AI 花44分鐘解開三百年謎題，企業該學到的不是AI很強

1653年一位蘇格蘭作家印了兩行數字，各32個，當謎題留給後人，結果放了三百多年沒人解開。前陣子一家AI測試機構讓一個語言模型自己從一堆未解謎題裡挑一題，它挑了這題，花44分鐘，沒人幫忙，解開了。答案其實不難，每個數字對應書裡某章節的一個字，串起首字母就是一句給國王的禱詞。難的從來不是解法，是有沒有人願意把幾十個章節逐字翻過一遍。

AI贏的不是聰明，是耐操

做這題測試的機構講得很老實：模型贏不是靠更強的密碼分析，是靠有系統的試誤，加上不會累。這句話我看了很有感觸，因為我們接企業案子時，常常遇到老闆以為導入AI是買一顆更聰明的腦袋，結果真正卡住專案的，從來不是模型不夠聰明，是企業內部那堆沒人想碰的資料。

你公司也有一整櫃三百年謎題

• 十年份客服工單，沒人分類過，客訴原因全靠老員工記憶
• 一堆簽過的合約PDF，條款散落各處，要查一條規定得翻半天
• 舊系統裡的報表，格式亂七八糟，沒人敢動也沒人想整理

這些東西不難處理，一條一條看、一筆一筆比對，人做得到，只是沒人願意做。以前這叫沉沒成本，放著爛。現在這叫庫存，因為AI不喊累，願意把整櫃資料翻過一遍，前提是你得先把資料準備成它翻得動的樣子。我們在幫企業做AI導入評估時，第一件事從來不是選模型，是先盤點這些「煩但不難」的資料躺在哪裡、格式多亂、有沒有結構。這一步做不好，再強的模型都在瞎子摸象。

真正值錢的是會問問題的人

這次實驗最關鍵的設計，其實不是模型解題的過程，是有人想到讓模型自己挑題目。換句話說，突破點不在執行端，在問題設計端。企業導入AI也一樣，我們看過太多案子，一開始就丟給團隊「幫我們上AI」，卻沒人先想清楚要解決哪個具體問題、資料齊不齊全、成功的定義是什麼。執行永遠找得到人做，會定義問題的人才稀缺。

AI不會嫌煩，但你得先給它一份整理過的爛攤子，它才啃得動。