德撲高手轉行炒股給企業的啟示：AI 別選最擠的賽道

三個做出全球第一個打爆職業選手德州撲克 AI 的前 DeepMind 研究員，九年後沒有跟著大家去舊金山搶 AGI，反而回布拉格開了間量化交易公司，幫避險基金操盤。上線以來，沒有一個月虧損。他們沒有比別人更多的 GPU，靠的是同一套強化學習，換了一張計分乾淨的牌桌。

迷思：AI 導入失敗是因為模型不夠強

我看過不少企業導入 AI 專案卡關，老闆的第一反應永遠是換模型、加預算、找更貴的顧問。但真正卡住的，往往不是模型能力，是沒人講得清楚這個 AI 到底要對什麼負責、怎麼算成功。撲克跟交易的共同點是計分規則清楚到不用吵架，你賺了多少就是多少。企業內部的 AI 專案最缺的正是這種乾淨的計分方式。

我們在專案現場常見的三種糊塗帳

• 導入客服 AI，卻沒定義「解決」是關單還是客戶滿意度提升，結果三個月後沒人敢說這專案算不算成功
• 上了預測排程系統，KPI 卻還是舊制的人工排班效率，新舊系統打架
• AI 報表做得很漂亮，但沒人回頭比對實際成本是不是真的降了

這些案例的共通問題不是技術做不到，是一開始就沒有把「怎麼算贏」講清楚。我們接手企業導入案時，第一件事從來不是討論要用哪個模型，而是先跟客戶一起定義：這個系統上線三個月後，你要看哪個數字，那個數字現在是多少。

縫隙比戰場重要

那三個研究員沒有跟大家搶最熱的賽道，他們挑了一個對手還在觀望、但績效可以量化到小數點的角落。企業導入 AI 也一樣，與其一次砸大錢做一個看起來很厲害的全公司 AI 轉型，不如先找一個流程，數字進出清楚，能在三個月內看到勝率變化。做出一個算得清的小案例，比做十個講不清楚的大願景更有說服力，也更容易在內部說服老闆繼續投資下去。

AI 導入不缺聰明的模型，缺的是一個誰都吵不起來的計分板。