公司部門 × AI Agent 自動化地圖 v1

01

業務 Sales

把潛在客戶轉化為訂單。資訊量最大、進度最雜亂、最常用 Excel 撐住的部門。

7 項工作高 ROI 自動化潛力起步門檻：低

工作項目	常見痛點	建議 Agent / 工具 / 自動化
1.1 名單開發	手刷 LinkedIn / 加好友、亂槍打鳥、無 ICP 定義	高入門Apollo / Hunter.io API（潛客 enrichment） `cold-outreach` skill 標準化開發信 ICP scoring agent（自家寫，30 行 Python）
1.2 報價 / RFQ 回覆	每份報價手敲 Excel、漏算成本、回覆慢失單	高中階報價模板 LLM 生成 → 人工審核出單 BOM 拆解 agent（接 ERP 拉成本 + LLM 算售價）
1.3 CRM 維運	業務不寫 CRM → 客戶資訊散在 Email / LINE / 個人腦袋	高入門 Email / LINE 自動 ingest → CRM 寫入（Notion / HubSpot）每週 stale-deal 提醒 cron
1.4 Follow-up 追單	忘了追、追太頻惹厭、追話太尷尬	高入門 `campaign-orchestrator` 排定多輪 SMS / Email / 自動停止
1.5 競品價格 / 條款監控	客戶問「人家報多少」答不出來	中中階 `competitor-analysis` + `amazon-competitor-analyzer` skill 每週 cron 自動掃 → Slack 推送
1.6 業務簡報 / Pitch Deck	每個客戶都從零做 PPT、3 小時起跳	高入門 `pptx` skill + 客戶資料注入模板（10 分鐘出 deck）
1.7 業績預估 / 訂單 forecast	月底拍腦袋報數字、跟實際差很大	中進階 CRM data → forecast model（Notion / SQL + LLM 解讀）每週自動 vs 預算偏差 alert

🎯 為什麼可以 AI 化

名單開發的本質是「按 ICP 條件大規模篩 → 補資料 → 產生個人化第一封信」，每一步都是 LLM 強項。傳統業務一天手刷 LinkedIn 撈 30 個名單已是極限，且 80% 不符合 ICP；AI 一夜可從 5,000 筆潛客名單裡用 ICP scoring 篩出 top 200，再把每筆名單的公司網站、新聞、職稱痛點融進開發信，命中率提升 3-5 倍。

🛠 具體做法

把 ICP 寫成 5 條判斷規則（行業 / 員工數 / 地區 / 痛點訊號 / 預算帶）
用 Apollo / Hunter API 拉初步名單（一次 1,000-5,000 筆）
LLM 讀公司官網 + LinkedIn 摘要 → 0-10 ICP score
Top 20% 進入開發信佇列，用 cold-outreach skill 生個人化第一封
業務只審核 + 寄送，不寫信、不查資料

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

ICP 定義文件（5 條規則 + 反例）
過去 50 個成交客戶的公司資料（正樣本）
過去 20 個拒絕 / 不適合的客戶（負樣本）
品牌 / 產品 elevator pitch（3 個版本）

選放

競品成交客戶名單（推測 ICP 用）
產業展會 / 協會會員名冊
過去高回覆率開發信範本
客戶常用拒絕話術（避雷）

容量限制

5,000 筆原始名單 CSV 不要整包丟 Project Knowledge。先用 SQL / Python 過濾到 200 筆再餵 LLM 寫信，否則 token 浪費 90%。

🔧 推薦工具 3 選 1

工具	適合	缺點
Apollo + `cold-outreach` skill	B2B SaaS / 服務業，數據庫廣	$49/月起，台灣中小企業命中率較低
Hunter.io API + 自寫 ICP scoring	只要 email enrichment，預算緊	沒有完整公司情報
LinkedIn Sales Nav + 手刷 → LLM 改寫	傳產 / 高客單，需高度個人化	無法 100% 自動化

📋 起步 checklist（第一週）

Day 1：寫 ICP 文件（找老業務一起寫，1.5 hr）
Day 2：開 Apollo / Hunter trial，跑 100 筆驗證命中率
Day 3-4：餵正負樣本進 Project Knowledge，跑 ICP scoring 對比業務直覺
Day 5-6：寫 3 版開發信模板，A/B test 100 封
Day 7：覆盤回覆率，調 ICP 規則

⚠️ 常見坑

ICP 太鬆：規則只寫「製造業」=沒篩。要具體到「員工 50-200 人 + 在台中 + 有出口需求」

個人化變罐頭：LLM 開頭都寫「我注意到貴公司在 XX 領域...」客戶一眼識破。要強制注入 1 個只有那家公司才有的細節

email 寄太兇被 Gmail 黑：新 domain 一天別超 50 封，先 warm up 兩週

💰 ROI 估算

業務 1 人每天找名單 + 寫開發信約 3 hr × 22 工作日 = 66 hr/月。自動化後 0.5 hr/月（只審核），節省 65 hr/月。命中率從 1% → 3-5%，等於業務有效產能直接 3 倍。

🎯 為什麼可以 AI 化

報價是「拆 BOM × 查成本 × 套定價邏輯 × 排版輸出」的固定流程。資深業務一份硬體報價要 1-2 hr 翻 Excel + 跟 PM 對成本，常常算錯料件或漏匯率，導致出單後虧錢。LLM 接 ERP 拉成本、用 bom-cost-analyzer 補供應商報價、按公司定價公式自動算售價，10 分鐘出 PDF 報價單，且每份都附風險註記（哪個料件報價超過 30 天舊）。

🛠 具體做法

把公司定價邏輯寫成 SOP（成本 × markup % × MOQ 折扣 × 匯率緩衝）
客戶詢價 → 業務貼規格進 LLM → 拆出 BOM 草稿
bom-cost-analyzer 自動掃 1688 / 內部 ERP 取最新成本
套定價公式 → 產生報價單 PDF（含 3 個 quantity tier）
業務審核 → 簽核出單，AI 同步寫進 CRM

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

公司定價 SOP（markup% / MOQ 階梯 / 匯率緩衝）
過去 100 份成交報價（正樣本）
標準料件主檔 + 最新成本（每月更新）
付款條件 / 交期 / 退換貨條款模板

選放

客戶分級表（A/B/C 折扣權限）
競品公開報價情報
過去客訴 / 賠款案例（風險警示）
匯率歷史曲線（避免報固定匯率）

容量限制

料件主檔超過 5,000 筆就不要全部塞 Project Knowledge，改成 SQL function call 即時查；只把「常用 top 200 料件」放 PK 加速。

🔧 推薦工具 3 選 1

工具	適合	缺點
Claude Project + `bom-cost-analyzer`	硬體 / 製造業，料件多	要先把成本資料數位化
Excel template + LLM 填表	料件少（< 50 種），SKU 穩定	定價邏輯改 → 模板要重做
自架報價系統 + Claude Code Worker	大量訂單，要接 ERP / 簽核流	開發 2-4 週

📋 起步 checklist（第一週）

Day 1：訪談老業務 → 寫定價 SOP（含特殊案例）
Day 2：撈過去 50 份報價 → 正樣本進 PK
Day 3：建料件主檔 CSV（top 100 常用）
Day 4-5：跑 5 份新詢價 → 業務審核 → 對比舊版偏差
Day 6-7：調 markup% 公式，落地至少 1 份正式報價

⚠️ 常見坑

料件成本沒更新：1688 報價每 30 天可能變，要排 weekly cron 重抓

匯率寫死：報價單不能寫「@ 31.5」，要寫「以出貨日 ±2% 為準」

定價公式 LLM 算錯：百分比運算 LLM 偶會跳行，最後一道一定要 Python 算式驗算

💰 ROI 估算

業務 1 份報價 1.5 hr × 月 30 份 = 45 hr/月。自動化後 0.3 hr/份（只審核） = 9 hr/月，節省 36 hr/月。更關鍵：報價回應時間從 1 天 → 2 hr，成交率提升 15-25%（業界數據：48hr 內回的成交率高 3 倍）。

🎯 為什麼可以 AI 化

業務最痛的不是賣，是「賣完還要寫 CRM」。客戶資訊散在 Email / LINE / 通話紀錄 / 業務腦袋裡，CRM 永遠是空的，老闆看不到 pipeline，業務一離職客戶就斷線。LLM 能自動從 Email / LINE 對話 ingest 出「客戶名 / 階段 / 下次行動 / 風險訊號」寫進 CRM，業務只要審核即可。等於請了一個免費的 CRM 維運助理。

🛠 具體做法

定義 deal pipeline 階段（Lead → Qualified → Proposal → Negotiation → Closed）
串 Gmail / LINE webhook → 每封信自動進 LLM 分類器
LLM 抽：客戶名 / 公司 / 階段判斷 / 下次 action / 情緒訊號
寫進 Notion / HubSpot CRM，業務每天 morning 看 daily digest
每週 cron 掃 stale deals（> 14 天沒動）→ 推 Telegram 提醒業務

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

Pipeline 階段定義（每階段 entry / exit criteria）
CRM schema（要哪些欄位、必填 vs 選填）
過去 50 個成交 deal 的對話 + 階段標註
業務命名規範（客戶代號、產品代號）

選放

客戶聯絡人組織圖（決策鏈）
產業術語 glossary（避免 LLM 誤判）
過去流失 deal 原因分類
客戶背景補充（歷史交易、付款習慣）

容量限制

Email 全文不要全部塞 CRM，只存「LLM 萃取的結構化欄位 + 原信連結」。每個 deal 對話量大 → context window 放不下，要按時間切片並週度 summarize。

🔧 推薦工具 3 選 1

工具	適合	缺點
Notion CRM + Gmail MCP + Claude Code cron	10 人以下小團隊，預算低	Notion 數據量大會卡
HubSpot Free + Zapier + Claude API	需要正式 CRM 報表	免費版限制多，升級貴
自架（Cloudflare D1 + Worker + LLM）	百人團隊、要客製欄位	要寫 ~300 行 code，2 週上線

📋 起步 checklist（第一週）

Day 1：定 pipeline 5 階段 + entry/exit criteria
Day 2：開 Notion CRM 表 + 串 Gmail MCP
Day 3-4：跑過去 30 天 email backfill，業務手動修正 30 筆 → 進 PK 當正樣本
Day 5：開 daily digest cron（每天 8:30 推 Telegram）
Day 6-7：業務試用 + 抓誤判 → 調 prompt

⚠️ 常見坑

業務不信 AI 寫的 CRM：第一週要每天比對人工 vs AI，給業務看到準確率，建立信任

LINE 對話 ingest 難：個人 LINE 沒 API，要用 LINE Official Account 或請業務每天 forward 對話

客戶誤判合併：「陳先生」可能對應 5 個 deal，要用 email + 公司名雙鍵索引

💰 ROI 估算

業務 1 人每天寫 CRM 30 min × 22 工作日 = 11 hr/月，10 人團隊就是 110 hr/月。自動化後降到 1 hr/月/人 = 10 hr/月，節省 100 hr/月。更值錢：CRM 完整度從 30% → 90%，業務離職客戶不流失，pipeline 可信度老闆看得懂。

🎯 為什麼可以 AI 化

追單失敗 80% 不是客戶不買，是業務忘了追、追太頻被討厭、或追話太尷尬不敢追。LLM + cron 能精準排定 D+3、D+7、D+14、D+30 多輪 follow-up，每輪文案根據客戶上次回覆 tone 客製，且任何回覆 → 自動停止排程。等於 24/7 不會忘、不會躁、不會自尊心受傷的數位業務助理。

🛠 具體做法

把 follow-up cadence 寫成 SOP（D+3 軟提醒 / D+7 加價值 / D+14 案例 / D+30 收尾）
每筆新 deal 進入 campaign-orchestrator 排定 4 輪
每輪文案 LLM 讀客戶上次對話 → 個人化生成
客戶任何回覆（Email / LINE）→ webhook 自動 cancel 後續
4 輪走完無回應 → 標記 lost，進入 quarterly nurture list

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

4 輪 follow-up 範本（每輪目的 + tone 不同）
停止規則（回覆 / 已成交 / 客戶說別追）
過去高回覆率追單信合集
產業 / 客戶分級對應的 cadence 差異

選放

產品 case study / 證言（追單塞素材）
客戶生日 / 公司週年（時機點）
客戶提過的具體痛點（個人化鉤子）
節慶日曆（避免在敏感日期追）

容量限制

每筆 deal 的 follow-up 排程資料要持久化（DB / Notion），不要放 LLM context — 否則重啟 session 就忘記誰追到第幾輪。

🔧 推薦工具 3 選 1

工具	適合	缺點
`campaign-orchestrator` skill	SMS + Email 多通路、要 auto-cancel	初次設定 prompt 約 1-2 hr
HubSpot Sequences	已有 HubSpot CRM 的團隊	個人化文案能力弱，要付費版
Notion task DB + 每日 cron	10 deals 以下小量、預算 0	無自動寄信，要業務手動寄

📋 起步 checklist（第一週）

Day 1：盤點過去 6 個月失單，分析「沒追」vs「追到放棄」比例
Day 2：寫 4 輪 cadence SOP + 文案範本
Day 3：接 campaign-orchestrator，跑 5 個現有 stale deal 試水
Day 4-5：觀察回覆，調 tone（太硬 → 軟、太軟 → 加 CTA）
Day 6-7：開新 deal 自動進場，業務只審第一輪

⚠️ 常見坑

沒接回覆偵測 → 一直追：客戶已回信但 cron 還在追第 3 輪，瞬間被列黑名單。Email reply webhook 必裝

4 輪都長一樣：客戶看出是模板就反感。每輪要換切角（軟提醒 / 加價值 / 社會證明 / 收尾）

追到 cold lead：3 個月沒互動的舊名單一次群發，被當垃圾郵件。要分批 + 重新確認 opt-in

💰 ROI 估算

業務 1 人手動 follow-up 1 deal 平均 4 次 × 5 min = 20 min；月 50 deals = 17 hr/月。自動化後 0.5 hr/月，節省 16 hr/月。更關鍵：未追單成交率 5% vs 系統化追單成交率 15-20%，每月多 5-7 張單（按平均客單 30 萬算 → 月增 150-200 萬營收）。

🎯 為什麼可以 AI 化

客戶問「人家報多少」業務答不出來 = 失單訊號。傳統監控要派人手刷競品官網 / 蝦皮 / Amazon，每週 4 hr 起跳且資料過期快。LLM 接 competitor-analysis + amazon-competitor-analyzer 每週自動掃 5-10 家競品的價格 / 促銷 / 新品上下架，差異超過 ±5% 推 Slack。業務談判時手裡永遠有最新情報。

🛠 具體做法

列 5-10 個核心競品 + 對應 SKU mapping 表
每週一 09:00 cron 跑 competitor-analysis 抓官網 / Amazon / 蝦皮
LLM 比對上週 snapshot → 找價格、文案、促銷變化
超過 ±5% 變化推 Slack/Telegram，附上原始連結
每月產出競品定位地圖（價格 vs 功能矩陣）

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

競品 SKU vs 自家 SKU mapping（一對一對照）
競品官網 / 通路 URL 清單
關注變化類型（價格 / 文案 / 規格 / 促銷）
價格敏感閾值（±5% 推播 / ±15% 緊急）

選放

歷史價格時間序列（看趨勢）
競品促銷檔期規律
競品評論 / 退貨抱怨（找談判攻擊點）
競品上市時程（新品 vs 自家 GTM 對齊）

容量限制

每週存全網頁 HTML 會撐爆 storage。只存「結構化欄位 + diff」，原始 HTML 過 30 天 archive。每月最多 10 個競品 × 50 個 SKU = 500 監控點。

🔧 推薦工具 3 選 1

工具	適合	缺點
`competitor-analysis` + `amazon-competitor-analyzer`	多通路 + 全方位（價格/文案/評論）	初次配置 SKU mapping 1-2 hr
Octoparse / ParseHub + Sheets	純網頁價格抓取，無需 LLM	反爬蟲變動就壞，要常維護
自架 Playwright + Cloudflare Worker	競品有反爬蟲、要登入	開發 1 週，要懂 code

📋 起步 checklist（第一週）

Day 1：列出 5 個核心競品 + 各 10 個對應 SKU
Day 2：手動跑一次 baseline snapshot
Day 3：寫 diff prompt（哪些變化值得 alert）
Day 4-5：排 weekly cron + Slack webhook
Day 6-7：跑兩次 → 調 ±% 閾值（避免一堆 false alert）

⚠️ 常見坑

SKU mapping 錯：競品 A 型號 vs 自家 X 型號其實規格不同，比價沒意義。要先確認規格對齊再 map

反爬蟲被擋：Amazon / 大電商會擋頻繁抓取，要加 random delay + rotate IP

促銷期亂報：雙 11 全網都降價 30%，alert 噴到爆。促銷期要靜音 1 週

💰 ROI 估算

產品經理手動監控 1 hr/週 × 4 週 = 4 hr/月。自動化後 0.5 hr/月，節省 3.5 hr/月（時間省得不多）。真價值在情報質量：業務談判勝率 +10-20%、定價策略可即時跟進，每錯失一次競品降價的應對 = 1-3 個月失單，價值遠超工時節省。

🎯 為什麼可以 AI 化

每個客戶從零做 PPT 平均 3 hr，且每份重複用 70% 既有素材。pptx skill 能把客戶資料注入標準模板，10 分鐘出個人化 deck —— 客戶 logo、痛點、產業數據、ROI 計算全自動填好，業務只改最後 2-3 張產業特異 slide 即可上場。

🛠 具體做法

建 master deck 模板（封面 / 痛點 / 解法 / 案例 / ROI / 報價 / Q&A）
業務輸入客戶基本資料 + 主推產品線
LLM 自動補：客戶 logo、產業數據、痛點客製化、ROI 試算
pptx skill 套模板輸出 .pptx
業務微調 2-3 張產業特異 slide，10 分鐘上場

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

master deck 模板（PPTX）+ 品牌字型 / 色票
產品 USP 一頁紙（每條產品線一份）
過去 5 個成功 case study（含數據）
ROI 試算公式（依產業 / 規模分檔）

選放

常見客戶問題庫（Q&A 末頁預載）
產業趨勢報告 stock 圖
競品比較表（戰術型 deck 用）
客戶好評證言截圖

容量限制

不要把 50 份歷史 deck 全塞 PK，LLM 會 mix 風格混亂。只放 1 份 master template + 5 個最佳 case study 即可。

🔧 推薦工具 3 選 1

工具	適合	缺點
`pptx` skill（Anthropic 官方）	原生 .pptx 輸出，可後期手改	視覺自由度比 Canva 低
Gamma.app / Tome	視覺好、線上分享	客戶要 PPT 檔不好下載
Canva Pro + Magic Design	已用 Canva 的設計團隊	客戶資料注入要手動

📋 起步 checklist（第一週）

Day 1：盤點 master deck 是否現成，沒有就請設計部做一份（10 頁）
Day 2：寫 5 個 case study 結構化資料（產業 / 規模 / 結果）
Day 3：建 ROI 試算 Excel → 餵 LLM 寫公式
Day 4-5：跑 3 個現有客戶 → 業務評分
Day 6-7：調模板 + 上線給全業務用

⚠️ 常見坑

客戶 logo 抓錯：LLM 從 Google 圖片找 logo 會抓到舊版或錯的，要建內部 logo 資料庫

ROI 數字浮誇：LLM 為了好看會塞「節省 80%」，要寫死試算公式不讓 LLM 自由發揮

排版跑掉：注入太長的中文會撐破版面，文字長度要限制 char count

💰 ROI 估算

業務 1 份 deck 3 hr × 月 8 份 = 24 hr/月。自動化後 0.5 hr/份 = 4 hr/月，節省 20 hr/月。更重要：deck 質量一致（不再有業務隨便用舊版）、新業務上手速度從 1 個月縮短到 1 週。

🎯 為什麼可以 AI 化

月底拍腦袋報 forecast、跟實際差 30% 是常態。問題不是業務說謊，是「人類不擅長機率加權」—— 10 個 deal 各自 30% / 50% / 70% 機率，加權平均人腦算不準。LLM 從 CRM 拉所有 open deals 的「金額 × 階段機率 × 推進速度」計算 weighted forecast，每週對比實際偏差 → 自動找出哪個業務 / 產品線預估最不準，老闆看到 pipeline 真實樣貌。

🛠 具體做法

定義各階段成交機率（Lead 5% / Qualified 20% / Proposal 50% / Negotiation 75%）
每週日 23:00 cron 從 CRM 拉所有 open deals
LLM 算 weighted forecast = Σ(deal 金額 × 階段機率)
對比上週 forecast → 標出新增 / 移除 / 推進 deals
每月對比 actual vs forecast → 校準階段機率

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

過去 12 個月 CRM 完整匯出（calibrate 機率用）
各階段歷史成交率（用實際算，不要猜）
業務分級 / 產品線分類規則
月度業績目標 + 季度目標

選放

季節性係數（過去三年週度業績）
大客戶 vs 中小客戶切分
外部影響事件（展會 / 新品 / 競品動向）
業務個人歷史準度評分

容量限制

原始 CRM 匯出超過 5,000 筆 deal 不要全餵 LLM，先 SQL aggregate 成「月度 × 產品線 × 階段」3 維表再給 LLM 做趨勢分析。

