115 年 國立中央大學資訊管理學系碩士班乙組《管理資訊系統》

本題考驗對 Herbert Simon 決策理論的理解。Herbert Simon 提出「有限理性」(Bounded Rationality) 的概念，認為決策者在現實世界中，其決策能力受到認知限制、資訊不完整、時間壓力等因素的約束，無法達到完全理性或最佳化決策。

題目描述的狀況是決策者必須在「時間壓力」和「資訊不完整」的條件下快速行動，這正是有限理性的典型情境。

• A. 完美理性 (Perfect rationality) 假設決策者擁有所有資訊、能完全理解所有替代方案及其後果，並能做出最佳選擇，這與題目情境不符。

本題探討決策支援系統 (Decision Support System, DSS) 的學術目的。題目中描述的系統能夠「模擬多種政策情境及其潛在後果」，這是一種典型的 DSS 功能，用於幫助決策者理解不同決策可能帶來的影響。

• A. 替代高階主管 (Replace senior executives)：DSS 的目的是支援決策，而非取代決策者。
• B. 提供單一最佳解決方案 (Provide a single optimal solution)：雖然 DSS 可以幫助找到更好的方案，但現實世界的決策往往複雜，DSS 的主要目標是提供資訊和分析，協助決策者，而不是強制給出單一「最佳」解。

本題探討 MIS 過度依賴有偏見或不可靠的社交媒體數據所帶來的最嚴重風險。

• A. 系統效能降低 (Reduced system performance)：數據的品質問題（如偏見、不可靠）主要影響的是決策品質，而非系統本身的運行效能（如處理速度、系統穩定性）。
• B. 儲存成本增加 (Increased storage costs)：數據量增加可能導致儲存成本增加，但數據的「品質」問題與儲存成本沒有直接關係。
• C. 系統性決策錯誤被放大 (Systematically amplified decision errors)：這是最嚴重的風險。

本題考查資訊治理的原則，特別是針對「僅收集與制裁執法直接相關的供應鏈數據」這一行為。

• A. 數據開放 (Data openness)：數據開放是指讓使用者可以存取和使用數據，這與僅收集特定數據的行為無關。
• B. 數據最小化 (Data minimization)：這是指僅收集和處理為特定目的所必需的數據，避免收集不必要的個人資訊或其他數據。本題中「僅收集與制裁執法直接相關的供應鏈數據」正是數據最小化原則的體現，目的是為了精確且有效率地執行制裁，避免收集過多或無關的數據。

本題探討決策者過度信任 AI 生成的風險預測，而不質疑其假設時，所反映的現象。

• A. 技術債 (Technical debt)：技術債是指在軟體開發過程中，為了快速交付而犧牲了部分品質或設計，導致未來需要額外投入來修正，這與決策者對 AI 的信任態度無關。
• B. 自動化偏誤 (Automation bias)：這是指使用者過度依賴自動化系統的輸出，即使該輸出是錯誤的或不適當的，也傾向於相信自動化系統的判斷。題目中「過度信任 AI 生成的風險預測，而不質疑其假設」正是自動化偏誤的典型表現。

本題探討在高風險的地緣政治決策中，要求 AI 模型解釋其建議的原因。

• A. 計算效率 (Computational efficiency)：計算效率是指 AI 模型運行速度快，所需計算資源少。雖然重要，但不是要求解釋建議的主要原因。
• B. 預測準確性 (Prediction accuracy)：預測準確性是 AI 模型的核心目標之一，但要求解釋建議並非直接為了提高準確性，而是為了理解為何準確。
• C. 可解釋性與治理 (Explainability and governance)：在高風險決策中，特別是涉及地緣政治時，決策的後果可能非常嚴重。

本題探討在能源中斷期間，整合上下游物流數據如何影響組織。

• A. 交易效率 (Transaction efficiency)：雖然數據整合可能間接影響交易效率，但其主要效益更側重於應對危機。
• B. 供應鏈韌性 (Supply chain resilience)：能源中斷會嚴重影響供應鏈的運行。透過整合上下游物流數據，組織可以更全面地了解供應鏈的狀態、識別潛在瓶頸、預測中斷的影響，並制定應對策略。這能顯著增強供應鏈在面對衝擊時的應對能力和恢復能力，即供應鏈韌性。

本題探討資訊不透明導致能源儲存過度，進而加劇市場波動的現象。

• A. 及時生產失敗 (Just-in-Time failure)：及時生產 (JIT) 是一種庫存管理策略，強調僅在需要時才生產和交付。其失敗可能與供應鏈中斷或需求波動有關，但「資訊不透明」導致「過度儲存」並非 JIT 失敗的直接定義。
• B. 牛鞭效應 (Bullwhip effect)：牛鞭效應是指在供應鏈中，當需求訊息從終端消費者向供應商傳遞時，訊息會被逐級放大，導致越靠近供應商端，庫存和訂單的波動越大。資訊不透明是導致牛鞭效應的重要原因之一。

本題探討將人道影響、環境風險和治理透明度納入 MIS 反映了哪種策略。

• A. 股東至上 (Shareholder primacy)：股東至上理論認為企業的首要目標是為股東創造最大價值，通常側重於財務回報。
• B. 短期財務焦點 (Short-term financial focus)：這與 A 類似，強調短期內的財務績效。

