找外包做 AI 系統的 7 個坑：從 PoC 卡關到上線無法擴展，附 12 題檢核表

「我們花了 280 萬做 AI 客服 PoC，demo 很驚艷，但上線三個月後業績沒影響、客服還是吃不消、員工已經停用——這 280 萬到底買到什麼？」這是某零售業老闆在第一次找上門時的開場白。

這個故事不孤單。MIT Sloan 2026 企業 AI 落地報告追蹤 1,200 家中型企業發現，95% 的外包 AI 專案在上線 6 個月內無法展示明確 ROI；其中 67% 卡在「PoC 做完了但擴展不出去」。問題不是 AI 不行，是大部分公司用「做網站」的思維買 AI——結果買到的是一個漂亮 demo，不是一個能跑生意的系統。

這篇寫給準備找外包做 AI 系統的中小企業老闆與採購決策者。把 7 個最常見、損失最大、最不容易事先發現的坑攤開來——每個坑配對應的合約條款、評估問題、技術紅線。文末附一張 PoC 開案前的自我檢核表，照著走可以省下七位數的學費。

坑一：PoC 看起來很神，但 demo 用的不是你的真實資料

AI 廠商的 PoC 通常用「乾淨樣本」或「公開資料集」展示能力。客戶在會議室看到 demo 答題精準度 95%，興奮簽約。三個月後接上公司真實資料——資料髒、格式不一致、缺欄位、有錯字——精準度掉到 62%。

為什麼會發生：演示資料是廠商為了快速展示能力刻意挑乾淨的；真實資料的 80% 處理成本廠商不會寫進報價。預防做法：合約裡 PoC 階段必須用「客戶提供的真實樣本資料」測試，不接受公開資料集或廠商樣本。PoC 驗收標準寫在 SOW 上，例如「在客戶 1000 筆隨機抽樣資料上達到 X% 準確率」。

坑二：模型 ownership 不清楚，三年後想換廠商換不掉

AI 系統的智財權跟傳統軟體開發完全不一樣。傳統軟體你拿到 source code 就能換廠商；AI 系統「source code」只是冰山一角——真正的核心是訓練好的模型權重、客戶資料整理後的 dataset、prompt template、向量資料庫的 embedding。這四樣東西不在合約裡明確約定 ownership，廠商等於拿著你的命脈。

延伸閱讀：軟體著作權與 source code 歸屬陷阱，AI 系統版的智財權討論可以以那篇為基礎延伸到模型權重與 dataset。

坑三：API 成本沒算進報價，上線後 token 帳單比預期高 3 倍

AI 系統的營運成本主要由三塊組成：基礎設施（伺服器 / 資料庫）、模型 API 呼叫（OpenAI / Anthropic / Google 等的 token 費）、人力（持續優化、客服、維運）。中小企業最常被忽略的是第二塊——廠商報價只報「開發費」，沒算或低估每月 token 成本。

實際數字：一個服務 5,000 人/月的 AI 客服系統，使用 Claude Sonnet，每月 API 成本約 NT$ 80,000-150,000，視對話複雜度而定。如果廠商初估時說「每月運維 2 萬」，那是沒算 API。

坑四：精準度承諾沒寫清楚，驗收時各說各話

AI 系統不像傳統軟體「功能能用 / 不能用」這樣黑白分明。「客服 AI 能回答客戶問題」這句話可以是 60% 準確率（rough draft 給人類修），也可以是 95% 準確率（可直接回覆客戶）。沒寫清楚的話，廠商交付 65% 你說「不能用」，廠商說「合約只寫『能回答』沒寫精準度」。

合約必備條款：「精準度 SLA」三件套——衡量指標（accuracy、precision、recall、F1，依場景選）、衡量方法（用誰的測試集、誰來判斷對錯）、未達標的補救機制（重新訓練、退費、合約終止哪一條啟動）。延伸閱讀：軟體驗收 SOP 與 UAT 測試清單，AI 版的驗收標準可以參考這篇的結構，再加上 AI 特有的精準度指標。