🔧 推薦工具 3 選 1

工具	適合	缺點
Notion / HubSpot CRM + Claude API	CRM 已成熟，補 forecast 層	需要 API 串接 ~半天
Excel + LLM 寫公式	10 人以下、資料量小	無法自動週度更新
自架 SQL DB + LLM 解讀	數據量大、要客製機率模型	2-3 週開發

📋 起步 checklist（第一週）

Day 1：撈過去 12 個月 CRM → 算各階段實際成交率（不要用 gut feel）
Day 2：寫 forecast 公式 → Excel 試算對照舊月度
Day 3：接 CRM API + 排 weekly cron
Day 4-5：跑 4 週 → 對比實際偏差
Day 6-7：校準機率 → 向業務解釋邏輯（避免反彈）

⚠️ 常見坑

階段機率拍腦袋：Proposal 階段不是固定 50%，要從歷史算出來，可能其實是 35%

業務灌水推進階段：知道機率公式後，會把 deal 早早推到 Negotiation 衝 forecast。要設「進階段需附證據」規則

大單偏差炸：1 張 1000 萬大單佔 forecast 40%，掛掉就崩。大單要單獨追蹤、不混 weighted

💰 ROI 估算

業務主管月底 forecast 會議 + 整理 4 hr/月，自動化後 0.5 hr/月。但真價值不在工時，在決策品質：forecast 準度從 ±30% → ±10%，老闆敢提早備料 / 招聘 / 鎖匯，避免季度末砸錢救火或備貨過剩，一年至少省百萬等級資金成本。

02

生產 Production

把訂單變成成品。實體製造業核心，AI 介入難度最高但 ROI 也大。

7 項工作中 ROI 自動化潛力起步門檻：中-高

工作項目	常見痛點	建議 Agent / 工具 / 自動化
2.1 排程 / Production Scheduling	人工排程、急單來插隊、Excel 算到掉淚	高進階 ERP 排程模組（鼎新 / SAP）+ LLM 解釋為什麼這樣排急單影響預測 agent（What-if 模擬）
2.2 產線異常 / 停機回報	領班口頭報、晚上才知今天停 2 小時	高中階產線即時 sensor → Telegram 群即時推播異常 root cause 分類 LLM
2.3 物料 / 庫存盤點	月底人工盤點 3 天、缺料急單做不出	中中階 RFID / 條碼掃描 + ERP 即時更新最低庫存自動補單 cron（接採購）
2.4 SOP 文件管理	SOP 散在不同人筆電、新人問同事一週才上手	高入門 Notion / Confluence 集中 + LLM 問答 chatbot 語音問答 → 老師傅口述自動轉 SOP（Whisper STT）
2.5 良率分析	QC 數據沒人讀、不知道哪台機器最常出問題	高進階 QC log → SQL/CSV → LLM 找 pattern 週報圖像辨識挑瑕疵（YOLO / Replicate API）
2.6 設備保養排程	壞了才修、保養記錄存紙本	中入門保養 cron + Telegram 提醒維修紀錄電子化 → 預測性保養 LLM
2.7 工時 / 產能統計	月底會計手動匯整、跟業務承諾交期常落空	中中階打卡 / IoT → 自動產能 dashboard（Cloudflare Worker）

🎯 為什麼可以 AI 化

排程是「N 個訂單 × M 條產線 × 限制條件」的 NP-hard 問題，老師傅用 Excel 排到掉淚還排不準。急單一插隊全盤重來。LLM 不是用來取代 ERP 排程演算法（那塊鼎新 / SAP 已成熟），而是用來「解釋為什麼這樣排」+「What-if 模擬急單影響」—— 讓老闆 / 業務聽得懂排程邏輯，加單前先看影響再簽。

🛠 具體做法

盤點現有排程系統（ERP / Excel / 手寫白板）
結構化關鍵限制（機台產能 / 換線時間 / 物料齊備 / 人員班表）
排程演算法產出 schedule → LLM 翻譯成人話 daily brief
業務塞急單前 → LLM 跑 What-if「插這單會延誤哪 3 張單」
異常（缺料 / 機台壞）→ LLM 重排建議 + 影響範圍

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

機台產能表（每機每小時產出 + 換線時間）
產品 routing 表（哪個 SKU 走哪些機台）
現有訂單清單 + 交期 + 優先級
急單 / 客訴 / 重工的處理 SOP

選放

過去 3 個月實際 vs 計畫差異分析
季節性產能波動（人員請假 / 用電）
客戶交期彈性矩陣（哪家可推 1 週、哪家不行）
物料 lead time（評估缺料風險）

容量限制

不要試圖用 LLM 取代正規排程演算法（OR-Tools / 鼎新模組）。LLM 強項是「翻譯 + What-if 解釋」，硬要算最佳化會算錯。資料只放當週 + 下週訂單，歷史排程 archive。

🔧 推薦工具 3 選 1

工具	適合	缺點
鼎新 / SAP 排程模組 + Claude 解讀層	已上 ERP 的中型製造業	ERP 模組授權貴
Excel + Python OR-Tools + LLM brief	50 人以下工廠，預算緊	要工程師寫 ~500 行 code
Claude Project + 結構化 prompt	SKU 少（< 20 種）的小廠	產線多就算不準

📋 起步 checklist（第一週）

Day 1：盤點機台 / SKU routing / 產能 → 結構化 CSV
Day 2：撈現有訂單 + 交期 → 試跑一次 daily brief
Day 3：找 1 個老師傅校驗 LLM 翻譯有無誤
Day 4-5：跑 What-if 急單模擬，業務先不簽單
Day 6-7：跟業務 + 廠長共識 SOP（急單何時可插）

⚠️ 常見坑

LLM 算超複雜排程會幻覺：產線 > 5 條、SKU > 50 就不要靠 LLM 排，交給 OR-Tools / ERP

急單成本沒算進：插急單看似多賺一張單，實際延誤其他單賠錢。What-if 一定要算違約金

老師傅不信 AI：第一個月要每天人工 vs AI 比對，不然師傅一句「他不懂現場」就被退回

💰 ROI 估算

廠長 + 業務每天排程協調 1.5 hr × 22 工作日 = 33 hr/月。What-if 自動化後降 0.5 hr/天 = 11 hr/月。更值錢：急單誤插造成的延誤違約金通常 5-20 萬/次，一年避免 3-5 次 = 省 50 萬，且交期準確率提升 10-15% → 客戶留存率上升。

🎯 為什麼可以 AI 化

產線停 30 分鐘老闆 4 小時後才知道，是傳產日常。領班口頭報、白板畫、晚會議才匯整。實際上裝 IoT sensor 或讓領班用 LINE 群 + 結構化模板回報，LLM 即時分類異常類型（缺料 / 機台 / 人員 / 品質）、推估影響時數、推 Telegram 給管理層 + 自動更新 dashboard。停機從「事後檢討」變「即時感知」。

🛠 具體做法

定義異常分類（缺料 / 機台故障 / 品質異常 / 人員短缺 / 待料）
領班用 LINE 群結構化回報（時間 / 機台 / 類型 / 預估恢復）
LLM 分類 + 補預估影響（延誤訂單 / 產能損失）
HIGH 異常立即推 Telegram + Slack；MED 進日報
每週 LLM 找 root cause pattern → 寫週報給廠長

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

異常分類表 + 嚴重度判定規則
機台對應訂單 mapping（哪台壞影響哪單）
SOP：每類異常標準處理流程
upstream / downstream 通知規則（誰要知道）

選放

過去 6 個月異常記錄（找重複 pattern）
機台保養紀錄（推估 MTBF）
供應商 lead time（缺料異常評估）
替代產線 / 機台清單

容量限制

IoT sensor 一秒一筆會吐爆 storage。原始信號邊緣計算先 aggregate 成「狀態變化事件」再進 LLM。一個機台一天 ~20-50 事件即可。

🔧 推薦工具 3 選 1

工具	適合	缺點
LINE Group + 結構化模板 + Claude bot	$0 起步、不裝 IoT	依賴領班乖乖填，數據完整度低
IoT sensor + Cloudflare Worker + Telegram	單機台 5K 起步、即時度高	要工程師 + 1-2 週裝設
正規 MES（鼎新 / WonderWare）	百人以上工廠	導入半年起、$100K+

📋 起步 checklist（第一週）

Day 1：開異常 LINE 群 + 寫回報模板（5 欄位）
Day 2：訓練 3 個領班用模板回報
Day 3：接 LINE webhook → Claude bot 分類
Day 4-5：跑兩天 → 看誤判，調 prompt
Day 6-7：開 weekly root cause 報告

⚠️ 常見坑

領班懶得結構化回報：「機台壞了」一句帶過 → LLM 沒料分類。要設 LINE 模板 button 強制填欄位

異常太多 alert 疲勞：什麼都推 Telegram 等於沒推。HIGH/MED/LOW 三級 + HIGH 才推即時，其他進日報

root cause 一直歸「人為疏失」：偷懶分類，沒找到真因。要強制每週揪出至少 1 個 system root cause

💰 ROI 估算

停機從「平均 4 hr 才知道」縮短到「15 min」，每次異常少損失 3-3.5 hr 產能。一個 50 人工廠每月平均 15 次異常 × 3 hr × 5,000 元/hr 產值 = 每月省 22 萬產值損失。MTTR 下降後客戶交期準確率上升 → 抱怨率下降 30-50%。

🎯 為什麼可以 AI 化

月底 3 天人工盤點、平時又不知道哪個料快斷 = 缺料急單做不出 + 過量呆料佔資金。RFID/條碼即時更新庫存量是基礎建設，LLM 上層做兩件事：(1) 自動掃低於安全庫存的料件 → 觸發採購單草稿 (2) 從歷史用量預測未來 3 個月需求，提早打單避免缺料。庫存週轉率提升、現金流變健康。

🛠 具體做法

每料件設 min/max 安全庫存 + 經濟採購量
條碼 / RFID 進出料即時更新 ERP 庫存
每天 6:00 cron 掃低於 min → 自動產採購單草稿
LLM 讀過去 12 個月用量 → 預測未來 3 個月，校準 min/max
呆料（> 6 個月沒動）月度報表 → 業務 / PM 處理

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

料件主檔（料號 / 名稱 / 單位 / 供應商 / lead time）
BOM 表（每 SKU 用哪些料、用量）
過去 12 個月進出料明細
安全庫存 / 經濟採購量計算公式

選放

替代料 / 通用料件 mapping
季節性需求係數
供應商交期準確率歷史
呆料處置 SOP（降價 / 退供應商 / 報廢）

容量限制

過去 3 年完整進出料可能上百萬筆，LLM 只看 top 100 高頻料件 + 月度 aggregate，全料件分析交給 SQL function call。

🔧 推薦工具 3 選 1

工具	適合	缺點
條碼 + ERP（鼎新 / Workflow）+ Claude 預測層	已上 ERP，缺預測層	條碼設備建置 50K 起
Notion DB + 手機掃條碼 + LLM	20 人以下小廠 / 倉	料件 > 500 種會卡
RFID + 自架 dashboard	高價料件 / 防呆需求	每 tag 5-15 元，高頻料件成本高

📋 起步 checklist（第一週）

Day 1：盤點 top 50 高頻料件 + 設 min/max
Day 2：建料件主檔 + BOM 結構化
Day 3：撈過去 12 個月用量 → LLM 推估安全庫存
Day 4-5：開 daily 6:00 cron 掃低庫存
Day 6-7：採購試用 1 週，調 min/max 不要太敏感

⚠️ 常見坑

BOM 不準 → 預測爛：BOM 沒跟著工程變更走，料件用量算錯。要強制 ECN 連動 BOM

min 設太低急單缺料、設太高呆料：要按 lead time × 用量 + 安全係數計算，不靠拍腦袋

LLM 預測會 overfit 上個月：直接抓上月用量乘以 12 不對，要用季節性 model 或 moving average

💰 ROI 估算

月底盤點 3 人 × 24 hr = 72 hr/月，自動化後抽樣盤點 20 hr，省 52 hr/月。更值錢：呆料率從 15% → 8% 釋放數百萬資金（一個年營收 1 億的廠，呆料降 7% = 釋放 700 萬）。缺料急單事件下降 50%，客戶滿意度上升。

🎯 為什麼可以 AI 化

SOP 散在老師傅腦袋、隨身筆電、不同版本 Word，新人問同事一週才上手 = 每個新人成本至少 5 萬。LLM 兩條路：(1) 把現有零散文件集中到 Notion / Confluence，做一個問答 chatbot，新人 24/7 問 (2) 老師傅口述 → Whisper STT 轉文字 → LLM 寫成標準 SOP。SOP 從「靜態文件」變「活的知識庫」。

🛠 具體做法

盤點現有 SOP 散落地點（個人筆電 / 紙本 / 群組訊息）
集中到 Notion / Confluence，依工序分類
接 LLM chatbot（Claude Project 或 Slack bot）
老師傅口述新流程 → Whisper 轉文字 → LLM 草擬 SOP → 老師傅審核
每月看 chatbot 被問最多的 top 10 問題 → 補強 SOP 缺口

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

所有現有 SOP 文件（Word / PDF / Notion）
工序 / 機台 / 產品的分類索引
安全規範 + 法規要求
新人入職常見 30 問 FAQ

選放

故障排除手冊 / troubleshooting tree
機台原廠手冊 PDF
過去 ECN（工程變更通知）
異常案例庫（從異常分類學到的教訓）

容量限制

機台原廠手冊一本可能 500 頁，全部塞 PK 會吃光 token。要用 RAG / vector search 而不是全塞 context。Claude Project 上限 200K，超過要分庫。

🔧 推薦工具 3 選 1

工具	適合	缺點
Notion + Claude Project	20-100 人團隊，文件量中等	大檔 PDF 要拆分
Confluence + Atlassian Intelligence	已用 Atlassian 全家桶	授權貴 + 中文支援差
自架 RAG（LangChain + 向量庫）	文件量極大、要客製權限	2-4 週開發 + 工程資源

📋 起步 checklist（第一週）

Day 1：列出 top 20 常被問的問題（問新人問什麼）
Day 2-3：把對應的 20 份文件搬進 Notion，標籤化
Day 4：接 Claude Project / Slack bot
Day 5-6：找 3 個新人試用 → 收集沒答對的問題
Day 7：補 5 個缺口 SOP，正式開放給全廠

⚠️ 常見坑

SOP 過期沒更新：機台升級、流程改但文件還是 3 年前版本。要設 quarterly review owner

老師傅不願口述：覺得「教會徒弟餓死師傅」。要用獎金或績效綁，否則卡死

chatbot 幻覺：問題庫沒有的答案 LLM 自己編。要加「無資料就回不知道」的 system prompt

💰 ROI 估算

新人上手期從 1 個月 → 1 週，每位新人省 3 週生產力（按月薪 5 萬算 = 省 3.75 萬/人）。年招聘 10 個 = 省 37.5 萬。更值錢：老師傅退休前知識留下，避免單點失效（這個風險過去無法量化但確實存在）。

🎯 為什麼可以 AI 化

QC 數據每天累積但沒人讀，問題往往等到客訴才驚覺。LLM 強在「找 pattern」—— 從 QC log 挖出「機台 A 在週一早班的 X 缺陷率比平常高 3 倍」這種人眼看不出的訊號。再進階用 YOLO / Replicate API 圖像辨識自動挑瑕疵，QC 人員從「全檢」變「複檢 AI 標註」，速度 5 倍 + 漏檢率下降。

🛠 具體做法

QC 數據結構化（機台 / 班別 / 時間 / 缺陷類型 / 數量）
每週 LLM 跑 root cause 分析 → 找 top 3 pattern
產出週報給廠長，列「需 dig deeper」項目
進階：用 YOLO / Replicate 訓圖像辨識挑明顯瑕疵
每月對比改善動作前後良率變化

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

QC 缺陷分類表（標準命名）
過去 6-12 個月 QC log（結構化）
機台 / 班別 / SKU mapping
客訴歷史（連結回對應批次）

選放

原物料批次資訊（追溯瑕疵到料）
環境數據（溫濕度、機台震動）
瑕疵照片庫（訓圖像辨識用）
過去改善案例（什麼動作降了多少 ppm）

容量限制

QC 日 raw log 可能上萬筆，先 SQL aggregate 成「日 × 機台 × 缺陷類型」再給 LLM 分析趨勢。圖像辨識的瑕疵照片要存 R2 / S3，不要放 PK。

🔧 推薦工具 3 選 1

工具	適合	缺點
SQL/CSV + Claude weekly report	QC 數據已電子化、要快速洞察	需先把紙本 QC 數位化
YOLO + Replicate API 圖像辨識	外觀瑕疵、SMT、印刷	訓 model 要 500-2000 張標註圖
正規 SPC 軟體（Minitab）	已有品保專員、進階統計	學習曲線高、年費貴

📋 起步 checklist（第一週）

Day 1：盤點 QC 紀錄怎麼存（紙本 / Excel / MES）
Day 2：把上個月 QC log 結構化進 CSV/SQL
Day 3：跑第一份 weekly LLM 報告給廠長看
Day 4-5：找 1-2 個 pattern 驗證真假（去現場確認）
Day 6-7：排 weekly cron + Slack 推送

⚠️ 常見坑

QC 缺陷分類太籠統：「不良」一個欄位涵蓋 20 種缺陷 → 分析無意義。要拆細到至少 10 類

LLM 找的 pattern 是巧合：「週三良率低」可能只是樣本少。要看 statistical significance，n 太少別下結論

圖像辨識誤判邊界 case：訓練集沒見過的瑕疵會誤判。要設信心閾值 + 人工複檢

💰 ROI 估算

良率提升 1% 對製造業 = 直接 1% 毛利（年營收 1 億的廠 = 每年 100 萬）。加上 QC 人員從全檢變抽檢，速度 5 倍 → 1 個 QC 取代 3 個。客訴率下降 30-50% → 客戶留存率上升。

🎯 為什麼可以 AI 化

「壞了才修」最貴 —— 緊急停機 + 加班 + 客訴賠款一次數十萬。預防性保養基礎是「定期 cron 提醒」，進階是「預測性保養」(累積維修數據後 LLM 推估「這台再 2 週可能會壞」)。第一階段用 Telegram 提醒就能解決 70% 問題，不用立刻上昂貴 IoT。

🛠 具體做法

列出每台機台保養週期（日 / 週 / 月 / 季 / 年）
建保養 task DB（誰負責 / 何時 / SOP 連結）
cron 提前 1 天 Telegram 推給負責人
完成後勾完成 + 上傳照片，未完成升級廠長
累積 6 個月維修紀錄後，LLM 找預測性 pattern

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

機台清單 + 各自保養週期
每項保養 SOP（步驟 / 工具 / 耗材）
負責人指派 + 代理人
原廠保固 / 維保合約資訊

選放

過去維修紀錄（找 MTBF）
耗材庫存連動（保養前確認備品）
機台振動 / 溫度 sensor 資料
外部維修廠商聯絡 + 出勤費

容量限制

每台機台一年可能上百筆維修紀錄，10 台機就 1000 筆。LLM 分析 pattern 時看 aggregate 表，不需逐筆。預測性 model 至少要 1 年數據才有意義。

🔧 推薦工具 3 選 1

工具	適合	缺點
Notion DB + cron + Telegram	10 台機台以下、預算 0	無預測性
CMMS 軟體（Fiix / UpKeep）	50+ 機台、要正規追蹤	月費 $30-100/user
IoT 振動 sensor + LLM 預測	關鍵高價機台（> 500K 一台）	每台裝設 5-20K + 技術門檻

📋 起步 checklist（第一週）

Day 1：列 top 20 機台 + 各自保養週期
Day 2：建 Notion DB + 結構化 task
Day 3：寫 cron 提前 1 天推 Telegram
Day 4-5：跑 1 週 → 看完成率（不到 80% 要找原因）
Day 6-7：開始累積維修紀錄 → 等 6 個月後上預測層

⚠️ 常見坑

提醒推了沒人做：要強制完成回報 + 廠長看 dashboard，否則 cron 變雜訊

SOP 寫得太簡略：「保養機台 A」一句話 → 新人不會做。要拆步驟 + 配照片

過度保養：所有機台都按原廠手冊頻率保養 → 浪費。實際根據使用率 + 故障歷史調整

💰 ROI 估算

預防保養做到位的廠，緊急停機次數下降 60-80%，每次緊急停機平均損失 5-30 萬（產值 + 加班 + 賠款）。10 台關鍵機台一年避免 5 次緊急停機 = 省 50-150 萬。實施成本：1 天建表 + 0 元 cron。

🎯 為什麼可以 AI 化

月底會計手動匯整工時 + 產能、跟業務承諾交期常落空，本質是「資料散在打卡機 / 班表 / 工單，沒有單一儀表板」。把打卡 + IoT + 工單接成一個自動 dashboard 就解決 80% 問題。LLM 再上一層做「工時異常偵測」(誰今天加班 4 hr 但產能沒提升 → 標出來) + 月度自動結算。