本題要求找出最能體現對「人、地球、機構誠信」的長期道德影響承諾的指標組合。這實際上是在詢問哪些指標能代表 ESG（Environmental, Social, and Governance）的考量。

• A. 營運敏捷性、成本效率、產量 (Operational agility, cost efficiency, throughput)：這些是衡量營運績效的財務和效率指標，與道德影響關聯不大。
• B. 員工流動率、碳足跡、董事會獨立性 (Employee turnover, carbon footprint, board independence)：
  • 員工流動率 (Employee turnover)：反映了對員工福祉和工作環境的影響（Social）。
  • 碳足跡 (Carbon footprint)：衡量對環境的影響（Environmental）。

本題探討在網絡攻擊期間，確保 MIS 持續運行的優先安全目標。

信息安全通常包含三個核心目標，即 CIA 三要素：

• Confidentiality (機密性)：確保資訊僅對授權使用者可見。
• Integrity (完整性)：確保資訊的準確性和完整性，防止未經授權的修改。
• Availability (可用性)：確保授權使用者在需要時能夠存取資訊和系統。

題目中提到「確保 MIS 在網絡攻擊期間持續運行」，這直接關聯到系統是否能夠提供服務，即使用者是否能夠存取系統和資訊。因此，這是關於可用性（Availability）的目標。

• A. 機密性 (Confidentiality)：雖然在網絡攻擊中機密性也很重要，但「持續運行」的重點不在於資訊是否被洩漏，而在於系統是否能被使用。

本題探討量子金鑰分佈 (Quantum Key Distribution, QKD) 的主要優勢。QKD 是一種利用量子力學原理來實現安全金鑰分發的技術，其核心優勢在於安全性。

• A. 更快的計算 (Faster computation)：QKD 主要用於金鑰分發，與計算速度無直接關聯。量子計算（Quantum Computing）才與計算速度有關。
• B. 消除人為錯誤 (Elimination of human error)：雖然自動化系統可以減少人為錯誤，但 QKD 的核心優勢不在於此。

本題探討將 MIS 作為地緣政治和能源策略工具，最接近哪種定位。

• A. MIS 作為營運支援 (MIS as operational support only)：這僅僅是將 MIS 用於日常營運，未能體現其在策略層面的應用。
• B. MIS 作為差異化推動者 (MIS as a differentiation enabler)：將 MIS 用於地緣政治和能源策略，意味著利用資訊系統來制定和執行獨特的戰略，從而獲得競爭優勢或在國際事務中取得有利地位。這種運用 MIS 來實現獨特戰略目標，使其成為差異化（不同於競爭對手或他國）的關鍵因素。

本題探討當 MIS 的分析結果與政策目標相矛盾時，最可能違反了哪個原則。

• A. 資源基礎觀點 (Resource-based view)：關注企業內部資源的競爭優勢，與MIS分析與政策目標的矛盾關係不大。
• B. 策略一致性 (Strategic alignment)：策略一致性是指組織的各個部分，包括資訊系統、營運流程和組織結構，都應該與組織的總體戰略目標保持一致。如果 MIS 的分析結果與政策目標相矛盾，這意味著 MIS 的設計、數據、分析方法或其在組織中的應用，未能與既定的政策目標（即策略）保持一致。這就是策略不一致的表現。

本題要求根據情境，找出最能體現地緣政治危機中「進階 MIS 思維」的觀點。情境中強調了數據來源的異質性、不一致性、偏見、不完整性，以及決策者面臨高度不確定性和時間壓力。

• A. 優先自動化以加速決策 (Prioritize automation to speed up decisions)：雖然速度重要，但過度自動化可能忽略複雜情境下的細微差異和人文考量，尤其是在「資訊混亂」的環境下，自動化可能放大錯誤。
• B. 更多數據來源意味著更好的決策 (More data sources mean better decisions)：情境中明確指出數據來源「異質性高、定義不一致、時效性強、有時帶有偏見、不完整或矛盾」，這說明僅僅增加數據來源並不能保證更好的決策，反而可能增加噪音。

本題探討在地緣政治危機和供應鏈中斷時，MIS 設計中忽略 ESG（環境、社會、治理）可能導致的後果。

• A. 系統效能降低 (Lower system performance)：忽略 ESG 通常不會直接降低 MIS 的技術運行效能。
• B. 法律、聲譽和長期策略風險 (Legal, reputational, and long-term strategic risk)：
  • 法律風險 (Legal risk)：忽視環境法規、社會責任（如勞工問題）或治理不透明，可能導致法律訴訟、罰款或監管機構的處罰。
  • 聲譽風險 (Reputational risk)：在地緣政治危機中，公眾和利益相關者對企業的社會責任和環境影響高度關注。忽視 ESG 可能損害企業的聲譽，影響客戶、投資者和合作夥伴的信任。

本題探討在政治敏感衝突情境下，哪個 MIS 原則最為關鍵。情境描述了地緣政治緊張、資訊混亂、決策壓力等特點。

• A. 速度勝於準確性 (Speed over accuracy)：雖然速度在地緣政治危機中很重要，但過分強調速度而犧牲準確性可能導致嚴重的誤判。
• B. 成本最小化 (Cost minimization)：在危機處理中，成本通常不是首要考量。
• C. 可解釋性與治理 (Explainability and governance)：在政治敏感衝突中，決策的影響巨大且複雜。

