先別急著導入 AI——四個問題決定你公司需不需要
會議室裡，CEO 看完業界新聞抬頭問了一句：「我們的 AI 規劃如何？」
行銷主管當下表情僵住，技術主管假裝在筆電上輸入什麼。三天後，全公司開始做 AI 導入提案、找 ChatGPT 教育訓練、討論要不要買 GPU 機台。半年後——錢花了、課上了、PoC 跑完了——日常工作流還是跟以前一樣。
這個劇本最近一年我們見過太多次。
我們不是反 AI 的顧問——我們做的就是 AI 系統。但正因為做這行，看到太多公司花大錢追了一個自己根本不需要的東西。這篇用四個問題幫你判斷：你公司現在到底該不該導 AI。
問題一：你的流程，有重複到值得自動化嗎？
AI 是高射砲。打飛機很猛，打蚊子是浪費。
先問自己一個問題：同一件事，你公司一個月做幾次？
- 一個月做 3 次以下 — 人工最便宜
- 一個月 10～100 次、規則清楚 — Excel 巨集 / 規則引擎 / RPA 就解
- 一個月 100 次以上、規則模糊（要讀文意、判斷情境）— 才是 AI 的甜蜜點
想像一家設計公司，老闆想用 AI 自動分類客戶來信。如果一週只收 5 封詢價信——這個流程根本不需要自動化，手動花 10 分鐘看信，比花幾十萬導 AI 划算。
但同樣是設計公司，換個情境：做工程顧問、空間規劃，每封來信附件 30～50 頁需求書，內容跨建築 / 機電 / 法規。這時候用 LLM 預讀、抓重點、初判專案範疇，能省工程師很多時間。但要強調——這層只能輔助，最後報價得人複核才送出。AI 估錯一個零，是公司賠錢，誰負責？
反過來，想像一家汽車零件廠，每天有 200 張紙本工單要 key in ERP，內容半結構化（手寫 + 印章 + 圖示）——這個量級、這種「規則模糊」，AI（OCR + LLM 解讀）才有意義。
判準：頻率高 + 規則模糊 = AI 才划算。其中一項缺，回去用更便宜的方法（規則 / Excel / RPA）。而且不管哪種，對外輸出（報價、合約、文件送出）這一步永遠該留人。
問題二：你的資料量，到 AI 才划算的門檻了嗎？
AI 不是免費的。
跑 GPT-4o 級別的雲端 API，每次 call 大約 0.01～0.5 美金。地端跑模型，硬體成本一次砸下去 5～30 萬不等。你的資料量要大到「AI 攤提後仍比人工便宜」才划算。
簡單算術：
- 客服派工：人工每件 5 分鐘 / 30 元，AI 每件 3 元 — 月 100 件以下不用導，月 1000 件以上才省
- 合約審閱：人工每份 1 小時 / 600 元，AI + 人工複核每份 200 元 — 月 30 份以上開始划算
- 會議錄音轉摘要：人工每場 1 小時整理 / 800 元，AI 每場 50 元 — 公司每月開 20 場以上會議才有感
舉個例子：你們有沒有想過導 AI 會議摘要系統？算算看——如果全公司一週只開 3 場會，每場省 750 元、一週省 2,250 元、一個月 9,000 元。但導入成本 8 萬、每月維運 5,000 元——攤提下來根本不省。會議多到一週 20 場以上才開始有感。
判準：先把人工成本（時薪 × 時間 × 件數）算清楚，再去比 AI 方案的攤提成本。算完還划算才動。
問題三：AI 講錯話的成本，你扛得起嗎？
LLM 會「幻覺（Hallucination）」——就是它有時會用很有自信的口氣，給你一個錯的答案。
這不是 bug，是 LLM 的本質——它是機率模型，不是真理機器。2025 年最強的 GPT-5、Claude 4.7、Gemini 3 都還是會幻覺。差別只是頻率高低。
所以下一個問題是：你想用 AI 處理的這件事，講錯一次的成本是多少？
- 低風險區：行銷文案、社群貼文、會議摘要、第一版需求文件 — AI 出錯人會看到、會修，沒事
- 中風險區：客服對話、產品建議、Email 自動回覆 — AI 出錯客戶會看到，但通常不致命，需要人工抽查機制
- 高風險區：法務合約條款、會計報表數字、醫療判讀、財務建議 — AI 出錯一次可能就是訴訟、罰款、賠償。這區絕對不能讓 AI 獨立決策，只能當輔助工具
