AI、自動化與標準化：工作流程中，人還需要做什麼？
從標準化、自動執行到人工確認，判斷工作流程應該停在哪一條決策邊界。
- 發布日期
- 更新日期
談到 AI 與自動化時，我們很容易先從工具開始：模型能生成什麼、Agent 能完成哪些任務，或一套流程能省下多少時間。但在選擇工具以前，更應該先理解工作本身。真正有用的流程，通常從標準化開始，而不是從自動化開始。
哪些事情會反覆發生？輸入資料是否可靠？規則是否穩定？執行錯誤能不能復原？更重要的是，流程進行到哪裡時，仍然需要有人理解未被記錄的脈絡、在互相衝突的目標之間做出選擇，並承擔最後的結果？
從學生營隊、群眾募資、社群營運到軟體專案，我反覆遇到規模不同、但本質相近的問題。有些環節需要一致的規則，有些適合交由系統執行，也有些只能推進到一個清楚的決策邊界，再由人根據整理好的資訊做出最後判斷。
標準化、自動化與人工判斷，是三個不同層次
標準化是在定義資料如何分類、哪些條件需要被考慮，以及團隊應按照什麼順序處理。一張評分表、一份檢查清單、一套命名方式或例外處理規則，都能讓工作更一致，不必然涉及任何自動化。
自動化則是讓系統反覆執行足夠穩定的規則，例如蒐集資料、完成計算、排序紀錄、分流例外、準備草稿，或在數值達到門檻時通知負責人。
人工判斷出現在規則無法產生唯一且負責任的答案時。資訊可能不完整、不同目標可能互相衝突、結果可能難以復原，或兩個選項在表面條件上相近，實際上卻會帶來不同體驗。
三者可以出現在同一套流程裡。真正的問題，是把它們混為一談，或以為只要加入 AI，原本不清楚的流程就會自然變好。
先標準化，再思考自動化
在 AI 工具進入日常工作以前，我曾擔任成功大學企管營總召，帶領團隊舉辦一場為期五天、預計招收 120 名高中生的住宿型營隊。我們希望錄取真正想了解企業管理、願意投入學習的學生，而不只是把營隊當成另一項經歷。
報名資料涵蓋個人經歷、參加動機、學習興趣、課外活動與未來方向，無法只靠單一數字判斷。評分團隊約有五人，每位報名者平均由三人交叉評分；正式評分以前，我們先說明不同情況應如何給分、需要觀察哪些面向，以及為什麼評分時應保持中立。
評分面向包含對企管的興趣與基本認識、報名動機、高中經歷、未來方向，以及社團、專案與競賽等課外參與。原始權重文件目前已經找不到，因此我不會事後重建一套看似精確的公式；這套流程的價值不在於產生「完美分數」，而是讓評分者用相近的結構理解資料。
彙整分數後，我們先建立初步排序。若不同評分者之間出現明顯差距，便會重新討論，不過實際發生的次數不多。最後的共同會議則聚焦在錄取線附近，大約是錄取名單較後段的候選人，再與排名剛好落在錄取線外、條件相近的報名者重新比較。
標準化審查，仍然可以保留人工判斷
流程先建立可比較的資訊，再把注意力集中到不確定性；最後的選擇仍由共同會議承擔。
- 01
報名資料
蒐集參加動機、個人經歷與學習目標。
- 02
資料分類
依照共同審查面向整理申請內容。
- 03
交叉評分
每份資料平均由三位評分者審查。
- 04
彙整討論
整合分數，並討論明顯的評分差異。
- 05
邊界審查
比較錄取線附近人選，做出最後決定。
這套流程完全不需要 AI，也沒有試圖消除人工判斷。評分標準降低了隨意性，也讓意見不一致時有跡可循；評分表可以為決策準備資訊，最後仍要由人回到招募目的，判斷哪些差異真正重要。
數據可以讓迭代更有依據，但不能替團隊做決定
後來，我在協助 CAVE 烤爐群眾募資專案的數位行銷與產品溝通時，遇到另一種工作流程。募資首頁、廣告圖片、標語、文案、資訊順序與投放受眾彼此影響；只依賴個人偏好會失去一致性，把後台數字直接當成答案也同樣過度簡化。
我們透過 Facebook 廣告資料與 Google Analytics，觀察使用者從看到廣告、點擊、進入募資頁面，到與頁面不同位置或元素互動、最後離開的過程。Facebook 內建的 A/B 測試，也讓不同廣告素材或投放方式能在同一套流程中比較。
真正有價值的不是某一個單獨指標，而是圍繞數據建立的反覆流程：
- 01
觀察哪些位置的注意力或互動低於預期。
- 02
將可能原因分成受眾、廣告素材、標題、文案或頁面結構。
- 03
選擇一個可以調整、又不會干擾其他變因的項目。
- 04
比較不同版本，再把結果帶進下一輪調整。
數據可以協助定位問題，也能縮小接下來需要回答的範圍，但不會自動決定產品應該如何被理解。監測、彙整與提醒可以自動化；數字為什麼出現，以及答案是否真的應該是修改文案，仍需要團隊理解產品、受眾與同一時間正在改變的其他變因。