本題探討在快速變化的地緣政治和供應鏈危機中，MIS 快速調整指標和分析的能力反映了什麼。

• A. 營運效率 (Operational efficiency)：營運效率主要關注資源利用和流程優化，雖然與MIS有關，但「快速調整」更能體現其他概念。
• B. 系統敏捷性 (System agility)：敏捷性（Agility）是指系統或組織能夠快速適應變化的環境、需求或衝擊的能力。在快速演變的危機中，MIS 能夠迅速調整其指標和分析，以反映新的情況和需求，這正是系統敏捷性的體現。

本題詢問在複雜地緣政治背景下，整合供應鏈數據、AI 分析和 ESG 指標，最能代表哪種 MIS 趨勢。

• A. 功能孤島 (Functional silos)：功能孤島是指組織內部的各個部門或系統之間缺乏聯繫和協作，這與整合數據和分析的趨勢相反。
• B. 部門系統 (Departmental systems)：部門系統是指為特定部門設計的系統，這也與跨部門、跨功能的整合趨勢不符。

本題探討在高風險地緣政治情境下，部署量子密碼學卻未整合治理，最可能導致什麼。

• A. 過度投資於安全 (Overinvestment in security)：部署量子密碼學本身可能就是一種投資，但「未整合治理」最直接的後果不是過度投資，而是投資方向或方式不當。
• B. 技術與管理不匹配 (Technology-management misalignment)：量子密碼學是一種前沿技術，其部署和應用需要與組織的整體管理策略、風險偏好、法律合規性、倫理原則等緊密結合。如果缺乏治理整合，意味著技術的應用與組織的管理目標、風險承受能力、合規要求等脫節，即技術與管理之間出現了不匹配。

本題詢問在動盪的地緣政治和供應鏈環境中，哪個因素對 MIS 的成功最不關鍵。

• A. 高階管理層支持 (Top management support)：高階管理層的支持對於 MIS 專案的資源分配、政策制定和組織變革至關重要。
• B. 數據品質 (Data quality)：在任何 MIS 應用中，數據品質都是基礎，尤其是在複雜的環境中，低品質數據會導致錯誤的分析和決策。
• C. 組織承諾 (Organizational commitment)：組織成員對 MIS 專案的承諾，包括參與、接受和有效使用系統，是 MIS 成功的關鍵。

本題探討在高風險地緣政治危機中，沒有明確假設的 MIS 模型最可能在哪個層級被濫用。

• A. 操作層級 (Operational)：操作層級的決策通常是例行性的、基於規則的，MIS 模型在此層級的濫用可能導致流程效率問題，但影響相對有限。
• B. 技術層級 (Technical)：技術層級的 MIS 專家可能了解模型的細節，但濫用通常是指決策者對模型結果的誤用。
• C. 策略層級 (Strategic)：在高風險地緣政治危機中，MIS 模型通常用於支援高階的策略決策，這些決策影響深遠。

本題探討在動盪的地緣政治和供應鏈環境中，AI 在 MIS 中最合適的角色。

• A. 自主決策者 (Autonomous decision-maker)：讓 AI 完全自主決策，尤其是在複雜且高風險的環境中，可能過於冒險，忽略了人類的道德判斷、責任歸屬和不可預見的因素。
• B. 經理的替代品 (Replacement for managers)：AI 目前的發展尚無法完全取代人類經理的綜合判斷、領導能力和人際互動。
• C. 決策支援工具 (Decision support tool)：這是 AI 在 MIS 中最合適的角色。

本題探討在政治敏感和高風險環境中，將 ESG 指標整合到 MIS 的主要目的。

• A. 增加系統複雜性 (Increase system complexity)：雖然整合 ESG 指標可能會增加系統的複雜性，但這不是其「主要目的」。
• B. 滿足最低監管要求 (Meet minimum regulatory requirements)：部分 ESG 指標確實與監管要求相關，但這通常不是整合 ESG 的「主要」或「唯一」目的，尤其是在高風險環境下，企業往往需要超越最低要求。

本題要求從 A/B 國家地緣政治緊張和 MIS 為中心的應對情境中，提煉出核心的學術洞見。情境描述了國家間的緊張關係、MIS 在其中扮演的角色，以及決策者如何利用 MIS 來應對。

• A. 技術決定結果 (Technology determines outcomes)：這過於簡化。MIS 的影響是技術、策略、組織和環境等多重因素互動的結果。
• B. 數據本身就是真相 (Data itself is truth)：情境中已指出數據來源的異質性、不一致性、偏見等問題，表明數據本身並非絕對的真相，需要被解讀和驗證。

本題探討同一份資料為何會導致兩位主管產生不同決策判斷。

• A. 資料視覺化設計失當,導致解讀偏差 (Data visualization design is flawed, leading to interpretation bias)：雖然視覺化設計可能影響解讀，但題目並未提供視覺化設計的細節，且「週期性規律」和「需求波動劇烈」都可能從同一趨勢圖中解讀出來，只是重點不同。
• B. 資訊是決策者依其角色與認知架構所建構的主觀結果 (Information is a subjective result constructed by the decision-maker based on their role and cognitive framework)：這是最能解釋此現象的原因。行銷長和技術長各自擁有不同的職責、專業背景、關注點和認知框架。行銷長關注市場需求和銷售預測，因此傾向於從圖表中看到波動和風險；技術長關注系統運作和基礎設施，因此傾向於看到模式和容量需求。他們對同一份「數據」（營收趨勢圖）的解讀，受到自身角色和認知結構的影響，形成了不同的主觀理解和判斷。

