香港企業 AI 採用指數（2026 年 9 月）

2026 年的香港 AI 故事並非齊頭並進：少數銀行已經把數千小時的分析師時間重新投入到更高價值的工作，而大量中型企業仍卡在試點階段——拉大差距的，往往不是技術預算，而是資料基礎與治理成熟度。

為什麼必須分行業看，以及本篇的解讀框架

企業 AI 採用如果只看「全香港平均數」，對規劃幾乎沒有參考價值。一家上市銀行和一家兩百人的貿易公司在監管暴露、資料資產、模型風險容忍度上幾乎處在兩個不同的經濟體系裡。因此本文不依賴任何單一調研，而是綜合監管檔案、廠商披露、招聘訊號與 Gartner、麥肯錫、IDC 等機構的公開估算，逐行業做方向性解讀——所有數字均為帶來源的估計值，而非精確審計結果。

我們對每個行業從四個維度做非正式評估：生產部署密度（AI 是否進入關鍵業務流程，而非停留在沙盒）、資料就緒度（運營資料可訪問、有治理、可查詢的比例）、人才深度（能否自持模型生命週期）、治理成熟度（文件、模型風險控制、審計留痕）。這四個維度相互牽制：人才缺口可以靠成熟產品彌補，但資料治理欠賬沒有預算捷徑。

對多數香港機構而言，真正的約束已不是模型能力或成本，而是資料是否可檢索、有治理、可信到可以直接擺在決策者面前。

銀行與金融服務業：走得最遠，也被管得最緊

銀行業是香港最明確的採用領先者，原因在於結構。香港金融管理局過去五年持續推動行業 AI 就緒：從 2021 年「金融科技 2025」策略，到 2024 年聯合數碼港推出生成式 AI 沙盒，模型風險與 AI 治理的監管預期也在逐步成文。監管既出錢支援試驗、又提出文件要求，採用自然提速。行業估算顯示，香港持牌銀行中過半已在欺詐篩查、信貸決策支援、客服分流或反洗錢告警排序等實質性職能中執行 AI 或機器學習，大型機構在產模型數量以十計。

約束同樣明顯。模型風險管理佔用越來越多預算：任何觸及客戶或資本的模型都需要驗證、監控、血緣文件和清晰的人工問責鏈。其他行業六週能上線的客服對話工具，銀行要走完三道防線，可能需要兩個季度。結果是明顯的「雙速行業」：大機構自建 AI 平臺、配備專職機器學習工程團隊；中小持牌機構和虛擬銀行單點推進更快，但治理骨架更薄——這正是監管密切關注的風險敞口。

對 2026 年預算的實際含義是：銀行業的分水嶺已不是「用不用 AI」，而是圍繞它的審計留痕、文件與監控能否經得起監管審查。早年在模型清單和血緣工具上投入的機構，如今能快速把模型產能複用到新場景；後補治理的機構則不得不返工。

零售與電商：邊緣先行，中層整合

零售是我們觀察到的內部分化最大的行業。頭部大型連鎖和跨境電商企業已在需求預測、動態定價、個性化推薦上規模化生產執行，並越來越多地用 AI 生成內容做大灣區多市場本地化營銷——它們的香港運營往往承接的是為內地或東南亞體量打造的模型。

中部市場則是另一番景象。典型中型零售商的 AI 採用從「邊緣職能」開始：市場部用生成式工具寫投放文案，客服組配了大模型輔助的收件箱，也許還有 WhatsApp 上的聊天機器人。這些改進是真實的——麥肯錫（2025）估算，生成式 AI 若嵌入日常工作流，可將營銷與銷售生產力提升 5%–15%——但它們是碎片化的、無主的、在損益表上不可見的。沒人去核對聊天機器人推薦的商品與庫存是否一致。

