企業流程改造的重點，不是把人工步驟全部交給 AI，而是把資料、判斷、例外與驗收拆開，讓每一步都有負責人。
以下以真實教學討論中的投資評估流程為原型，示範 AI 顧問如何把個人經驗轉成可回測的人機協同工作流。
一場顧問合作課程裡，團隊原本同時談了加盟診斷、網站、知識樹、技能模組、代理系統、搜尋優化、程式碼管理與資料庫。問題不是缺少創意，而是每個方向都在動，沒有任何一條流程先跑完。
這正是中小企業導入 AI 最常見的卡點。主管看到很多可能性，員工測了很多工具，但資料仍靠人工收集，判斷仍鎖在資深人員腦中，最後的報告仍要重做。工具變多了，交付時間沒有穩定縮短。
人機協同不是「AI 先做，人再看一下」，而是事先定義機器做什麼、人在哪裡判斷、什麼證據才算完成。
▋ Belief：流程卡死通常不是因為 AI 不夠強
在投資評估、營運診斷或管理分析中，表面工作可能只是把租金、人事、原物料、營收、客單價與來客數輸入試算表。真正困難的部分卻是：資料是否同一期間、一次性支出如何處理、比較基準從哪裡來、異常值要不要排除，以及顧問何時必須拒絕下結論。
若企業直接把一份舊試算表接到生成式 AI，AI 只會更快產出看似完整的說明。錯誤的資料、未定義的公式與主觀的比較基準，也會被一起放大。這不是自動化，而是把不確定性藏進漂亮介面。
從案例直接跳到 AI 技能，會跳過最值錢的步驟
素材提出一條更穩健的知識轉換鏈：真實案件、案例、模式、規則、標準作業程序、技能模組。每一層都要經過多個案例檢查，不能看到一次成功經驗，就立刻宣稱那是可泛用的方法。
這條鏈也說明企業 AI 導入顧問的工作內容。顧問不是替公司多寫幾個提示詞，而是把隱性的判斷拆成可觀察資料、明確規則、例外條件與驗收證據，再決定哪些步驟適合由 AI 執行。
▋ Desire：企業要的是速度，也要保留判斷品質
對管理者來說，理想結果不是「報告由 AI 生成」，而是同一類任務能在更短時間完成，且不同員工使用同一套標準。資深顧問不必每次從頭整理資料，新人也不會因為看不懂舊試算表而反覆問人。
教學素材提出一個很具體的能力指標：原本需要顧問四小時完成的任務，能否在三十分鐘內完成，而且品質可驗收。這是一個待驗證的目標，不是已完成的績效。企業要用實際案件測量，不能把目標當成果宣傳。
除了速度，流程改造還應留下四種資產：可追溯的原始資料、版本化的判斷規則、可重複執行的工作流程，以及每次例外與人工修正的紀錄。這些資料會讓下一次判斷更準，也降低顧問或資深員工不在場時的單點風險。
▋ Intention：七層人機協同流程怎麼設計
第一層：輸入資料
先建立欄位清單與定義。例如租金要填含稅或未稅、營收取最近一個月或十二個月平均、人事成本是否含雇主負擔。每個欄位都要有來源、期間、單位、提供者與更新日期，缺漏值不能由 AI 自行猜測。
這一層由企業資料負責人提供與確認，AI 可以協助格式檢查、找出漏填或單位衝突，但不能把「沒有資料」改寫成「推估資料」而不標示。
第二層：財務模型
公式應由顧問與企業共同確認，並以固定測試案例驗算。像投資回收期、毛利或人效，看似簡單，實際上仍要定義分母、期間與排除項目。計算程式只負責照規則執行，不負責決定規則是否適合這家公司。
第三層：比較基準
每一筆比較基準都要附資料來源、版本、適用產業、樣本條件及信心水準。資料不足時，系統應顯示「暫無可靠比較」，而不是為了讓報告完整就補上一個數字。這個誠實的空白，往往比虛假的精準更專業。
第四層：情境模擬
系統可以讓管理者調整租金、來客數、客單價、人事或原料成本，觀察結果如何變化。情境模擬不是預測未來，而是讓決策者看見哪些假設最敏感，並知道需要先查證哪一個變數。
第五層：風險說明
AI 可依規則列出資料缺口、敏感假設與可能風險，但每項提示都要連回證據。若輸入資料矛盾、樣本不足或超出模型適用範圍，系統應停止給出結論，改為要求人工覆核。
第六層：顧問報告
顧問要把計算結果轉成決策語言，說清楚目前知道什麼、不知道什麼、有哪些方案，以及各方案的代價。報告不能把系統提示直接複製貼上，也不能讓客戶誤以為紅黃綠燈就是最終答案。
第七層：決策紀錄
最後記錄誰提供資料、誰完成評估、使用哪些假設、顧問提出哪些意見、何時調整規則，以及誰做出最終決定。加入這一層後，試算器才開始成為決策系統，而不是一個會產生漂亮圖表的工具。
▋ 人與 AI 的責任分工
- AI 適合處理：格式整理、欄位檢查、固定公式、文件初稿、差異比對與重複步驟。
- 企業人員負責：提供真實資料、確認作業現況、執行流程與回報例外。
- AI 顧問負責：定義模型、來源、適用條件、風險界線、驗收方法與改善優先順序。
- 管理者負責：資源配置、風險承擔與最終決策，不能把責任交給系統分數。
這種分工能避免兩個極端：所有事情仍由顧問親手做，無法擴充；或所有事情都交給 AI，卻沒有人承擔資料與決策責任。
▋ 用五至十個舊案例回測，而不是急著加功能
第一版完成後，先挑五至十個已有結果的案件。把當時可取得的資料輸入系統，觀察模型會提出什麼提示，再與實際結果及資深顧問當年的判斷比較。若差異很大，先找出是資料、公式、比較基準或例外規則出了問題。
回測至少要保存：原始輸入、系統版本、輸出結果、人工修改、修改理由與最後判定。若只記錄成功案例，模型會產生確認偏誤；失敗與無法判斷的案例，反而最能幫助團隊畫出責任邊界。
試行期間要量什麼
- 每件任務從收到資料到交付的總時間，以及等待補件的時間。
- 資料缺漏率、公式錯誤率、人工修改率與退件率。
- 不同人員處理同一案例時，判斷是否一致。
- 系統提出的風險，有多少能連回明確證據。
- 顧問不在場時，企業是否仍能完成標準案件。
如果原本四小時的工作縮短到三十分鐘，但人工修改率很高、錯誤無法追溯，專案仍不算成功。速度、品質與可治理性必須一起驗收。
▋ 九十天導入節奏
第一至三十天：選定單一流程，完成訪談、基準測量、欄位定義、責任分工與舊案例整理。這一階段不追求華麗介面。
第三十一至六十天：完成可操作的單頁版本，跑舊案例回測，修正公式、規則與停止條件。所有 AI 輸出都保留來源與人工修改紀錄。
第六十一至九十天：讓真實使用者在有限範圍試行，比較改造前後時間與品質，完成操作文件、權限設定、例外升級與維護責任交接。
完成一條流程後，再把穩定方法抽象成標準作業程序、技能模組與代理系統。順序不能反過來。企業真正的護城河，不是代理系統的名稱，而是知道什麼資料重要、何時不能下結論，以及錯誤發生後如何修正。
▋ 下一步：帶一條真實流程來做診斷
如果公司目前仍靠資深員工手動整理、反覆判讀與口頭交接，可以先挑一條高頻、可量測、有明確負責人的流程。兩小時診斷會先畫出資料流、判斷點、例外、責任與驗收條件，再決定是否值得投入建置。
