麥當勞數位轉型系列 4/5｜從個人化看決策可追溯
2019 年，麥當勞宣布收購 Dynamic Yield。官方說明的應用不是一個抽象 AI 名詞，而是很具體：依時間、天氣、餐廳流量與熱門品項調整得來速數位菜單，並依當次選擇提出加購建議。
2021 年，麥當勞與 Mastercard 又宣布 Dynamic Yield 將由 Mastercard 收購，而麥當勞會繼續擴大並整合相關能力。
這篇要把「個人化推薦」翻譯成「企業決策的可追溯性」。
AI 進入點餐決策時，真正改變了什麼？
AI 不只改變顧客看到的選項，也改變企業如何留下決策依據、驗證執行效果與分配管理責任。
很多人把 AI 理解成一個會推薦的模型。其實模型只是中間一段；前面還有資料來源，後面還有畫面呈現、顧客選擇、門市執行與結果回饋。
我把這叫做「決策鏈」：從輸入資料、規則或模型版本、推薦內容、人工覆核到實際結果，每一步都能回答誰在何時做了什麼。
如果你是老闆（或那個要向董事會說明 AI 失誤的主管），你能重現昨天某一筆建議為什麼出現嗎？
收購後又出售，代表 AI 策略失敗嗎？
不能這樣推論；官方可確認的是所有權改變後，麥當勞仍表示會持續擴大與整合相關能力。
公司沒有在這兩份公告中提供足以讓外部判斷成敗的完整內部資料，所以本文不替它補故事。
但這段歷程提供一個很好的管理提醒：「擁有技術公司」與「掌握營運能力」不是同一件事。
企業可以自建、採購、訂閱或與夥伴合作。真正不能外包的，是問題定義、資料責任、驗收標準與停止條件。
當供應商更換、模型升級或合約結束時，如果流程、知識與判斷全部留在外部，買到的只是暫時可用的功能，不是組織能力。
如何讓 AI 建議可以被追溯？
至少保存輸入來源、模型或規則版本、輸出內容、人工介入與執行結果，才有能力查錯與改善。
這很像產品生命週期管理（PLM）的思考方式（曾在晶圓研發做良率提升六年半）：不是只問產品有沒有做出來，而是問當時用了哪一版規格、誰核准變更、結果如何被驗證。
ERP 管「把產品做好」，PLM 管「把產品做對」。放到 AI 導入裡，就是系統能跑還不夠，企業還要證明它依據正確資料、在正確邊界內，做出可以被檢查的建議。
很多人把紀錄理解成找人背鍋。其實剛好相反：可追溯讓團隊不必靠記憶爭論，能把問題定位在資料、規則、介面或執行環節。
business owner 該如何估算 AI 的放大成本？
AI 的風險不只在單次錯誤，而在同一個錯誤能以更高頻率、更大規模被系統持續自動執行。
一個店員說錯一次，影響一筆互動；一條錯誤規則同步到多個接點，可能同時影響 App、數位菜單與自助點餐。這裡不臆測麥當勞的損失，而是提醒主管把「影響範圍」列進驗收。
上線前要問：哪些建議可自動執行？哪些需要人工核准？錯誤由誰監看？觸發什麼條件就暫停？如何回到上一版？
沒有停止條件的自動化，不是成熟，而是把煞車拆掉。
哪些資料可以回頭查證？
收購、應用情境與出售後的合作方向，都來自麥當勞官方公告；成敗原因沒有資料就不推測。
系列終篇，我們把機器、App、會員與 AI 收回同一張管理圖：主管究竟要怎麼把工具變成組織長期帶得走的能力？