🛠 具體做法

串打卡機 / IoT / 工單三個資料源到單一 DB
建 dashboard：員工 / 機台 / 訂單 / 班別維度
每日 cron 算實際 vs 標準工時偏差
偏差 > 20% → LLM 寫 root cause 推測
月底自動結算工時 + 產能報表，會計 review

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

標準工時表（每 SKU × 工序標準分鐘數）
班別定義（早 / 中 / 夜 / 加班）
員工技能 mapping（誰能做哪些工序）
請假 / 出差 / 教育訓練扣抵規則

選放

勞基法工時上限規則
季節性產能曲線
新人 vs 熟手產能差異係數
跨廠 / 外包工時資料

容量限制

打卡資料一個 50 人廠一年 ~6 萬筆，LLM 看 aggregate 表（日 × 員工 × 工序）即可，不要逐筆 ingest。標準工時表更新後要連動歷史對比基準。

🔧 推薦工具 3 選 1

工具	適合	缺點
Cloudflare Worker + D1 + LLM	輕量、自架、跨資料源	要工程師寫 ~200 行 code
Power BI / Tableau + LLM 解讀	已用 Microsoft 全家桶	授權貴、設計儀表板要懂 BI
ERP 工時模組（鼎新 / SAP）	已上 ERP、想減少新工具	客製化費用高

📋 起步 checklist（第一週）

Day 1：盤點打卡 / 工單 / IoT 資料怎麼匯出
Day 2：寫標準工時表（每 SKU × 工序）
Day 3-4：接資料 → 建 daily aggregate 表
Day 5：開 dashboard（Cloudflare Pages / Notion DB view）
Day 6-7：跑一週 → 找出 top 3 工時異常員工 / 機台

⚠️ 常見坑

標準工時不準：3 年前定的標準早就跟不上，所有員工都「超標」毫無意義。每年 review 一次

員工抗拒被監控：dashboard 變成扣薪工具會引發反彈。要明確「找系統問題不抓人」

加班費誤算：勞基法工時計算複雜（彈性工時 / 變形工時），LLM 算錯會法律風險。最後一道一定要會計 review

💰 ROI 估算

會計月底結算 16 hr/月 → 自動化後 3 hr/月，省 13 hr/月。更值錢：發現工時黑洞（某機台閒置率 30%、某員工產能落後 25%）→ 產能釋放 5-10%，等於不加人就多賺一條產線。業務交期承諾準度 +20%。

03

研發 / 開發 R&D / Engineering

設計新產品 / 寫程式 / 改良流程。AI 進步最快、最多現成工具的部門。

7 項工作極高 ROI 起步門檻：低（已有大量現成工具）

工作項目	常見痛點	建議 Agent / 工具 / 自動化
3.1 寫程式 / Coding	資深工程師 80% 時間在寫 boilerplate	極高入門 Claude Code / Cursor / Copilot code review agent（Claude Code `/review`）
3.2 文件 / 規格撰寫	沒人愛寫 doc、半年後沒人看得懂	高入門 code → auto doc（Mintlify / docusaurus + LLM） SDD-First（spec → code），spec 本身是 LLM-friendly doc
3.3 BOM / 成本拆解	硬體新品要拆 BOM 找 100+ 元件供應商	高中階 `bom-cost-analyzer` 自動掃 1688 / Alibaba 比價 BOM 風險評估 LLM
3.4 DFX / 量產風險評估	EVT/DVT/PVT 每階段都重複踩同樣坑	高進階 `dfx-navigator` skill（電子/機構/韌體/供應鏈四向掃） Pre-Mortem「想像 6 個月後失敗最可能原因」LLM
3.5 競品 teardown / 拆解	買回來拆完照片 + 心得永遠在工程師私人筆記	中入門照片 → LLM 辨識元件 + 推測 BOM teardown 報告模板自動生成
3.6 軟體 bug tracking	同樣的 bug 改了又出、回歸測試遺漏	高中階 bug repro agent（自動寫 test case） CI 上 LLM 解讀失敗 log 推測原因
3.7 技術選型 / 架構決策	用什麼 framework 吵兩週、決定後三個月才知踩坑	中中階 ADR（Architecture Decision Record）+ LLM 寫 trade-off 分析 tech stack scan agent（讀 GitHub trending）

🎯 為什麼可以 AI 化

資深工程師 80% 時間在寫 boilerplate（CRUD / API wrapper / 表單驗證 / 測試 / migration），這些 LLM 寫得比人快比人準。Claude Code / Cursor / Copilot 是 2025-26 工程界的標配，沒用 = 直接落後同業 3-5 倍速度。重點不是「會不會用」，是「敢不敢讓工程師大膽用」+ 「code review 流程跟得上」。

🛠 具體做法

選定一個工具：Claude Code（推薦）/ Cursor / Copilot
寫專案 CLAUDE.md / .cursorrules：codebase 架構 + 規範
工程師用 LLM 寫 → 自己 review → 提 PR
PR 跑 Claude Code /review 自動 code review
合 main 前必須有 1 個人類 reviewer 把關

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

CLAUDE.md（架構 / 命名 / 測試規範）
核心 utility / SDK 的型別定義
過去 PR review 常見 comments（避雷）
安全規範（secrets / API key 不可硬寫）

選放

架構決策紀錄（ADR）
API 文件（內外部）
歷史 bug 案例庫
性能 baseline / SLA 要求

容量限制

不要把整個 monorepo 餵 LLM。Claude Code 自帶 codebase indexing 只在需要時讀檔。CLAUDE.md 控制在 200 行以內，超過就抽 sub-doc。

🔧 推薦工具 3 選 1

工具	適合	缺點
Claude Code	大專案、agent 工作流、refactor	$200/月起，學習曲線中
Cursor	單檔速度、IDE 體驗好	大型 codebase context 弱
GitHub Copilot	已用 GitHub、$10/月便宜	能力較弱、不適合 agent task

📋 起步 checklist（第一週）

Day 1：選工具，全 team 同一個（混用會打架）
Day 2：寫 CLAUDE.md / .cursorrules（最重要的一步）
Day 3-4：每人挑一個小 ticket 試做，做完分享心得
Day 5：建 PR review SOP（誰 review / 怎麼 review）
Day 6-7：開 Claude Code /review 自動 PR review

⚠️ 常見坑

沒寫 CLAUDE.md → LLM 寫風格不一致：每個工程師產出不同風格 → review 噩夢。CLAUDE.md 是必做基礎建設

LLM 寫的 code 沒人 review 直接 merge：跑出來能動但暗藏 bug，3 個月後爆。一定要人工 review

過度依賴 LLM 連簡單邏輯都不思考：junior 工程師會退化。要刻意保留「自己寫」的時間

💰 ROI 估算

工程師 dev 速度提升 2-5 倍（寫 boilerplate 時 5 倍、複雜邏輯 2 倍）。10 人工程團隊等於免費多請了 10-30 個工程師。Claude Code $200/月 vs 工程師月薪 8-15 萬 = ROI 400-750 倍。2026 年沒用 = 競爭力直接落後。

🎯 為什麼可以 AI 化

沒人愛寫 doc，半年後沒人看得懂。SDD-First（spec-driven development）反向思維：先寫 spec → spec 本身就是 LLM-friendly doc → LLM 從 spec 生 code → 文件永遠跟 code 同步。或走 code-first 路線：用 Mintlify / Docusaurus + LLM 自動從 code comment 生 API doc。文件不再是「事後加班補的東西」。

🛠 具體做法

選路線：SDD-First（適合新專案）或 auto-doc（適合既有專案）
SDD：寫 markdown spec → Claude Code 生 code + tests
auto-doc：寫 JSDoc / docstring → Mintlify / Docusaurus build
每次 PR 強制更新對應 spec / doc
每月 LLM 掃 stale doc（code 改了 doc 沒改）→ 開 issue

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

doc 模板（API / function / module）
命名 / 註解規範
架構圖 / data flow 圖
OpenAPI / GraphQL schema

選放

過去高評價 doc 範例
常被新人問的 onboarding 問題
API 使用統計（最常用 endpoint 優先寫）
客戶 / 外部開發者 feedback

容量限制

整個 codebase 不要全送 LLM 寫 doc，分模組一個一個寫。auto-doc 工具會自己處理 indexing，不需擔心 token。

🔧 推薦工具 3 選 1

工具	適合	缺點
Mintlify	SaaS 公司、API doc、視覺好	$120/月起、要遷移
Docusaurus + Claude Code	open source、客製需求高	要自架 + 設計師調樣式
Notion / GitBook + Claude	內部 doc、輕量	不適合對外 API doc

📋 起步 checklist（第一週）

Day 1：盤點現有 doc 在哪、誰在維護、過期程度
Day 2：選工具 + 路線（SDD or auto-doc）
Day 3：寫 doc 模板 + 1 份 reference example
Day 4-5：把 top 3 模組的 doc 自動生成 + 人工調整
Day 6-7：建 CI 規則（PR 沒更新 doc 就擋 merge）

⚠️ 常見坑

spec 寫得跟 code 一樣冗長：spec 應該是「why + what」不是「how」。how 留給 code

auto-doc 變垃圾資訊：每個 getter / setter 都生一頁 → 沒人看。要過濾 public API only

doc 跟 code 不同步：CI 沒擋就會壞。一定要強制 doc-or-die

💰 ROI 估算

新工程師 onboarding 從 2 週 → 3 天，省 1.5 週生產力 / 人。客戶 / 外部開發者問問題次數下降 60% → 工程師被打斷時間省 5 hr/週。SDD 路線進階：spec 改 → Claude Code 重生 code，refactor 速度 5-10 倍。

🎯 為什麼可以 AI 化

硬體新品 BOM 可能 100-300 個元件，每個都要找 3 家供應商比價、評估 lead time / MOQ / 風險。資深採購 1 份 BOM 要做 1-2 週。bom-cost-analyzer 自動掃 1688 / Alibaba 比價，每元件抓 top 3 供應商 + 報價 + 評分，BOM 拆完 1-2 天出爐，且每個元件附風險評估（單一供應商 / EOL 警示 / 替代料）。

🛠 具體做法

把規格書 / 樣品照片丟給 LLM 拆 BOM 草稿
bom-cost-analyzer 對每元件搜 1688 / Alibaba 找 top 3 供應商
LLM 算總成本 + 各 quantity tier（100/1K/10K）
標出風險元件（單供 / EOL / 高 MOQ）
採購人工確認 + 跟供應商議價

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

產品規格書 / 工程圖
核心元件偏好品牌 / 規格清單
過去成功 BOM（同類產品參考）
採購評分標準（價格 / lead time / MOQ / 品質）

選放

禁用供應商黑名單
替代料 mapping（A 用不到改 B）
內部既有合作供應商 + 議價歷史
關稅 / 物流加成係數

容量限制

1688 / Alibaba 搜尋結果一頁可能 30-50 家供應商，全餵 LLM 浪費 token。Skill 內部已 filter top 5，採購只看精選。

🔧 推薦工具 3 選 1

工具	適合	缺點
`bom-cost-analyzer` skill	硬體新品開發 / NPI	1688 帳號 + 中文供應商
Octopart API	電子元件、北美 / 歐洲供應	非電子料件不適用
Excel + 採購手刷	BOM < 30 種、走過 10 次的成熟產品	不 scale，每次都重做

📋 起步 checklist（第一週）

Day 1：拿 1 個現有產品 BOM 當 baseline
Day 2：跑 bom-cost-analyzer 對比實際採購價
Day 3：差異 > 10% 的元件 → 找原因（規格不同 / 議價過 / skill 找錯）
Day 4-5：寫採購偏好 / 黑名單進 PK
Day 6-7：拿新產品 BOM 全跑一次，採購 review

⚠️ 常見坑

規格 mismatch：LLM 找到的 0805 電容跟你要的不是同一個 voltage / tolerance。要明確規格鎖定再搜

1688 報價是「假價」：表面 0.1 元/顆，實際 MOQ 10K 起 + 議價空間。要採購驗證

沒看 RoHS / 認證：找到便宜的但沒認證 → 出口被擋。要把認證需求列入搜尋條件

💰 ROI 估算

1 份 BOM 從 2 週 → 2 天，採購工時省 70%。更關鍵：每個元件多比 2-3 家 → 整體成本下降 10-25%，硬體 BOM 1000 元的產品省 100-250 元/台。年產 10 萬台 = 省 1000-2500 萬。NPI 速度上升 → time-to-market 縮短 1-2 個月。

🎯 為什麼可以 AI 化

EVT/DVT/PVT 每階段都重複踩同樣坑（卡接合縫 / 散熱不夠 / 測試 jig 沒設計），是因為「老師傅腦袋裡的經驗沒系統化」。dfx-navigator skill 用 80/20 法則 5 分鐘掃過電子 / 機構 / 韌體 / 供應鏈四向，識別 80% 潛在風險。再配 Pre-Mortem「想像 6 個月後失敗最可能原因」prompt，讓研發團隊提前避雷。

🛠 具體做法

EVT 結束前用 dfx-navigator 跑診斷（電子 / 機構 / 韌體 / 供應鏈）
Pre-Mortem：「假設 PVT 失敗，最可能原因 top 5」
每個風險評估嚴重度 × 機率 → 排優先級
研發 / 採購 / QA 分工 mitigation actions
DVT / PVT 各階段重跑一次，更新風險清單

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

產品規格書 + 工程圖 + BOM
過去 5 個產品的 PVT 失敗報告
客戶使用情境 / 環境條件
法規 / 認證需求（RoHS / FCC / BSMI）

選放

客戶過去抱怨 / RMA 紀錄
競品 teardown 報告
EMS / OEM 廠能力清單
過去 ECN（工程變更原因）

容量限制

不要把規格書 + 30 份歷史失敗報告全塞 PK。每個產品掃 DFX 時，只放當前產品 spec + 同類產品 top 3 失敗案例即可。

🔧 推薦工具 3 選 1

工具	適合	缺點
`dfx-navigator` skill	消費電子 / 醫材 / IoT 硬體	需先把 spec 結構化
FMEA 表 + Claude Project	已有 FMEA 流程的傳統製造業	FMEA 表填寫費時
顧問公司 DFX review	大型專案、$100K+ 預算	單次 50-200 萬、不可重複

📋 起步 checklist（第一週）

Day 1：找最近一個 EVT 失敗案例做 baseline
Day 2：用 dfx-navigator 跑診斷 → 看是否能 retro 找出當時忽略的點
Day 3：跑 Pre-Mortem 對比實際失敗原因
Day 4-5：把過去 5 個失敗報告結構化進 PK
Day 6-7：用在 ongoing project 跑一次，研發 review

⚠️ 常見坑

研發認為 LLM 不懂硬體：第一次跑要找 retro case，證明 AI 找得到當時沒看到的風險，建立信任

風險清單列了沒人改善：要強制每個 HIGH 風險指派 owner + due date

四向掃只看一向：研發只看電子忽略機構，量產才崩。要強制四向都跑

💰 ROI 估算

一次 PVT 失敗 retake 成本 200-500 萬 + 延後 1-2 個月上市。dfx-navigator 提早抓 1 次失敗 = ROI 100 倍以上。EVT-PVT 全程 dev cycle 縮短 1-3 個月，新品 time-to-market 是直接競爭力。

🎯 為什麼可以 AI 化

買競品回來拆，工程師花 2 天拍照 + 寫筆記，結果筆記永遠在他私人 Notion 裡，下個專案沒人看得到。LLM 從拆解照片自動辨識元件 + 推測 BOM + 標準化 teardown 報告模板，知識變成可搜尋的內部資產。下次做類似產品 → 一鍵調出 5 份競品 teardown 對比參考。

🛠 具體做法

建統一 teardown 模板（外觀 / 拆解步驟 / BOM 推測 / 成本估算 / 學習點）
工程師拍照 + 上傳到共享 Notion / Drive
LLM 讀照片 → 辨識元件 + 推測供應商 + 估成本
產出 teardown 報告 → 工程師 review + 補手感觀察
建立 teardown 索引：依產業 / 價位 / 功能可搜

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

teardown 報告模板
常見元件辨識 reference（IC / connector / sensor）
競品基本資料（型號 / 售價 / 上市日）
BOM 推測公式（x.5 倍售價、利潤率假設）

選放

過去 teardown 報告（內部知識庫）
競品評論摘要（找客戶痛點）
專利檢索結果（避免抄到專利）
產業基準價（材料成本占售價 %）

容量限制

每份 teardown 30-100 張高清照片，全送 LLM 會吃光 token。先用解析度低版 overview，需要細看再放高清。整理完的報告 archive 原始照片。

🔧 推薦工具 3 選 1

工具	適合	缺點
Claude vision + Notion 報告模板	消費電子 / 小家電 teardown	需手動上傳照片
Octopart + 元件 datasheet 比對	純電子板 teardown，元件多	機構 / 韌體部分無法分析
顧問報告（IHS / TechInsights）	iPhone 等熱門旗艦產品	單份 $5K-50K、不客製

📋 起步 checklist（第一週）

Day 1：寫 teardown 模板（找一份做得好的當範本）
Day 2：拆 1 個現有競品 → 工程師按模板拍照
Day 3：跑 LLM 自動分析 → 工程師對比手寫筆記
Day 4-5：調 prompt（哪些 LLM 看不準）
Day 6-7：建 teardown 索引 DB，全研發部可搜

⚠️ 常見坑

LLM 元件辨識誤判：marking 模糊 / 看不到 IC 字 → LLM 編造型號。要設信心閾值 + 工程師複核

BOM 估算亂猜：售價 ×0.3 是統計平均，但奢侈品 ×0.05、白牌 ×0.6。要按產業 segment 校準

沒拍齊就送分析：工程師拆完只拍 5 張 → 缺背面 / 內部 → 分析報告殘缺

💰 ROI 估算

一份 teardown 工程師工時從 2 天 → 0.5 天，省 12 hr/份。但真價值在「知識資產化」：以前 5 份 teardown 散在 5 個工程師私人筆記，現在統一可搜，下個產品開發直接調，省去重複拆解 = 省 5-10 萬 / 次（樣品 + 工時）。

🎯 為什麼可以 AI 化

同樣的 bug 改了又出、回歸測試遺漏，是因為「測試 case 不夠」加「CI log 沒人看」。LLM 兩個切角：(1) bug repro agent —— 從 bug report 自動寫 test case，下次 commit 自動 catch (2) CI 失敗時 LLM 解讀 log 推測 root cause + 對應的 git blame 範圍。工程師從「fix 不知道為什麼壞」變「fix 之前已知為什麼壞」。

🛠 具體做法

bug ticket 寫出 reproduction steps + 期望 vs 實際
LLM 讀 ticket + codebase → 寫 failing test case
工程師 fix → test 從 failing 變 passing → 自動 commit
CI 失敗時 LLM 解讀 log + git diff → 推測哪行造成
每月找 top 5 重複 bug → 從 process 層改善（不只 fix）

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

bug report 模板（repro steps / env / version）
test framework 設定（jest / pytest / 等）
過去 high-impact bug postmortem
核心邏輯 invariants（不能違反的規則）

選放

git blame 歷史（哪段 code 最常出 bug）
客戶報告 bug 統計
flaky tests 清單
性能 benchmark baseline

容量限制

整個 codebase 不丟 LLM；CI failure 分析時只送相關 diff + log + 對應檔案內容。test case 由 LLM 寫但要工程師 review，盲信 LLM 寫的測試會出包。

🔧 推薦工具 3 選 1

工具	適合	缺點
Claude Code `/investigate` skill	複雜 bug、要 root cause	單次跑 5-15 min
Sentry + LLM error grouping	production 監控、高頻 bug	$30/月起
GitHub Actions + Claude API on PR	CI 失敗自動分析	API call 累積花錢

📋 起步 checklist（第一週）

Day 1：盤點過去 1 個月 top 5 bug，看是否重複
Day 2：寫 bug report 模板強制工程師 / QA 用
Day 3：拿 1 個 bug 跑 /investigate skill 試
Day 4-5：把該 bug 的 failing test 寫進去 → 防回歸
Day 6-7：CI 接 LLM analysis on failure

⚠️ 常見坑

LLM 寫的 test 是 happy path：只測「能跑」沒測 edge case。要明確列出 boundary conditions 給 LLM

root cause 推到表面就停：「null pointer」是 symptom 不是 cause。要 5 whys 追到 process 層

CI log 太長 LLM 看不完：要 truncate 到 error 前後 100 行，不要全送

💰 ROI 估算

每個 bug 平均 debug 時間 4 hr → 1.5 hr（LLM 給 root cause 線索），省 2.5 hr/bug。中型 SaaS 月 50 bugs = 省 125 hr/月。回歸 bug 數量下降 60-80%（因為自動寫 test），客戶投訴下降 → retention 提升 5-10%。