讓系統把工作推進到決策邊界
企管營的預算規劃，則讓同一項原則變得更關鍵。營隊預計招收 120 名學員，但活動必須面對不同報名與錄取人數。場地、食材、交通、安全與活動品質彼此影響；當人數跨過不同門檻時，也可能有條件升級場地或活動內容，因此參與人數、成本與最後結餘並不是單純的線性關係。
我們曾使用當時可用的生成式 AI 工具，協助提出預算架構、支出調整與可能影響。團隊仍自行建立了十多個版本，涵蓋不同招收人數與營運情境，因為工具無法補上未提供的限制、非正式依賴與活動品質要求。AI 可以協助產生方案，最後仍需要人檢查假設，並在成本、安全、場地容量、交通、食材與參與者體驗之間做出選擇。
當兩個場地在價格、容量與便利性上都很接近時，評分表只能顯示兩者差距有限，無法替團隊承擔選擇。好的流程應在決策之前整理資料、計算情境、找出矛盾並比較假設，再由人判斷哪些體驗差異更重要，而不是因為數字能放進試算表，就把選擇包裝成完全客觀的輸出。
後果與可逆性，決定自動化應該停在哪裡
發生頻率決定一件事是否值得自動化，後果則決定自動化應該停在哪裡。經常發生、影響有限、輸入穩定的工作適合自動化；涉及金流、安全或難以撤回的產品操作時，設計方式就必須不同。
我後來把這項原則運用在 Kaiyn Trading Bot 的確認優先流程。系統可以驗證交易所規則、計算部位、保存待處理狀態並準備訂單，但不會把社群訊號直接視為下單許可。訊號發布前先由發單員確認，計算完成的訂單再由使用者確認。
如果交易所請求的結果不明，系統會先查詢既有訂單，而不是直接重新送單。人工確認也只有在呈現計算假設、衍生數值、目前限制與可能後果時才有價值；單純增加警告或點擊，並不會讓操作更安全。
一套實際可用的工作流程判斷框架
現在，當我判斷一個工作環節應該標準化、自動化或保留人工處理時，會依序思考以下問題。
自動化應該停在哪裡？
依序回答問題，直到流程抵達適合自動執行或需要人工審查的邊界。
- 01
這個環節是否高度仰賴判斷？
- 是
- 以人工為主，AI 只協助準備與整理證據。
- 否
- 繼續評估這項工作。
- 02
工作是否反覆或頻繁到值得建立系統？
- 是
- 繼續整理可執行的規則。
- 否
- 現階段維持人工處理。
- 03
規則是否穩定而且可以清楚描述？
- 是
- 接著評估執行錯誤的後果。
- 否
- 先標準化並觀察流程。
- 04
錯誤是否涉及金流、安全、隱私或不可逆行動？
- 是
- 自動完成準備工作，再由人確認。
- 否
- 自動執行，並保留監測與例外處理。
1. 這個環節是否高度仰賴判斷？
如果不同的人面對同一份資訊，仍可能得到合理但不同的答案，就要先找出造成差異的價值與脈絡。自動化可以整理比較，但不應把真實存在的分歧隱藏起來。
2. 工作是否反覆發生到值得建立系統？
反覆工作通常值得標準化。如果人工處理同時繁瑣、耗時，或容易因執行者不同而出現差異，自動化的價值便會提高。
3. 規則是否穩定而且可以描述？
有分支不代表不能自動化，只要各種分支能被辨識，也有對應處理方式。若流程經常無法預測，或高度依賴沒有說出口的經驗，就應先理解工作，而不是急著自動化。
4. 輸入資料與上下文是否足夠？
再準確的模型，遇到不完整的上下文，仍可能提出不適合的建議。流程應該指出缺少哪些資訊，而不是用自信的輸出掩蓋空白。
5. 系統犯錯時會發生什麼？
需要考慮結果能否復原、金流影響、安全、隱私，以及修正錯誤的成本。後果越高，就越需要嚴格驗證、稽核紀錄與人工確認。
6. 系統能否說明為什麼需要人工介入？
只顯示「需要人工審核」並不足夠。良好的交接應呈現相關證據、指出尚未解決的假設，並讓人清楚理解可以選擇什麼。
7. 最後由誰承擔決策？
如果沒有人能回答，這不是自動化問題，而是治理問題。
人工判斷不是流程中的另一個處理步驟
在隱私與權限控制明確時，AI 可以協助整理資料、摘要回饋、計算情境、產生方案或找出異常數據，讓標準化流程更快、更一致。但有些選擇沒有唯一的客觀答案：較便宜的場地與較舒適的場地，可能分別對應不同但合理的優先順序；兩位報名者分數相近，卻可能帶著不同類型的好奇心；某一則文案可能提高點擊，卻讓產品被理解成另一件事。
在這些情況下，主觀不必然代表流程有缺陷。它可能正是有人整合模型沒有捕捉的脈絡、選擇哪一項價值更重要，並願意承擔取捨的時刻。
系統可以把工作推進到決策邊界，但跨過邊界的人，也必須承擔選擇的責任。