舉個常見情境：傳產想用 AI 自動產出並送出報關單。產出沒問題，送出絕對不行。報關單一個 HS Code 寫錯，可能就是補稅 + 罰款 + 海關卡關——這種錯誤不該讓機率模型獨立決策。
合理的工作流長這樣：AI 產草稿 → 規則引擎驗 HS Code 表 → 人工核對蓋章 → 才送出。你省的不是「AI 取代人」的錢，是「人不用從零打字、不用查碼表」的時間。同樣邏輯也適用於合約條款、財報、醫療判讀——AI 起草、人 sign-off。
判準：你想 AI 化的流程，錯一次會發生什麼事？如果是「客戶笑笑」沒事——讓 AI 自動跑；如果是「公司被告 / 賠錢 / 罰款」——AI 只能輔助，最後一哩留給人。
問題四：你的算力放哪——雲端、地端，還是混合？
假設前三題都過了——你決定要導 AI 了。下一個問題：模型放哪？
雲端 API（OpenAI / Claude / Gemini）
- 適合：資料量小～中、不涉敏感資料、想快速 PoC、團隊沒 ML 工程師
- 優點：開箱即用、模型最強、跟著供應商升級
- 缺點：資料外送、按量計費（量大會痛）、依賴外部服務（停機你也停機）
地端模型（自架 LLM，如 Llama / Qwen / DeepSeek）
- 適合：客戶資料不能外洩（醫療、法務、政府、金融）、長期高用量、有內部 IT/ML 能力
- 優點：資料完全內部、長期成本可控、不受供應商斷線影響
- 缺點：硬體投入 5～30 萬起跳、模型能力略遜頂級雲端模型、需要人維護
混合（敏感地端 + 一般雲端）
多數成熟導入會走這條——客戶資料、商業機密在地端跑開源模型，公開資訊（行銷、新聞摘要）走雲端 API。
我們自己的 a11y-moda 工具就支援這套——客戶資料用 qwen3-vl-8b 在本機跑，跑完了不外送任何字，把成果整理成報告。
判準：先問「資料能不能離開公司」。能——雲端優先、便宜快。不能——地端，預算先準備 10 萬起跳硬體。模糊地帶——混合架構。
三個「先別急著導 AI」的訊號
如果你公司有以下任一狀況，AI 不是你現在該追的：
1. 流程還沒寫下來
你的客服流程、報價流程、出貨流程——SOP 有沒有寫成文件？沒有的話，導 AI 等於把混亂自動化，只會更亂。先把流程數位化、SOP 化，再談 AI。
2. 資料還在 Excel + 紙本
AI 吃資料。你連結構化的資料庫都沒有、客戶名單在五個 Excel 檔分散著——這時候導 AI 是空轉，第一步該做的是把資料整合起來。我們的數位轉型失敗那篇講過這件事。
3. 老闆只是聽朋友說 AI 很厲害
如果你導 AI 的理由是「友商有」、「投資人問」、「不導會落伍」——這是 FOMO（怕跟不上），不是真實需求。先回到問題一：你解決什麼具體的問題？
那什麼時候該導 AI？
四個問題反過來看，就是 AI 真正適合的場景：
- 有明確的高頻、規則模糊的流程（一個月百次以上、需要讀文意、判情境）
- 算下來人工成本明顯高於 AI 方案（攤提後省一筆，不是省一點）
- 錯一次的代價可控（行銷類最安全、法務醫療最危險）
- 算力放置決定清楚（敏感資料走地端、一般資料走雲端、看不清就混合）
這四題都過了——再來談你要做什麼模型、找哪家供應商、要花多少錢。順序顛倒，錢就燒掉了。
不確定的話，先做健檢
如果你看完這四題還是不確定自己該不該動，最便宜的選項是做一次健檢——讓懂的人花 1～2 週訪談你的流程、看你的資料、評估算力選項，給你一份「該動 / 不該動 / 哪些先動」的報告。
我們之前寫過一篇用 AI 幫你公司做一次免費健檢，講的就是這套——用工具把你的流程、資料、人力盤點清楚，再決定要不要動，動哪一塊。健檢報告通常落在 3～8 萬之間，但會幫你省下幾十萬的「導了才發現不需要」。
也可以走更輕的——服務方案頁的輕量諮詢，做一次「沒預算其實是沒方向」那種診斷對話，幫你判斷 AI 在你公司的優先順序排第幾。
想直接聊聊你公司的場景該不該動 AI——寫信給我們，先問問題不收費。