2026 年正在發生的整合發生在分析環節：零售商從「沒人開啟的儀表盤」轉向對話式分析，直接送到商品運營人員已經身處的工作場景——企業微信、釘釘或飛書之內。經濟賬終於算得過來：斯坦福 HAI《AI 指數》（2025）記錄了兩年間推理成本下降約一個數量級，意味著在 POS 與庫存資料之上疊加一層 IM 原生查詢能力，已不再是大型企業專屬投資。已經打通這條鏈路的零售商普遍反饋：第一個收益往往不是什麼模型，而是店長不再為一張報表等上好幾天。

物流、港口與貿易：AI 隨供應鏈而來

物流是低調的超預期者。香港港口與空運生態由少數大型運營商和數千家貨運代理構成，AI 故事也隨之分叉。大型運營商——碼頭、整合商、航空公司貨運板塊——早已在執行最佳化模型：泊位排程、堆場規劃、排班、網路載量預測。2024 年以來的新變化是文件智慧層：提單、報關單、信用證這類貿易單證非結構化、多語言且易錯，文件抽取 AI 直接命中每家貨代都能感知的成本線。行業估算顯示，人工單證處理可佔貿易服務後臺成本的相當比例，帶人工複核的抽取模型普遍能將處理時長壓縮一半以上。

對長尾的中小貨代而言，採用是經平臺「被動發生」的——它們在用的貨代 SaaS 平臺嵌入 AI 功能，採用就成了預設選項。這很快，但製造了一個幾乎沒人審視的依賴問題：定價資料、貨量模式、客戶名單正沉澱在別人的模型體系裡。銀行業五年前經歷過的資料治理對話，2026 年開始抵達貨代行業，而且大多尚未啟動。

這個行業的瓶頸結構與零售不同：人才更稀缺（物流公司幾乎不養資料科學家），但高價值場景——單證處理、時效預測——高度產品化、可由廠商交付。真正的障礙是資料管道：貨量資料散落在 EDI、電子表格和聊天記錄裡，任何模型都無從下手。先統一貨載記錄的企業，一年內看到 AI 回報；先買工具再面對資料碎片化的企業，多數停滯。

專業服務：計費小時制遇上自動化

律所、會計師事務所和諮詢公司面臨一個塑造其採用曲線的戰略矛盾：它們的收入模式恰恰在為 AI 消耗掉的那幾個小時計價。因此採用集中在後臺與研究增強環節，對客戶交付物保持謹慎。德勤（2024）關於專業服務自動化的研究等公開成果估算，文件審閱、盡職調查準備和合同初稿是自動化潛力最高的活動，而香港企業正是在這些點位落地：檢索內部判例的研究助理、交易檔案比對、會議紀要生成，以及中英雙語起草支援——在一個兩種語言都有法律效力的司法轄區，雙語能力的權重格外高。

雙語這一點值得單獨強調。以英文語料為主的通用 AI 工具，在香港本地中文法律與金融術語上表現滯後，這反而創造了本地化機會：一些企業用檢索增強系統在自己的文件庫之上構建能力，一舉兩得——初稿質量提升的同時，沉澱下一個人力流動也帶不走的知識資產。

這一行業的採用領先度與合夥人層面的推動力高度相關。凡是 AI 作為合夥人主導的效率議程推進的，起草與研究工具已經全員鋪開；凡是停在 IT 工具預算裡的，大多還在試點。全行業懸而未決的問題是定價：自動化壓縮工時後，收益歸誰——律所靠固定收費、客戶靠減少計費小時，還是雙方都捂著工具誰也不鬆口？把這個賬算清楚的企業把效率變成了利潤率；沒算清楚的，把效率變成了合夥人的焦慮。

三大瓶頸：人才、資料就緒度、成本

跨行業來看，瓶頸排序與區域性公開研究及從業者反饋高度一致，主要就是三條。

人才。香港與深圳、新加坡、倫敦爭奪同一批機器學習工程師，薪酬水平是多數中型企業無法匹配的。2026 年可見的有效應對不是繼續招人，而是重設角色：培養一層「分析翻譯」——財務、商品或運營人員，能夠準確說清模型要解決什麼——再配一個小型核心技術團隊和越來越成熟的封裝產品。等著靠招聘補齊能力的機構輸了一年；重設角色的機構已經動起來了。