🎯 為什麼可以 AI 化

「用什麼 framework」吵兩週、決定後 3 個月才知踩坑。問題不是「沒 LLM」，是「沒結構化決策流程」。寫 ADR（Architecture Decision Record）+ LLM 自動找 trade-off + 掃 GitHub trending / Reddit / HackerNews 找最新風向，把選型從「資深工程師主觀」變「結構化評估」。決定錯了至少有紀錄能 retro。

🛠 具體做法

建 ADR 模板（context / options / decision / consequences）
選型問題 → LLM 列 5 個 options + 各自 trade-off
LLM 掃 GitHub stars / Reddit / HN 看社群風向
結構化評估表（pros/cons/cost/learning curve/team fit）
決定後寫 ADR 進 repo，3 / 6 / 12 個月後 retro

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

ADR 模板
現有 tech stack 清單 + 版本
團隊技能矩陣（誰會什麼）
非功能需求（性能 / scale / 預算）

選放

過去 ADR 紀錄（學習成功 / 失敗模式）
競品技術棧情報
cloud bill 結構（避開貴 service）
3 年技術藍圖（避免短視選錯）

容量限制

GitHub trending 一天上千 repo，不要全餵 LLM。先過濾關鍵字 + 上週 trending top 50 即可。ADR 文件每份 1-2 頁，全集放 repo 不入 PK。

🔧 推薦工具 3 選 1

工具	適合	缺點
Claude Code + ADR markdown	10 人以下小團隊	無自動風向掃描
`x-research` skill + GitHub MCP	需要外部社群風向	X / Reddit 噪音多要過濾
顧問 / CTO advisor	百萬級決策、3+ 年影響	單次 50-200 萬、不可重複

📋 起步 checklist（第一週）

Day 1：寫 ADR 模板 + 找一個過去決策補寫當範例
Day 2：列 top 3 待決策的技術選型
Day 3：LLM 跑 trade-off 分析 → 工程師 review
Day 4-5：用 x-research skill 掃社群風向 cross-validate
Day 6-7：開技術會議用結構化評估表討論 → 寫 ADR

⚠️ 常見坑

追潮流選 framework：GitHub 100K stars 不代表適合你。要對齊團隊技能 + 三年藍圖

ADR 寫完就忘：3 / 6 / 12 個月不 retro，下次又踩同樣坑。要排 calendar 提醒

LLM trade-off 太中立：兩邊都說好沒幫助。要強制 LLM 給 recommendation + 條件

💰 ROI 估算

選型討論時間從 2 週 → 3 天，CTO 工時省 15 hr/次。但真價值在「避免錯誤選型」：選錯一個 framework 3 年後 migrate 成本 500 萬-3000 萬（人力 + 時程）。一次正確選型避免一次大型重寫 = ROI 1000 倍以上。

04

行銷 Marketing

把產品讓對的人知道、對的時機買。內容 / 數據 / 投放三軸。

7 項工作高 ROI 起步門檻：低 📚 已加深度教學

工作項目	常見痛點	建議 Agent / 工具 / 自動化
4.1 廣告投放	手動每天看 Meta / Google 報表、調整不及時	高中階 Meta Ads MCP + 自動每日 ROAS 報告異常出價 alert（CTR / CPC 突變）
4.2 內容生產	小編一天 1-2 篇貼文、IG / FB / LINE 三個平台累死	高入門 `content-generation` + 品牌 voice profile（一致 tone）圖文自動 cross-post（Buffer / Postiz）
4.3 SEO / AEO（AI 搜尋優化）	SEO 做了沒效、AI 時代根本沒人提到我們	高中階 `aeo-prompt-research-free` 找 ChatGPT/Gemini 引用機會 `aeo-content-free` 寫 AI 引用友善內容
4.4 KOL / KOC 合作	手動找名單、洽談一個月、效益難評估	中中階 Apollo + cold-email 自動化外洽 KOL 觸及 / 互動自動報告
4.5 EDM / 電子報	寫一封發給所有人、開信率不到 10%	高入門分眾 EDM（Mailchimp / Klaviyo + LLM 寫個人化開頭）
4.6 數據分析（GA4 / 站內）	後台打開沒人看、月底會議才匯總	高中階 `biz-reporter` skill 自動週報 GA4 + PostHog + Stripe 整合 dashboard
4.7 競品監控	不知道對手出新品、廣告 / 改價也不知	中入門 `competitor-analysis` 週掃 + Telegram 推

🎯 為什麼可以 AI 化

廣告平台後台每 15 分鐘更新一次數據，人工不可能即時看 + 即時調。AI 能 24/7 監控、發現 KPI 異常立刻提醒，且能自動分析「為什麼這支廣告 CTR 突然掉一半」這類痛點。

🛠 具體做法

設定每日 ROAS / CPA / CPC 目標值（先看過去 30 天 baseline）
接 Meta Ads API + Google Ads API（OAuth setup 約 30 min）
寫 cron 每 30 分鐘抓主要 metric
任何 KPI 超出 ±20% baseline → Telegram / Slack 推播
每週 LLM 寫人話總結報告（含 top 5 廣告、bottom 5、建議調整）

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

過去 30 天 ROAS / CPC / CTR baseline（Excel）
品牌核心受眾描述（年齡 / 興趣 / 痛點）
預算上限規則（單日 / 單月 / 單支廣告）
廣告組命名規範 + 既有 UTM 模板

選放

競品廣告截圖庫
季節性 / 節慶備忘
過去爆款素材合集
過去翻車案例（避雷用）

容量限制

別把整個 GA4 raw export 倒進 Project Knowledge — 會吃光 token 預算（200K cap）。先 aggregate 成週報摘要再餵。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Meta Ads MCP`（Anthropic 官方）	從 Claude 直接拉數據，零 code	只支援 Meta，要 Claude 訂閱
`meta-ads-report` skill	現成週報模板 + Notion 整合	調 prompt 才能客製
自架 Cloudflare Worker + API	最自由、支援多平台、便宜	要寫 ~100 行 code

📋 起步 checklist（第一週）

Day 1：開 Meta Ads API access
Day 2：手動拉一次數據驗證權限
Day 3-5：寫 alert prompt + 排 daily 9 AM cron
Day 6-7：觀察 + 調 threshold

⚠️ 常見坑

API rate limit：要 cache，每 30 分鐘抓一次而不是每秒

OAuth token 過期：refresh 邏輯寫進腳本，不要靠手動續

Alert 太多 → 誤判：先用 7 天 baseline 校準 threshold 再開 alert

💰 ROI 估算

小編每天 1 hr 看後台 × 22 工作日 = 22 hr/月。自動化後降到 1 hr/月 → 節省 21 hr/月。1 個小編可同時管 3-5 個品牌。

🎯 為什麼可以 AI 化

同一支產品 / 活動，IG / FB / LINE / 蝦皮 / 官網每篇都要重寫文案是純體力勞動。LLM 給「主訊息 + 品牌 voice」可一次產 5 個平台版本。

🛠 具體做法

建立 brand voice profile（3 段：tone / 不要說的話 / 範例好文）
每月選 1 個主題 brief
LLM 一次產出該月所有平台 + 所有貼文版本
人工 review 改字（10 分鐘 vs 從零寫 1 小時）
排程工具一次排完整月（Buffer / Hootsuite / Postiz）

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

Brand voice profile 一頁紙（tone / 禁忌詞 / 例句）
過去 5-10 篇高互動貼文（真實 sample）
各平台格式規範（IG 字數 / FB hashtag / LINE 折行）
產品核心 USP 與差異化說法

選放

KOL 風格參考（如果想模仿某個調性）
競品爆款文案截圖庫
季節 / 節慶 brief 表
過往翻車案例（粉絲炎上的貼文）

容量限制

別把整個官網或 IG 完整 archive 爬下來丟進 Project — 20-30 篇代表作 + voice profile 就夠。多了反而 dilute Claude 對你品牌的理解。

🔧 推薦工具 3 選 1

工具	適合	缺點
`content-generation` + `brand-voice-profile` skill	已有現成 skill	要 Claude Code
Notion AI + 圖文模板	非工程師團隊	中文不夠在地
ChatGPT custom GPT + 排程工具	單人小編 cost 最低	無 brand voice persistence

📋 起步 checklist（第一週）

Day 1：寫 brand voice profile 1 頁（5 篇歷史好文當 sample）
Day 2：選 1 產品試產 5 篇貼文
Day 3-4：人工 review + 比較
Day 5：設好排程工具

⚠️ 常見坑

沒 brand voice → 像 ChatGPT 寫的：粉絲一眼識破，互動會掉

圖片 AI 風格不一致：固定 1 個 style，不要每次換模型

節慶 / 時事不能 AI 包辦：留 20% 真人原創，AI 不懂當下情緒

💰 ROI 估算

小編 1 篇 30 分鐘 × 5 篇/天 = 2.5 hr/天。AI 輔助後 5 分鐘 review = 25 min/天 → 節省 40 hr/月。等於多請 1/4 全職。

🎯 為什麼可以 AI 化

2026 年用戶問 ChatGPT / Gemini / Perplexity 而不是 Google 比例已超過 30%。傳統 SEO 沒用，要的是「讓 AI 引用你的內容」（AEO = Answer Engine Optimization）。

🛠 具體做法

列出你的核心 prompt（如「KF272 vs 59S」「UVC 安全嗎」）
跑 aeo-prompt-research-free 找 50 個相關 prompt
檢查哪些 prompt 目前沒引用你（gap 分析）
寫專屬內容（中立比較 / 數據引用 / FAQ 結構化）
每月跑 1 次「我被引用了嗎」掃描

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

核心 prompt 清單（5-20 個你想被引用的問題）
產品差異化主張（一頁紙）
已驗證的客戶引用 / 評論段落
既有 FAQ 結構化文件

選放

第三方文獻 PDF（WHO / SGS / 期刊）
競品 AEO 表現分析
過往 SEO keyword research 結果
產業專業詞彙表

容量限制

研究文獻 PDF 最佔 token，挑 3-5 份核心就好。Project 容量上限約 200K token，整個期刊論文一篇可能就 30K。

🔧 推薦工具 3 選 1

工具	適合	缺點
`aeo-prompt-research-free` + `aeo-content-free`	零成本起步	要 Claude Code
Profound / Otterly / AthenaHQ（SaaS）	儀表板美	$200-500/月，台灣中文支援弱
手刷 ChatGPT + Perplexity	0 成本立刻上手	不規模化

📋 起步 checklist（第一週）

Day 1：列 5 個核心 prompt
Day 2-3：跑 aeo-prompt-research 拿 50 候選
Day 4-5：手動 ChatGPT/Perplexity 問每個 → 標「有/沒提到我」
Day 6-7：找 3 個 gap → 寫第一篇 AEO 文

⚠️ 常見坑

還在做傳統 SEO：浪費時間，2026 流量結構已變

Keyword stuffing：AI 一眼看穿反而降權

沒結構化（無 FAQ / heading）：AI 抓不到要點

💰 ROI 估算

假設 ChatGPT 每月 5K 人問你品類問題，AEO 引用率 0% → 20% = 1000 人/月知道你，CPM 等價 $200-500 廣告費。

🎯 為什麼可以 AI 化

找 KOL 名單 + 個人化 outreach + 追效益三件事重複度極高。AI 可批次掃 IG / YouTube / 抖音粉絲量、互動率、貼文風格，再自動發個人化邀約。

🛠 具體做法

定義 ICP：粉絲量 / 互動率 / 主題 / 價值觀
用 Apollo / 自架 scraper 抓 100-500 KOL 候選
LLM 對每個 KOL 寫個人化 1 段開頭（提他最近某篇貼文）
cold-email / IG DM 自動化外洽（漸進、不轟炸）
合作後自動追蹤觸及 / 互動 / 銷售歸因

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

KOL ICP 定義（粉絲量區間 / 互動率 / 主題標籤）
過去合作過 KOL 名單 + 結果（成交 / 翻車）
預算規則（單檔上限 / 抽成 / 樣品供應）
品牌 messaging 邊界（不能說的詞 / 法規）

選放

競品合作的 KOL 列表（社群偵察）
各平台基準互動率（行業 benchmark）
KOL contract 範本
過往 outreach 信件回覆率歷史

容量限制

KOL 候選資料庫不要全部塞進 Project — 用 Notion / Airtable CRM 化，Project 只放 ICP + 規則 + 樣本。Project 是「決策腦」不是「資料庫」。

🔧 推薦工具 3 選 1

工具	適合	缺點
Apollo + `cold-email` + `cold-outreach`	B2B / 中大規模	Apollo 月費 $50+
Modash / Heepsy / Upfluence	專做 KOL + 報價 + 數據	$200-500/月，中文台 KOL 庫薄
自架 Apify scraper + Notion CRM + LLM	最自由	要寫 code + 維護 anti-bot

📋 起步 checklist（第一週）

Day 1：寫清楚 KOL ICP
Day 2：抓 50 候選
Day 3-4：手動 review 到 20 個
Day 5-7：發第一輪邀約 → 看回覆率 baseline

⚠️ 常見坑

個人化開頭太假：KOL 一眼看穿，等於沒寫

沒追歸因：用 unique discount code / UTM 強制溯源

大粉絲不一定買：100 個 KOC 可能比 1 個大 KOL 還轉化

💰 ROI 估算

手動 KOL outreach 1 人/小時 × 50 人 = 50 hr。自動化後 LLM 生信 2 hr 跑完 + 人工審 5 hr → 節省 43 hr，等於 1 週工作日。

🎯 為什麼可以 AI 化

EDM 開信率關鍵在「主旨個人化 + 分眾」。手動分眾 1-2 hr/封；LLM 對每收件人寫個人化主旨、開頭，可規模化做到「假裝 1 對 1」。

🛠 具體做法

分眾：依「上次購買時間 / 偏好類別 / 客單價」切 5-10 群
每群寫一個主訊息（手寫，AI 不接管 hero）
LLM 對每群人客製主旨 + 開頭問候
A/B test：每群 2 版本各發 10% → 高開信率全發
發後 7 天報告：開信 / 點擊 / 銷售歸因

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

名單分群規則（新客 / 常客 / 沉睡等）
Brand voice profile（同 4.2，sub-tone for email）
過去高開信率主旨範例 10-20 條
Domain warm-up 狀態 + 法規限制（個資 / GDPR）

選放

過去 A/B test 結果（哪種主旨贏）
競品電子報截圖（看別人怎麼寫）
節慶 / 促銷 calendar
退訂率高的內容類型紀錄

容量限制

名單 raw data（含 email / 個資）絕對不能丟進 Project — 隱私 + 太大。只放分群統計 + sample 行為描述。

🔧 推薦工具 3 選 1

工具	適合	缺點
Klaviyo + AI 主旨 plugin	Shopline / Shopify 電商	$45-150/月
Mailchimp + ChatGPT	傳產 / 服務業	分眾能力弱
SendGrid / Postmark + LLM 自架	大量 + 客製化最強	送達率要自己優化

📋 起步 checklist（第一週）

Day 1：列分群（先 3 群：新客 / 常客 / 沉睡）
Day 2-3：對每群寫 1 個主訊息
Day 4：LLM 個人化主旨 + 開頭
Day 5：A/B test 發 → 7 天看結果

⚠️ 常見坑

「XX 您好」假個人化：開不了信，比沒個人化還糟

太頻繁 → spam：每月最多 4 封，超過退訂率爆衝

沒測試 → 整批 spam：domain warm-up 先做，新 domain 直發 10K 一定進垃圾箱

💰 ROI 估算

分眾 + AI 個人化開信率 8% → 20% = 同名單 2.5x 銷售。10K 名單 × 客單 $1500 × 0.5% 轉換 → 月增 NT$ 75K，AI 工具月費約 $50。

🎯 為什麼可以 AI 化

GA4 / Meta / Stripe / PostHog 各自報表沒人讀，因為「看完不知道要做什麼」。AI 不只匯整數字，能寫 narrative：「這週轉化掉 8% 因為週四廣告改了 hero 圖」。

🛠 具體做法

列出最重要 5 個 KPI（不是 50 個）
API 接 GA4 / Stripe / Meta / PostHog
cron 每週一 9 AM 拉上週數據
LLM 寫 narrative 報告（含 anomaly + 可能原因）
推 Telegram / Slack / Notion → 不是 PDF email

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

5 個核心 KPI 定義 + 計算公式
過去 30-90 天 baseline（讓 AI 認識「正常」）
Anomaly threshold 規則（±15% / ±20% 怎麼定）
主要報告對象（老闆 / 行銷 / 財務）+ 各自關心點

選放

過去異常事件案例（廣告改了 / 競品促銷）
競品 / 行業 benchmark 數據
季節性週期備忘（Q4 旺季 / 報稅淡季）
外部事件 calendar（雙 11 / 國定假）

容量限制

GA4 raw export 絕對不能丟進 Project（重複 4.1 提醒，這個錯太常見）。只放匯總 metrics + 趨勢圖描述。

🔧 推薦工具 3 選 1

工具	適合	缺點
`biz-reporter` skill	已現成、可改 prompt	要 Claude Code
Looker Studio / Metabase + LLM 摘要	視覺化好、團隊共看	建 dashboard 1-3 天
自架 Cloudflare Worker + 多 API + LLM	整合最深 cost 最低	~200 行 code

📋 起步 checklist（第一週）

Day 1：寫下 5 個 KPI（不超過 5）
Day 2-3：接 GA4 + Stripe API
Day 4：寫週報 prompt
Day 5：手動跑驗證 → Day 6-7 排 cron

⚠️ 常見坑

KPI 太多 → 沒人讀：5 個就 5 個，多 1 個都別加

只給數字沒 narrative：等於沒寫，主管要的是「為什麼」

沒 anomaly threshold：開 ±15% baseline alert，太鬆會錯過

💰 ROI 估算

月底會議匯整 4 hr + 主管讀 2 hr = 6 hr/月。自動化後 0 hr 整理 + 主管讀 30 min/週 = 2 hr/月 → 節省 4 hr。更大價值：發現異常從「月底」變「3 天內」。

🎯 為什麼可以 AI 化

競品改價 / 出新品 / 換廣告，傳統做法「主管自己滑 IG 順便看」——大半會錯過。AI 每週固定掃，差異大時主動推給你。

🛠 具體做法

列 3-5 個主競品（網站 + 蝦皮 / IG）
每週一 cron 跑 page diff（價格 / 標題 / 廣告 hero）
有變動 → LLM 寫「對方做了什麼 + 你應對建議」
推 Telegram + Notion CRM 留紀錄
每月匯總「競品本月動作」一頁報告

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

主競品名單（3-5 家）+ 各家重要頁面 URL
監控欄位定義（價格 / 標題 / CTA / hero 圖）
過往競品異常事件 + 你當時的應對 SOP
你的差異化定位（讓 AI 寫應對建議才知道）

選放

競品社群截圖庫
競品廣告素材 archive
競品評論 / 差評爬取
業內新聞 RSS feed

容量限制

競品歷史快照不要全丟（一個月 30 個檔，吃光 token）。只留 30 天滾動 + 「重大事件」永久 archive。

🔧 推薦工具 3 選 1

工具	適合	缺點
`competitor-analysis` + `amazon-competitor-analyzer`	現成 skill 零成本	要 Claude Code
Visualping / Distill.io（網頁 diff SaaS）	非工程師簡單 + alert	$10-50/月 / 競品
自架 playwright + LLM diff	多平台 + 自由	反爬蟲要應對

📋 起步 checklist（第一週）

Day 1：列 3-5 主競品 + 各 5-10 個關鍵頁
Day 2：用 1 個工具設第一個 monitor
Day 3-7：每天驗證 alert 質量

⚠️ 常見坑

監太多頁 → noise 爆：5 競品 × 5 頁就好，貪多必失

抓全頁 diff 變動太多：只抓「價格、標題、CTA、hero 圖」這 4 項

反爬蟲：Cloudflare 反爬要用 residential proxy，不然爬一週就被 ban

💰 ROI 估算

主管手動巡 5 競品 × 5 頁/週 = 1 hr/週 × 4 = 4 hr/月。自動化後 0 hr 巡 + alert 30 min/週 = 2 hr/月 → 節省 2 hr。真正價值：不錯過大改動——一次競品大降價沒跟上可能損 NT$ 10 萬。

05

客服 / CX Customer Service

回應客戶問題、處理客訴、把客戶變回頭客。重複度極高、最早被 AI 取代的部門。

6 項工作極高 ROI 起步門檻：低

工作項目	常見痛點	建議 Agent / 工具 / 自動化
5.1 線上客服 chatbot	FAQ 重複回答、晚上沒人值班	極高入門 Intercom / Crisp + LLM（接 LIFEMATE FAQ）不會的問題 → 人工 escalate
5.2 電話 / 語音客服	值班人少、外語客戶搞不定	高進階 Twilio + Whisper STT + GPT-4o + TTS（realtime 語音）複雜 case 轉人工
5.3 客訴處理	情緒高、回覆慢一秒被罵慘	中中階情緒分類 LLM → 高 priority 立刻人工回覆草稿生成 → 人工微調發出
5.4 訂單 / 物流查詢	客戶問「我的單到哪了」每天 50 次	極高入門查單 chatbot 接 ERP / 物流 API
5.5 滿意度調查 / NPS	寄出沒人填、填了也沒人讀	中入門出貨後自動 NPS 調查負評即時 alert + LLM 分類根因
5.6 退換貨 / RMA 流程	流程冗長、文件來回	中中階 RMA 表單自動 → 物流標籤 → 客戶 self-service portal

