企業導入AI時，經常出現兩種不同的聲音：一種認為AI專案涉及資料、資安、法規、預算與跨部門協作，應該先做好完整規劃；另一種則認為AI技術和需求變化太快，與其花大量時間規劃，不如先做、先測試，再根據回饋調整。
究竟哪一種方式才正確？答案可能不是二選一。如果只有完整計畫，團隊可能到了專案後期才發現，現有資料根本無法支援原本設想的功能；如果只追求快速迭代，也可能變成一直測試、一直修改，卻沒有明確的目標、責任與停止條件。
AI專案需要穩定的治理，也需要保有彈性的執行方式。
為什麼AI專案特別需要邊做邊驗證？
一般專案可以參考過去經驗，估算時間、成本與資源；但AI專案往往必須開始執行後，才能逐步確認資料是否足夠、模型結果是否穩定、使用者是否願意改變工作方式，以及導入效益是否高於治理成本。
例如，企業可能已經完成AI客服的功能規格，實際測試後才發現知識庫內容不完整，導致AI無法穩定回答問題；也可能發現，客戶可以接受AI處理一般詢問，但遇到申訴、付款或責任判斷時，仍希望由真人處理。這些答案很難只靠前期會議得到，必須透過實際使用、蒐集資料與持續回饋逐步確認。
AI可以分析資料、提出建議與協助執行，但涉及風險、倫理、法規與責任歸屬的決策，仍然需要人的審核與判斷。人的角色不會因為AI導入而消失，反而更需要明確界定。
PMP × ACP：一個掌握全局，一個深化回應
策略與價值
PMP串聯企業策略、專案目標與預期效益；ACP持續驗證目前交付是否仍具有價值。
治理與風險
PMP建立角色、責任、決策與升級機制；ACP透過小範圍實驗及早發現風險。
交付方式
PMP依情境選擇預測型、敏捷型或混合型方法；ACP運用迭代、增量交付與回饋持續改善。
跨部門協作
PMP整合資源、權責與利害關係人期待；ACP透過透明資訊與頻繁溝通保持團隊對齊。
※「全局整合 × 敏捷回應」為本文根據PMI專案管理概念、PMI-ACP考試內容大綱及PMI人工智慧標準所作的應用整理，並非PMI官方提出或命名的獨立框架。
這並不是「PMP負責計畫、ACP負責改變」的絕對分工。現代專案管理本來就包含價值交付與適應變化；PMI-ACP是涵蓋敏捷思維、領導力、產品與交付四大領域。
PMP協助專案負責人把AI技術與企業目標連結，整合預算、時程、資源、風險及跨部門權責；ACP則進一步深化團隊在高變動環境中的工作方式，包括將大型目標拆成可驗證的成果、優先處理高風險假設、邀請使用者提早參與，以及根據真實回饋調整優先順序。
AI客服案例：不要一次全面上線，先驗證再擴大
情境案例
假設企業希望透過AI客服縮短回應時間，若一開始就全面上線，可能很晚才發現知識庫不足、AI無法處理高風險問題，或第一線人員不清楚何時應該接手。
更務實的做法，是先訂出AI可處理的範圍、轉交真人的條件及責任機制，再從高頻、低風險的問題開始測試，觀察正確率、轉交比例與客戶滿意度。
當效益、品質與風險都達到門檻後再逐步擴大，才能同時守住治理要求，並根據真實回饋持續調整。
以上為綜合AI客服導入時常見的資料、流程、風險與使用者採用問題所設計的情境案例。
AI專案開始前，團隊應先確認的6件事
1. 這項AI應用要創造什麼價值？
是否有明確的使用情境、對象及效益指標。
2. 它支持哪一項企業或專案目標？
是否避免為了導入AI而導入AI。
3. 有哪些資料、隱私、偏誤與倫理風險？
是否確認資料來源、品質與使用限制。
4. 哪些環節必須保留人的判斷？
是否定義人工審核、接手及例外處理條件。
5. 誰對AI輔助的決策與結果負責？
是否建立明確的權責、通報與升級機制。
6. 上線後如何持續監測與改善？
是否設定品質、效益、風險及使用者回饋指標。
如果前五題沒有清楚答案，不宜急著全面投入；如果第六題沒有持續運作的機制，即使AI順利上線，也很難長期創造價值。
已經有PMP，為什麼還需要ACP？
對已經取得PMP的專案工作者而言，學習ACP不是推翻原有知識，也不是轉向另一套完全不同的方法，而是在既有的全局整合能力上，進一步深化面對變動的能力。
如果你經常遇到需求持續改變、原定計畫很快失效；團隊持續執行，卻難以判斷成果是否仍有價值；或AI、數位轉型專案充滿未知，無法一開始就定義完整方案，那麼你需要的是能夠透過短週期交付、使用者回饋與持續改善降低不確定性的方法。
AI專案不是在計畫與敏捷之間二選一，
而是讓治理保持穩定，讓執行保有彈性。
從PMP銜接ACP，延伸面對變化的能力
如果你已具備PMP的專案管理基礎，希望進一步深化敏捷思維、團隊領導、產品價值與持續交付能力，可以透過長宏PMI-ACP課程，將原本的管理基礎延伸到高變動的工作環境。
還不確定自己目前的程度，也可以先進行免費實力測驗；
如果仍有疑問，歡迎加入有興趣群組，取得課程資訊、備考提醒與敏捷學習資源。
有興趣群組入群密碼：PMIACP