資料就緒度。這是唯一沒有預算科目的瓶頸。從公開模式推斷，多數中型香港企業的運營資料散落在 ERP、電子表格、企業微信群和郵件執行緒裡。每一個嚴肅的 AI 場景——預測、對話式分析、文件智慧——都會撞上同一個前置條件：資料必須先被定位、清洗、治理、可檢索。IBM《資料洩露成本報告》（2025）估計，安全 AI 與自動化深度部署的機構平均每次洩露可少損失約 190 萬美元；但更上游的啟示是：無治理的資料既是 AI 的攔路虎，也是洩露的隱患。把 AI 專案當作資料治理的契機，一份投入、兩份產出。

成本——基本已經消解的瓶頸。兩年前，一套像樣的對話式分析部署意味著只有大型企業才負擔得起的平臺許可與基礎設施開支。斯坦福 HAI（2025）記錄推理成本自 2023 年以來下降約一個數量級，加之按 API 計費、IM 原生交付的商業模式興起，中型市場的部署價格已更接近 SaaS 訂閱，而非轉型工程。對算力密集型場景——本地化模型訓練、大規模文件處理——成本依然真實存在；但對大多數分析與工作流場景，2026 年誠實說法是：成本不再是藉口，場景不清和資料沒就緒才是。

領先者做對了什麼

對比各行業，從試點走到生產的組織共享四個行為，成本低廉卻罕見。

按決策等待時長選場景，而非按模型新穎度。領先者從「一個決策正在等一份報告」的地方起步——門店補貨、信貸材料準備、貨載異常處理——因為答案的價值可以用節省的小時數來計量。落後者從驚豔的演示起步，回答的是沒人等著要的問題。

把結果送進工作流，而不是再開一個門戶。香港成功部署的一致模式是 IM 原生交付：分析結果直接出現在企業微信、飛書或 Teams 的對話執行緒裡，決策本來就在那裡發生，而不是又一個需要單獨登入、沒人記得密碼的儀表盤。採用率跟著便利度走，便利度以點選次數計。

治理與試點並行，而不是事後補建。銀行是被監管教會了這一點，其他行業可以免費抄作業。試點期間就建立輕量模型清單、資料訪問控制與人工複核規則，成本以天計；等壞輸出到了客戶手裡再補，成本是一個季度加一次道歉。

買試點，不買願景。領先者越來越拒絕開放式轉型工程。一次針對真實資料的固定價格付費試點——例如 2.5 萬港元量級的兩週付費機制——用證據而非幻燈片回答「在我們的資料上行不行」。落後者的路徑恰恰相反：先畫企業架構大圖，驗證放到最後。

展望：年底前值得盯住的四個訊號

第一，金融服務的監管繼續成文化：模型文件預期會持續收緊，治理工具將從可選項變成銀行採購標配。第二，中型市場的對話式分析浪潮：推理經濟學（斯坦福 HAI，2025）與 IM 原生交付已拆除價格門檻，採用節奏將以月計。第三，貨執行業的資料依賴之爭：貿易平臺嵌入 AI 之後，圍繞貨載資料派生智慧的歸屬，遲早出現第一批真正的糾紛。第四，人才輪動：內地大灣區企業持續抬價搶奪 AI 分析人才，到四季度，沒有「角色重設」答案的香港企業會明顯感到壓力。

2026 年 9 月的合成圖景可以一句話說清：香港的 AI 採用，在監管早早逼出地基的行業（銀行業）最深，在工作流數字化、決策密集的行業（零售、專業服務）最廣，在廠商把能力嵌入平臺的行業（物流）來得最快。跑贏平均線的不會是 AI 預算最大的那一家，而是資料恰好在那條經濟曲線翻轉時已經就緒的那一家。