🎯 為什麼可以 AI 化

線上客服 80% 的問題是 FAQ 重複——「會不會壞」「保固多久」「規格表」「怎麼下單」。人工每題回 30 秒，一天 200 題就是 1.5 hr 純體力活；而且晚上 11 點客戶問了沒人接，隔天早上才回，當下衝動購物的人早跑了。LLM 接 FAQ knowledge base 可以 24/7 秒回，回不出來的再 escalate 給人工——這是所有部門裡 ROI 最快、起步門檻最低的一項。

🛠 具體做法

把過去 3 個月客服對話全部 export，整理出 top 30 高頻問題
每題寫一個標準回覆（含 emoji、語氣、CTA），存進 Project Knowledge
裝 Intercom / Crisp，把 LLM bot 接上、設定信心 < 70% → 轉人工
網站右下角埋 widget，先跑 1 週影子模式（bot 回覆但不發送，人工 review）
正式上線後，每週 review 哪些題被 escalate → 補 FAQ

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

Top 30 FAQ 問答（含品牌語氣示範）
產品規格表 / 保固條款 / 退換貨政策
「絕對不能說」清單（醫療療效、誇大宣稱）
escalate 觸發詞（退費、客訴、律師、媒體）

選放

常用優惠碼 / 活動快訊
節慶營業時間表
金牌客服的對話範例（語氣標竿）
競品比較話術

容量限制

不要把 3 年完整客服 log 全倒進去——光是 token 成本就吃光預算。先抽出 top 30 + 黃金對話範例（約 5K tokens）即可，剩下的留在資料庫供 RAG 召回。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Intercom Fin`	已用 Intercom 的品牌、官方 LLM 整合最穩	每席 $99/月起、漲價兇
`Crisp + LLM plugin`	預算有限、要中文支援、Shopline 友善	客製 prompt 介面陽春
自架 Cloudflare Worker + OpenAI	完全客製、成本最低（< $20/月）	要寫 ~200 行 code、要自己接 widget

📋 起步 checklist（第一週）

Day 1：export 過去 3 個月對話、抽 top 30 FAQ
Day 2-3：寫標準答案 + 語氣示範
Day 4：裝工具、接 knowledge base
Day 5-7：影子模式跑 1 週、人工 review 命中率

⚠️ 常見坑

幻覺亂回保固：保固條款一定要塞進 system prompt，且設「不確定就回不知道」

沒設 escalate 條件：「我要退費」這類關鍵字必須 100% 轉人工，否則出事

語氣太機器人：放 5-10 段金牌客服對話當 few-shot，bot 才會像人

💰 ROI 估算

客服每天回 200 題 × 30 秒 = 100 min/天 × 22 天 = 36 hr/月。Bot 接管 70% 後降到 11 hr/月，省 25 hr/月，相當於 1/3 個全職客服薪資。半年回本還有剩。

🎯 為什麼可以 AI 化

電話客服比文字客服更貴——人工每通 5-10 分鐘、不能多工、晚上完全沒人值班，外語客戶來電還要找通譯。2024 後 GPT-4o realtime API + Whisper STT 把延遲壓到 300ms 以下，已可做即時雙向對話；中文支援也夠用。先從「下班時段語音留言 → AI 轉文字 + 草稿回覆」開始，再進階到 realtime AI 接聽。台灣有些品牌已經用 AI 客服接 80% 來電。

🛠 具體做法

申請 Twilio / Vonage 號碼（台灣號要找代理商）
第一階段：只做語音留言 → Whisper STT → LLM 寫回覆草稿給人工
第二階段：簡單查詢（訂單狀態、營業時間）用 GPT-4o realtime API 直接接
第三階段：複雜 case 偵測情緒/關鍵字 → IVR 轉人工
每通對話自動轉文字存檔、月底 LLM 分析熱門痛點

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

FAQ 標準口語版（不是文字版照念）
轉人工觸發詞清單（退費、客訴、急單）
客服營業時段 / 假日表
產品名稱發音/口語化稱呼對照

選放

多語版本（英、日、越南）
客戶 ID 識別流程（生日 + 手機末四碼）
常見口音樣本（讓 STT 校準）
緊急聯絡人 escalation tree

容量限制

realtime API 對 system prompt 長度敏感（< 4K tokens 最穩）。長 SOP 必須濃縮成「決策樹」型 prompt，否則延遲飆到 2 秒，客戶會掛電話。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Twilio + GPT-4o Realtime`	完整客製、品質最高	要寫 code、$0.06/分鐘起
`Vapi.ai`	無 code 拖拉介面、上線快	中文 voice 選擇少
Bland.ai	批量外撥（提醒 / 催收 use case）	內向接聽功能弱

📋 起步 checklist（第一週）

Day 1：申請 Twilio 號碼、設 webhook
Day 2-3：先做下班時段「AI 留言摘要」MVP
Day 4-5：跑 50 通真實電話、人工聽錄音校準
Day 6-7：把命中率高的 FAQ 切到 realtime AI 接聽

⚠️ 常見坑

STT 把品牌名聽錯：把「LIFEMATE」「KF272」加進 Whisper 的 prompt（initial_prompt 參數）

客戶不知道在跟 AI 講話：法規越來越嚴，建議開頭就告知「您現在是 AI 客服」

情緒爆走沒接住：偵測到罵髒話 / 提律師立刻轉人工，不要硬接

💰 ROI 估算

夜間 + 午休 + 假日無人值班約佔一天 60% 時間，原本流失的來電 = 每月 ~120 通漏接。AI 接通後若 30% 轉訂單、客單 1500 元 → 每月多 5.4 萬營收，工具成本 < 5000 元。

🎯 為什麼可以 AI 化

客訴最怕的不是貴、是慢——客戶在 FB 留 1 星評論等 6 小時沒人理，馬上截圖去 Threads 開戰。AI 不會取代客訴處理，但可以做兩件事：(1) 即時情緒分類，把高 priority 的客訴推 Slack 給主管，5 分鐘內接住；(2) 寫初稿草稿，主管只要修不要從零想。這個流程能把客訴回覆中位數從 4 小時壓到 30 分鐘，FB 1 星評論翻 5 星的機率提升 3 倍。

🛠 具體做法

聚集所有客訴入口（FB 留言、IG DM、email、Shopline 留言、Google Map 評論）
LLM 即時情緒分類：高/中/低 priority + 客訴主題
高 priority → Slack 推播 + at 主管，附原文 + 客戶歷史購買紀錄
同時自動產 3 版回覆草稿（道歉版/解釋版/補償版）
主管挑一版微調發出，全程 < 15 min

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

過往「翻案成功」客訴的對話（黃金範例）
補償權限表（誰能批多少 coupon / 退款）
絕對不能承諾的事項清單（療效、無條件退）
升級 SOP（什麼狀況推誰、什麼時段）

選放

過往「翻車」客訴的反面教材
常見產品瑕疵原因解析（讓回覆更專業）
競品客訴處理話術參考
季度客訴趨勢統計（內部用）

容量限制

客訴常含個資（地址、電話、訂單號）。Project Knowledge 內的範例必須先 PII 遮罩——把「王小明 0912-xxx」改成「[客戶 A] [手機]」，否則違反個資法。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Zendesk + AI`	多渠道整合最完整、企業客戶	$$ 貴、設定複雜
`Freshdesk + Freddy AI`	中小型品牌、CP 值高	中文 NLU 普通
n8n + GPT-4o + Slack	完全客製、便宜、想接什麼接什麼	要自己 maintain workflow

📋 起步 checklist（第一週）

Day 1：列出所有客訴入口、決定 webhook 接點
Day 2-3：寫情緒分類 prompt + 3 版回覆 prompt
Day 4：接 Slack 通知，跑 dry-run 不真的回
Day 5-7：人工 review 草稿命中率，調 prompt

⚠️ 常見坑

AI 主動回客訴：絕對不要——情緒爆點題人工才壓得住，AI 只做草稿

客訴漏分類成 FAQ：在 prompt 加「寧可錯判成高 priority 也不要漏」

主管沒看 Slack：除了推播還要每天 5pm 列當日未處理 list

💰 ROI 估算

客訴回覆中位數從 4 小時 → 30 分鐘。負評公開化的機率降 60%。一個 1 星 FB 評論的潛在傷害 ≈ 5-10 萬營收（取決於品牌大小），每月接住 2-3 件就值回工具成本 10 倍。

🎯 為什麼可以 AI 化

「我的單到哪了」是客服最重複、最沒價值的問題。客戶問 → 客服查 ERP → 查物流網站 → 回客戶，整個 polling 動作每次 3 分鐘，一天 50 次就 2.5 hr 純體力勞動。bot 可以接 ERP + 物流 API，客戶輸入訂單號或手機號自動查、回 ETA + 物流追蹤連結，準確度 99%+。這是入門級自動化，3 天內可上線。

🛠 具體做法

確認你的 ERP / 電商平台（Shopline / Shopify）有 order API
確認物流商（黑貓 / 711 / DHL）有 tracking API 或可解析 tracking number
chatbot 設「請輸入訂單號或手機末 4 碼」做身份驗證
查到後組裝回覆：訂單狀態 + 預計到貨 + 追蹤連結
查不到 / API 故障 → 轉人工，附上已查到的 metadata

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

ERP / 電商平台 API 端點 + 認證方式
物流商狀態碼對照表（「在途中」「待取件」白話化）
身份驗證規則（手機末 4 + 訂單號）
異常狀態應答話術（延遲、退回、丟件）

選放

跨境物流時效表（讓 ETA 估算更準）
節慶物流壓力公告
常見地址錯誤模式（讓 bot 提醒）
VIP 客戶識別規則（特殊處理）

容量限制

ERP 訂單資料含 PII（姓名、地址、電話），切勿整批 export 進 Project Knowledge。改用 API 即時查詢，不在 LLM 裡留 cache，符合個資法且 token 用量為零。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Shopline 內建客服 + 自訂 API`	已用 Shopline 的品牌、整合零摩擦	客製度低
`Crisp + n8n + ERP webhook`	多渠道想統一管	n8n workflow 要 maintain
自架 Cloudflare Worker + LINE Bot	主流量在 LINE 的台灣品牌	要寫 code

📋 起步 checklist（第一週）

Day 1：開 ERP + 物流 API access、測查單成功
Day 2：寫身份驗證 + 查單 prompt
Day 3：接 chatbot，跑 20 筆測試
Day 4-5：上線、灰度開放 10% 流量
Day 6-7：擴到 100% + 監控失敗率

⚠️ 常見坑

API rate limit 爆掉：對熱門訂單做 60 秒 cache，重複查不要打 API

身份驗證太嚴：手機末 4 + 訂單號太硬，建議改成手機末 4 + 姓氏

狀態碼直譯像機器人：「DELIVERY_IN_TRANSIT」要翻成「您的包裹正在送往您家的路上 🚚」

💰 ROI 估算

每天 50 次查單 × 3 min = 2.5 hr/天 × 22 天 = 55 hr/月。bot 接管 95% 後降到 3 hr/月，省 52 hr/月——相當於 0.7 個全職客服。設定成本 < 1 萬元，第一個月就回本。

🎯 為什麼可以 AI 化

NPS 三大痛點：(1) 寄出去沒人填（回收率 < 5%）、(2) 填了堆在 Excel 沒人讀、(3) 看到負評隔三天才反應。AI 可以處理 (2) (3)：每筆回收即時跑 LLM 分類「產品問題 / 物流 / 客服 / 價格」，負評（< 6 分）立刻 alert + 起客訴 SOP。回收率還是要靠 timing + 誘因，不是 AI 能解決的。

🛠 具體做法

出貨後第 7 天自動寄 NPS（email 或 LINE，不要太早不要太晚）
填完後 webhook 即時送 LLM
LLM 分類：分數區間 + 主題分類 + 是否需 follow-up
負評 → Slack 推播 + 自動起客訴單
每月底 LLM 寫 NPS 趨勢報告（含具體 verbatim 引用）

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

NPS 主題分類定義（產品/物流/客服/價格/CTM 5 大類）
負評 follow-up SOP（誰負責 / 多久內 / 補償權限）
過往 NPS 範例（標好分類用做 few-shot）
產品線清單（讓 LLM 抓對是哪個 SKU）

選放

競品 NPS 比較數據
季節性退款率（讓報告 contextualize）
VIP / 重複購買者識別
NPS vs LTV 關聯性內部研究

容量限制

verbatim 包含客戶情緒抒發 + 個資線索，月報引用必須先去識別化（拿掉姓名、訂單號）。建議建一個「公開可分享版」+「內部完整版」雙版本。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Delighted`	NPS 專用、最簡單上手	$224/月起、貴
`Typeform + Make.com + GPT`	客製問卷 + 自動化便宜	要自己組 workflow
Google Form + Apps Script + GPT	0 元方案、夠用	UI 醜、轉換率低 20%

📋 起步 checklist（第一週）

Day 1：設計問卷（< 3 題 + 1 開放題）
Day 2：寄送時機自動化（出貨 +7 天）
Day 3-4：接 LLM 分類 + Slack alert
Day 5-7：跑 100 筆樣本、調分類準確度

⚠️ 常見坑

問太多題：超過 3 題回收率掉一半，狠下心刪

負評沒人 follow：alert 出去還要 SOP 規定 24 hr 內回應，否則白做

分類粒度太細：先 5 類就夠，太細 LLM 反而不準

💰 ROI 估算

負評 24 hr 內接住的客戶，40% 會升級為推薦者（NPS 7+），LTV 提升 30%+。每月接住 10 個 detractor → 多 4 個 promoter，等同每月多 4 個免費 KOC，省下 5-10 萬廣告費。

🎯 為什麼可以 AI 化

RMA 流程冗長、文件來回——客戶填表→客服審→開物流單→等收件→驗貨→退款，全程 7-14 天。每一段都有人工卡點。AI 可以做：自動審核退貨原因是否符合政策、自動產生回件物流標籤、自動發收件通知 email、收到後 AI 拍照辨識（瑕疵 vs 人為損壞），把人力卡點壓縮到只剩「驗貨判斷」一個關鍵點。客戶體驗從 14 天壓到 5 天。

🛠 具體做法

建 self-service RMA 表單（客戶填訂單號 + 原因 + 上傳照片）
LLM 即時審核：是否符合 7 天鑑賞期 / 瑕疵範圍 / 已使用判定
通過 → 自動 call 物流 API 產回件單號 + email 給客戶
收件後倉庫拍照上傳 → GPT-4o vision 比對「客戶申報原因」
無爭議 → 自動退款；有爭議 → 人工介入

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

退換貨政策完整版（鑑賞期 / 瑕疵定義 / 例外）
各 SKU 的「常見退貨原因」清單
瑕疵 vs 人為損壞的判定範例（含照片）
退款金額計算規則（運費誰付 / 折抵券）

選放

累計退貨率高的 SKU 預警（產品問題訊號）
退貨客戶輪廓 / 慣性退貨黑名單
節慶大促退貨潮預測
競品 RMA 政策參考

容量限制

RMA 涉及金流退款，AI 「自動退款」要設上限——例如單筆 < 3000 元自動執行，> 3000 元一律人工複核。把這條規則寫死在程式裡，不要靠 LLM prompt 自律。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Loop Returns`	Shopify 品牌、海外標準	不支援 Shopline / 台灣物流
`Shopline 退貨外掛 + n8n`	台灣本地電商	需要拼裝
自架 React 表單 + GPT-4o vision	大量退貨、想完全客製	3 週開發時間

📋 起步 checklist（第一週）

Day 1：寫退貨政策一頁版（讓 AI 能完整 reference）
Day 2-3：建 self-service 表單 + LLM 審核
Day 4：接物流 API 自動產退單
Day 5-7：跑 10 筆真實退貨、ops 團隊 review

⚠️ 常見坑

AI 直接拒退：絕對不要——LLM 只能建議，最終決定要人工或硬規則

vision 誤判瑕疵：燈光、角度、解析度都會影響，留人工複核權限

無限退貨黑客：累計退 3 次以上自動標記、不能 self-service

💰 ROI 估算

RMA 處理時間從 14 天 → 5 天，客戶滿意度提升、二次購買率提升 12%。客服人力省 60%（每月 ~30 hr），相當於 每月 1.5 萬人事成本。退貨體驗好的品牌 NPS 高 15-20 分，是被低估的競爭力。

06

財務 / 會計 Finance / Accounting

記帳 / 報稅 / 控管現金流。最敏感、AI 介入要小心 verification。

7 項工作中 ROI（驗證成本高）起步門檻：中

工作項目	常見痛點	建議 Agent / 工具 / 自動化
6.1 發票 / 單據處理	會計手 key、月底崩潰	高入門 OCR（GPT-4o vision / Google Document AI）電子發票 API 直接 ingest
6.2 對帳 / 記帳	銀行對帳單對到天亮	中中階 Plaid / 銀行 API + LLM 自動分類異常交易 flag 給人工複核
6.3 財報製作	月初 5 天都在做上月財報	高中階 ERP 數據 → 自動 P&L / Cash Flow / Balance Sheet LLM 寫月報 narrative（給老闆看的版本）
6.4 應收 / 應付追蹤	客戶逾期沒人追、供應商漏付被打電話	高入門 AR/AP 老化分析 cron + 自動催收信付款預測 cash flow forecast
6.5 報稅 / 申報	每季報營業稅、年底報所得稅、規則一直變	低進階記帳士 + ERP（AI 還不適合主導報稅，輔助而已）
6.6 預算 / 預測	年初做完就放著、實際偏離不知道	中中階 budget vs actual dashboard + 月度自動 alert
6.7 投資 / 理財決策	閒置現金放定存、不知道要不要避險換匯	中中階每日匯率 + 趨勢 alert（自家 fetch-fx.py 範例） USD just-in-time 換匯策略 LLM 推算

🎯 為什麼可以 AI 化

會計手 key 發票是 AI 最早攻陷的會計痛點——OCR 已經存在 10 年，但 GPT-4o vision + Claude vision 把準確度從 85% 拉到 98%+，且能直接吐 JSON 格式的「品名 / 金額 / 稅額 / 統編」結構化資料。台灣電子發票 API 也成熟，紙本掃描 + 電子發票自動 ingest 兩條路打通，月底結帳能從 5 天壓到 1 天。

🛠 具體做法

電子發票走「財政部電子發票 API」直接拉（最準）
紙本發票用手機 app 拍照 → 自動上傳 GCS / S3
觸發 GPT-4o vision 或 Klippa OCR 抽欄位
結構化資料寫進會計系統（透過 API 或 CSV import）
低信心 / 異常金額 flag 給人工複核

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

會計科目對照表（讓 AI 自動分類）
常用供應商清單 + 統編（fuzzy match 用）
稅額計算規則（5% / 0% / 免稅）
發票格式範例（三聯/二聯/收銀機）

選放

過往易錯欄位（容易看錯的字體）
跨國發票範例（USD / JPY / RMB）
個人 reimbursement 政策（餐費上限等）
季度報稅關鍵 deadline

容量限制

發票含統編 + 公司機密交易紀錄，絕對不能整批丟進 ChatGPT 公開帳號——使用 Claude Team / 企業版 / 自架 API（資料不訓練模型）。違者可能違反保密協議與營業秘密法。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Klippa OCR`	歐美發票格式專精、API 穩定	台灣發票要 fine-tune、月費 $200+
`GPT-4o vision + 自寫 wrapper`	台灣發票格式、客製度高、便宜	要自己 maintain prompt
Google Document AI	大量處理（> 1000 張/月）	setup 複雜

📋 起步 checklist（第一週）

Day 1：申請財政部電子發票 API + 拉一週測試資料
Day 2：寫 GPT-4o vision prompt，跑 50 張紙本
Day 3：對 50 張答案，準確度 < 95% 就調 prompt
Day 4-5：接會計系統 import workflow
Day 6-7：上線跑 1 週、會計人工 review

⚠️ 常見坑

把 0 看成 8 / 把 1 看成 7：金額欄位一定要設「異常告警」，> 平均 3 倍就 flag

科目分類錯：餐費 vs 交際費差很多，先給 AI 50 個範例做 few-shot

重複發票沒查：用「發票號碼 unique key」做 dedup，否則被報兩次

💰 ROI 估算

單張發票 key in 約 90 秒，每月 500 張 = 12.5 hr/月。AI 處理後降到 1 hr review，省 11.5 hr/月。月底結帳天數從 5 天 → 1 天，會計可以做更高價值的分析工作。

