工作流
一段從需求進來、做判斷、產出結果的工作。
例子：客戶問題進來，有人查政策、寫回覆，最後記錄處理結果。方法論
把 AI 想法變成可營運工作流的方法
多數企業不缺新的 AI demo，而是缺一套判斷方式：哪一段流程值得改、AI 應該在哪裡協助、人在什麼地方審核，以及成果該怎麼衡量。
先用白話講
先用白話講
這套方法會用到一些 AI 詞彙，但真正要回答的問題很簡單：哪一段工作夠痛、夠常發生、有風險，而且值得被改善？
AI 試點
先拿一段真實工作做小規模測試，不是一開始就全公司導入。
例子：先用四週測試某一類客服問題，再決定要不要擴大到整個客服信箱。人工審核
在 AI 的結果影響客戶、金錢、合規或信任之前，安排一個人確認。
例子：AI 可以先草擬回覆，但退款、合約或敏感案件要由主管確認。營運模式
說清楚這段流程上線後，到底由誰負責維持。
例子：誰更新文件、誰檢查品質、誰處理例外、誰決定要不要擴大。為什麼方法論從工作流開始
為什麼方法論從工作流開始
近年的企業 AI 研究指向同一件事：真正產生價值的公司，不只是使用模型，而是重新設計工作流、定義人工驗證，並讓管理層承擔導入責任。問題通常不是只有模型，而是 AI 是否真的進入營運流程。
MIT NANDA：GenAI Divide
2025 報告指出，多數試點沒有可衡量回報；少數成功的整合型試點，通常會把工具對準具體流程與商業成果。
MIT NANDA / State of AI in Business 2025McKinsey：高績效企業會重設工作流
McKinsey 2025 全球調查指出，AI 高績效企業更常重新設計工作流，也更常定義模型輸出何時需要人工驗證。
McKinsey State of AI 2025Deloitte：擴大導入仍受治理與風險影響
Deloitte 的企業 GenAI 研究指出，法規不確定、風險管理、資料品質與人員問題仍是主要阻礙；當 AI 系統開始能連續執行多個步驟時，這些問題會更重要。
Deloitte State of Generative AI三層方法
三層方法
1. 工作流適配度
這段流程到底適不適合先導入 AI？先檢查重複性、處理量、成本壓力、模式清晰度、知識來源、輸入品質、風險、人工審核、整合、衡量方式與責任歸屬。
例子：每天重複出現的客服政策問題，通常比每季一次的策略會議更適合作為第一個 AI 試點。
2. 工作流設計
AI 協助後的流程應該長什麼樣子？把觸發點、輸入、分類、知識檢索、草擬或動作、審核點、升級路徑、輸出、回饋迴路與指標畫清楚。
例子：AI 可以先分類客服請求、找出政策依據、草擬回覆，再把敏感或不確定案件交給真人審核。
3. 營運模式
試點之後，這段流程誰負責維持？定義 owner、知識來源維護、審核責任、例外處理、品質監控、使用者採用，以及是否擴大的判斷指標。
例子：內部知識助理需要有人維護來源文件、檢查回答品質，並決定過期內容何時移除。
把方法論變成一條實際決策路徑
把方法論變成一條實際決策路徑
這套方法不是做理論分析，而是幫主管一步一步做判斷：不要一開始就做過大的 AI 專案，而是找出一段可以被測試、被衡量、被管理的工作流。
找出那段工作
用白話說清楚：誰提出需求、誰做判斷、最後要產出什麼。
評估適配度
檢查這段工作是否重複、夠痛、有來源、可審核、可衡量，而且有人負責。
設計交接點
決定 AI 做什麼準備、人在哪裡確認、什麼情況必須升級處理。
做小型試點
先選一個窄範圍、真實團隊與短回饋週期來測試。
衡量結果
比較節省時間、品質、風險、採用率，以及團隊是不是真的每天使用。
擴大或停止
只有在 owner、品質審核與來源維護都清楚時，才擴大導入。
什麼樣的工作流適合作為 AI 候選？
什麼樣的工作流適合作為 AI 候選？
好的第一個 AI 工作流通常不炫目，而是重複、夠痛、夠清楚、可審核、可衡量，並且有人負責。
重複發生
頻率夠高，改善才會累積成價值。
有可辨識模式
案件有變化，但不是每次都完全不同。
有知識來源
有文件、規則、範例或歷史決策可供 AI 依據。
可以審核
重要輸出可以由人確認後再產生風險。
可以衡量
能比較導入前後的時間、速度、品質、成本或處理量。
有人負責
試點上線後，有明確 business owner 接住這段流程。
什麼情況下，不該先急著做 AI
什麼情況下，不該先急著做 AI
流程本身還不清楚
如果沒有人說得清楚現在工作怎麼發生，AI 很可能只是把混亂自動化。
風險高，但審核點不清楚
如果錯誤會影響客戶、金錢、合規或信任，必須先設計人工審核。
沒有明確 owner
沒有 business owner 的試點，通常會停留在 demo，沒有人維護。
沒有可衡量的痛點
如果流程不慢、不貴、不常錯，也不是策略重點，就不一定值得客製 AI。
同一套方法可以用在哪些部門
同一套方法可以用在哪些部門
商業領域會變，但核心問題很像：哪段工作重複？需要哪些知識？哪些風險要審核？最後由誰負責？
財務
發票檢查、費用問題、月結說明與文件初審；例外情況仍由人批准。
HR
制度問答、新人 onboarding、履歷初步整理與內部需求分流；前提是政策來源清楚。
法務 / 合規
文件摘要、政策查詢、條款比較與風險提示；由負責專家做最後判斷。
營運
email 轉任務、訂單或出貨例外摘要、文件資訊擷取與跨部門交接。
管理層
每週議題摘要、決策紀錄、客戶回饋主題與跨團隊 follow-up 追蹤。
銷售
inbound 篩選、客戶研究摘要、提案草稿與下一步建議，再由業務確認。
方法論實際用起來會像這樣
方法論實際用起來會像這樣
客服
- 之前
- 客服人員反覆回答相似問題，並手動搜尋政策文件。
- 設計
- AI 分類請求、檢索核准政策、草擬回覆，並升級敏感案件。
- 衡量
- 衡量首次回覆時間、人工分流時間、回答一致性與升級準確度。
內部知識
- 之前
- SOP 與文件分散，大家反覆問相同內部問題。
- 設計
- AI 從核准來源搜尋、附來源回答，並標示缺漏或過期內容。
- 衡量
- 衡量搜尋時間、重複提問、新人上手速度與回答信心。
銷售入口
- 之前
- Inbound 詢問資訊品質不一，團隊人工判斷優先順序。
- 設計
- AI 擷取需求、補問缺漏資訊、判斷成熟度，並分流到正確後續路徑。
- 衡量
- 衡量篩選速度、交接品質、回覆延遲與合格線索轉換。
先從一段工作流開始
先從一段工作流開始
這套方法刻意保持務實。選一段流程，先評分、看風險，再決定是否值得進一步診斷；不要一開始就急著買工具或開發系統。
參考來源
參考來源
這些來源支撐本方法論對工作流重設、人工驗證、治理與可衡量成果的重視。
MIT NANDA / State of AI in Business 2025 https://www.searchyour.ai/archivos/genai-divide-state-ai-business-2025-mit-nanda-report.pdf McKinsey State of AI 2025 https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai Deloitte State of Generative AI https://www.deloitte.com/us/en/about/press-room/state-of-generative-ai.html