買了沒人用怎麼辦：Moderna 先自己做了一個堪用的版本，才去買好用的
多數企業的 AI 專案死在採用率，而不是死在選版本型號。Moderna 把順序倒過來：先在內部養出八成的使用習慣，才去比較該買哪一套工具？而它們的 KPI 從頭到尾寫的都是採用率，不是導入完成。
企業 AI 專案最常見的死法，不是選錯工具，是買了沒人用。
授權買了、系統開通了、教育訓練也辦過了，三個月後打開後臺一看，週活躍使用者不到一成，而且集中在原本就會自己摸索的那幾個人身上。這件事有數據支撐：市場觀察指出，約有八成八的 AI 測試專案從來沒有進到正式生產環境，真正達到預期投資報酬的大約只有四分之一。
Moderna 是少數通過這個關卡的公司，而它的做法有一個違反直覺的順序。
說到 Moderna（莫德納），相信大家都聽過這家公司的名號吧？這是一家專注於開發信使核糖核酸（mRNA）技術的跨國生物技術公司，總部位於美國麻州劍橋市，旗下最知名的產品為 COVID-19 疫苗。
它先做了一個自己的版本
2023 年初，Moderna 用 OpenAI 的 API 做了一個內部聊天機器人，叫 mChat。
這件事的關鍵不在技術，在時序。那時候，他們還沒有買 ChatGPT Enterprise。
mChat 的採用率超過八成。
換句話說，在花大錢採購之前，這家公司已經有八成的員工養成了有問題就先去問那個東西的習慣。等到後來要導入正式的企業版，他們要處理的不是怎麼讓大家開始用，而是怎麼讓已經在用的人換一個更好的介面。
這兩個問題的難度，剛好差了一個量級。
多數企業在導入 AI 時，順序正好相反：先採購、再公告、然後再辦訓練，然後期待習慣自己長出來。但是，習慣不會自己長出來，因為在使用者眼中，那是一個由上而下命令下來的、跟自己現在的工作沒有明確關係的東西。
Moderna 的做法等於先用一個內部比較簡易的版本，先把需求與習慣養出來，再讓正式工具去接手一個已經熱起來的市場。
選型的方法也不一樣
要不要繼續發展 mChat，還是改用 ChatGPT Enterprise，他們沒有靠簡報決定。
負責 AI 產品與平臺的 Brice Challamel 說得很直白：身為一家以科學為本的公司，他們什麼都要研究。所以他的團隊做了大規模的使用者測試，把 mChat、微軟的 Copilot、與 ChatGPT Enterprise 三者放在一起比較。
他們用的判準是淨推薦分數，不是功能對照表。
這一點值得停下來。多數企業的選型是採購部門做的比較表：功能有沒有、價格多少、資安過不過？這些當然都要問，但它們回答不了唯一真正決定成敗的問題：這群人到底想不想用？
Moderna 的結論是 ChatGPT Enterprise 的淨推薦分數高得離譜，於是全押這一個。
裝水與點火
Challamel 用一句話，就把整套邏輯講完了：他們從來不是來裝滿一個桶子，而是來點一把火。
這句話值得任何負責 AI 導入的人參考。裝水是把工具發下去、把課上完、把使用率報表交上去；點火是讓某一個人做出一個東西，然後同事看到之後說「這個給我用一下」。
前者是專案，會結案；後者是擴散，會自己生長。
他接著描述看到的景象：一旦員工能自己輕鬆做出 GPT，唯一的限制就只剩下想像力，於是火勢蔓延開來，數百個使用情境在各團隊之間長出價值。
目標寫的是採用率，不是導入完成
這是整個案例中，最該抄在筆記本裡的一句話。
Moderna 給自己訂的目標是：六個月內，讓所有有數位工具權限的員工，達到百分之百的採用率與熟練度。這個目標寫在 OpenAI 的案例紀錄裡。
請注意那兩個字：熟練度。不是開通帳號，也不是上過課，而是熟練。
負責這件事的主管講了一句話，足以當作整個專案的註腳：面對典範轉移，他們相信集體智慧，是所有人一起，每個人都有聲音，沒有人被落下。
這句話聽起來像場面話，但它決定了一件很實際的事：當 KPI 是採用率，你的所有資源會流向那些還沒開始用的人；當 KPI 是導入完成，你的資源會流向系統本身。
在之前介紹 Klarna 的那一篇文章，談過指標設錯會滑向哪裡？而 Moderna 則是同一個道理的正面版本。