🎯 為什麼可以 AI 化

銀行對帳單對到天亮的本質是「matching problem」——把銀行流水跟內帳憑證對在一起。LLM + fuzzy match 可以做到 95% 自動配對，剩 5% 才是真的需要人腦判斷。再加上交易分類（哪筆是貨款、哪筆是運費、哪筆是退稅），都可以靠 LLM + 規則庫處理。異常交易（超過 baseline 3 倍、未知收款方）自動 flag 給人工。

🛠 具體做法

銀行 API（Plaid 海外、台灣大都需自己定期下載 CSV）每日抓流水
跟內部 ERP 訂單 / 採購單做 amount + date 模糊比對
未匹配的丟 LLM 判斷「這筆收款最可能對應哪張單」
異常交易（金額怪、來源怪）即時 Slack alert
每月底 LLM 寫對帳異常摘要給財務主管

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

常用收付對象 + 金額範圍對照（信號特徵）
會計科目分類規則 + 50 條 few-shot
異常 threshold（金額、頻率、新對象）
多帳戶對應的業務別（台幣 / USD / 子公司）

選放

歷史季節性現金流模式
跨幣別自動換匯規則
常見手續費 / 利息名目對照
稅務相關標籤（可抵 / 不可抵）

容量限制

銀行流水含完整現金流 + 客戶 / 供應商敏感資訊，絕對不能丟公開 LLM。用企業版 Claude / Azure OpenAI（資料不訓練）或自架。離線跑也是選項——很多會計師事務所這樣做。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Xero / QuickBooks AI 自動對帳`	已用這些 ERP、整合零摩擦	$$ 月費高、台灣支援普通
`n8n + GPT + 自家 ERP API`	已有自家 ERP、想低成本	要自己寫 fuzzy match 邏輯
Excel + Python pandas + Claude API	會計團隊熟 Excel、預算極低	不能 realtime

📋 起步 checklist（第一週）

Day 1：每日銀行流水自動下載（CSV / API）
Day 2-3：寫 fuzzy matching 規則（amount ± 2%、date ± 3 天）
Day 4：未匹配的丟 LLM，人工 review 命中率
Day 5-7：上線、設異常 Slack alert

⚠️ 常見坑

幣別忘記轉換：USD 收入要先換成 TWD 再對，匯率用當日中午牌告

分類錯歸錯科目：每月底人工 spot check 20 筆，準確度 < 95% 就調 prompt

異常 alert 太多被忽略：先設嚴一點，前 2 週調 threshold 再正式啟用

💰 ROI 估算

會計每月對帳 3 天 × 8 hr = 24 hr/月，AI 自動配對 95% 後降到 4 hr。省 20 hr/月，相當於 1/4 個會計人力。月結速度提升等於老闆每月早 3 天看到財報，決策提前 10%。

🎯 為什麼可以 AI 化

月初 5 天做上月財報是會計部的常態地獄——資料拉、表格組、變動分析、寫 narrative。前三步是純機械工，AI 可全包；narrative（為什麼營收漲 8%、為什麼某產品線跌）需要懂業務的人寫，但 LLM 可以給「7 種解釋假設」讓你挑。把月結從 5 天壓到 2 天是常見成果，老闆能更早看到數字、更快決策。

🛠 具體做法

定義報表模板（P&L、Cash Flow、Balance Sheet）
寫腳本從 ERP 拉本月 + 去年同期 + 預算數
自動產生主表 + variance 列（差異原因暫空）
LLM 看主要變動項，產 5-7 個可能解釋給 CFO 挑
CFO 確認後 LLM 寫 1 頁 narrative + 老闆版亮點摘要

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

標準財報模板 + 會計科目樹
過去 12 個月的真實財報（讓 LLM 學文風）
本期重大事件列表（活動 / 上新品 / 異常）
老闆關注的 KPI 清單（毛利率、CCC、ROE）

選放

同業/競品公開財報（benchmark）
產業季節性 pattern
過去董事會 Q&A 紀錄（讓 LLM 預判老闆會問什麼）
稅務 / 法規變動備忘

容量限制

財報是公司最敏感資料。嚴禁丟公開 LLM 帳號，必須用企業版（Claude Team / Enterprise / Azure OpenAI）保證資料不訓練模型。董事會召開前夕生成的內部草稿不能流出，否則涉及內線交易風險（如已上市）。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Cube.js + Claude API`	已有 BI / 數據倉、想自動 narrative	setup 工程量大
`Excel + Python + Claude API`	中小型、會計熟 Excel	非即時、要月底跑批次
Datarails / Vena	FP&A 專業需求	$1000+/月、台灣支援少

📋 起步 checklist（第一週）

Day 1：列財報模板 + ERP 取數路徑
Day 2-3：腳本自動拉數 + 算 variance
Day 4：寫 LLM narrative prompt，跑 3 個歷史月測試
Day 5-7：CFO review 草稿質量、調 prompt

⚠️ 常見坑

數字算錯：所有計算用 Python / SQL，不要交給 LLM 算（LLM 算數會錯）

幻覺解釋：LLM 寫「因為 X 所以營收漲」，要 CFO 確認 X 真的存在才放

術語混亂：「毛利」「淨利」「EBITDA」必須一致，建詞彙表強制 reference

💰 ROI 估算

月結時間從 5 天 → 2 天，會計每月省 ~24 hr。更重要的是老闆每月早 3 天看到財報——若能因此提前一週調整廣告預算或庫存，年化價值可達 50-100 萬。AI 不是替代會計，是讓會計做更高層的工作。

🎯 為什麼可以 AI 化

應收逾期沒人追、應付漏付被打電話——這兩件事讓財務主管半夜睡不著。AI 可以做：(1) 每日跑 AR/AP 老化分析，逾期 7 天自動發催收信、逾期 30 天 escalate 給業務；(2) 應付到期前 3 天 Slack 提醒，附上發票檔案；(3) 用過去 12 個月付款行為預測 cash flow，提前 14 天警告現金缺口。這部分是中小企業 ROI 最高的 AI 自動化之一。

🛠 具體做法

每日 cron 跑 AR/AP 老化分析（0-30 / 31-60 / 61-90 / 90+）
逾期 N 天觸發催收信（LLM 寫，依關係軟硬調語氣）
應付到期前 3 天自動 Slack 提醒會計
過去 12 個月付款 timing 訓練 forecast model
預測未來 30 天 cash flow，缺口 > X 萬就 alert 老闆

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

客戶 / 供應商主檔 + 付款條件（30/60/90 天）
催收信語氣分級範本（軟 / 中 / 硬 / 法務）
VIP 客戶 / 戰略供應商清單（特殊處理）
核可的折讓條件（早付折扣等）

選放

過去呆帳客戶黑名單
季節性付款 pattern
銀行融資 / 票貼餘額（cash flow forecast 用）
業務員聯絡方式（escalate 用）

容量限制

客戶付款行為 = 商業敏感資料，**催收信絕對要人工 review 才寄出**——LLM 的口氣可能太硬傷感情、太軟客戶賴帳。先草稿 → Slack 給負責業務 → 業務 1-click approve。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Chaser / Upflow`	專業 AR 自動化、模板齊全	$50+/月、英文介面
`n8n + ERP + Gmail API`	已有 ERP、預算低	要自己組 workflow
Excel + Apps Script + Claude	< 50 客戶的小公司	客戶多會卡

📋 起步 checklist（第一週）

Day 1：建客戶主檔 + 付款條件清單
Day 2：寫老化分析 SQL 或 Python 腳本
Day 3：寫 3 段催收信範本（軟 / 中 / 硬）
Day 4-5：跑一週 dry-run，業務 review 後再正式發
Day 6-7：上線 + 每日老闆 cash flow snapshot

⚠️ 常見坑

大客戶被機器人催收：VIP 名單必須白名單，永遠人工處理

催收信頻率太高：同一筆 max 3 次，不要每天 spam

cash flow 預測過度樂觀：用過去最壞 30 天當 baseline，預測才保守

💰 ROI 估算

逾期帳款回收速度提升 30-50% 是普遍成果。對年營收 5000 萬的中小企業，AR 平均周轉天數從 60 → 50 天，等同釋放 140 萬現金流，相當於免費融資。再加上漏付罰金 / 利息損失歸零，年化 ROI 通常 > 10x。

🎯 為什麼可以 AI 化

報稅是 AI 介入最謹慎的領域——錯了會被國稅局開罰，且法規每年變。但仍可以做：(1) AI 整理稅務原始憑證（發票、進銷項對帳）；(2) AI 草擬報稅表格初稿給記帳士複核；(3) AI 監控法規變動（訂閱財政部公告）並推播。AI 不主導報稅，只是強化記帳士的效率。台灣中小企業仍需要人工/記帳士簽核，這條規則 5 年內不會變。

🛠 具體做法

每月底 AI 自動整理進銷項發票，產出符合 401 表格式的初稿
記帳士 review 草稿，調整 / 確認
季度營業稅 / 年度營所稅前 30 天，AI 列出需準備憑證 checklist
每週監控財政部 / 國稅局公告，重大法規變動推播
跨年度數據比對，異常波動（例如進項突然大降）自動 alert

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

公司營業項目 + 稅率對照
過去 3 年 401 / 營所稅申報書（學格式）
常用憑證類型 + 抵稅資格表
記帳士聯絡 + 簽核 SOP

選放

產業稅務優惠清單（研發投抵 / 數位轉型）
跨境稅務（OECD CRS / FATCA）參考
同業稅率區間參考
過去查稅紀錄 + 補稅項目（避雷）

容量限制

報稅資料 = 公司最敏感資料之一，絕對不能丟公開 LLM。Claude/ChatGPT 必須用企業版且簽 BAA。AI 產出的所有報稅表格必須由有牌記帳士簽核，AI 出錯國稅局不認，但記帳士簽錯有專業責任險賠你。

🔧 推薦工具 3 選 1

工具	適合	缺點
`記帳士事務所 + 內部 AI 工具`	合規最穩、有人背書	仍要付記帳士費
`正航 / 鼎新 ERP + AI 模組`	已用本土 ERP、一條龍	升級費 + 培訓成本
n8n + 財政部電子發票 API + Claude	技術導向、想自動化前置作業	還是要找記帳士簽核

📋 起步 checklist（第一週）

Day 1：跟記帳士確認 AI 介入範圍 + 簽核流程
Day 2-3：自動匯整進銷項憑證
Day 4：產 401 表初稿，記帳士 review
Day 5-7：跑一個月 cycle，記錄 AI 草稿與最終版差異

⚠️ 常見坑

只信 AI 不找記帳士：罰款 + 補稅 + 利息，省下的人事費賠十倍

法規版本錯：稅率每年變，prompt 內必須寫清楚「以 YYYY 年為準」

抵稅項目漏抓：研發投抵、數位轉型抵稅，AI 不一定知道，要記帳士補

💰 ROI 估算

記帳士費不變，但 AI 把前置整理工作從 10 hr/月壓到 2 hr/月，省 8 hr/月內部財務人力。更大的價值是抓出抵稅機會——研發投抵、機械設備抵稅，常每年多省 10-30 萬稅金。AI 提醒 + 記帳士判斷的組合 ROI 最高。

🎯 為什麼可以 AI 化

預算最大的問題不是做不出來，是「年初做完就放著」——3 月實際偏離 30% 沒人發現，年底才知道燒超預算。AI 可以做：(1) 每月底自動產 budget vs actual dashboard；(2) 偏離 > 10% 自動 alert + LLM 寫「為什麼偏離」假設；(3) 用過去 trailing 3 個月的真實數據，每月滾動更新「年底預估值」（forecast）。這把財務從「年度活動」變成「月度節奏」。

🛠 具體做法

把年度預算 dump 進 Google Sheet / Airtable（每月一欄）
每月底自動拉 ERP 實際數，計算 variance
偏離 > 10% 的科目自動產生「可能原因」3 個假設
滾動 forecast：(actual YTD) + (剩餘月份 baseline) = 年底預估
每月 1 號發 dashboard 給老闆 + 部門 P&L owner

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

當年度預算（含每月分配）
科目層級結構（誰是誰的 owner）
偏離 alert threshold（依科目不同）
過去 12 個月 actual（forecast baseline 用）

選放

業務季節性 pattern
已知的本期重大事件（活動、上新品）
同業 benchmark 比例
外部變數（匯率、原料價、廣告 CPM 趨勢）

容量限制

預算 = 全公司未來 12 個月戰略意圖，敏感度極高。dashboard 權限要分層——老闆看全部，部門主管只看自己科目。AI 產出的「偏離原因假設」必須標註「[推論]」，避免被誤當成定論。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Google Sheets + Apps Script + Claude`	中小型、團隊熟 Sheets	大公司不夠 robust
`Power BI + Claude API`	已用 Microsoft 生態	學習曲線陡
Cube.js + Notion DB + Claude	tech-savvy 團隊、想可程式化	setup 工程量大

📋 起步 checklist（第一週）

Day 1：把年度預算整理成標準格式
Day 2：寫 ERP → Sheet 每月自動匯入
Day 3-4：寫 LLM 解釋 prompt + dashboard 模板
Day 5-7：每月 1 號自動發 + 部門 P&L owner review

⚠️ 常見坑

threshold 一刀切：行銷費 ±20% 正常、人事費 ±5% 就大事，要分科目設

LLM 編原因：「因為市場波動」這種空話要禁，prompt 寫「必須引用實際數據」

forecast 沒滾動：每月底要重算年底預估，不是 1 月做完就不動

💰 ROI 估算

原本年底才發現超支的科目，現在 3 月就抓到，9 個月修正期足以調整。對年支出 3000 萬的公司，提早抓 10% 浪費 = 300 萬。AI 工具成本 < 1 萬/月，ROI > 30x。財務主管終於不用半夜趕季度檢討。

🎯 為什麼可以 AI 化

中小企業老闆最常犯的錯：閒置現金 500 萬放活存（年息 0.4%），不知道要不要避險換匯、不知道銀行給的利率行不行。AI 不做交易決策（合規上不行也不應該），但可以做：(1) 每日匯率/利率監控、突破 baseline 立即推播；(2) USD just-in-time 換匯策略推算（出貨前 3 個月怎麼換最划算）；(3) 提供 3-5 個方案 + 各自利弊讓老闆挑。決策仍由老闆做，AI 是 24/7 的財務參謀。

🛠 具體做法

每日抓中央銀行 + 5 大銀行公告匯率 + 定存利率
跟過去 30 / 90 / 365 天比，標出突破點
結合公司未來 3 個月的 USD 應收 / 應付，推算最佳換匯時機
閒置現金推算 3 種策略（活存 / 定存 / 短期票券）的年化報酬差
每週一早上推 Telegram「本週財務參謀建議」

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

未來 3 個月外幣應收 / 應付排程
各銀行帳戶 + 對應業務（台幣 / USD / 子公司）
老闆風險偏好（保守 / 中性 / 積極）
絕對不碰的金融工具清單（衍生品 / 槓桿）

選放

產業匯率敏感度（出口商 vs 進口商）
銀行往來關係（融資額度 / 換匯優惠）
歷史換匯紀錄 + 績效
稅務考量（境外所得 / CRS）

容量限制

AI 絕對不執行交易、不替老闆下單——這是法規紅線。AI 只給建議 + 利弊分析，最終下單必須人工。把「執行交易」這個能力從 AI agent 的工具集中徹底拔除，避免任何 prompt injection 能觸發。

🔧 推薦工具 3 選 1

工具	適合	缺點
`自架 fetch-fx.py + Telegram`	單純匯率 / 利率監控	不含建議 logic
`Cloudflare Worker + Claude API + 銀行 RSS`	想要每週財務參謀報告	要寫 ~300 行 code
Bloomberg Terminal / TradingView	大型企業 + 專業需求	$2000+/月、過度

📋 起步 checklist（第一週）

Day 1：列未來 3 個月 USD 收付排程
Day 2-3：寫每日匯率抓取 + Telegram alert
Day 4-5：加 baseline 比較 + 突破推播
Day 6-7：加每週一參謀報告

⚠️ 常見坑

把建議當預測：AI 沒水晶球，建議只是「在你風險偏好下的最佳化」

頻繁推播 → 老闆過度交易：頻率最多每週 1 次，不要每日推

沒設成本對齊：換匯有手續費，方案比較必須含 all-in 成本

💰 ROI 估算

USD 應收 100 萬，匯率抓對 timing 多賺 1% = 10 萬/筆。一年 4 次大型換匯就是 40 萬。閒置現金 500 萬從活存（0.4%）轉短期票券（1.8%），年增 7 萬利息。AI 工具成本 < 1 萬/年，ROI 50x+。

07

人資 HR / People

招募 / 培訓 / 績效 / 薪酬。重複作業多、但人的事 AI 不能完全取代。

6 項工作中-高 ROI 起步門檻：低-中

工作項目	常見痛點	建議 Agent / 工具 / 自動化
7.1 履歷篩選	100 份履歷讀到眼花	高入門 JD vs 履歷 matching LLM（前 10 名給 HR 看）注意 bias mitigation：不能完全自動拒絕
7.2 面試安排 / 排程	5 個面試官時間喬不攏	中入門 Calendly + LLM 自動發 invite
7.3 onboarding 新人訓練	每個新人都跟同事問同一輪問題	高入門公司 SOP knowledge base + LLM Q&A bot 第 1 週每日 check-in chatbot
7.4 績效評估	主管月底寫考核、寫得跟天書一樣	中中階每月主管口述 → Whisper STT → 結構化考核草稿注意：人的判斷不可被 LLM 取代，只是輔助
7.5 薪酬 / 出勤	月底會計算薪手抽筋	高中階打卡系統 + 薪資自動計算（人事系統如 1HR / Workday）
7.6 員工關懷 / 離職風險	優秀員工突然離職才知道	低進階匿名季度問卷 + LLM 分析（隱私要小心）離職率 trend 分析

🎯 為什麼可以 AI 化

HR 看 100 份履歷讀到眼花，且容易被疲勞 bias 影響——前 20 份標準嚴、後 80 份隨便。LLM 可以做標準化第一輪 screening：依 JD 列出 must-have / nice-to-have，每份履歷打分數 + 短評。但這只是「初篩排序」，最終決定誰進面試仍是人。重點不是省人力，是讓 HR 把時間花在 top 30 的深度評估，而不是漫遊整堆履歷。

🛠 具體做法

把 JD 拆成「硬條件」（學歷、年資、技能）+「軟條件」（特質、文化）
每份履歷餵 LLM，輸出結構化評分（各維度 0-10）+ 短評
排序給 HR，HR 只深度看 top 30
邊界 case（分數 6-8）多人評估減少 bias
每月校準：被錄取者 vs AI 評分相關性，調 prompt

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

JD 完整版 + 必要 / 加分條件清單
過往「成功錄取者」履歷範本（few-shot）
過往「不適合」履歷反例 + 原因
明確的「絕對不能評估」維度（性別 / 年齡 / 種族 / 婚姻）

選放

公司文化關鍵字（讓 LLM 找文化適配）
同職位 levels 區分（junior / senior）
競爭對手公司清單（評估產業契合度）
非典型背景成功案例（避免太狹隘）

容量限制

履歷含大量個資（姓名、生日、身分證、地址、電話、照片）—— 處理前必須先 PII redact。絕對不能整批丟公開 ChatGPT，必須用 Claude Team / 自架。歐盟 GDPR 明文規定 AI 不可主導招募決定，台灣個資法精神類似，AI 只能輔助。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Greenhouse / Workday + AI 模組`	大型企業、流程合規	$$$ 月費高
`Notion HR DB + Claude API`	已用 Notion 的中小型團隊	要寫整合腳本
104 / 1111 ATS + 自建 GPT 篩選器	台灣本地招募流量為主	API 較弱

📋 起步 checklist（第一週）

Day 1：把 JD 結構化（必要 vs 加分清單）
Day 2：寫 LLM 評分 prompt + few-shot 範例
Day 3：跑 30 份過往履歷對答案
Day 4-5：HR 校準分數差異
Day 6-7：上線，新案件 dual review（AI + HR）跑 1 週

⚠️ 常見坑

AI 自動拒絕：絕對不可——只能排序，最終決定要 HR；AI 拒絕涉及法律歧視風險

學歷 bias：別讓 LLM 把學歷當主要因子，明確 prompt 排除

過度依賴關鍵字：履歷沒寫但實際有的能力會漏，要看「相鄰技能」

💰 ROI 估算

HR 看 100 份履歷約 5 hr，AI 預篩後只看 top 30 約 1.5 hr，省 3.5 hr/案。每月 5 個職缺 = 省 17.5 hr/月。更大價值是「不會錯過好履歷」——疲勞 bias 讓 HR 漏掉黃金人選，AI 評分一致性高。

🎯 為什麼可以 AI 化

5 個面試官時間喬不攏是 HR 永恆的痛——往來 email 10 封才訂下來，期間候選人可能被別家挖走。AI + Calendly / Google Calendar API 可以全自動：HR 發連結 → 候選人挑時段 → 自動找 5 個面試官的交集 → 自動發 invite + 視訊連結 + 面試引導文件。這是無 code 工具就能做的入門級自動化。

