先從技術找解法
19 年間，我做過前後端、串流服務、即時影像辨識、CI/CD、微服務架構，也把公司的串流系統推進 Kubernetes。技術能否產生價值，逐漸取決於企業真正要解決的問題。
我的轉型故事｜從工程師到企業 AI 顧問
我沒有離開技術，而是開始看見技術以外的問題
我不是因為不再喜歡技術才轉型。19 年來，我從「怎麼把系統做好」，慢慢走到「這套系統要幫誰解決什麼問題」。這是我從工程師走進企業、成為 AI 顧問的轉變。
19 年軟體工程經驗
40–60 分 → 1 分串流異常發現時間
88+合作機構
我的轉變，分成三個階段
技術能力一直都在，改變的是我看問題的位置。
我很早就發現，系統能否落地常不是卡在技術架構，而是沒先問清楚「它要解決誰的問題」。同一套方案放進不同企業的營運脈絡，結果可能完全相反。從工程、內訓到顧問，我開始把注意力從「怎麼做」延伸到「為什麼做、誰會受影響、怎樣才算做好」。
開始聽懂不同角色
客製 AI 內訓時，我先了解部門、職務和日常工作。業務、行銷、HR、資訊部門談的是 AI，實際想改善的事和擔心的風險都不同。
把技術和營運接起來
我開始協助企業釐清需求、限制與成功條件，判斷 AI 是否適合，再把營運問題整理成技術團隊能執行、能驗收的方案。
工程現場｜直播服務異常監控
從等客戶回報，到系統在 1 分鐘內標記異常。
直播服務一週七天、每天 24 小時運作。攝影機無預警當機時，畫面會凍結；過去只能靠人盯著一格格監控畫面，常要等客戶回報後 40 到 60 分鐘才發現。當時場域端沒有人主動提出這個問題；我認為與其苛責人力，不如主動了解現場，再從技術面找解法。
我主動找場域人員了解狀況，研究影片編碼的 Keyframe（關鍵影格）機制：畫面靜止時 bitrate 會降到很低。於是我用串流 bitrate 持續低於正常範圍作為訊號，自動標記凍格異常，不必再靠人眼逐路監看。
這套邏輯後來延伸到 Core 與所有 Edge 節點。即使只有單一 Edge 卡住、影響部分使用者，也能即時標記，不再只監控單一機台是否當機。
這也是我後來和客戶討論「怎麼定義 AI 導入成功」時，常拿來分享的工程案例。
40–60 分鐘→1 分鐘內從人工等待到系統標記異常
企業內訓，讓我看見同一問題的不同語言
HR 和資訊部門，其實都在談 AI 導入。
每次接企業內訓，我會先了解學員來自哪些部門、職務和日常任務：業務想改善提案與客戶溝通，行銷在意文案和素材效率，HR 關心招募和員工體驗。比起只教工具，我更想先知道這群人每天在煩惱什麼，再依工作情境設計教材。
HR 看見的問題
員工能力、組織改變和工作方式調整；大家能不能適應、訓練夠不夠、會不會有人被取代。
資訊部門看見的問題
系統整合、資料治理與資安；資料會不會外洩、系統能不能串接、導入後由誰維運。
我在現場做的「翻譯」
HR 有時覺得資訊部門太技術、太保守；資訊部門則擔心 HR 忽略資安與維運成本。兩邊需要合作，卻容易互相誤解。我會先把雙方各自看到的問題說清楚，再回到共同目標討論。OECD《AI and Skills》也指出，AI 導入除了技術技能，管理與人際協作同樣重要。
成為顧問後，我開始理解企業主承擔的風險
同一個專案，決策者和執行者面對不同壓力。
以前身為員工，我比較難真正理解企業主的處境。轉為顧問後，我更貼近地看見他們要承擔用人、投資、現金流和外部環境變動的最後風險：找錯關鍵職位，可能讓公司在方向與資源上付出很大代價；遇到 COVID-19 這類變化，也得一邊承擔風險、一邊尋找資源讓公司撐過去。
因此我特別重視專案目標和可衡量的成效，而不是為了用 AI 而用 AI。技術做得到只是起點，還要回應企業主承擔的風險，以及執行者每天面對的改變。
文件格式轉換小工具
協助客戶開發 AI 小工具，讓員工不必反覆手動轉換格式，把時間留給更有價值的工作。
在熟悉的 Excel 裡完成核對
把原本逐格輸入、手動核對關聯資料的作業自動化，降低枯燥重複的工作量。這類工具通常不需要龐大開發成本，也能帶來明顯改善。
我現在相信的事
顧問不只推薦工具，還要幫不同角色看見同一個問題。
我從相信「技術能解決問題」，走到相信「技術要先放進對的問題裡，才有機會解決問題」。技術、營運、管理者和第一線員工，需要看見彼此談的是同一個問題的不同面貌。
這個「翻譯」角色不是我個人的例外。2026 年 2 月，OpenAI 宣布和波士頓顧問公司、麥肯錫、Accenture、Capgemini 建立多年合作，由工程與顧問團隊協作，把 AI 代理整合進企業核心流程。Reuters 報導也說明，模型本身不會自動完成企業轉型，技術仍要對接策略、流程和組織文化。
外部研究也指出相同落差
Deloitte《The State of AI in the Enterprise 2026》訪談全球 24 個國家、六大產業的 3,235 位總監至 C 級主管。企業取得 AI 工具的速度很快，但將工具轉成組織層級、持續性影響力的能力跟不上。多數企業卡住的不是有沒有工具，而是工具有沒有放進對的問題裡。閱讀 Deloitte 報告
故事走到現在
我想繼續做的，是讓技術走進對的問題。
如果你也正在思考企業 AI 導入，可以帶著現場的流程或卡點，和我聊聊下一步。
補充資訊
常見問題
企業 AI 顧問一定要有工程背景嗎？
不一定，但必須能理解技術限制，並和技術團隊有效合作。否則容易提出無法落地的建議，也難以判斷廠商報價是否合理。
工程師轉顧問後，還需要保留技術能力嗎？
需要。技術能力是判斷專案可行性、評估風險和設計驗收方式的重要基礎，少了這層判斷，容易只能轉述廠商說法，無法幫企業把關。
AI 顧問和單純的工具講師有什麼不同？
顧問會先理解企業問題、流程與導入條件，再設計解法；工具講師通常聚焦在操作技巧，較少涉入企業實際營運判斷。
技術與營運意見不同時，該聽誰的？
先釐清雙方各自看到的風險與限制，再回到共同目標和驗收標準討論，通常能找到雙方都能接受的做法。
張可佳有實際導入 AI 專案的技術經驗嗎？
有。我曾任職瑞嘉軟體科技股份有限公司與 Xuenn Private Limited，主導機器學習影像辨識、即時異常偵測和 Kubernetes 服務遷移等專案。影像辨識讓開發測試時間減少三分之二；凍格異常可在 1 分鐘內偵測；Kubernetes 遷移後系統穩定度達 99.99%。