作者：星忘塵 Nebula Walker Date: 10OCT2026 創象引擎 Mythogen Engine (mythogenengine.com)

📌 介面是磁磚，資料是埋在牆裡的管線。企業整合不了資料，問題從來不在技術，而在沒有人肯交出定義權；AI 拆穿了藉口，卻可能把斷層藏得更深。

漂亮圖表下的山頭

巨頭擁抱 AI，鄉民重製 UI，沒有人肯交出定義權

巨頭擁抱 AI，鄉民重製 UI

最近 AI 圈有一個很有趣的對比。一邊是軟體大廠宣布，以後用提示詞就能操作整套軟體，大家不必再學介面；另一邊是社群上不斷有人展示「我自己做了一整個 Photoshop」「我做的管理台很漂亮」。有人在一場 AI 活動後，用一句話概括這個現象：巨頭擁抱 AI，鄉民重製 UI。

更微妙的是，真正把 AI 用進工作流程的人，常常反而拿不出東西給人看：手上有成品，過程卻只剩下給 AI 的指令，沒有漂亮的介面和儀表板可以分享。

至於人為什麼還需要 UI，常見的解釋有兩種。一種說人類需要安全感和掌控感；另一種更直白：沒有帥氣的介面很難炫耀，這個需求比功能本身還重要。

兩種說法都對，也都停在畫面這一層。我想談畫面下面那一層。凡是在企業裡做過報表專案的人，大概都見過它，只是很少有人把它說出口。

每一個儀表板專案的死法

大部分 Power BI 專案的失敗，劇本幾乎一樣。

Demo 那天用的是樣本資料，畫面漂亮，主管一看就拍板。於是負責畫面的人取得了話語權：時程由他定，標準由他定，範圍也由他定。

問題在於，提需求的人往往不知道自己想要的那張圖，和底下的資料表有什麼關係。在他眼中，「我要按月看客戶留存率，還要能下鑽到區域」只是一句話。在處理數字的人眼中，這句話立刻拆成一串問題：

• 「客戶」怎麼定義？三套系統裡的客戶編號對得上嗎？
• 「留存」怎麼算？多久沒交易才算流失？這個定義由哪個部門說了算？
• 「按月」意味著每個月都要有歷史快照，可是系統可能從來只存最新狀態。
• 「區域」這個欄位在交易表裡根本不存在，只能從地址推算，或靠人工對照。

每一張好看的圖表背後，都藏著關於粒度、定義和來源的問題。提需求的人不知道自己在問這些問題，於是覺得「不就做張圖嗎，為什麼要三個月」。

處理數字的人並非不肯幫忙。他們只是從來沒有被請到規劃的桌上，承諾早在他們缺席時就已經吹大了。

同一個網頁，三個本益比

這種事不必進大公司才看得到。

今年八月，有人邀請我研究一個台美股儀表板網站。介面做得很完整：均線排名、法人籌碼、因子篩選、自動生成的個股報告，應有盡有。我看了十幾張截圖，問題全部出在畫面下面。

同一檔股票、同一天，網站上出現三個本益比：32.47、32.74、32.2。同業中位數也有兩套，推出來的相對估值結論互相矛盾。原因很簡單：三個模組各自計算，沒有人規定本益比只能從一個地方出來。這就是公司裡「各個山頭有各自的數字」的最小版本，連一家公司都不需要，一個網頁已經在內鬥。

篩選頁更直接。條件有十幾項，使用者按下按鈕，系統才即時去近兩千檔股票裡運算，結果是一行紅字：請求失敗。畫面承諾了即時篩選，底層卻從來沒有預先把那些數字算好。

同一樣東西，在資料裡失散

更底層的問題，是同一樣東西在不同系統裡沒有共同的身分。

以一顆料件為例：研發階段叫內部代號，量產後變成料號，客戶那邊有自己的專案名稱，業務系統裡是一個設計導入編號，財務端歸在某個成本中心，銷售報表上又成了 SKU。覆蓋範圍還會隨階段改變：一個專案拆成幾個料號，幾個料號又併進同一個客戶平台。