🛠 具體做法

每個面試官開 Calendly 共享行事曆（或用 Google Calendar API）
HR 建一個 round（含面試官 list + 預期時長）
系統自動找 5 個面試官時段交集
發 self-service 連結給候選人挑時段
確認後自動發 invite（含視訊連結 + 面試重點 + 履歷給面試官）

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

每個面試官的工作時段 + 面試偏好時段
面試流程 SOP（每輪幾分鐘、哪些題）
視訊工具偏好（Google Meet / Zoom / Teams）
取消 / 改期政策（24 hr / 48 hr）

選放

面試官行為偏好（早上 vs 下午）
遠距候選人時區處理規則
無障礙需求 checklist
面試流程通知模板（公司簡介、停車資訊）

容量限制

系統會接觸所有面試官行事曆——嚴禁讀取行事曆 event title 內容（可能含商業機密）。只讀「busy / free」狀態。設權限：AI agent 只看 free/busy，不看詳情。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Calendly + 自動 round-robin`	標準排程、上手最快	多人面試協調弱
`GoodTime / Modernloop`	專業面試協調工具	$80+/月、英文介面
Google Calendar API + Claude	已用 Google Workspace	要寫 ~150 行 code

📋 起步 checklist（第一週）

Day 1：面試官開 Calendly + 同步行事曆
Day 2：建第一個面試 round 模板
Day 3：候選人測試流程（找個內部人試）
Day 4-5：實際跑 1-2 個職缺
Day 6-7：收回饋調整提醒文案

⚠️ 常見坑

面試官沒同步行事曆：直接 hardblock 對方下班 / 旅行時段

視訊連結貼錯：用 Calendar API 自動產生，不要人工貼

跨時區算錯：候選人在美西要顯示他的本地時間，不要硬塞台灣時間

💰 ROI 估算

HR 每場面試協調平均 30 min（含往來 email），自動化後 5 min。每月 20 場 = 省 8 hr/月。更大價值是 time-to-hire 縮短 30%——好候選人不會被同業搶走，每個 senior 缺早 1 週填上 = 省 1 個月空窗成本。

🎯 為什麼可以 AI 化

每個新人都跟同事問同一輪問題——「請假怎麼請」「報帳系統在哪」「出差規則是什麼」「組織圖」。資深員工被打斷工作回答 N 次。把公司 SOP / handbook / 內部 wiki 整理進 LLM knowledge base，新人 24/7 可以問，且永遠耐心。第 1 週每日早上自動 check-in chatbot 讓新人不孤單，主管也能掌握進度。

🛠 具體做法

把員工手冊、SOP、組織圖、福利說明集中進 Notion / Confluence
接 LLM RAG bot（Slack / Teams 介面）
第 1 天起，每日早 9 點自動 check-in（今天感覺如何 / 卡點）
新人問題 log → 每月底 HR review，補強 knowledge base
第 30 / 60 / 90 天自動發 onboarding 滿意度問卷

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

員工手冊完整版（含請假 / 報帳 / 出差）
組織圖 + 各部門聯絡人
內部系統清單 + 入口（GitLab / Slack / ERP）
第 30/60/90 天 milestones

選放

公司歷史 / 文化故事
福利 perks 清單（健身房 / 補助）
內部術語 glossary（黑話表）
新人 buddy program 配對清單

容量限制

不要把薪資結構 / 績效紀錄 / 主管評估表放進通用 onboarding bot——這些是限制資料，新人不該看到。建議分兩個 bot：「公開 SOP bot」+「員工專屬 HR bot」。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Notion + Notion AI`	已用 Notion 寫 wiki	RAG 召回較弱
`Glean / Guru`	內部知識庫專業工具	$15+/人月、貴
Slack bot + RAG（自架 + Claude）	溝通主軸在 Slack	要寫 ~200 行 code

📋 起步 checklist（第一週）

Day 1：盤點現有員工手冊、整理進 Notion
Day 2：列「新人 top 30 問題」（問前 5 位員工）
Day 3-4：建 RAG bot + 接 Slack
Day 5-6：找 1 個老員工當「假新人」測試
Day 7：上線給下一個新人用

⚠️ 常見坑

SOP 沒更新：bot 給過時答案比沒答案更糟，每季 audit knowledge base

取代 buddy program：bot 只能答硬資訊，人際溫度不可被取代

沒測就上線：每個答案先讓 5 個資深員工 review 過再上

💰 ROI 估算

每個新人前 30 天平均打斷同事 30 次/週，每次 5 分鐘 = 2.5 hr/週 × 4 週 = 10 hr。10 個新人/年 = 100 hr/年同事被打斷時間。再加上新人 ramp-up 時間縮短 20%，業績早 2-3 週貢獻，年化價值 50 萬+。

🎯 為什麼可以 AI 化

主管月底寫考核常常拖 2 週才交，原因是寫得跟天書一樣——主管會說但不會寫。AI 可以幫忙：(1) 主管口述 5 分鐘 → Whisper STT → 結構化考核草稿；(2) 把過去半年的 1-on-1 紀錄整合成「具體事例」清單，避免主觀印象；(3) 自動 360 度回饋彙整。但人的判斷不可被 LLM 取代——AI 寫初稿，主管定終稿。

🛠 具體做法

主管平時做 1-on-1 用結構化模板記錄（gain/loss/action）
季末口述評估 5 分鐘 → 上傳錄音
Whisper STT → LLM 結構化成考核草稿
整合 1-on-1 紀錄 + 同儕回饋 + 績效數據
主管 review 草稿、修改、定稿

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

公司績效評估模板（哪些維度、評分標尺）
過往「優秀考核」範本（few-shot）
每個職位的 competency framework
具體事例 vs 主觀評論的範例對比

選放

升遷 calibration 內部標準
跨部門對標數據
過往離職員工的最終考核（學模式）
360 度回饋彙整模板

容量限制

績效評估是員工最敏感資料，洩漏會嚴重傷害信任 + 觸法。絕對禁止把員工姓名 + 評估內容丟公開 LLM。必須用企業版 Claude / Azure OpenAI 簽 BAA。考核草稿存取要分權限：員工只看自己、主管看下屬、HR 看全部。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Lattice / 15Five + AI 模組`	專業績效平台、流程完整	$8+/人月、英文介面
`Notion + Whisper + Claude`	已用 Notion、想客製	要自己組
Google Form + Apps Script + Claude	< 50 人小公司	沒有歷史追蹤

📋 起步 checklist（第一週）

Day 1：列出公司績效模板維度
Day 2：寫 LLM 草稿 prompt（含具體事例強制要求）
Day 3：找 1 位主管做試跑
Day 4-5：HR + 主管 review 草稿質量
Day 6-7：擴展到全公司

⚠️ 常見坑

AI 寫太好聽：LLM 默認傾向正面語氣，要 prompt 強制「具體事例 + 改進方向」

主管直接複製貼上：草稿是參考，主管沒讀完就送出 = 系統失敗

沒做 calibration：AI 評分容易部門間不一致，HR 要月度 calibration meeting

💰 ROI 估算

主管寫考核從 2 hr/人 → 30 min/人，10 個下屬 = 省 15 hr/季 × 4 季 = 60 hr/年/主管。30 個主管 = 1800 hr/年。更重要的是考核質量提升——具體事例 vs 主觀印象，員工服氣，年度離職率降 5-10%。

🎯 為什麼可以 AI 化

月底會計算薪手抽筋——出勤異常處理、加班費計算、各種津貼補助、扣稅、勞健保。其實 80% 是規則運算，不是 AI 強項而是傳統人事系統強項。AI 在這裡的角色是：(1) 異常出勤模式偵測（連續遲到、突然不打卡）；(2) 員工 self-service「我這個月薪多少」chatbot；(3) 薪資單異常檢核（漏發 / 重複發）。核心計算交給人事系統。

🛠 具體做法

用人事系統（1HR / Workday / Apollo）做核心薪資計算
每月 LLM 跑「出勤異常偵測」報告給 HR
建員工 self-service chatbot（請假還剩幾天 / 加班費怎算）
薪資單發放前 LLM 跑 sanity check（同期比、季比異常）
異常 flag 給 HR 人工複核才發放

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

薪資結構 + 加班費計算公式
勞基法相關規則（特休 / 加班上限）
請假類型 + 對應扣薪規則
異常 threshold（連續遲到 3 天等）

選放

各部門加班 baseline（讓異常更精準）
福利 perks 計算規則（年終 / 年資獎金）
年度個稅免稅額異動
員工 FAQ（top 20）

容量限制

薪資資料是公司最敏感的個資 — 嚴禁丟公開 LLM。所有處理必須在企業內網 / VPC 內進行。Self-service chatbot 必須先驗證員工身份（SSO + MFA），且只回答該員工自己的資料，不能跨員工查詢。違反個資法處 5 年以下徒刑。

🔧 推薦工具 3 選 1

工具	適合	缺點
`1HR / 銓鴻 + 自家 chatbot`	台灣本地、合規最穩	API 較弱
`Workday / BambooHR + AI 模組`	跨國公司、流程完整	$$$ 月費高
Notion HR + Apps Script + Claude	< 50 人小公司	勞健保計算要自己寫

📋 起步 checklist（第一週）

Day 1：盤點現有人事系統能力 + 缺口
Day 2-3：先做「異常出勤偵測」（最低風險）
Day 4：建員工 FAQ chatbot（不接觸薪資金額）
Day 5-7：薪資單 sanity check pipeline

⚠️ 常見坑

chatbot 回錯員工資料：身份驗證鬆 = 災難，必須 SSO 而非 token

AI 算薪資：別讓 LLM 算數，所有金額用 SQL / Python 算，LLM 只解讀

勞基法版本錯：基本工資每年變，prompt 必須註明「以 YYYY 年為準」

💰 ROI 估算

HR 每月處理員工問薪資相關問題 ~15 hr，self-service bot 接管 80% 後省 12 hr/月。異常偵測一次抓到漏發 / 重複發避免單筆 1-5 萬損失。100 人公司每年薪資錯誤潛在損失 5-10 萬，AI 預警 ROI > 10x。

🎯 為什麼可以 AI 化

優秀員工突然提離職才知道，往往因為過去半年有訊號沒人接住——加班暴增、Slack 互動減少、1-on-1 提到「累」。AI 可以做：(1) 匿名季度問卷 + 情緒/主題分析；(2) 行為訊號 dashboard（出勤、加班、會議出席）；(3) 離職率 trend 部門比較。但所有資料必須匿名 + 聚合，個別員工層級的「離職機率」不能呈現給主管，否則變成監控、傷信任。

🛠 具體做法

每季匿名問卷（NPS-style + 自由文字）
LLM 分析自由文字主題（薪資 / 主管 / 工作量 / 文化）
聚合到「部門層級」報告，不顯示個人
HR 看到部門訊號 → 跟主管討論部門層級對策
離職率 trend 比較（vs 同業 / 公司歷史）

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

問卷模板（5-7 題、< 5 分鐘填完）
主題分類維度（薪資 / 主管 / 工作量 / 成長）
匿名化 SOP（最少 5 人才聚合公布）
過往離職訪談 themes（學 pattern）

選放

同業敬業度 benchmark（Gallup / Q12）
過往 retention 干預成功 / 失敗案例
季節性情緒 pattern（年中 review / 年底）
新生代員工關注議題

容量限制

個別員工的「離職機率」絕對不能呈現給主管——這違反信任 + 法律（演算法歧視）+ 道德。AI 只能在部門層級提供訊號。匿名問卷必須真的匿名（< 5 人的部門合併處理）。一旦員工發現「匿名」其實可被反推，HR 信任崩盤、5 年內難重建。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Officevibe / Culture Amp`	專業敬業度平台、benchmark 完整	$5+/人月、英文
`Typeform + Claude API`	客製問卷、預算低	沒同業 benchmark
Google Form + Apps Script + Claude	< 50 人、零預算	UI 普通、回收率低

📋 起步 checklist（第一週）

Day 1：設計問卷（找 HR 顧問 review）
Day 2：建匿名收集機制（驗證真的不可反推）
Day 3-4：寫 LLM 主題分析 prompt
Day 5：找 5 位資深員工試跑驗證匿名性
Day 6-7：全公司發放、設定每季 cadence

⚠️ 常見坑

「匿名」其實可反推：問太多人口統計題（部門 + 年資 + 性別）就能組合反推

看到訊號沒行動：問卷做了不改 = 信任崩盤、員工再也不填

主管要看「我下屬誰要走」：絕對拒絕，這是道德 + 法律紅線

💰 ROI 估算

替換一名 mid-senior 員工成本 = 0.5-1.5 倍年薪（招募 + 培訓 + ramp-up + 知識流失）。年薪 80 萬 = 替換成本 40-120 萬。每年若 AI + 對策能多留 2 個關鍵員工，就值回 80-240 萬。AI 工具成本 5-10 萬/年，ROI > 10x。但前提是訊號出來後真的有行動。

08

法務 / 合規 Legal / Compliance

合約 / 法規 / IP / 隱私。AI 輔助多、不能取代律師。

5 項工作中 ROI（審慎）起步門檻：中

工作項目	常見痛點	建議 Agent / 工具 / 自動化
8.1 合約審閱	每份合約律師看 2 小時、排隊等	高中階合約 LLM 預讀 → 標註關鍵條款 → 律師複核標準合約模板庫
8.2 法規追蹤	勞基法 / 個資法 / 醫材法一直改	中中階政府公告 RSS + LLM 摘要 → Slack 推影響我們業務的條款 flag
8.3 IP / 商標管理	商標到期沒人提醒、新國家沒註冊	中入門商標 / 專利資料庫 cron 監控（TIPO / WIPO）
8.4 隱私 / GDPR / 個資	不知道資料存在哪、cookie consent 不確定	中進階資料 inventory scan agent（自家寫） cookie consent 自動化（Cookiebot 等）
8.5 內部稽核 / 合規檢查	年度稽核才知道流程出問題	中中階流程 log analysis + 異常檢測

🎯 為什麼可以 AI 化

合約審閱 80% 時間花在「找關鍵條款」——付款條件、責任歸屬、終止條款、違約金、保密期限。LLM 對這種模式化文本最強：5 分鐘讀完一份 30 頁 NDA，標出風險條款 + 跟你的標準合約模板比對差異。律師再從這份「預讀報告」開始看，直接砍掉一半工時。但 AI 不能取代律師簽核——它做的是 paralegal 的活。

🛠 具體做法

把過去 20 份已簽署的「乾淨」合約整理成模板庫（採購 / NDA / 經銷 / OEM 各類）
跟律師討論出 10-15 個「必看條款 checklist」（責任上限、準據法、競業、IP 歸屬…）
新合約進來 → LLM 對照 checklist + 模板差異，產出「紅黃綠燈」標註版
律師只看紅 + 黃，綠燈段落跳過——全文審閱降為差異審閱
每月把律師實際改動的條款餵回 prompt，模型越用越準

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

標準合約模板庫（去識別化，無對方公司名 / 金額）
10-15 條「必看條款」checklist + 風險判斷標準
公司紅線清單（絕對不接受的條款）
過去談判讓步紀錄（哪些條款可彈性、哪些絕不退）

選放

產業常見爭議案例（醫材 / 食品 / 跨境）
各國準據法差異速查（台灣 / 美國 / 中國 / 日本）
常用條款英中對照詞庫
過去翻車案例（哪份合約後來吃虧、為什麼）

容量限制 + 隱私紅線

Project Knowledge 絕不放 raw 商業合約原文——對方公司名、金額、條款細節都是商業機密，外洩等於違反保密義務。只放「去識別化模板 + checklist + SOP」。具體合約一份一份手動 paste 給 LLM 處理，session 結束關掉。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Spellbook`（Word 內建 AI 法務）	律師事務所等級、整合 Microsoft Word	$200/月起、英文合約最強、中文較弱
`Lexion / Ironclad`	合約生命週期管理 + AI 預讀	企業級、年費十幾萬、設定複雜
自架 Claude Project + 模板庫	最便宜、中文支援好、可放公司紅線	要自己建 prompt + checklist，30-50 hr 前置

📋 起步 checklist（第一週）

Day 1：跟律師喝杯咖啡，列出他「最常標重點的 15 條條款」
Day 2-3：整理 20 份歷史合約成模板庫（去識別化）
Day 4-5：寫 LLM prompt，丟 3 份新合約測準確度
Day 6：律師對照人工審閱結果，校正 prompt
Day 7：建立 SOP：誰丟、誰看、誰簽

⚠️ 常見坑

把合約丟進公開 ChatGPT：等於把對方商業機密公開上網，違反 NDA。一定要用 enterprise 方案（資料不訓練）或本地模型

AI 標的「沒問題」就真的沒問題？：不是。AI 漏看的條款律師仍要負責，AI 是 paralegal 不是 partner

用 AI 取代律師簽核：法律責任不會因為「AI 說 OK」而免除，最終簽署仍須律師覆核

💰 ROI 估算

外部律師審閱費 NT$5,000-15,000 / 份，公司每月 10-20 份合約 = 每月 8-30 萬法務支出。AI 預讀後律師工時砍半，每月省 4-15 萬，且律師專注審紅燈條款，品質反而提升。年化省 50-180 萬，工具成本約 5 萬。

🎯 為什麼可以 AI 化

勞基法、個資法、消保法、醫材法、食藥署公告、衛福部函釋——一年改幾十次，每次改完要判斷「這條跟我們有關嗎、要不要改 SOP」。人工監看法規網站等於把人埋在垃圾資訊裡。RSS + LLM 摘要 + 業務關聯度判斷，是法規追蹤最經典的 AI 場景：機器抓、機器讀、機器標 flag，人只看「跟我們有關的那 5%」。

🛠 具體做法

列出公司業務涵蓋的所有主管機關（醫材 → TFDA、勞動 → 勞動部、個資 → 數發部）
訂閱所有相關公告 RSS / email 訂閱（政府網站幾乎都有）
每天 09:00 cron 把昨日新公告灌進 LLM
LLM 用「我們是醫材消毒包品牌，員工 30 人，跨境銷售 X」當 context 判斷影響度
高影響 → Slack 推播 + 建議行動；中影響 → 週報；低影響 → 月度摘要存檔

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

公司業務範圍速描（產品線、員工數、銷售國家、營收級距）
適用法規清單（醫材法、ISO 13485、勞基法、個資法…）
「會被影響」的判斷標準（員工數 >X、跨境 >Y%）
過去 12 個月已知的法規變動清單（避免重複推播）

選放

同業近期被裁罰案例（從 google 搜公開新聞）
產業協會公報摘要（醫材公會 / 工業總會）
歐盟 / 美國同類法規變動（跨境銷售有用）
內部過去合規檢討會議紀錄

容量限制

不要把每篇法規公告原文都灌進 Project——一年累積上千頁。只放「業務速描 + 適用法規清單 + 判斷標準」這幾頁穩定資料。每日新公告當天讀完即可，不需長期保存在 Project。

🔧 推薦工具 3 選 1

工具	適合	缺點
`RSS reader + Claude`（Feedly / Inoreader）	最簡單、設定 1 hr 內可跑	要手動把每日 feed 倒給 Claude
自架 n8n / Zapier 工作流	全自動、可串 Slack / Notion	要寫 prompt + 維護 workflow
Notion AI 法規追蹤模板	跟現有 Notion 工作區整合好	需要 Notion AI 訂閱、客製化彈性低

📋 起步 checklist（第一週）

Day 1：列出 5-8 個主管機關 + 找他們的公告 RSS
Day 2：寫業務速描（給 LLM 當 context）+ 紅線清單
Day 3-4：跑第一輪測試（拿過去一個月公告試判斷準確度）
Day 5：設 Slack channel 接 alert + 校正閾值
Day 6-7：跑一週、看誤判率、再調 prompt

⚠️ 常見坑

只訂閱主管機關：忽略了「發布在 LINE 官方帳號 / FB 粉專」的政策預告，補充訂閱主管機關社群帳號

判斷標準太寬：「可能跟醫材有關」全推 → 訊息疲勞。要寫「明確影響我們產品線 X 才推」

忽略子法 / 函釋：法律改不多但函釋每月幾十條，很多重要解釋藏在函釋裡，要一起追

💰 ROI 估算

法務 / 合規人員每週花 3-5 hr 看法規網站 ≈ 16 hr/月。自動化後降到 2 hr/月只看 LLM flag 出來的高影響項，省 14 hr/月。更大的價值是「不會漏」——一條沒注意到的法規變動最壞可能是 幾百萬罰鍰 + 商譽損失。

🎯 為什麼可以 AI 化

商標到期續展、新國家註冊、競品在哪些國家搶註你的商標——這些事一旦漏掉就是品牌大事故。但日常沒人盯，往往是事務所到期前 30 天 email 通知才發現。商標 / 專利資料庫（TIPO 智慧財產局、WIPO 全球資料庫、USPTO 美國商標局）都有公開 API 或網頁，cron 定期抓 + LLM 比對 + 提前 90 天預警，零成本就能把這條防線補上。

