🌏 Read this article in English
痛點：三個鏡頭，還是三個選擇？
前陣子，Kevin 拿著三份文件來找我。
一位 Senior Architect。
一份是 EL Client Journey for Agentic AI。 一份是 AI + SDLC。 一份是 DevSecOps。
「Tim，」他說，「董事會下個月要 review。這三個東西，我們該從哪裡開始？」
他的困惑很真實。
這三份文件，看似三個選擇。
- Agentic AI：從 AI 能力角度，看客戶體驗。
- AI + SDLC：從軟體開發角度，看程式碼生成。
- DevSecOps：從 CI/CD 角度，看自動化管線。
但問題是：
如果 Workshop 只講其中一個角度，會發生什麼事？
講 Agentic AI？高層看得到想像空間，但缺少治理與驗證路徑時，難以承擔決策責任。工程師覺得離題太遠。 講 AI + SDLC？工程師覺得終於有用了。高層覺得只是個工具。 講 DevSecOps？工程師覺得是額外負擔。高層覺得沒看到創新。
他們以為是選 A、B 或 C。
其實，是接力。
沒有 DevSecOps 的治理基礎，Agentic AI 只是 PPT。 若沒有 SDLC 回饋結構，DevSecOps 較容易停留在局部自動化，較難連到業務驗證。
它們不是平行選項。
是相依關係。
所以，Workshop 的開場，不該是「我們有什麼 AI 能力」。
而是「你們遇到什麼痛點」。
第一幕：痛點探索（不講 AI）
Workshop 的第一幕，我習慣完全不提 AI。
為什麼？
在企業 Workshop 中常見的反應是，一提到 AI，大腦就會進入「評估模式」。
評估成本、評估風險、評估可行性。
然後，防禦機制啟動。
「我們資料不齊全。」 「我們預算不夠。」 「我們團隊不會寫 Prompt。」
開場不該是「我們有什麼」，而是「你們遇到什麼」。
我通常會帶一張白紙，或一個 Miro 板。
「不要先想答案，5 分鐘，貼上來。」
寫下三個引導問題。
- 最近一次，團隊因為「重複勞動」加班到幾點？
- 最近一次，因為「溝通誤解」導致需求重做，花了多少天？
- 如果明天有一個魔法棒，你最想消除哪個流程中的摩擦？
讓高層和工程師一起回答。
高層會說：「客戶回應太慢。」 工程師會說：「每天花 2 小時寫 Unit Test。」
這時候，痛點地圖已經畫好了。
不是 AI 強加給他們的。
是他們自己畫出來的。
具體來說，這個階段的重點是「共識建立」。
當工程師說「每天花 2 小時寫 Unit Test」時，高層可能會愣一下。
他們以為工程師都在寫新功能。
原來，有一半的時間，花在維護舊債上。
這時候，你才準備好進入第二幕。
第二幕：三鏡頭亮燈（對應痛點）
現在，把痛點對應到三個鏡頭。
這不是推銷。
是翻譯。
鏡頭 C：DevSecOps（執行層）
對應痛點：「重複勞動」、「部署頻繁失敗」、「環境不一致」。
核心提問：「我們有 pipeline，AI 塞在哪？」
具體場景：
- 自動生成 Unit Test。
- 自動 Code Review 建議。
- 自動修復常見安全漏洞。
導入難度： 低（前提：私有 repo、權限控管、不可送出敏感碼、人審 gate）。 見效速度： 快（2-4 週）。 合規風險： 中等（需嚴格控管 AI 存取權限）。
常見落差對比： 如果團隊試圖跳過 DevSecOps 直接做 Agentic AI，常見的結果是：Agent 產生的程式碼充滿漏洞，且因為缺乏自動化測試，部署不穩，導致開發者對 AI 的預期與現實產生落差，進而降低採用意願。
DevSecOps 不是技術選擇，是信任帳戶的第一筆存款。
從 DevSecOps 切入，是風險最低、見效最快的路徑。
為什麼？
因為它不改變業務邏輯。
它只改變開發者的每日。
對於高層來說，這是「效率提升」。 對於工程師來說，這是「減少雜活」。
鏡頭 B：AI + SDLC（流程層）
對應痛點：「需求誤解」、「架構混亂」、「知識斷層」。
核心提問：「我們在寫程式，AI 怎麼幫？」
具體場景：
- AI 輔助需求分析。
- AI 生成架構圖。
- AI 輔助文件維護。
導入難度： 中。 見效速度： 中(1-3 月)。 合規風險： 中，視資料分類、供應商隔離、權限與保留政策而定。
常見落差對比： 在流程結構尚未穩定的團隊中導入 AI 需求分析，往往會產生「輸入品質不足，輸出也會偏離需求」的局面。若沒有結構化的需求文件作為基準，AI 會放大輸入假設，讓需求偏差更早浮現，也可能更快擴散。
取捨討論：
AI + SDLC 適合「流程混亂」的團隊。
如果你的團隊連需求文件都沒有，AI 輔助需求分析可能放大既有流程落差，導致輸出更難驗證。
前提： 你的流程必須先有「結構」。
AI 是放大器。
放大的是你本來就有的能力。
如果流程是散的，AI 只會讓混亂加速。
鏡頭 A：Agentic AI（能力層）
對應痛點：「客戶體驗有改善空間」、「決策延遲」、「創新瓶頸」。