為了那個目標，他們做了什麼
Moderna 派了一支專責團隊推動這件事，做法分成三層。
個人層。深度的研究與傾聽計畫，實體與線上的訓練，還有專屬的 AI 學習夥伴。他們的說法是，用 AI 來教 AI 是成功的關鍵。
集體層。這一層最有意思。他們辦了一場提示詞競賽，從中找出全公司前一百名的重度使用者，把這群人組成內部的生成式 AI 冠軍團。接著在每一條業務線、每一個地區開設辦公室時間，任何人都可以帶著問題來問。內部還有一個 AI 論壇，每週有兩千名活躍參與者。
結構層。執行長與經營委員會親自參與，透過主管會議與全員大會建立文化，並搭配獎勵制度與內外部專家的活動。
值得注意的是那一百名冠軍是比賽選出來的，不是指派的。
嗯，這個差別很大。指派的種子人員通常是各部門主管派出來開會的那個人；比賽選出來的是本來就在瘋狂使用、擋都擋不住的那個人。前者需要被推動，後者本身就是推力。
結果：從使用者變成建造者
導入 ChatGPT Enterprise 兩個月後的數字：
| 指標 | 數字 |
|---|---|
| 全公司建立的自訂 GPT | 750 個 |
| 週活躍使用者中自己建過 GPT 的比例 | 40% |
| 每位使用者每週對話次數 | 平均 120 次 |
| 法務部門的採用率 | 100% |
第二列是全部數字裡最重要的一個。
四成的週活躍使用者，自己動手建過工具。
一般企業衡量採用率，看的是有多少人用過？老實說，那個數字很容易灌水，很可能登入一次就算。但 Moderna 看的是有多少人造過東西。從使用者變成建造者，是一道很難假裝的門檻，因為它需要你先對自己的工作有想法。
後來這個數字繼續長，該公司內部累積的自訂 GPT 超過三千個，涵蓋法務、研究、製造與商務。
具體長什麼樣子，讓我們看幾個例子比較快！臨床端有一個叫 Dose ID 的工具，協助審視疫苗劑量選擇的資料，它會給出理由、標註資料來源、並產生圖表，供人類主導的審查使用。法務端有一個合約夥伴 GPT，任何部門都能拿到一份看得懂的合約摘要；另一個政策機器人 GPT，讓員工不必翻上百份文件就能問到內規答案。品牌端則有準備法說會簡報的 GPT，以及把生技術語翻成一般人聽得懂的話的 GPT。
品牌長描述後者的用途時，說得很生動：我媽媽會想知道關於 Moderna 的什麼事，這跟主管機關想知道的、醫師想知道的，是不一樣的。
法務長的說法，則更接近所有主管的痛點：它讓我們把時間與注意力，花在那些真正對病患產生影響的事情上。
執行長 Stéphane Bancel 對這件事的總結是：如果照傳統生技製藥的做法，今天可能需要十萬人；而他們相信可以用幾千人，靠技術與 AI 把公司的影響力放大。
最激進的一步：把人資和資訊部門合併
真正讓這個案例跟其他公司拉開距離的，不是那三千個 GPT，而是組織圖的改動。
Moderna 把人力資源與資訊技術兩個部門合併成一個，設立了一個新職位叫 Chief People and Digital Technology Officer，這件事被獨立分析過。
而且，接下這個位子的是原本的人資長，不是技術主管。
有評論者指出，這個人選本身就是訊息：技術服務於人，不是反過來。
這一步的邏輯，其實很直接明快。當 AI 成為執行工作的一部分而不是支援工具，那麼「這件事該找一個人來做，還是該做一個 agent」就變成同一個決策。而在傳統組織裡，這兩個問題分別由兩個互不往來的部門管，中間隔著預算科目、隔著年度計畫、隔著彼此的地盤。
合併之後，Moderna 思考組織的方式也跟著換了：不再從職能出發，而是把公司看成一連串需要被安排的任務，然後問每一項任務該由人做、該由機器做、還是該由兩者用什麼方式一起做。
誠實的那一面
這個案例很漂亮，但有幾件事必須說清楚，否則就變成廠商的宣傳簡報。
第一，還是有人被裁員。這次組織調整裁掉了約一成的技術人力，大約五十人。值得注意的是被裁的是技術部門，不是其他部門。有評論者認為這反而說明了一件事：如果導入 AI 的主要目的是縮減人力，被裁的不會是這一群。