坑五：沒人接得上線後的維運，廠商把球丟回給你

AI 系統上線只是開始。模型會 drift（隨時間退化）、客戶問法會變、公司產品線會調整、外部資料源會更新——這些每兩三個月就需要重訓或微調。中小企業最常見的失敗模式：廠商交付完拿尾款走人，半年後系統表現崩到 50% 準確率，你想找廠商回來他報價要再 100 萬，你不接他就放著爛掉。

正確的合約結構是「開發費 + 第一年維運包」綁定。維運包至少包含：每季模型重訓 1 次、每月精準度報告、每月 4 小時調整工時、客服支援 SLA。延伸閱讀：軟體外包驗收後的維運合約怎麼簽，AI 維運合約的條款邏輯與傳統軟體類似，但要多加 AI 特有的「模型衰退觸發點」「重訓費用上限」兩條。

坑六：擴展性沒設計，10 個用戶能用、500 個就掛

PoC 階段通常只服務內部少數人測試。上線後使用人數成長 10 倍、100 倍時，系統可能在三個地方崩潰：API rate limit 撞牆、向量資料庫查詢變慢、context window 超出限制。這三件事在 PoC 時都看不到，要設計階段就考慮。

合約附件加一份「擴展性架構聲明」：廠商承諾系統在 X 倍流量下仍可運作、預估擴展成本、需要多少前置時間。這份文件未來爭議時是判斷廠商有沒有「合理可預見」失誤的關鍵。

坑七：選了一家會做 AI 但沒做過你產業的廠商

AI 系統的成敗 60% 取決於「對業務 domain 的理解」。一家能用 LangChain 接 GPT-4 的公司不代表他懂你怎麼做生意。製造業的 AI 跟電商的 AI 跟醫療的 AI，光是資料結構、KPI、合規要求就差天南地北。

評估標準：要求廠商提供「過去 12 個月同產業 3 個案例」，每個案例都要能對話、能 reference check、能看到實際指標。沒有同產業案例的廠商，你的案子就是他學費——付學費的應該是廠商，不是你。延伸閱讀：怎麼選客製化 AI 系統開發公司？7 個評估標準。

PoC 開案前的自我檢核表：12 題答完再簽合約

把這份檢核表印出來，跟廠商面對面過一次。一題不過關就不要急著簽。

一個真實案例：280 萬 PoC 的覆盤

回到開頭那家零售業。我們協助他覆盤後發現：第一，PoC 用的測試資料是廠商整理過的 500 題客服對話；客戶實際每月 8,000 通客服中有 30% 是退換貨、20% 是訂單查詢，這兩類在 PoC 中只測了 5%。第二，合約沒寫精準度 SLA，廠商交付 71% 準確率自認達標，客戶覺得「跟人類客服比差太多」。第三，第一年沒維運包，三個月後精準度掉到 58%，廠商提供報價 120 萬重訓，客戶選擇下架系統。

教訓很直接：12 題檢核表第 2、5、6 題沒過。任何一題過了，這 280 萬不會白燒。

找外包做 AI 系統最常問的 5 個問題

做對外包選擇，AI 系統才是資產，不是學費

280 萬可以買到漂亮 demo，也可以買到一個跑三年仍在創造價值的系統。差別不在 AI 廠商有多神，而是你在簽合約前有沒有走完這 12 題檢核、有沒有把那 7 個坑提前圈起來。

如果你正在評估 AI 客製化專案、需要協助起草 RFP 或 review 廠商提案，恆遠的 AI 顧問服務 提供從需求釐清、PoC 規格、合約檢視到廠商 reference check 的獨立第三方協助。我們不接 AI 開發專案，所以建議是中立的。延伸閱讀組成的 Topic Cluster：

→ 怎麼選客製化 AI 系統開發公司？7 個評估標準

→ 客製化 AI 系統開發費用拆解：30 / 100 / 300 萬各能做什麼

→ AI 模型 Fine-tuning vs RAG：成本與決策指南

延伸閱讀：本文的 12 題檢核偏向工程紀律與交付品質，如果你想再補強「AI 程式碼資安」這一塊，可以參考 Claude Security 公測上線完整解析：找外包合約該寫哪 8 條 AI 程式碼資安紅線，裡面有 Claude Security 公測上線後該怎麼把資安條款寫進外包合約的完整流程。

→ 找外包做 APP / 軟體前必踩的 9 個雷（傳統軟體外包版）