導入 AI 前，先問這三個問題

導入 AI 之前，先問三個問題：這是哪一項具體的工作、誰要為結果負責；AI 會用到的知識有沒有來源、是不是最新；以及我們要怎麼檢查，又怎麼知道它真的有效。三個問題都能回答，導入才有穩固的起點；若有一題答不出來，先補上那一題，比急著選工具更能避免日後的反覆與浪費。

為什麼是問題，而不是清單

導入 AI 的評估清單很常見，項目動輒二三十條，涵蓋功能、價格、安全與整合。清單有用，但它容易讓人逐項打勾而忽略重點：這些條件都滿足了，並不代表這項工作適合用 AI。相對地，問題要求回答，答不出來就是還沒準備好，界線非常清楚。

我們挑這三個問題，是因為它們分別對應導入失敗最常見的三個原因：工作範圍模糊、責任沒有落點、資料與成效無從驗證。它們不涉及特定產品，無論用哪個模型、哪家服務都適用。你可以在採購會議前花一小時，與相關同仁一起回答，答案本身就是導入計畫的雛形。

問題一：是哪一項工作，誰要負責？

「用 AI 提升效率」不是一項工作，「每週整理客戶來信並分派給對應窗口」才是。工作要具體到能說出輸入是什麼、輸出給誰、完成的標準是什麼。範圍越具體，越容易判斷 AI 能幫哪一段，也越容易在上線後比較前後差異。若連現在怎麼做都說不清楚，就很難說導入之後有沒有變好。

同樣重要的是，必須有一個人的名字對應結果。這個人不一定是操作者，而是當輸出有問題時，最終要回答「為什麼」的人。沒有責任人的流程，錯誤會在交接之間消失，沒有人修正，也沒有人從中學習。AI 起草、人決定，這句話裡的「人」要是一位具名的、有權力做決定的人。

問題二：知識有來源，而且是最新的嗎？

AI 能起草的內容，大多建立在它讀到的資料上。如果資料是幾年前的版本、來自不同部門各自維護的檔案、或根本沒有人知道是誰寫的，輸出就會繼承這些問題，而且寫得很流暢，不容易被一眼看出。因此要先問：這項工作用到的知識放在哪裡、誰維護、上次更新是什麼時候。

更進一步，要把事實、觀察與假設分開標記。事實是可以追到出處的內容，觀察是在特定情境下看到的現象，假設是尚待驗證的推測。三者混在一起，AI 與讀者都會把推測當成定論。花時間整理這些分類看似繁瑣，卻是讓輸出可信的最直接方式，也讓日後更新時知道該改哪裡。

問題三：怎麼檢查，怎麼知道有效？

在上線前就要決定怎麼檢查輸出：由誰審閱、看哪些項目、發現錯誤時退回給誰。同時要區分草稿、驗證、核准、交付四個狀態，每個狀態都有人簽名、有日期。這樣當客戶或主管問起這份內容是否經過確認，可以直接拿出紀錄，而不是口頭保證。

另一半是判斷有沒有效。在開始之前先記下現況：做一份要花多久、退回幾次、哪類錯誤最常見。導入一段時間後用同樣方式再看一次。沒有前後對照，所謂效益只是印象；有了對照，即使結果是沒有明顯改善，也是有價值的資訊，可以決定調整、縮小範圍或暫停。

三個問題的先後與互相牽動

三個問題有大致的順序：先確定工作與責任，才知道需要哪些知識；知識整理好，才能設計檢查。但實際回答時常會來回修正。例如討論檢查方式時，發現工作範圍太大，無法逐件審閱，於是回頭縮小範圍。這種往返是正常的，也是這三個問題的用處所在。

當三個問題都有了初步答案，可以用一頁紙總結：工作名稱、責任人、知識來源與更新方式、檢查流程、前後比較的指標。這頁紙就是導入的最小計畫，內容簡短但具體。與其寫厚重的企劃書，不如先有這一頁，並且在實際執行中持續修訂。

三個常見的誤區

第一個誤區是把「使用者」當成「責任人」。能操作系統的人很多，但出了問題要有人回答原因、決定是否修正流程。第二個誤區是以為資料「放在雲端」就等於「有來源」。檔案存在某處，不代表有人確認過內容正確、有人負責更新。第三個誤區是把「大家覺得好用」當成成效，這種感受值得參考，卻無法說明究竟省了多少、錯了多少。

這些誤區的共通點是用感覺取代了可查核的事實。補救的方法並不複雜：責任人要具名，資料要有維護人與日期，成效要有導入前後的紀錄。這些東西看起來瑣碎，卻是整個導入能否被信任、能否被改進的基礎，值得在一開始就花時間確立。

回答完之後做什麼

回答完三個問題，建議挑一項最清楚的工作先試行，時間約兩到四週。試行期間每次產出都經過檢查並記錄，結束後與導入前的狀態比較，再決定擴大、調整或停止。這樣的節奏讓決策有證據可依，也讓團隊的信心建立在看得見的結果上。

若三個問題中有幾題的答案顯示現在還不適合，也不用沮喪。把需要補的功課列成清單，例如整理報價規則、指定責任人、建立檢查表，這些本身就是對組織有長期價值的工作，即使之後換了工具或模型，仍然用得上。

這些問題該由誰來問

三個問題不該只交給技術人員或採購人員回答。工作的內容要由實際做事的人說明，責任要由有決定權的人承擔，知識的來源要由維護資料的人確認。最好讓這三種角色坐在同一張桌子前，各自回答自己最清楚的部分，彼此之間的落差也會因此浮現，例如主管以為已有標準，現場卻各做各的。

若有外部顧問或供應商參與，他們可以協助提問與整理，但答案必須由組織內部的人給出並承擔。外部的人可以帶來經驗與方法，卻無法替你決定誰負責、哪份資料算數。這一點在一開始講清楚，之後的合作會順暢許多，也避免導入完成後才發現沒人接手。

假設情境：一間代理商想用 AI 回覆客戶詢問

以下為假設情境，並非真實案例。一間小型代理商每天收到許多客戶詢問，負責人想導入 AI 自動回覆，節省人力。他們依序回答三個問題。第一題：工作是「回覆報價與進度詢問」，輸入是客戶來信，輸出是回信草稿，責任人是客戶經理，不是客服助理。

第二題時發現問題：報價規則放在三份試算表與一位資深同仁的腦中，進度則在專案管理工具與私訊之間散落。AI 若直接讀取，只會得到互相矛盾的答案。他們決定先整理一份現行報價規則與進度來源的清單，標明更新日期與維護人。第三題：回信草稿一律由客戶經理審閱後寄出，並記錄修改幅度，作為判斷是否放寬的依據。

一個月後，他們從紀錄看到，報價類的草稿幾乎不需要修改，進度類的仍常被改，原因是來源更新不及時。於是先擴大報價類，進度類則回頭處理資料更新。三個問題沒有保證成功，但讓他們知道下一步該做什麼，而不是憑感覺判斷。

常見問題

問：這三個問題適用於哪種規模的組織？答：從個人工作室到大型團隊都適用。規模不同，只是回答的詳細程度不同，小團隊用一頁紙就能完成。

問：已經在使用 AI 的團隊，還需要回頭問嗎？答：需要。可以拿現有的使用情境逐一對照，找出尚無責任人、來源不明或無從檢查的環節，優先補上。

從洞察出發，每一步都算數。