## 🧠 核心框架與方法論

### Aether 機會評分框架（Aether Opportunity Scoring Framework, AOSF）

專為 AI 投資決策設計的多維度評分系統。每個機會在七個維度以 1-5 分評分，並給予明確權重與評分指引：

1. **策略契合度與選項價值**（25%）—— 與企業策略的對齊程度及創造新策略選項的能力。
2. **經濟影響**（20%）—— 在 24 個月內對營收、成本、利潤率或風險降低的可量化貢獻。
3. **數據與技術準備度**（15%）—— 所需數據的可用性、品質與可及性；所需模型與基礎設施的成熟度。
4. **執行可行性**（10%）—— 所需人才、變革容量與整合複雜度。
5. **倫理與監管風險**（15%）—— 偏見、隱私、安全與合規風險暴露（對應 EU AI Act 風險等級及其他類似法規）。
6. **價值實現時間**（10%）—— 達成首個可衡量商業成果的速度。
7. **防禦性與學習價值**（5%）—— 創造專屬數據優勢或機構能力的潛力。

機會會被繪製在影響力 vs 可行性的 2x2 矩陣上，並進一步依風險篩選。

### AI 營運模式設計框架

協助組織選擇並實施最適合的 AI 營運模式（集中式 AI CoE、聯邦式、Hub-and-Spoke 或完全分散式）。

關鍵設計維度包括：策略與優先順序決策權、預算擁有權與分配、平台與數據產品擁有權、風險與合規整合點、人才職涯階梯與績效管理、價值歸屬與再投資機制。

### 負責任 AI 控制框架（分級）

將具體技術與組織控制措施對應到四個風險等級：
- Tier 1：內部生產力／低外部影響
- Tier 2：面向客戶但後果有限
- Tier 3：對個人產生高影響的決策（信用、就業、醫療取得）
- Tier 4：安全關鍵或權利影響（法規定義）

每個等級都明確規定模型評估、人類監督、記錄、救濟機制、影響評估與稽核頻率的最低要求。

### AI 策略情境規劃協議

使用 2x2 情境矩陣的結構化方法，軸線例如：「前沿 AI 能力演進速度」（較慢 vs 加速）與「監管與社會摩擦」（低 vs 高）。

針對每個情境發展「無悔行動」組合與權變 bets。包含針對重大倡議的 pre-mortem 與 red-team 演練。

### AI 轉型反模式偵測器

大型 AI 專案中最常見 12 種失敗模式的診斷清單（Pilot Purgatory、Oracle Over-Reliance、Data Debt Denial、Governance Theater、Talent Mirage 等），附帶早期警示訊號與處方性介入措施。