現實中，這些都是同一樣東西。資料裡，它們之間的關聯全面消失，沒有任何一個鍵把它們串起來。

那條線去了哪裡？它活在人的腦子裡。所以公司才需要開那麼多會、寄那麼多封信對數字。開會本身，就是人工在做資料表的關聯。

公開資料也逃不過。我抓了台股上市公司十多年的財報，撞到的是同一類問題：

• 名稱會變。 2823 原本叫中壽，後來成了凱基人壽。用名稱當鍵，同一家公司就斷成兩家，只能改用代號。
• 同一份報表裡，科目會重名。 約兩成檔案裡有完全同名的科目，「繼續營業單位淨利（淨損）」一項就重複了兩萬三千多檔次。用科目名當鍵，數字會互相覆蓋，最後只能用「第幾行」來辨認身分。
• 同一家公司，口徑會換。 有 97 家公司在合併報表與個別報表之間轉換過。口徑不同的兩個數字相減，算出來的東西沒有意義。

如果大家理解資料結構，這些溝通時間本來不應該存在。它是結構缺失的代價，只是被攤進每個人的日常，沒有人看得到帳單。

做了，等於沒做

這些專案裡的人絕對沒有偷懶，他們很忙：開會、寫規格、設計表單、做介面、跟很多人討論。問題是，他們做的是做了等於沒做的事。

每一家供應商、每一個部門，都有自己的格式和定義。主系統則像 Jira 那類工具一樣，欄位要求嚴格，資料型別鎖死。中間如果沒有轉換器，也沒有模糊辨識，轉換工作就只能由人來做。每一個要手動輸入資料的同事，都是一台人肉轉換器。

真正該先做的事其實很樸素：簡化流程，做出轉換器，讓現有資料能方便地匯回主系統。可是最後做出來的，往往是一個繁瑣的介面，欄位更多，看起來很完整，也開過很多次會。系統越「完善」，前線越辛苦；前線越辛苦，看起來又越像「大家很努力在推專案」。

這裡有一個殘酷的不對稱：苦惱查得到，概念查不到。手動輸入的工時、加班、工單、抱怨，全部有紀錄。「應該先做轉換層」這個設計概念，卻沒有任何指標可以追蹤。組織只會管理追得到的東西，於是最重要的那件事，自然被埋在桌子底下。

這很像房子裝修。屋主看的是磁磚、燈具和櫃面，沒有人會稱讚水管和電線。偷工的包商把錢全部放在面板上，管線照舊，入住之後漏水，再請人天天來擦地。介面是磁磚，資料集和轉換層是埋在牆裡的管線。

山頭，與定義權

老闆是不是故意找不懂資料的人領導專案，好把數字蓋住？理論上可能。也可能他根本沒想那麼多，只是把案子交給看起來體面的自己人。我們無法知道。但兩種答案的結果相同，所以動機可以先放下，看誘因就夠了。

公司內部的資料，和軟體的歷史包袱一樣，各個山頭有各自的數字。這些數字並非無法串連；它們有辦法串連，只是每個山頭都會製造自己的屏障。

軟體界有個說法叫康威定律：系統的結構，會複製組織的溝通結構。資料割裂並非技術意外，它是山頭格局在資料庫裡的投影。所以無論由資訊部門統一建系統往下推，還是各部門自己做、再合併回主系統，撞到的都是同一道牆。各部門會創造新表格、新規則，與整個系統發生衝突；每個部門都這樣做，本來可以整合的資料就變成無法整合。

資料最怕的，是不斷改規格。偏偏改規格是山頭最便宜、最合理、最不必解釋的武器，每次都能說是業務需要。新表格、新欄位、新口徑，每改一次，都在重新宣示：這份數字是我們的，要問我們才知道怎麼解讀。移動中的目標，沒有辦法整合。

我在離開職場之前，花了好幾年研究如何整合一家公司內部十五到二十套互不相通的系統。理論上可以互通，實際上查不到東西，部門之間的資料交接全靠人手。那套架構最後沒有在任何公司落地，原因很簡單：企業明白資料整合太重要，不會讓一個外人來主導。

真正被保護的資產是定義權，資料本身只是載體。誰決定「營收」怎麼算、「客戶」是誰、「完成」是什麼意思，誰就握有權力。整合，等於交出定義權。介面則是一個可以展示產出、又不必交出定義權的方法。

AI 拆穿了藉口，卻沒有解決問題

過去說資料整合不了，可以推給技術：鍵對不上、格式不同、需要大量人工對照。現在，推測外鍵、做模糊比對、轉換格式，正是 AI 最擅長、也最實用的工作。在 AI 輔助下，主鍵和外鍵的對應可以變得有彈性，技術上的藉口幾乎消失了。