第二，初階職位的學習曲線是個真問題。GPT agent 接手了部分原本由資淺人員處理的工作，尤其在人資端。省下的時間是真的，但年輕員工原本從那些瑣事裡學到的東西，之後要從哪裡學，目前沒有答案。這一題跟 Klarna 那篇文章裡提到的 IBM 做法，是同一個問題的兩種回答。
第三，Moderna 的條件很難複製。它有技術基因、有疫情期間累積的變革肌肉、有實驗文化，還有一個會親自下場的執行長。有評論者講得很好：你可以抄走一切，除了讓它成立的那個脈絡。
第四，這仍然是一個進行中的實驗。如果多數互動都透過 AI，人際關係會不會被標準化、敏感情境下的社會連結會不會流失、團隊動能會不會被個人化的工具稀釋，這些問題目前都還沒有答案。
三個案例放在一起
到這裡，這一系列的三篇企業拆解剛好構成一組完整的檢查。
Shopify 與 Duolingo 那篇問的是：你的政策背後有沒有東西在跑。同樣一份 AI 備忘錄，一份被當成範本抄，一份引發四個月的公關危機，差別在發信之前的四年。
Klarna 那篇問的是：你的指標設對了嗎。當成本成為過度主導的評估標準，每一個設計決策都會往同一個方向滑，加總起來就是品質下降。
Moderna 這篇問的是：你的指標設對之後，長什麼樣子。它的 KPI 從頭到尾寫的都是採用率與熟練度，所以它的所有資源都流向那些還沒開始用的人。
三件事其實是同一條線上的三個點：先有實作，才有政策；先有正確的指標，才有正確的設計；先有人想用，才有工具好不好用的問題。
順序做反了，任何一步都會變成表演。
這對你的意義
如果你手上有一個買了沒人用的 AI 工具，Moderna 這個案例可以提供四個可以直接檢查的問題。
第一，你的 KPI 寫的是導入完成，還是採用率與熟練度？這一題決定了後面所有資源的流向。如果驗收標準是系統上線，那專案在上線那天就結束了；如果驗收標準是採用率，專案在上線那天才開始。
第二，你有沒有先養出需求再去採購？Moderna 用一個內部土砲版本養出八成的使用習慣，才去比較該買哪一套。如果你還沒買，考慮先做一個很簡單、甚至有點難用的版本讓大家先玩；如果已經買了，那就找一個小單位重新走一次這個順序。
第三，你的內部種子是指派的還是自己冒出來的？辦一場比賽、看後臺數據、問問誰在瘋狂使用，找出那批擋都擋不住的人，然後給他們身分與舞臺。指派來開會的那個人，帶不動任何東西。
第四，你的成功指標裡，有沒有一項是有多少人自己造過東西？用過跟造過是兩件事。前者可以被推動，後者只能被激發。Moderna 那個四成的數字，比七百五十個 GPT 更具有參考價值。
最後補一句。
Moderna 這套做法裡，技術含量最低的那一步，可能是最關鍵的一步：他們先花力氣讓人想用，才去解決工具好不好用的問題。
多數企業把這個順序做反了，然後把失敗歸咎於工具不夠好、員工抗拒改變、或者時機還沒到。
如果你手上正好有一個卡住的 AI 專案，想先把「該從哪一條流程開始、成功指標怎麼訂」盤點一遍，我把企業服務的做法寫在那一頁了。
資料來源
- 六個月百分之百採用率與熟練度的目標、三層變革管理做法、提示語競賽與百人冠軍團、每週兩千人的內部論壇、mChat 的八成採用率、三者比較與淨推薦分數的選型過程、兩個月 750 個 GPT 與四成使用者自建、每人每週 120 次對話、法務部門百分之百採用、Dose ID 與各部門 GPT 案例、Bancel 對人力規模的說法：OpenAI 的 Moderna 案例頁
- mChat 先行、後續導入與各項數字的獨立整理：Constellation Research 的報導
- 人資與資訊部門合併、Chief People and Digital Technology Officer 由原人資長接任、三千個 GPT、裁減約一成技術人力約五十人、任務導向組織模式，以及對初階學習曲線與模式可複製性的質疑：Bertrand Duperrin 的分析
本文對「先養需求再採購」這個順序的解讀、對採用率作為 KPI 的分析，以及與 Klarna 案例的對照，均為作者觀點，非引自上述來源。