprofits: An analysis of NTEN’s Tech Accelerate data. https://www.nten.org/blog/tech-accelerate-analysis
Rao, A., Keller, A., Kalra, N., Steed, R., Kwegyir-Aggrey, K., Klyman, K., Staheli, D., & Bergman, A. (2026). Challenges to the monitoring of deployed AI systems (NIST AI 800-4). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.800-4
Sahay, S., & Mukherjee, A. (2017). Self reinforcing linkages between value and local ownership: Rethinking sustainability of ICT4D project. In Information and Communication Technologies for Development (pp. 487–497). Springer. https://doi.org/10.1007/978-3-319-59111-7_40
Saxena, D., & Guha, S. (2024). Algorithmic harms in child welfare: Uncertainties in practice, organization, and street-level decision-making. ACM Journal on Responsible Computing, 1(1), Article 2. https://doi.org/10.1145/3616473
Social Current. (2026, January 9). The growing AI gap between social sector organizations. https://www.social-current.org/2026/01/the-growing-ai-gap-between-social-sector-organizations/
網絡行動科技（無日期）。netiCRM：非營利組織專屬支持者關係管理系統。https://neticrm.tw/
本文由作者完成文章主題設定，之後使用 AI 協助進行公開資料蒐集彙整，再由作者完成觀點論述與最終編修。文中引用案例以公開資料為基礎；若相關專案後續有更新，請以原始來源最新資訊為準。
Joey Chiao-Yin Hsiao, PhD | 蕭喬尹博士
個人 Substack Publication: joey in the loop ，歡迎訂閱。
In-Clues UX Studio (引鹿創新體驗研究室) 創辦人，美國密西根大學資訊科學PhD，資深UX經驗設計與研究顧問。具有十年以上UX研究與服務設計經驗。關注 AI 應用如何進入真實場域服務，特別是它如何改變社會永續領域的團隊信任、工作機制、以及社會影響力。目前持續書寫 Responsible AI, Inclusive Design, Trust Engineering 等主題。
Copyright © Chiao-Yin Hsiao. All rights reserved.
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.