核心觀念

• 組織系統的干擾程度：依據「人—事—技」三層面的變動幅度來衡量。
  1. 技術層面（硬體、軟體、資料庫）對使用者與流程的直接感受最小。
  2. 流程層面（SOP、作業流程）需改變作業方式，對員工的日常工作有較明顯衝擊。
  3. 組織層面（職責分配、績效權重）涉及權力、激勵與文化，屬最高干擾。
• 干擾程度排序原則：
  • 低：只升級資源或進行結構優化，對使用者感知變化極小。
  • 中：改變使用者介面或調整作業流程，需重新學習或調整作業方式。
  • 高：變更職務與績效機制，涉及角色重新定位與組織文化調整。

解題方法

1. 依據上述三層次，把五項措施分組：
   • 技術升級：III（伺服器升級） → V（資料庫優化）
   • 系統/介面變更：IV（全新 UI） → II（SOP 重設）
   • 組織變動：I（職責與績效權重調整）
2. 在同一層次內比較相對影響：
   • III vs V：伺服器擴充僅增加運算與儲存容量，對現有程式碼與流程無需改動，干擾最小。
   • V vs IV：資料庫索引與表結構優化多在後端完成，使用者感受不顯著；全新 UI 直接改變操作畫面，需要使用者重新學習，干擾較大。
3. 依「低 → 高」排列：III → V → IV → II → I。
4. 與選項比對，唯一符合的為 A。

選項分析

本題探討 IT 技術能力顯著提升，但組織效益提升有限的原因。

• A. 技術升級尚未完成, 效能提升仍未完全反映 (Technology upgrade is not yet complete, performance improvement has not been fully reflected)：題目中提到「實際營運一年後」，這意味著技術升級已經完成並運行了一段時間，效能提升理應有所體現，此選項不符。
• B. 使用者抗拒新系統, 導致技術投資成效受限 (Users resist the new system, leading to limited effectiveness of technology investment)：使用者抗拒確實會影響效益，但題目描述的是「使用者滿意度提升有限」，這不一定是劇烈的抗拒，而且「決策流程仍然緩慢」等問題，指向的不是單純的使用者介面問題。

本題探討銀行將部分系統從大型主機單體架構轉型為雲端微服務架構後，面臨「架構轉型不可逆性」的根本原因。

• A. 雲端微服務技術尚未成熟, 導致將系統遷回大型主機的技術風險過高 (Cloud microservices technology is not yet mature, leading to excessively high technical risks in migrating back to mainframes)：雖然技術遷移有風險，但「不可逆性」的根本原因通常更深層次，且微服務技術已相對成熟。
• B. 新架構已顯著降低銀行整體硬體採購與系統維運成本, 回復舊架構不具經濟效益 (The new architecture has significantly reduced the bank's overall hardware procurement and system maintenance costs, making it economically unfeasible to revert to the old architecture)：經濟效益是重要考量，但「不可逆性」的根本原因往往不僅是經濟，還包括組織和技術層面的變革。

本題探討在預算有限、不全面汰換系統的前提下，採用「包裹式(Wrapping)策略」來實現即時資料交換與跨系統流程自動化。包裹式策略的核心是「不改變原有系統，而是通過外部機制來整合和介接」。

• A. 導入 ETL 工具, 定期將各系統資料匯入企業資料倉儲(Data Warehouse)：ETL (Extract, Transform, Load) 主要用於數據倉庫的構建，雖然涉及數據提取和轉換，但「定期」匯入不一定能滿足「即時」資料交換的需求，且重點在於數據分析而非系統間的即時流程自動化。
• B. 建置中介軟體(Middleware)或企業服務匯流排(ESB), 負責轉譯並傳遞各系統間的訊息 (Build middleware or Enterprise Service Bus (ESB), responsible for translating and transmitting messages between systems)：這是包裹式策略的典型實現方式。中介軟體或 ESB 作為一個「包裹」，在不改變原有系統的情況下，處理不同系統之間的數據格式轉換、通訊協議轉換和訊息路由。這能實現系統間的即時資料交換和流程自動化。

本題探討在建置商業智慧系統時，資料倉儲（Data Warehouse）的設計原則。題目要求同時支援「細部分析」（如行銷部門分析每一筆交易）和「高層彙總決策」（如財會部門關注營收趨勢）。

• A. 資料倉儲應儲存最細緻的原子資料(Atomic Data), 以保留後續彙總與鑽取的彈性 (Data warehouse should store the most granular atomic data, to retain flexibility for subsequent aggregation and drill-down)：這是資料倉儲設計的關鍵原則之一。儲存最細緻的原子數據，意味著保留了原始的、最低層次的資料。這樣，無論是需要進行細緻的逐筆分析（如行銷部門），還是需要對這些原子數據進行彙總以生成高層次的趨勢分析（如財會部門），都能夠實現。通過 OLAP (Online Analytical Processing) 技術，可以對原子數據進行多維度的切片、切塊、鑽取和彙總，以滿足不同層級的需求。
• B. 資料倉儲應預先依部門需求進行彙總, 以提升查詢效能 (Data warehouse should pre-aggregate data according to departmental needs to improve query performance)：雖然預先彙總可以提升查詢效能，但這會犧牲細部分析的能力。如果只預先彙總，就無法滿足行銷部門對「每一筆交易紀錄」進行分析的需求。