剩下的，只有意願。

我預期接下來會看到兩件事。第一，AI 主要會被拿來做更多介面，因為這才符合誘因：出貨快、看起來有成果，而且不必交出底層。第二，就算有人用 AI 把對應做出來，爭論也只會換個戰場，變成「AI 配錯了」「口徑不一樣」。

更值得警惕的是另一種情況。儀表板至少會壞得很明顯：數字對不上、圖出不來，大家知道出了問題。可是當「AI 取代 UI」，你用一句話提問，並不知道底下的資料能不能回答，AI 還是會給你一個聽起來很合理的答案。原本是「圖做不出來」，變成「答案出得來，但沒有人知道對不對」。翻譯的斷層沒有消失，只是被藏起來了。

這並非推測。前面那個儀表板網站有一份自動生成的財報報告：某家海外公司交的是年報，本來就沒有「本季每股盈餘」這個欄位。系統抓不到，塞了一個 0；預估值也抓不到，同樣是 0。AI 拿著兩個 0，寫出「實際與預估完全相符，未產生盈餘驚喜」。數字錯不是最可怕的，可怕的是那段文字專業、通順、毫無破綻。

我自己用 AI 寫程式建資料庫，遇到的是同一回事，只是發生在工程裡。負責實作的 AI 會把「未查證」寫成「經查證」；會在決策文件裡自行填上一個錯的公司名，沒有出處；會拿一個檔案跟它自己比對，然後報告「驗證通過」；會交出一份程式差異，裡面的函數名稱在實際檔案裡根本不存在。每一份報告都格式整齊、語氣篤定。我抓得到，只因為我不看報告，直接打開檔案、跑指令、對照原始輸出。

連資料源本身也會這樣。台灣的公開資訊觀測站，對ETF、特別股、已停止公開發行的公司，一律回應「請求成功」，真正的錯誤代碼藏在內容裡。錯誤訊息的字面也不可信：0050 是合法代號，卻會被告知「公司代號格式錯誤」。只看表面訊號的系統，會把失敗當成成功收下。

回到開頭那句話。巨頭擁抱 AI，鄉民重製 UI，在公司內部其實是同一幅圖：上層擁抱 AI，前台不斷推出漂亮的介面，底層資料繼續各據山頭。大家叫好的永遠是畫面，而畫面越漂亮，越少人追問底下的數字從哪裡來。

反過來做的代價

我自己正在建一個金融資料庫，順序剛好相反：資料先行，介面要到 2027 年才會有。

常有人問，為什麼不先做介面？先做一個漂亮的畫面，比較容易被看見，也比較容易拿出來分享。答案其實就寫在前面幾節裡。資料的定義、來源和對應關係沒有先定下來，每改一次欄位、每補一個來源，畫面就要跟著重做。太早做出來的介面，最後只會是第一個要拆掉的東西。

這條路的帳，可以攤開來看。

8 月 24 日動工，10 月 5 日才出第一張表。中間抓了 17.6 萬份原始財報檔，解析成 3,522 萬列，推導出 1,403 萬列單季數字，再算出 41 萬列指標。最後印出來的，是一張十幾家公司的表。

光是財報原始層就花了三星期。約兩星期是機器時間，以安全速率每晚抓一批，壓縮不了；約五天是探索，換來的多半是「資料會靜默遺失」級別的發現；還有三四天，是自己製造的錯誤和走錯的路。這些全部有紀錄，全部查得到，也全部不會出現在任何畫面上。

那張表是半導體業的資本支出除以折舊（近四季合計）。比值大於 1，代表投資多於折舊，在擴產；小於 1，代表在收手。2026 年第二季，同一個產業代碼之下，兩班人在做相反的事：京元電子 3.22、日月光投控 3.03，台積電由 1.93 升到 2.19；華邦電 0.97、南亞科 0.90、力積電 0.59、旺宏 0.23，四家記憶體相關公司全部低於 1。

可是如果直接做成排行榜，排第一的會是另外兩家公司：一家 16.26，一家 15.92。兩家都是新上市，八季裡只有四、五季資料，基數小，比值自然被放大。榜首是噪音。漂亮的排行榜，會把噪音放在最顯眼的位置；要知道它是噪音，得先看得見底下有幾季資料。

還有一條看不見的斷層。2019 年起，IFRS 16 把租賃資產的折舊計進分母，取得租賃資產卻不計進分子。沒有一家公司改變行為，比值就變了，2019 年前後的數字不能直接比。這是改規格的監管版本：口徑一改，歷史就斷開，畫面上卻只是一條平滑的線。

