METABIZ INSIGHTS

企業不是沒有大腦，而是還沒看清楚自己的神經網路

一家公司運作多年，早已有自己的訊號、連接與反應。從果蠅神經線路如何被繪製與驗證，聊聊導入 AI 前，怎麼看懂企業已經存在的運作方式。

Adam｜metabiz CEO2026年9月22日5 分鐘閱讀

Threads Facebook LINE LinkedIn

一張訂單進來，業務知道要通知誰；倉庫發現缺貨，採購知道該找哪家供應商；客人一句「這次不太一樣」，資深同事可能就知道問題出在哪裡。

這些反應，不是今天買了一套 AI 才突然出現的。

一家公司能運作十年、二十年，早就累積了一套感知問題、傳遞訊息、做出判斷的方法。有些寫在系統和 SOP 裡，有些藏在人的經驗、默契與習慣裡。

如果借用一個比喻：企業其實早就有自己的神經網路。

那麼，導入 AI 的第一步，為什麼總是想著替它換一顆大腦，而不是先看懂它原本怎麼運作？

果蠅讓我感興趣的，不只是「腦很小」

最近看到果蠅神經研究相關的討論，我想追問的不是它能不能取代大型模型，而是：研究者怎麼知道，一個刺激進來之後，訊號經過哪裡，最後形成什麼反應？

Google Research 在 2026 年 9 月 3 日介紹的雄性果蠅連接圖，涵蓋腦部與中樞神經系統，包含超過 16.6 萬個神經元、1.25 億個突觸連接。團隊利用電子顯微鏡影像與 AI 重建神經結構，再由專家校對。

這不是從零發明一個腦，而是把原本就存在、原本就在運作的連接看清楚。

至於網路上的延伸說法有沒有誇大，當然仍要辨別；但我不想讓這篇停在真假爭論。我更在意的是，這種「先理解既有連接，再測試它怎麼運作」的方法，能帶給企業什麼啟發。

看到線路，還要真的測它怎麼反應

有連接，不等於已經知道功能。要理解實際測法，可以看另一項、較早的2024 年《Nature》果蠅計算模型研究。它不是前述 2026 年雄性果蠅地圖的同一項實驗。

以進食相關線路為例，研究步驟可以白話理解成：

先建模型。 依已重建的神經連接與預測的神經傳遞物質，建立計算模型，不是只畫幾條箭頭。
給一個輸入。 在模型中刺激糖感受神經，觀察哪些下游神經出現活動，以及進食相關運動神經的反應。
逐一改動節點。 啟動或抑制候選神經，看輸出如何改變，找出值得實驗的對象。
回到活體核對。 研究者以光遺傳學啟動特定神經，觀察口器抬升等反應，比較模型預測與實際行為。
保留不符合的結果。 模型也有預測錯誤，不能把一次吻合當成完全理解整個腦。

我覺得有意思的，是這個順序：先描出連接，提出可以測試的推測，再用反應核對。 不是看到線路圖，就宣布自己已經知道所有答案。

企業的組織圖，不是它真正的神經線路圖

回頭看公司，也是如此。這是營運上的類比，不代表企業與生物具有相同的神經機制。

組織圖告訴我們誰向誰報告，卻不一定告訴我們事情真的怎麼完成。

想像一家公司：訂單上的備註沒有進倉庫系統，但業務會另外傳訊息提醒；遇到特殊尺寸，大家不看流程文件，而是直接問某位老同事；客人催交期時，客服要先問業務，業務再問工廠。

這是假設情境，但它提醒我們，工作可能同時走在系統、訊息和人的記憶裡。只看軟體畫面，看到的只是其中一部分。

這些連接也不全是問題。資深同事的一句提醒，可能替公司避開過很多次錯誤；看似多餘的確認，也可能是在補另一套系統看不到的資訊。

如果還沒弄懂就全部改成自動化，拿掉的可能不只是等待，也可能是原本有效的判斷。

情境插畫：桌面上的工作卡片逐步傳遞，特殊事項由同事另外判讀，象徵企業既有流程與經驗交織的連接。

企業的運作不只在系統裡，也在人的交接與判斷裡。AI 生成情境插畫，非神經科學圖、產品介面或實際客戶案例。

不必畫整家公司，先追一件真實的事

要開始，我不會建議先做一張巨大的企業架構圖。

先挑一件反覆發生、範圍清楚的工作，例如「接到缺貨通知後，如何確認新的交期」。沿著幾筆已結案的紀錄，和實際處理的人一起還原過程：

訊號最早出現在哪裡？誰先看到？他查了什麼，才決定通知下一個人？訊息經過哪些系統？什麼時候停下來等待？最後又是誰確認事情完成？

特別留意 SOP 沒寫的地方。那句「這種情況我通常會先問一下」，可能就是關鍵連接。也要看不同案例，不只選一次處理順利的紀錄。

記錄工作所需的交接與判斷即可，不必為了畫圖蒐集員工的私人對話。目的不是找誰動作慢，而是弄清楚事情為什麼必須走這條路。

然後才問：AI 應該接在哪裡？

線路清楚之後，才比較容易區分三種事情。

原本就有效的判斷，先保留下來。 例如老同事知道哪種交期承諾必須再次確認。先理解他依據什麼，不急著用模型取代。

只是搬運資訊的連接，看看能否縮短。 如果兩位同事只是重抄同一筆資料，或轉傳同一個狀態，改善可能是系統串接，不一定需要 AI。

需要理解零散訊息的地方，才值得測 AI。 例如協助整理客人的多段描述，附上來源，讓接手的人不用重讀全部訊息。但整理是否漏掉重要條件，仍要核對。

前一篇「店裡坐滿了，為什麼還要撤掉一半桌子？」談的是需求不要全部走同一條服務流程。這一篇想再往前走：先看清楚那些流程為什麼存在，才知道該留下、縮短，還是重接。

長年存在的線路，也值得重新測試

運作很久，不代表每一段都合理。有些連接保留了經驗，有些則只是過去工具限制留下的繞路。

借用研究中「提出推測、比較反應」的精神，我們可以先測一個很小的改變：若把重複轉傳改成自動整理，接手的人能否取得同樣完整的資訊？等待有沒有減少？錯誤和追問有沒有增加？

先用去識別的歷史案例離線比對，保留原本人工結果。一般情況要測，缺資料、資訊矛盾和特殊需求也要測；再用另一批沒參與調整的案例重測。不要為了證明少一個節點比較好，就直接拿正式訂單冒險。

通過後再小範圍試行，保留回到原流程的方法。比較的是從訊號出現到事情做對的總時間，連同設定、維護、人工核對與修正成本一起算，不只是 AI 多快回第一句話。

這是企業測試的建議，不是果蠅研究證明的商業成效。省下工時是否能減少加班、外包，或讓團隊承接更多工作，也需要另外觀察。

AI 的第一步，可能是理解，而不是取代

一家企業能走到今天，不是沒有智慧。很多智慧只是散在不同的人、系統和工作習慣之間，還沒有被完整看見。

我想從果蠅研究學的，不是把公司變成一隻果蠅，也不是認為只要複製線路就能複製所有能力。

而是先尊重一個已經在運作的系統：看它如何接收訊號、如何傳遞、如何反應，再去測哪個改變真的有幫助。

企業不是沒有大腦，而是還沒看清楚自己的神經網路。

如果想讓 AI 降本增效，也許可以先從和 metabiz 一起看清楚一段現有工作開始。不必先換整套系統，先找出那個每天都在發生、卻沒有人完整看過的連接。