本題探討 ERP 系統導入後出現問題，但系統本身無重大錯誤，硬體符合規格，最可能的失敗原因。

• A. ERP 系統本身功能不完整, 無法支援企業核心流程 (The ERP system itself has incomplete functionality and cannot support core business processes)：題目中提到「系統無重大程式錯誤」，且 SAP S/4HANA 是成熟的 ERP 系統，功能通常是全面的。因此，這不太可能是根本原因。
• B. 使用者缺乏足夠教育訓練, 導致操作能力不足 (Users lack sufficient training, leading to insufficient operational capability)：使用者訓練不足確實是 ERP 導入失敗的常見原因。例如，財務部門仍用 Excel 彙整，採購部門覺得流程繁瑣，都可能與使用者對新系統的理解和操作能力有關。
• C. 組織未同步調整流程與權責, 導致系統與實際作業邏輯脫節 (The organization did not simultaneously adjust processes and responsibilities, leading to a disconnect between the system and actual operational logic)：這是 ERP 導入失敗最常見且最根本的原因之一。ERP 系統的導入不僅是技術問題，更是組織變革。

本題探討兩種流程改善方案，哪一個更符合流程再造 (Business Process Reengineering, BPR) 的核心精神。BPR 的核心在於「根本性地重新思考、徹底地重新設計」，以追求在成本、品質、服務和速度等關鍵績效指標上的Dramatic improvement（戲劇性的改善）。這通常涉及對流程進行根本性的變革，而不僅僅是微調。

我們來分析兩個方案：

• 方案甲：重新繪製跨部門流程圖，釐清順序與責任。這是一個「流程繪製」或「流程分析」的過程，目的是釐清現狀，但「並未調整」績效指標與核准權限。這屬於對現有流程的「理解」和「釐清」，但並未進行「根本性重新設計」或「徹底改變」。
• 方案乙：取消重複審核關卡，重新定義權責分工，並調整績效衡量方式。這直接觸及了流程的邏輯（取消重複關卡）、組織的運作基礎（重新定義權責分工、調整績效指標）。這是一種對流程進行「徹底重新設計」，以追求效率和速度的提升。

現在評估選項：
A. 方案甲已完成流程重設, 因為流程圖清楚呈現跨部門作業關係 (Scheme A has completed process reengineering because the flowchart clearly shows interdepartmental workflow)：流程圖只是呈現現狀或分析工具，並非流程重設。重設是改變流程本身。

本題探討庚公司導入新系統和流程變革後，改革受阻的根本原因，從組織與資訊系統互動的觀點分析。

• A. 系統介面設計不良, 導致使用者操作成本過高 (Poor system interface design leads to excessively high user operating costs)：題目並未提及介面設計問題，且使用者「表面支持」但「實務上」不配合，不一定是介面問題。
• B. 新系統與既有資料格式不相容, 造成資訊傳遞困難 (New system is incompatible with existing data formats, causing information transmission difficulties)：這是一個技術問題，但問題的關鍵在於「中階主管」的行為，而不是技術整合問題。
• C. 員工尚未熟悉新系統功能, 需延長教育訓練期間 (Employees are not yet familiar with the new system's functions and require extended training)：這可能是影響因素之一，但「中階主管」的行為才是改革受阻的關鍵。
• D. 資訊透明化打破了既有的資訊不對稱, 導致中階主管喪失權力基礎與簽核

本題探討生成式 AI 擴散下，產業界線模糊，競爭角色重新定義的現象，並從產業競爭結構（Porter's Five Forces）的角度分析其關鍵變化。

• A. 傳統買方因選擇增加而取得更高的議價能力 (Traditional buyers gain higher bargaining power due to increased choices)：在某些情況下，選擇增加會提高買方議價能力。但這裡的關鍵是「角色重新定義」和「平台化」，以及買方「受限於特定平台」。
• B. 原本的供應商角色轉變為平台協調者, 重新掌握產業主導權 (The original supplier role transforms into a platform orchestrator, regaining industry dominance)：這個選項最能描述當前趨勢。AI 模型提供者（原供應商）不再僅僅提供技術，而是透過整合運算資源、應用設計和服務模式，建立起一個平台。這個平台成為產業活動的中心，AI 模型提供者透過協調平台上的各方（包括企業用戶），重新掌握了產業的主導權。企業用戶雖然是買方，但卻受限於平台，這意味著他們的議價能力可能受到限制，而平台提供者則成為新的「規則制定者」。

本題要求從 NVIDIA 的角度，分析其平台化策略（要求客戶綁定 CUDA、NVLink 等軟體和系統）在五力分析框架下，旨在促成何種產業結構的改變。

NVIDIA 的策略是要求客戶（大型雲端客戶）除了購買 GPU 晶片外，還必須採用其軟體生態、互連架構和系統設計。這創造了一種「綁定」效應。

我們從五力分析的角度來分析這個策略的目的：

• 進入者威脅 (Threat of new entrants)：這個策略是為了提高進入門檻，而不是降低。客戶被綁定後，要更換供應商的成本會很高。
• 替代品威脅 (Threat of substitutes)：這個策略是為了讓客戶更難轉換到替代品。
• 買方議價能力 (Bargaining power of buyers)：這是策略的主要目標之一。

