文／TED｜優創執行長
8 月 22 日的分享會上，身為優創執行長，我沒有花太多時間列 AI 工具。
大家最常問我的，是「哪一套最好用？」但我在意的通常是另一件事：公司裡到底哪個環節在卡？誰每天把時間花在哪裡？這些問題沒有先講清楚，接再多工具進來，也只是把原本的混亂搬到另一個地方。
我想把當天講的幾個做法留下來，給正在評估 AI 的老闆當作起點。
我把 AI 當成新進同事
我不期待一個新同事第一天進來，就知道所有事情怎麼做。我要先交代背景、告訴他標準，也要看過他交出的結果。AI 也是一樣。
很多公司的流程，其實都只留在資深同事腦中。客訴怎麼判斷、報價要注意什麼、老客戶有什麼習慣，往往沒人寫下來。人一離職，經驗也一起走了。所以在選模型前，我會先把這些做法整理出來，也把散在各處的資料收回來。
客服是我們很有感的一塊。我們公司一年有兩萬多筆諮詢，過去很依賴一位資深同事的判斷。後來，我們慢慢把常見問題、回覆方式和判斷邏輯整理成自己的客服系統。這樣做不是為了少一個人，而是希望這些累積能留在公司裡；下一個新人接手時，有東西可查，也知道怎麼走。
我們先挑一個卡點下手
我不建議一開始就談全公司自動化。先找一件每天都做、又最耗時間的工作，跑出一個結果就好。
以我們自己為例，同事會回報當天的進度和卡點，系統先幫忙把問題分出來，主管再處理真正需要決策的部分。資料整理完只是開始，後面還是要有人決定：這個問題誰處理、什麼時候處理、處理後有沒有改善。
業務開發也是一樣。公開資料的初步蒐集、名單整理、邀請文案草稿，適合先交給系統做；客戶值不值得談、要怎麼談、信任怎麼建立，還是得由人來判斷。我會把這兩段工作分開，團隊才會知道 AI 到底幫了什麼。
我會先請團隊把數字重算一次
我們曾進到一家公司，對方原本報告給老闆的廣告投報率是 3.55 倍。把轉換和成本重新拆開後，實際數字只有 0.87。意思很直接：每投 1 元，回收不到 1 元；老闆卻原本準備繼續加碼。
另一個案例是毛利。老闆以為自己賺七成，財務也照著這個方向做，但完整成本沒有被算進去。看起來很健康的數字，放到真實的營運裡，結果完全不同。
我不是要用這些案例說 AI 可以解決所有問題。它能先把資料整理好、把異常拉出來；但資料怎麼定義、成本怎麼算、哪一段流程要改，仍然要由懂現場的人來決定。
有些系統，我會直接勸客戶先不要做
如果業務用既有工具五分鐘就能完成一份報價單，我不會急著建議他再做一個 AI 報價系統。多一套系統，就多一套維護成本。
我會先問三件事：這個步驟是不是常出錯？是不是大量重複？是不是已經影響到客戶回覆速度或營運判斷？如果都不是，先把資源留給更痛的地方。
同樣地，AI 的產出不該直接上線。涉及公司方向、客戶溝通或財務決策時，我們還是會檢查。AI 可以先整理、先提出做法、先提醒異常；最後的決定，必須由了解情況的人做。
我們需要的是能到現場的 FDE
我看 FDE（前線部署工程師）這個角色，會不會寫程式只是基本功。更重要的是，他能不能聽懂一家公司怎麼接單、怎麼核算、客服卡在哪裡。
這些事情聽起來不炫，卻決定了一套系統會不會真的被用起來。我們先把流程走過幾輪、弄清楚要解決什麼，再決定是否需要工程團隊。這通常比一開始就花大錢開發更穩。
我們也把 GEO 放在這條長期路徑上。當客戶開始問 AI「該找誰」時，品牌能不能被理解與引用，取決於平常有沒有把案例、服務內容和專業判斷留下來。這不是短期衝排名的工作。
如果現在要開始，我會先做這件事
挑一段你每天都在重複、又總是卡住的流程，把它講清楚、記下來、跑一遍。確認真的有問題，再讓 AI 介入。
這也是我們跟客戶進場時最常做的第一輪工作。如果你正在評估客服、營運、業務開發或財務流程該不該導入 AI，帶著現有的作業方式來談就好；我們會先一起把問題看準，再決定工具和值不值得投入。