核心提問：「我們有 AI 能力，哪裡可以用？」
具體場景：
- 自動化客戶服務 Agent。
- 自動化數據分析 Agent。
- 自動化市場預測 Agent。
導入難度： 高（前提：資料成熟度、審計、權限、人審、回退條件）。 見效速度： 慢（3-6 月，視資料成熟度而定，經驗假設）。 合規風險： 高（業務流程與決策審計風險）。
常見落差對比： 在缺乏 DevSecOps 基礎時直接上線 Agentic AI，最嚴重的後果是 Agent 觸碰了敏感的客戶資料，且因為缺乏自動化監控與審計軌跡，導致錯誤的決策直接影響到業務營收。
Agentic AI 目前更適合已有治理、資料與監控基礎的團隊。
市場訊號尚未完全明朗，但方向是清楚的。
如果你的團隊連 CI/CD 都沒自動化，這部分可以暫時跳過。
這不是落後。
是優先級不同。
Agentic AI 不是工具，是業務模式。
它不應該被視為「開發輔助」。
它應該被視為「產品創新」。
第三幕：路線圖共創 (Quick Win → Core Change → Strategic Leap)
現在，痛點清楚了。
鏡頭也亮了。
接下來，是最難的階段：排順序。
很多 Workshop 在這裡卡住。
因為高層想要 Agentic AI（看起來很酷）。
工程師想要 DevSecOps（想少加班）。
關鍵框架：Quick Win → Core Change → Strategic Leap
Quick Win（2-4 週）
目標： 建立信任。
選擇： DevSecOps。
具體動作：
- 在 CI/CD 中加入 AI Code Review。
- 自動生成 Unit Test。
Exit Criteria：
- 測試覆蓋率提升 20%。
- 工程師對 AI 輔助的採用率 > 50%。
為什麼？
因為它快。
因為它不改變業務。
因為它讓工程師感受到「AI 真的有用」。
Core Change（1-3 月）
目標： 重塑流程。
選擇： AI + SDLC。
具體動作：
- AI 輔助需求分析。
- AI 生成架構圖。
Exit Criteria：
- 需求文件與程式碼的一致性提升。
- 架構決策的追溯性建立。
為什麼？
因為這時候，團隊已經習慣了 AI 輔助。
他們開始懂得怎麼用 AI 輔助自己的判斷。
Strategic Leap（3-6 月）
目標： 業務創新。
選擇： Agentic AI。
具體動作：
- 自動化客戶服務 Agent。
- 自動化數據分析 Agent。
Exit Criteria：
- 審計紀錄完整。
- 錯誤決策的回退機制驗證通過。
為什麼？
因為這時候，流程已經穩固。
數據已經整合。
團隊已經具備了「AI 思維」。
假設前提不匹配，代價是重做與信任流失。
如果先做 Agentic AI，後做 DevSecOps。
你會發現，產碼 Agent 產生的程式碼充滿漏洞。
業務 Agent 的決策缺乏數據支援。
Agent 的部署不穩。
這不是技術問題。
這是架構議題。
向上管理話術
Workshop 結束後，你通常要面對高層。
他們會問：「所以我們該做哪個？」
視角差異：
一種講法是願景，另一種講法是承擔。
願景講法： 「我們應該做 Agentic AI，因為它是趨勢。」
承擔講法： 「我想在這個小功能上試試看。如果出問題，我負責。兩週內用指標驗證，設定回退條件。」
這句話讓主管知道：
你不是在推銷技術。
你是在管理風險。
高層通常會先看可預測性，再進入技術細節。
DevSecOps 提供可預測性。
Agentic AI 在現階段，不確定性比較高。
當主管問『為什麼不直接上 Agentic AI？』時，更有效的表述可以是：
「我們還沒建立信任帳戶。先補上權限、審計、回退條件，再把風險暴露控制在可承擔範圍。」
結語：Workshop 不是終點
Workshop 不是終點。
是第一個 commit。
真正的挑戰，在 Workshop 之後。
如何維持動能？
如何應對挫折？
如何讓高層持續支援？
目前判斷依據可以先聚焦在痛點密度與驗證週期。
但開始想這個問題，就是第一步。
你今天的十分鐘，花在哪裡？
是花在評估 AI 有多酷？
還是花在評估團隊的痛點有多深？
選擇不同，結果就不同。
Sources
- Gartner: Top Strategic Technology Trends for 2024
- 支撐段落：開場數據衝擊（GenAI 落地挑戰與治理）
- Microsoft Learn: Azure AI + DevOps Best Practices
- 支撐段落：AI + SDLC 流程結構與需求分析
- OWASP: AI Security and Privacy Guide
- 支撐段落：Agentic AI 合規風險與審計軌跡
- AWS Well-Architected Framework: Generative AI Lens
- 支撐段落：DevSecOps 與治理基礎（Trust Account）