本題探討 Apple 的生態系策略如何從產業競爭結構和競爭邊界重構的角度，改變了原有的競爭分析框架。

• A. Apple 透過垂直整合降低生產成本, 使硬體產品得以進行價格競爭 (Apple vertically integrates to reduce production costs, enabling hardware products to compete on price)：Apple 的確進行垂直整合，但其競爭優勢不主要在於「價格競爭」，而是體現在差異化和品牌價值上。
• B. 生態系使產品差異主要來自硬體效能, 而非軟體與服務整合 (Ecosystem makes product differentiation primarily from hardware performance, not software and service integration)：這與 Apple 的策略相反。Apple 的生態系正是透過軟體（iOS, App Store）和服務（iCloud, 訂閱服務）與硬體的深度整合來創造差異化。

本題探討 Tesla 透過自製關鍵零組件（如 BMS, 作業系統, 晶片, 演算法）並強化對整車系統的控制權，從產業競爭結構和企業資訊系統角色的角度，對其競爭地位帶來的關鍵影響。

• A. Tesla 將競爭焦點由零組件成本競爭, 轉向以整車系統整合與資料回饋所
  形成的差異化優勢 (Tesla shifts its competitive focus from component cost competition to differentiation advantage formed by whole-vehicle system integration and data feedback)：這是最能解釋 Tesla 策略影響的選項。Tesla 不僅是製造汽車，更是軟硬體整合的科技公司。透過自製關鍵技術，Tesla 能夠深度整合整車系統，並利用車輛產生的數據（資料回饋）來持續優化其軟體、演算法和使用者體驗。這種深度整合和數據驅動的差異化，使其能夠在性能、智能化、使用者體驗等方面超越傳統汽車製造商，形成獨特的競爭優勢，而非僅僅在零組件成本上競爭。

本題探討生成式 AI 導入後，對組織工作流程造成的結構性改變，特別是 AI 並未單純取代人力，而是改變了分工方式。

我們逐一分析每個敘述：

• I. 原本由資深人員負責的初步構思與草稿產出, 部分下移為由 AI 輔助完成 (Initial ideation and draft production, originally handled by senior staff, is partially shifted to AI-assisted completion)：這是生成式 AI 的典型應用。AI 可以快速生成初步想法、草稿，輔助資深人員完成構思和初稿，使資深人員能專注於更複雜的判斷和策略。這確實改變了分工。（正確）
• II. 人員的核心價值逐漸由產出內容轉向界定問題與判斷品質 (The core value of personnel gradually shifts from content output to problem definition and quality judgment)：隨著 AI 能夠高效產出內容，人類的價值更體現在提出正確的問題、設定目標、評估 AI 生成內容的品質、進行判斷和決策。這意味著人的角色從「內容創作者」轉向「問題定義者」和「品質把關者」。（正確）

本題探討為何使用者在導入生成式 AI 作為決策輔助工具時，會對不同風險層級的決策，採取不同的 AI 使用方式。

• A. AI 模型在高階決策情境中的準確率仍明顯不足 (The accuracy of AI models in high-level decision-making scenarios is still significantly insufficient)：雖然 AI 的準確性是影響其使用的因素之一，但題目更強調的是「風險與責任」。
• B. 管理決策的風險與責任配置, 限制了 AI 在決策流程中的角色 (The risk and responsibility allocation of management decisions limits the role of AI in the decision-making process)：這是最根本的原因。在低風險任務（如市場摘要、方案比較）中，AI 的輸出即使有誤，其後果也相對較小，使用者可以較放心地直接採用 AI 的產出。然而，在高風險決策（如資源配置、組織責任、長期策略）中，決策的後果可能非常嚴重，且決策者需要對其結果承擔最終的責任。因此，即使 AI 在這些情境下可能提供有用的資訊，但由於其輸出並非絕對準確，且 AI 本身無法承擔法律或道德責任，決策者會將 AI 視為輔助工具，而非決策的最終執行者，以規避潛在的風險和責任。

本題探討在不全面重建系統的前提下，為何系統整合（透過中介軟體）在某些情況下優於系統替換（如導入單一 ERP）。

• A. 系統整合能從根本上統一底層資料庫結構, 徹底解決資料不一致的問題 (System integration can fundamentally unify the underlying database structure, thoroughly solving the problem of data inconsistency)：系統整合（特別是透過中介軟體）通常是在不改變原有系統結構的前提下，實現數據的轉換和傳遞，它「解決」數據不一致問題，但「不一定能從根本上統一底層資料庫結構」。而系統替換（如導入 ERP）才可能做到這一點。
• B. 系統整合後的整體架構通常比單一 ERP 平台更為單純, 易於維護 (The overall architecture after system integration is usually simpler than a single ERP platform, making it easier to maintain)：這不一定成立。一個複雜的系統整合環境，其架構可能比一個單一的 ERP 平台更複雜，維護難度也可能更高。