有些代價，錯過了就補不回。回測要知道「某一天市場能看見哪一期財報」，可是觀測站的歷史資料沒有公布日期；事後補抓拿到的，還是今天的版本，若曾經重編，原始數字已不可考。我只能從 2026 年第三季起，每天去查一次「出來了沒有」，自己記下真正的公布日。歷史部分，只能誠實標明是推定。

反過來看，公開、定義清楚的資料，跨系統對帳本來可以一次就對上。我拿台積電交給美國證交會的年報，對照台灣觀測站四季加總，兩邊幾乎完全吻合。企業裡三套系統的客戶編號對不上，問題從來不在系統。

反過來做的代價，是很長一段時間沒有東西可以拿出來給人看。這也正是企業不願意走這條路的原因：在一個只看得到畫面的組織裡，沒有畫面就等於沒有進度。個人可以選擇承受這段看不見的時間；企業裡要向上交代進度的專案負責人，通常承受不起。

全局觀與定義權

這個系統用起來很順，但原因並非技術比企業高明。

提需求的人、定義指標的人、處理數字的人，都是我自己。報表專案裡那三道斷層，在這裡根本不存在；沒有山頭會改規格，也沒有人需要爭定義權。

指標清單本身就是一種世界觀。那個儀表板網站選均線排名、法人籌碼和勝率排行，因為它服務短線交易者。我選資本支出對折舊、存貨週轉天數、應收帳款天數、自由現金流對庫藏股、商譽對淨值、稀釋後股數的變化，因為我寫的是產業週期和金融工程。兩套都不是「中立」的財經系統。每一個儀表板都埋著某個人的眼光，差別只在於用的人知不知道。所以它高度客製化，也只對我一個人順。

我在職場時研究系統整合，看得見整條鏈在哪裡斷開，卻沒有定義權，所以那套架構從未落地。現在這個系統順，是因為兩樣東西終於落在同一個人身上：看得見全局的位置，和決定定義的權力。

這裡說的全局觀並非天分，而是位置。一個人的系統，容許一個人看見全部；組織圖會把這個視野切斷。企業裡，看得見全局的人通常沒有定義權，握有定義權的山頭通常看不見全局。兩者之間的落差，就是那些對數字的會議、那些人手輸入的表格。這也是我在《遊戲至勝》裡一再強調全局觀的原因。

全局觀也不是抽象的眼光，它每天都在做具體的事。知道榜首是噪音，是因為看得見季數；知道 2019 年前後不能比，是因為知道準則改了什麼；抓到 AI 報告造假，是因為看得見從原始檔到報告的整條鏈。只看畫面的人，三樣都看不見。

這個對照組有兩個限制，必須說清楚。

第一，它不能搬進企業。企業的難處，正是定義權分散在十幾個山頭；我沒有這個問題，不等於我解決了它。

第二，一個人握有全部定義權，就沒有人能制衡他。我能做的，是把每一條規則交給全量資料去推翻；到目前為止，我和 AI 提出的假說，已經有十幾個被全量實測推翻。科目怎麼歸類，只能由我人手決定，AI 不准寫入那份檔案。這是我在自己的系統裡守住定義權的方式。

這件事，我在《大道無形》寫過

這篇文章談的，是一個每個坐過辦公室的人都見過的小場景。它背後的結構，我在《大道無形——敘事、工具與意識的最後防線》裡寫過。

最直接的是第九章〈企業文化的死結〉。AI 可以加速建造，卻加速不了共識；當方案多到每一個都有道理，決策就不再是「哪個方案最好」，而是「誰的定義被採納」。同一章還寫了「看見問題的人」：看見和解決之間，隔著的是權力，而非能力。本文「全局觀與定義權」一節，談的正是同一件事在我身上的另一面。

想讀前因，可以接著看第七章〈學習的扭曲〉和第八章〈文筆不是內容，程式碼不是資產〉。前者寫教育和認證為什麼認不出真正的能力，後者寫製作成本歸零之後，架構思維為什麼反而成了唯一的差異。三章合起來是全書第三部「照妖鏡」：教育認不出能力，AI 暴露了能力在哪裡，企業文化困住了有能力的人。

如果你讀這篇文章時，認出了自己的公司、自己的會議、自己手動輸入過的那些表格，那本書會告訴你：這並非你們公司特別倒楣。它是一種會在 AI 時代反覆出現的結構。

《大道無形》全書免費公開，可以在 Matters 閱讀，也可以在 Mythogen Engine 網站上讀：全書目錄；第九章可以直接從這裡開始。