（本文最初發表於Forbes.com）
于方是Sonatus 的共同創辦人暨技術長，專精於分散式系統及採用AI 技術的車輛架構。
數十年來，企業軟體一直基於一個簡單的前提運作：開發一款產品，然後將其銷售給眾多組織。例如 Microsoft Office、SAP 或 Lotus Notes。核心軟體的設計初衷是具備廣泛的適用性，而客製化則更多是客戶需要解決的問題。
當軟體價格高昂且開發速度緩慢時，這種前提確實有其道理。當時根本無法負擔為每位客戶開發不同解決方案的成本，因此標準化是唯一在經濟上合理的選擇。然而，由於軟體開發的經濟模式已發生根本性改變，這種邏輯如今已不再成立。
「一刀切」的代價
通用軟體向來隱含著一項隱性成本，其衡量標準在於為將通用產品適應特定使用情境或工作流程而耗費的時間，以及因此產生的錯誤。這些成本是真實存在的，只是不會出現在發票上罷了。
在用例和工作流程複雜的產業中，這項負擔會不斷累積並加劇。以診斷汽車故障為例，便是最佳例證。 北美主要原廠設備製造商（OEM）持有超過 400 億美元的保固準備金。僅在 2026 年第一季，美國就有 1,210 萬輛汽車被召回，其中 47% 是透過無線軟體更新進行修復的。專為一般使用情境設計的通用工具，無法解決特定情境的問題。
當車輛駛入維修工位時，技師便面臨一項診斷難題。他們知道懸吊系統的運作異常，但原因何在？是零件故障？還是軟體問題？通用工具雖能揭示症狀，卻鮮少能找出根本原因。結果往往是得依賴緩慢的手動流程——而當技師退休時，他們的專業知識也隨之流失。
「客製化」在當今的意義
AI 這已從根本上改變了軟體開發的經濟模式——並非漸進式的，而是結構性的。
過去，客製化解決方案之所以昂貴，是因為開發軟體的進度緩慢。如今，這項限制正逐漸消失。AI 現已透過程式碼生成、模式擷取及自動化工作流程設計，大幅加速開發進度。過去需要耗費數個月工程時間才能完成的專案，現在只需原所需時間的一小部分，即可完成範圍規劃與開發。
但速度本身並非支持客製化的唯一理由。更重要的理由在於，由AI 驅動的轉型必須植根於客戶現有的實際狀況——包括他們的資料、工具和工作流程。您不應將一切全盤替換，也不應強迫組織從頭學起。而是將AI 融入現有系統中。您應在現有流程的基礎上進行優化，使其運作更迅速、更一致且更具可擴展性。
不妨這樣想：一張空白的試算表和一個預先設定好的範本，兩者都能儲存數字。但範本——已經根據您的業務需求進行結構化設計，並具備正確的欄位和公式——能讓您在幾分鐘內就得到答案，而不是花上好幾個小時。現在將這個原則套用到診斷工作流程、供應商品質管控流程或車隊監控系統上。一般性的起點與專為特定目的打造的起點之間的差異，在於運作層面，而非表面形式。
兩項並行執行的轉換
採用以AI 為核心的客製化解決方案方法，能夠實現兩項轉型，而這正是通用軟體歷來難以同時達成的。
第一點是將人類專業知識轉化為可運作的形式。經驗豐富的工程師所累積的知識、決策模式與診斷判斷，如今能越來越多地被整合到AI 系統中，並在整個組織內共享。其結果是組織能力得以提升，知識得以共享而非孤立，專業知識也能持續累積，而非隨著人才離職而流失。
第二點是將手動工作流程轉變為「代理式」工作流程。許多營運流程至今仍仰賴人力來協調決策、在系統間傳遞工作，以及處理例行性的例外狀況。「代理式」工作流程將更多此類協調工作轉移至AI ，使流程在仍遵循既定規範的前提下，具備日益增強的自主性、適應性與可擴展性。
機器智慧驅動著主動式工作流程。兩者相輔相成，共同創造出提升生產力的條件，其影響不僅止於自動化個別任務，更將重塑工作方式。
為什麼通用型AI 還不夠用
通用型人工智慧（AI ）具備強大能力、易於取得，且正迅速進步。但僅憑其本身，對於大多數高風險環境而言仍顯不足。
原因如下：通用型「AI 」在辨識模式以及檢索與問題在語義上相似的資訊方面表現出色。它能夠總結在類似情況下行之有效的方法。然而，若缺乏您產品、流程及營運環境的模型，它便無法可靠地判斷在特定條件下，何種方法能解決具體的故障問題。
這並非「AI 」這個類別本身的限制，而是「AI 」的限制——它缺乏該任務所需的領域知識與運作背景。
另一方面，專為此目的打造的「AI 」則採用結構化檢索技術，能理解系統與元件之間的關聯性——而不僅僅是表面層次的相似性。它結合領域特定資料、運作情境與工程知識，藉此提升診斷精準度、根據案例複雜度調整診斷方法，並捕捉那些若非如此便可能隨著資深員工離職而流失的組織知識。
新標準
客製化已不再是僅限於龐大預算與漫長時程的奢侈品。對於在複雜且風險極高的環境中運作的組織而言，這已日益成為最有效的發展途徑之一，儘管正確的實施方式仍取決於具體應用情境、現有基礎架構以及組織的準備程度。
那些在保固和召回成本上耗資數十億的原始設備製造商（OEM），極少會面臨軟體短缺的問題。真正的挑戰在於，他們的大部分軟體原本是為了管理資訊而建置的，而非為了理解那些導致相關成本的具體故障模式、工程背景及服務工作流程。
我認為，能夠彌合這項差距的組織，將透過建立基於其營運現實的解決方案來達成此目標，並在那些一旦出錯便會導致車輛召回及利潤率下滑等後果的流程中，注入「AI 」。
因此，在投資另一款通用型AI 工具之前，請先釐清哪些環節因領域專業知識、工作流程複雜度及組織知識而產生最大阻力。這些環節往往正是採用專用型AI 解決方案的最佳候選對象。接著，評估底層資料是否具備足夠的結構化與可存取性以訓練解決方案，以及現有工具和工作流程能否在不需全面更換的情況下支援整合。
客製化軟體過去曾是例外，但我相信它正逐漸成為常態——這並非因為目標有所改變，而是因為經濟環境已然改變。對於願意釐清客製化解決方案能在哪些方面創造最大價值，並據此進行開發的組織而言，其中的商機相當可觀。