本題探討在資訊系統已整合、數據技術上無問題的情況下，為何仍存在「資訊孤島」，導致跨部門決策成效有限。

• A. 資料庫結構尚未完全正規化, 導致查詢與分析效率不足 (Database structure is not fully normalized, leading to insufficient query and analysis efficiency)：題目已說明「技術上亦不存在重複建檔或資料不同步的問題」，這暗示著數據的技術整合是有效的。正規化是數據庫設計的原則，雖然重要，但在此情境下，問題不在於查詢效率，而在於跨部門協調。
• B. 資訊系統缺乏足夠的即時性, 無法支援跨部門決策需求 (Information systems lack sufficient real-time capability to support cross-departmental decision-making needs)：題目已說明「資料集中至同一資料平台」，且「技術上亦不存在重複建檔或資料不同步的問題」，這通常意味著數據是相對即時和一致的，問題不在於即時性。

本題探討為何 AI 在處理標準流程問題時表現良好，但在情境判斷、策略制定等複雜決策上，難以達到資深顧問的水平。

• A. 生成式 AI 尚無法有效處理非結構化資料 (Generative AI cannot effectively process unstructured data)：這不完全正確。生成式 AI 在處理文本等非結構化資料方面表現出色，例如分析專案文件。問題不在於是否能處理，而是處理的深度和品質。
• B. 關鍵決策能力高度仰賴內隱知識, 難以完全轉化為可被系統化存取的形式 (Critical decision-making ability highly relies on tacit knowledge, which is difficult to fully convert into a systemically accessible format)：這是最根本的原因。資深顧問的決策能力，尤其是在情境判斷、客戶互動策略和風險取捨等方面，很大程度上依賴於他們的經驗、直覺、對微妙情境的感知、以及在複雜、模糊情況下進行權衡的「內隱知識」（tacit knowledge）。這種知識是難以被清晰地表達、歸納和轉化為結構化數據或規則，進而供 AI 模型學習的。

本題探討在 AI 交易虧損事件中，交易部門主管試圖將責任推給 AI 的「黑盒子特性」，以及如何從資訊治理與倫理問責（accountability）的角度反駁此觀點。

• A. AI 系統已具備高度自主性, 應被視為獨立的法律主體(legal person), 單獨承擔後果 (The AI system has a high degree of autonomy and should be regarded as an independent legal entity, solely bearing the consequences)：AI 目前不是法律主體，無法獨立承擔法律或倫理責任。
• B. 決策執行的權力可以下授給演算法, 但對決策結果的最終當責(accountability)無法轉移 (The power of decision execution can be delegated to the algorithm, but the ultimate accountability for the decision outcome cannot be transferred)：這是最符合資訊治理和倫理問責原則的觀點。即使 AI 系統被授權執行交易決策，但最終的決策者及其組織（即丙投資公司及其管理層）仍然對 AI 的行為及其產生的後果負有最終的責任。AI 的「黑盒子」特性不能成為推卸責任的藉口。

本題要求從社會技術系統（Socio-Technical Systems）的批判觀點，反駁外送平台聲稱其派單系統是「技術中立」的說法。批判觀點強調技術與社會（包括組織、使用者、價值觀）之間的互動和相互塑造。

• A. 演算法的偏誤僅來自於訓練資料的品質, 而非程式設計本身的邏輯 (Algorithm bias only comes from the quality of training data, not from the logic of the program design)：演算法的偏誤可能來自訓練數據，也可能來自設計邏輯。這個說法過於簡化，且不直接反駁「技術中立」。
• B. 技術系統本身不具備價值觀, 問題在於使用者如何回應系統誘因 (Technical systems themselves do not have values; the problem lies in how users respond to system incentives)：這是技術決定論的觀點，認為技術本身是中立的，問題出在使用者。批判觀點則認為技術本身就內嵌了價值觀。

核心觀念
本題探討的是 Google 以「Gemini Advanced + NotebookLM + 2 TB 雲端空間」捆綁的 降維打擊（dimensionality‑reduction strike） 策略。降維打擊指企業透過 橫向整合、產品捆綁，將原本屬於多個維度的競爭要素（模型、儲存、知識管理）壓縮成單一服務，以 降低競爭者進入門檻、提升用戶切換成本，從而在市場上形成「一次性」的競爭優勢。主要概念包括：

1. 互補資產（Complementary Assets）：服務價值不僅由核心技術（AI模型）決定，還仰賴使用者私有檔案、雲端儲存等資產。
2. 捆綁定價（Bundling & Price Incentive）：以低價年繳優惠將高階 AI 變為雲端服務的「附加品」，壓縮純模型訂閱市場。
3. 認知鎖定與轉換成本（Cognitive Lock‑in & Switching Cost）：NotebookLM 把檔案轉為互動式知識體系，使用者在平台上累積的「個人化知識圖」難以搬移。
4. 規模與成本優勢（Scale & Cost Advantage）：自研 TPU 降低運算成本，支撐長期低價策略。
5. 資料擁有權（Data Ownership）：取得使用者私有資料可作為未來模型再訓練的素材，但此目的在本題中非主要驅動力。

解題方法

1. 先釐清每個敘述的核心意涵，判斷其是否屬於「降維打擊」的主要邏輯。
2. 比對選項：逐一檢視每個組合是否包含 核心互補資產（I）、捆綁低價（II）、以及 認知鎖定（V）——三者構成降維打擊的完整圖譜。
3. 排除次要或不相關的敘述：
   • III（取得資料所有權） 側重資料收集，屬於長遠研發策略，非即時「降維」的核心。
   • IV（TPU 成本優勢） 雖為成本基礎，但在題幹中已暗含，非「策略邏輯」的關鍵說明。

