核心概念

2026 年 6 月，OpenAI Frontiers 系列發布 Endava 案例研究，聚焦這家全球 IT 服務公司如何以 AI Agent + ChatGPT Enterprise 為核心，對整個軟體交付生命週期進行系統性重構——而不是點狀工具導入。

Endava 的轉型策略建立在一個根本判斷上：AI 應該是組織的底層運作方式，而不是追加在既有流程上的加速器。CTO Matt Cloke 將這個原則定義為 "Built-In, Not Bolted-On"：AI 嵌入組織 DNA，從產品開發、客戶交付、合規治理，到內部知識傳承，每個環節都從「是否需要 AI 協助」重新設計起點，而非問「我現在的流程哪裡可以用 AI」。

ChatGPT Enterprise：11,000 人規模的基礎設施部署

Endava 的 OpenAI 合作從 ChatGPT Enterprise 的全組織部署開始。部署規模：

  • 覆蓋目標：9,000 名員工（出自約 11,000 人規模的公司）
  • 先導試驗：150 名員工率先運行，以蒐集實際使用回饋
  • 成果：員工自建 300+ 個 custom GPTs，覆蓋法律、財務、工程、業務等多個職能

這個部署模式值得注意的地方在於先導驗證邏輯：Endava 沒有一次性全員推廣，而是先以小群體建立使用模式，再轉化為組織標準。這樣的方式降低了 AI 工具在大規模組織中常見的「部署後棄用」風險。

Keystone 計畫：AI 原生文化的系統性建構

組織工具之外，Endava 推行名為 Keystone 的全球文化轉型計畫，核心是建立「AI fluency（AI 流暢度）」——讓使用 AI 成為跨職能的基本工作能力，而非工程師的專屬技能。Keystone 計畫包含：

  • AI Champions 網絡：早期採用者扮演最佳實踐推廣者，在組織內部形成支援節點
  • AI Academy：個人化學習路徑平台，整合結構化訓練模組
  • 強制倫理訓練：所有員工須完成 AI 責任使用課程
  • 全球 AI Days：跨部門成功案例分享活動
  • GPT Navigator：管理內部 custom GPT 開發的黃金標準與治理框架

Keystone 計畫的設計邏輯是：AI 採用本質上是行為改變，不是軟體部署。領導層帶頭使用工具，是讓整個組織轉型的先決條件。

AI Agent 網絡：每個 Agent 擁有交付週期的特定環節

Endava 在 Dava.Flow™ 框架下建立了一個獨立 Agent 網絡，每個 Agent 在交付生命週期中擁有明確的所有權邊界，而非通用助理模式：

Agent 類型 職責邊界
需求 Agent 原始業務需求 → 結構化 user stories
開發 Agent boilerplate 邏輯與單元測試
審查 Agent 作為 PR 的靜默審查者
法律/文件 Agent 合規研究與文件工作流程
治理 Agent 生成治理報告、摘要工程進度（PM 用）
商業 Agent 輕量 AI 應用取代試算表密集規劃

這個架構的關鍵設計選擇是職責邊界明確：每個 Agent 有完全的局部所有權，而非一個全能代理覆蓋所有事情。這降低了 Agent 之間的干擾風險，也讓人員監督更為聚焦。

關鍵要點

  • 法律部門量化成效最具說服力：法律 GPT（第三方審查）節省 40-50% 時間、RFP GPT 縮短初審時間 80%、供應商合約 GPT 節省 30% 起草時間——這些數字遠比工程部門的「生產力提升」更容易被業務部門理解與接受

  • 文化建設與工具部署須同步：Keystone 計畫與工具導入同時推進，避免工具先於能力到位。「AI Champions 網絡」本質是內部認可的早期採用者成為推廣節點，把自上而下的部署轉化成自下而上的實踐擴散

  • Dava.Flow™ 中「Govern」階段是規模化的核心前提：在合規、可稽核的框架下執行，才能在受監管產業（金融、醫療）中推廣 agentic 工作流程。許多企業 AI 計畫失敗於此

  • Agent 所有權邊界設計取代通用助理：比起「一個 AI 助理做所有事」，明確職責邊界的 Agent 網絡更易於監督、更易於失效診斷，也更能積累特定職能的專業化能力

  • 先導規模決定推廣品質：150 人先導 → 9,000 人全員的路徑，比一次性全員部署更能建立組織記憶與使用慣例

  • IT 服務業商業模式壓力倒逼轉型：全球 IT 外包市場 6,000 億美元，當交付效率大幅提升，以工時計費的模式面臨重構。Endava 的回應是強化自身為「AI 原生交付方法論擁有者」的定位

實務應用

法律-工程需求轉譯案例：Endava 法律團隊與工程團隊合作，開發跨部門的自動化合約數據提取系統，從多個來源提取合約資料，無需人工介入。這個案例說明最高 ROI 往往來自「跨職能知識翻譯」場景，而非純技術加速。

300+ custom GPTs 的治理挑戰：規模到 300+ 自建 GPTs 時，一致性、品質管控與安全審查成為真正的管理挑戰。Endava 的 GPT Navigator 是應對這個問題的基礎設施——提供黃金標準框架，讓部門自建同時有底線保障。

對其他服務業的啟示：Keystone 計畫的設計邏輯可遷移至任何以知識工作為主的服務業：先識別跨部門溝通最耗時的知識翻譯環節（如法律-工程需求轉譯），以小規模先導驗證後規模化推廣，同步建立 AI Champions 推廣網絡，而非一次性工具部署。

延伸觀點

多個獨立來源交叉驗證了 Endava 方法論的核心假設：

企業 AI 採用失敗的根本原因是「工具先於能力」：Gartner 2026 年數據顯示，超過 40% 的企業 agentic AI 專案有在 2027 年前被取消的風險，主因不是技術問題，而是成本失控、業務價值不清晰、治理缺失。Endava 的 Keystone 計畫直接對應這個系統性風險——在工具之前先建立使用能力與治理框架，是可擴展部署的必要前提。

AI-native vs AI-augmented 是組織設計的根本差異：Cloke 的定義強調「先思考用 AI 解決問題」，而非「在現有流程中加入 AI」。這個差異帶來截然不同的結果——前者重構流程邏輯，後者只是加速現有摩擦。MUFG 與 OpenAI 的金融機構合作案例（MUFG × OpenAI：打造 AI-native 金融機構）也呈現類似的組織設計轉型，顯示「AI 原生文化重構」正成為跨行業的共同路徑。

職責邊界明確的 Agent 設計優於通用代理：多篇研究（Hugging Face、Microsoft Research）共同指出，在企業環境中，職責邊界明確的 Agent 比通用大型代理更易於部署、監督與失效診斷。Endava 的六類 Agent 設計在實踐中驗證了這個理論方向——每個 Agent 的輸入輸出範圍明確，失效點容易定位，且可獨立優化。

相關頁面：Endava × Codex：IT 服務公司建構代理型組織的全交付週期實踐 | Endava × Codex：打造 Agentic Organization 的全生命週期轉型 | MUFG × OpenAI：打造 AI-native 金融機構 | 前沿企業如何拉開差距：OpenAI B2B Signals 解析 | 企業 AI 規模化的五大模式：OpenAI 歐洲企業領袖洞察

反向連結

以下頁面引用了本頁：