依此判斷，唯一同時具備 I、II、V 的組合即為正解 E。

選項逐一分析

本題探討 Adobe 在其軟體（Photoshop, Premiere Pro）中整合第三方 AI 模型（如 OpenAI Sora, Runway, Google Gemini）的平台競爭策略意圖。

• A. 承認自家 Firefly 模型研發失敗, 決定轉型為純粹的第三方 AI 軟體代理商 (Admitting the failure of its own Firefly model R&D, deciding to transform into a pure third-party AI software agent)：Adobe 並非「純粹」轉為第三方代理商，它依然保留和推廣自家 Firefly 模型。這不是承認失敗，而是擴展生態。
• B. 透過引入多樣化模型, 將 AI 模型商品化(Commoditization), 使其成為選單中可替換的
  零件, 藉此鞏固 Adobe 作為工作流核心的控制權 (By introducing diverse models, AI models are commoditized, becoming interchangeable parts in a menu, thereby consolidating Adobe's control over the workflow core)：這是最符合平台競爭策略的解釋。Adobe 將其軟體（Photoshop, Premiere Pro）打造成一個「平台」，讓用戶可以在這個平台上調用各種 AI 模型（包括自家的 Firefly 和第三方的）。當 AI 模型變得像「零件」一樣可替換（商品化），用戶的選擇更多，但他們仍然需要 Adobe 的平台來整合和使用這些模型。這使得 Adobe 鞏固了其在用戶工作流中的核心地位，成為連接用戶和各種 AI 模型的「樞紐」。用戶離不開 Adobe 平台來進行創作，即使他們選擇不同的 AI 模型。

核心觀念

• Porter 價值鏈：在半導體產業中，價值鏈可分為前段（製程、設計）與後段（封裝、測試、物流）。傳統上，封裝與測試屬於低附加價值的支援性活動。
• Fabless 商業模式：Fabless 公司只負責 IC 設計，將製造交給代工（Foundry），而封裝通常仍委外或視為低階服務。
• 產業結構深層轉變：當某個原本屬於「支援」的環節因技術瓶頸而變成「差異化核心」時，會產生 價值鏈重組、 資產專屬化 與 控制點擴張 三大結構變化。

解題方法

1. 先對照題幹描述的情境：
   • AI 晶片供應瓶頸在 TSMC CoWoS 先進封裝，而非 3 nm 製程。
   • TSMC 因此把 先進封裝納入核心營運（Foundry 2.0）。
2. 再根據 Porter 價值鏈與 Fabless 商業邏輯，判斷每個敘述（I–V）是否描述上述結構變化的要素。
3. 只保留屬於「價值鏈重組」或「商業模式改變」的敘述，排除僅屬於 技術趨勢描述（如摩爾定律放緩）的敘述。

選項分析

核心觀念

• Agentic Workflow：由 Andrew Ng 提出的「思考→行動→修正」迴圈，強調 AI 系統在單次零樣本提示之外，需要透過多輪推理與執行、根據回饋持續調整。
• MIS（Management Information System）系統設計：資訊系統的效能往往取決於流程架構（process architecture）與控制機制（control mechanisms），而非單一技術的極限性能。系統的品質由「人、流程、資訊、技術」四個要素的協同決定。
• 模型能力上限 vs. 流程設計：即使使用較低階的語言模型（如 GPT‑3.5），若配合良好的工作流程（RAG、feedback loop），可彌補模型本身的不足，提升最終輸出品質。

解題方法

1. 先審視題幹：Andrew Ng 的實驗顯示，結合良好 Agent 流程的 GPT‑3.5 仍能超過單次呼叫的 GPT‑4。這說明 系統整體效能受流程左右。
2. 從 MIS 的角度切入：MIS 強調「資訊系統的產出品質」受 系統流程與控制（如工作流程設計、資料驗證、回饋機制）影響，而非僅僅是單一技術或硬體資源。
3. 檢視選項，找出唯一符合「流程架構與控制機制」說法的敘述。

選項分析

本題探討工程師 Boris Cherny 透過流程和規範來提升 AI 應用價值，而非僅依賴 AI 模型本身的效能。這從 MIS 的角度體現了哪些觀點。

我們逐一分析每個觀點：

• I. 互補性資產: 資訊科技投資的報酬, 關鍵來自組織與管理資本, 而非技術本身 (Complementary Assets: The return on IT investment hinges on organizational and managerial capital, not just technology itself)：Boris Cherny 的做法正是通過「流程調整」和「規範文件」（組織與管理資本）來提升 AI 的價值，而不是僅僅升級 AI 模型本身（技術）。這體現了互補性資產的重要性。（正確）
• II. 規範文件將原本分散於個人經驗中的隱性知識加以顯性化, 使 AI 行為得以制度化 (Documentation standardizes tacit knowledge originally dispersed in individual experience, making AI behavior institutionalized)：建立共用的規範檔（CLAUDE.md）和要求 AI 規劃再執行，實際上是將顧問經驗中的一些「隱性知識」（如何規劃、如何檢查）轉化為「顯性知識」（可記錄、可執行的規則），從而對 AI 的行為進行「制度化」的約束和引導。（正確）