🛠 具體做法

整理公司現有商標 / 專利清單（台灣 + 海外）+ 各自到期日
寫 cron 每月去 TIPO / WIPO 網站 scrape 一次狀態（或接其 API）
到期前 90 / 60 / 30 天三段提醒，不只 email，要 Slack + Telegram 雙推
同步監看「跟我們品牌名相似的新申請案」（可能是搶註）
每季 LLM 寫一份「品牌保護健診」報告：覆蓋國家、即將到期、潛在威脅

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

現有商標 / 專利清單（註冊號、類別、國家、到期日）
品牌全名 + 常見變體 + 英中日對照
主要銷售國家清單（決定要監看哪幾國資料庫）
商標代理事務所聯絡方式 + 過去續展費用

選放

競品商標清單（看他們在哪些國家有佈局）
過去異議 / 爭議案紀錄
產業常見搶註案例（中國、東南亞）
未來 2-3 年規劃進入的新市場（提前佈局）

容量限制

商標 / 專利清單是純結構化資料（試算表即可），不會吃太多 token。但 raw 公報 PDF 不要灌——一份 50 頁，每月幾十份，token 馬上爆。讓 cron script 抓完後 LLM 摘要再存。

🔧 推薦工具 3 選 1

工具	適合	缺點
商標代理事務所付費監看	專業、出事有人扛	NT$3-8 萬 / 年 / 國家、被動等通知
`Markify / TrademarkNow`	全球資料庫整合、UI 友善	$200-500/月、小公司負擔重
自架 cron + TIPO/WIPO scraper + Notion	免費、可客製、跟現有工作流整合	要寫 100-200 行 code、自己維護

📋 起步 checklist（第一週）

Day 1：找事務所要一份完整商標 / 專利 inventory（很多公司自己沒這份）
Day 2：建 Notion DB 存清單，欄位齊全（國家 / 類別 / 到期日 / 代理人）
Day 3-4：寫 TIPO 監看 script + cron（先做台灣這一國）
Day 5：接 Slack / Telegram 推播 + 測試 90 天提醒
Day 6-7：擴展到主要海外市場（中國 / 美國 / 日本）

⚠️ 常見坑

只盯自家商標、不看搶註：在中國 / 越南被搶註後再打異議要半年 + 數十萬律師費，提前發現可省 90% 成本

類別漏註冊：商標分 45 個類別，多數公司只註冊主類別，相鄰類別被搶就麻煩。LLM 可協助評估該補哪幾類

cron 失敗沒人發現：腳本要有 heartbeat，三天沒推播也要 alert「是不是壞了」

💰 ROI 估算

事務所專業監看 1 國 NT$3-5 萬 / 年，10 國 = 30-50 萬 / 年。自架方案前置 40 hr 開發 + 每月 1 hr 維護 ≈ 一次性 6 萬 + 年運維 1 萬。第一年回本，第二年起省 每年 30-40 萬。更關鍵：商標被搶註後挽回成本平均 NT$50-300 萬，提前發現就是純賺。

🎯 為什麼可以 AI 化

個資合規最大的痛點是「不知道公司有哪些個資、存在哪、誰能存取」——資料散落在 Shopline、Notion、Google Drive、行銷 SaaS、業務電腦，沒有人能完整盤點。AI 可以掃 endpoint 抓 PII pattern（email / 電話 / 身份證 / 地址）、產出資料 inventory、評估每個系統的合規風險。但 AI 不能取代 DPO（資料保護長）做最終法律判斷——它做的是 audit trail 自動化。

🛠 具體做法

列出公司所有可能存個資的系統（電商後台、CRM、客服信箱、行銷工具…）
每個系統做 PII scan：用 regex + LLM 判斷哪些欄位是個資
產出資料 inventory 表：欄位名、PII 類型、儲存國家、保留期限、存取權限
cookie consent 用 Cookiebot / OneTrust，自動掃前端腳本生成同意書
客戶資料刪除請求進來 → workflow 自動觸發跨系統刪除 + log

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

系統清單（哪些 SaaS / 內部系統可能存個資）
適用法規（台灣個資法 / GDPR / CCPA 看銷售國家）
公司隱私政策原文（用來檢查實作有沒有對齊）
資料保留期限政策（訂單留 7 年、行銷名單留 2 年…）

選放

過去個資外洩事件（自家或同業）
主要市場 DPA（資料處理協議）模板
第三方服務商 SOC 2 / ISO 27001 證書清單
客戶資料刪除請求歷史紀錄

容量限制 + 隱私紅線（最嚴格）

個資合規的 Project Knowledge 絕不能放任何 raw 客戶資料——就算是「測試資料」也不行。只放系統清單、欄位 schema、政策文件。實際 PII scan 時用 script 在本地跑，把結果「去識別化後的 pattern 統計」（例如「Shopline 訂單表有 12,453 筆 email、8,201 筆電話」）才丟給 LLM 分析風險。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Cookiebot / OneTrust`	cookie consent + 同意書管理現成方案	$50-500/月、設定要法務協助
`BigID / Securiti`	企業級資料 inventory 自動掃描	年費十萬美金起、適合大公司
自架 PII scanner（Python presidio）+ Claude 分析	免費、可客製、敏感資料不離開公司	需要 dev 寫 200-500 行、自己維護

📋 起步 checklist（第一週）

Day 1：列出所有 SaaS（看財務報表的訂閱付款清單最快）+ 內部系統
Day 2：每個系統登入確認「實際存了什麼欄位」
Day 3-4：建 inventory 表（Notion DB 即可）+ 標 PII 類型
Day 5：找最高風險系統（公開外網 + 存大量個資）優先處理
Day 6-7：寫資料刪除請求 SOP（GDPR 要求 30 天內回應）

⚠️ 常見坑

只看主系統忘掉 marketing tool：MailerLite / Hubspot / Meta Pixel 都存個資，常被遺漏

把 PII 直接丟進 ChatGPT 分析：就算是測試也是個資外洩，要用 enterprise 方案 + 簽 DPA

Cookie consent 設了沒驗證：用戶按拒絕後，GA / Meta Pixel 仍在發 request 是常見違規，要實際打開瀏覽器測

💰 ROI 估算

GDPR 違規最高罰款全球年營收 4% 或 €2,000 萬取大者；台灣個資法外洩事件平均賠償 NT$500-2,000 元 / 筆 × 受影響筆數，1 萬筆外洩 = 500-2,000 萬。投入 30-60 hr 建 inventory + 月 2-4 hr 維護，買的是「不會出事」的保險，且減少 DPO 全職人力（年薪 80-120 萬）。

🎯 為什麼可以 AI 化

傳統內部稽核是「年度抽樣訪談 + 看文件」——出事時才知道流程半年前就壞了。AI 可以做「持續性合規監控」：把 ERP log、簽核記錄、財務系統 log、HR 出勤、訂單異常一起接進來，模型抓 anomaly pattern，提前 3-6 個月發現「這條流程開始走鐘」。對醫材廠（ISO 13485）尤其重要——稽核員到場前先做一輪自我預檢，分數先到 90 分。

🛠 具體做法

列出所有需稽核流程（採購簽核、出貨檢驗、財務報銷、員工請假…）
每個流程定義「正常 pattern」+「異常 pattern」（金額超標、時序顛倒、跳簽）
從各系統匯出 log（Notion / ERP / 簽核系統）每週一次
LLM 比對 pattern → 標出可疑項，附上原始 log 片段供稽核員 follow-up
每季產出「合規健診報告」+ 改善建議，當作年度稽核暖身

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

所有 SOP 文件（採購、出貨、簽核、報銷流程圖）
適用標準（ISO 9001 / 13485 / 27001 對應條款）
權責矩陣（誰可以簽核多少金額、誰可以批假）
過去稽核發現問題清單（重複犯的要特別盯）

選放

同業稽核發現案例（產業協會分享）
過去年度稽核改善計畫執行率
主要供應商稽核報告
離職員工 exit interview 流程相關回饋

容量限制

SOP 文件 + 標準對照表丟 Project（穩定資料）。每週 log 數據量大，當週分析完 archive，不長期堆積在 Project。LLM 異常檢測時用 aggregate 後的「事件摘要」，原始 log 留在資料庫供 follow-up。

🔧 推薦工具 3 選 1

工具	適合	缺點
`AuditBoard / Workiva`	大企業 GRC 平台、ISO 認證對接	年費數十萬美金、適合 100+ 員工
Notion + Claude code review pattern 套到 SOP	用「review code 的方式」review 流程 log，可實作度高	要設計 prompt + 自架 log pipeline
自架 Cloudflare Worker + LLM + Slack	最便宜、彈性高、可漸進式擴展	需要 dev 200-400 hr 建 baseline

📋 起步 checklist（第一週）

Day 1：找去年稽核報告，挑出「重複出現」的 3-5 個問題
Day 2：針對這 3-5 個問題定義「異常 pattern」（最容易實作）
Day 3-4：找一個流程的 log 來源、寫 weekly export script
Day 5：跑 LLM 抓異常測試 + 校正誤判
Day 6-7：擴展到第二、第三條流程，每週擴一條

⚠️ 常見坑

一次盯太多流程：30 條流程同時上線，LLM noise 大、稽核員放棄。先 3 條跑半年穩了再加

異常標準寫死：「金額 >10 萬」過 1 年公司業務變大就全是 false positive，threshold 要動態（例如過去 90 天 P95）

內部稽核變抓內鬼：跟員工溝通「目的是發現流程缺陷不是抓人」，否則沒人配合提供 log

💰 ROI 估算

外部稽核費 ISO 13485 年度 NT$15-30 萬，加上內部準備工時（3-4 人 × 2 週 = 240 hr）。AI 持續監控後準備期降到 1 週 = 120 hr，且年度稽核 finding 數減少 50-70% → 改善計畫工時也省。第一年回本，後續每年省 NT$20-40 萬 + 大幅降低稽核失敗風險（一次失敗可能停掉幾百萬訂單）。

09

品保 Quality Assurance

確保產品符合規格與安全。製造業命門部門。

5 項工作高 ROI 起步門檻：中

工作項目	常見痛點	建議 Agent / 工具 / 自動化
9.1 進料 / 出貨檢驗	人工目檢漏掉瑕疵、客訴爆	高進階影像辨識 AOI（YOLO / 自訓 vision model） QC 報告自動產生
9.2 客訴 / 退貨分析	同樣問題重複退、找不到根因	高中階退貨原因 LLM 分類 + 月度 root cause 報告
9.3 ISO / 認證文件	ISO 9001 / 13485 文件多到爆、稽核前慘	中入門文件版本管理（Notion / Confluence）稽核問答 LLM 預演
9.4 檢驗 SOP	老師傅退休、新人不會檢	高中階老師傅口述 + Whisper STT → SOP 文件新人 SOP chatbot
9.5 供應商品質追蹤	同個供應商良率忽好忽壞	中中階供應商 scorecard 月度自動更新不良率超標 alert

🎯 為什麼可以 AI 化

人工目檢有兩個死結：(1) 人會疲勞，做 4 小時後漏檢率飆升 (2) 不同檢驗員標準不一，A 認為合格 B 認為不合格。影像辨識（YOLO / 自訓 vision model）24/7 標準一致、不會累、可以一次看 30 個維度（外觀刮痕、組裝偏移、顏色色差、雷射標籤完整度）。對醫材廠來說更關鍵——醫材檢驗需要 100% 全檢且要留 audit trail，AOI 同時解決品質和文件兩個問題。

🛠 具體做法

挑一個瑕疵類型最痛的產品（客訴退貨原因 Top 1）開始
拍 500-1000 張照片：300 張 OK + 300 張 NG + 各種光線角度
用 Roboflow / 自架 YOLO 訓練（現代工具 4-8 hr 可訓出 baseline）
產線加裝 fixed-mount 相機，產品經過自動拍 + 即時判斷
NG 自動分流到複檢區 + 寫入 QC 報告系統，月度 root cause 分析

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

產品規格書（尺寸、顏色、表面處理標準）
瑕疵分類定義（什麼算 critical / major / minor）
各 SKU 過去 12 個月 NG 率 baseline
檢驗 SOP + 老師傅判斷準則文字版

選放

客訴照片庫（真實退貨樣本最珍貴）
同業瑕疵類型參考案例
供應商來料品質歷史
季節 / 批次相關的瑕疵 pattern

容量限制

影像資料量大，不要把訓練圖庫塞進 LLM Project Knowledge——那是給 vision model 訓練用的，存 S3 / 本地硬碟。LLM Project 只放規格書、SOP、月度統計報告。實際辨識用 YOLO / Replicate API，是兩條獨立 pipeline。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Roboflow + YOLOv8`	瀏覽器標註 + 一鍵訓練、入門最快	$249/月起、雲端訓練要上傳照片
`Replicate / Hugging Face` 託管 vision model	API 呼叫、不用自架 GPU	每次推論 $0.01-0.05、量大時貴
自架 YOLO + Jetson Nano 邊緣運算	產線整合最好、推論成本零	硬體 5-10 萬、需要工程師長期維護

📋 起步 checklist（第一週）

Day 1：跟產線討論 Top 1 瑕疵 + 拍照環境（光線、固定角度）
Day 2-3：拍 500-1000 張照片（OK / NG 對半）
Day 4：Roboflow 上傳 + 標註（最累的一步）
Day 5：訓練 + 驗證準確率 → 目標 >95%
Day 6-7：產線試跑一週、跟人工對比、調整

⚠️ 常見坑

訓練資料只有 OK 沒有 NG：模型學不到瑕疵長相。NG 樣本要刻意收集，不夠就人工製造

光線 / 背景變了模型就掛：訓練時就要混入不同光線 / 角度的照片，否則環境一變準確率掉 30%

過度信任 AI：critical 瑕疵（醫材無菌、結構強度）一定要保留人工複檢，AI 只做第一道篩

💰 ROI 估算

QC 人員每線 2 人 × NT$3.5 萬月薪 = 7 萬 / 月 / 線。AOI 上線後降到 1 人複檢 = 省 3.5 萬 / 月 / 線。更大價值：客訴退貨率從 3% 降到 0.5% → 1 萬件月銷 × 2.5% × NT$300 退貨成本 = 每月省 7.5 萬。年化 單線省 130-150 萬，硬體投入 10-30 萬一年內回本。

🎯 為什麼可以 AI 化

客訴累積 200 筆後人工讀完要 2 天，且讀完還是憑直覺說「最近好像很多反映 OO」。LLM 一晚把 200 筆 free-text 客訴分類、抽出共同 root cause、跟出貨批次 / 供應商 / 季節做交叉，找出「看似零散其實同源」的問題。LIFEMATE 這種母嬰消毒包品牌特別吃這套——客訴常常是「按鈕怪怪的 / 烘不乾 / 有味道」這種模糊描述，靠 LLM 歸納能比人工快 10 倍找到 PCB / 加熱片 / 模具的真正問題。

🛠 具體做法

把所有客訴管道 log 集中（客服信箱、Shopline 評價、Telegram 客服群、客服電話 transcript）
定義 10-15 個瑕疵類別（功能 / 外觀 / 包裝 / 配送 / 使用情境誤解）
每週讓 LLM 跑分類 + 抽 root cause hypothesis
跟出貨資料 cross-reference：哪批貨 / 哪個供應商 / 哪個月份特別多
月底產出 root cause 報告 → 工程 / 採購 / 供應商會議直接用

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

產品功能說明 + 常見使用情境
瑕疵分類體系（功能 / 外觀 / 包裝 / 客誤）
產品 BOM 主要元件清單（找關聯時用）
過去半年 root cause 結論（避免重複分析）

選放

競品同類客訴趨勢（爬蝦皮 / momo 評論）
季節 / 氣候相關問題模式
客服話術模板（看常見回應對映哪些客訴）
過去 RMA 維修記錄的 root cause

容量限制 + 隱私

客訴 raw text 含客戶姓名 / 電話 / 地址 / 訂單號 = 個資。跑 LLM 前先 mask 個資（regex 替換成 [CUSTOMER]、[PHONE]、[ORDER_ID]）再丟。Project 只放分類體系 + SOP，不放原始客訴庫。

🔧 推薦工具 3 選 1

工具	適合	缺點
Notion DB + Claude 月度跑分析	跟現有客服流程整合容易、5 hr 內可建	每月手動觸發、量大要寫 script
`Zendesk / Freshdesk + AI 內建`	客服系統一站式、tag + 趨勢圖內建	$50-150/seat/月、客製分類較弱
自架 Python + Claude API + Notion 報告	分類 + cross-ref BOM 完全可客製	要寫 200-300 行 + 維護

📋 起步 checklist（第一週）

Day 1：盤點客訴管道（信箱 / Shopline / 電話 / Telegram）+ export 過去 6 個月
Day 2：定義分類體系（先粗 5-8 類，避免太細）
Day 3-4：寫 mask 個資 script + LLM 分類 prompt
Day 5：跑一輪 + 人工抽 30 筆驗證準確率
Day 6-7：建月度報告模板 + 工程會議流程

⚠️ 常見坑

分類體系太細：30 類分完每類 5-7 筆，看不出 pattern。先 8-10 類粗分

只分類不找 root cause：分完知道「外觀客訴占 30%」沒用，要追到「批號 OK241023 之後外觀客訴翻倍」才是行動點

不跟出貨數據對齊：客訴 100 筆但出貨 10 萬 = 0.1% 是好的；客訴 100 筆出貨 5000 = 2% 是大事，沒對 base 是錯讀

💰 ROI 估算

QC 工程師月度寫 root cause 報告 ≈ 12 hr/月，AI 輔助降到 3 hr/月 = 省 9 hr/月。但真正的價值在「早 1-2 個月發現批量問題」——一次大批量召回成本 NT$50-300 萬，提早 30 天發現可能省 80% 召回成本。對母嬰 / 醫材品牌特別關鍵：信任崩盤一次，年營收掉 20-30%。

🎯 為什麼可以 AI 化

ISO 9001 / 13485 / 14001 文件是品保部夢魘——版本管理、簽核紀錄、定期審查、稽核員問答演練全要做。傳統靠 Word 檔 + Excel 版本表，幾年累積後沒人知道哪份才是最新。Notion / Confluence 內建版本控管 + LLM 做「稽核員會問什麼」預演，可以把稽核前準備從 2 週縮短到 3 天。LIFEMATE 跑 ISO 13485 醫材品質系統，這條 AI 化省的不只工時，是稽核失敗風險。

🛠 具體做法

所有 ISO 文件遷到 Notion / Confluence（內建版本歷史 + 簽核紀錄）
每份文件加 metadata：適用條款、上次審查日、下次到期日、責任人
cron 每月跑「即將到期」清單 + 推給責任人
稽核前 2 週讓 LLM 模擬稽核員 → 對每條 ISO 條款生 5 個問題 + 從文件找答案
真稽核時稽核員問題若 LLM 已演練過 → 答案早就 ready

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

適用標準全文（ISO 9001 / 13485 條款）
公司品質手冊 + 各程序書 index
過去 3 年稽核 finding + CAPA 紀錄
權責矩陣（哪條條款誰負責回答）

選放

稽核員偏好筆記（每家認證機構問法略不同）
同業稽核常見 finding（產業協會分享）
供應商 ISO 證書到期清單
跨標準對照表（13485 vs MDR vs FDA QSR）

容量限制

ISO 標準全文 + 公司品質手冊大概 200-500 頁，token cost 不小但仍在 Project 限額內。不要每份程序書都全文塞 Project——程序書 50-100 份太多。Project 放 index + 標準對照，實際內文用 RAG 或現查現答。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Notion + Claude` 文件庫 + 稽核演練	免費 / 低費、版本管理 + AI 整合好	大量檔案 search 較慢、需 prompt 設計
`Confluence + Atlassian Intelligence`	企業級、稽核員看 UI 比較認	$5-10/seat/月、設定較複雜
Greenlight Guru / MasterControl 醫材專用 QMS	FDA / MDR 直接對接、稽核員熟悉	年費 $10K-50K USD、適合中大型醫材廠

📋 起步 checklist（第一週）

Day 1：把現有 ISO 文件目錄整理成清單（多數公司沒有完整 index）
Day 2-3：選一個 Notion / Confluence 工作區，建文件樹狀結構
Day 4：把品質手冊 + Top 5 程序書先搬上去
Day 5：寫稽核演練 prompt + 跑一次（用 ISO 13485 的 7.5 章測試）
Day 6-7：跟品保主管 review LLM 答案、校正

⚠️ 常見坑

把 ISO 全文當 prompt 直接問：標準寫得很抽象，要轉成「我們公司在這條怎麼做」才有用

只更新文件不留簽核紀錄：稽核員會問「誰核准的、什麼時候、為什麼改」，沒紀錄等於沒做

稽核演練問題太理論：實際稽核員會問「給我看上批 OK241023 的進料檢驗紀錄」，要混實務題不是只問定義

💰 ROI 估算

ISO 13485 年度稽核準備 3-4 人 × 2 週 = 240 hr，加上稽核員當場 finding 後 30 天 CAPA 改善又 100-200 hr。AI 輔助後準備期降到 1 週 = 120 hr，且 finding 數可降 40-60%（因為提前演練到了）。年省 200-300 hr 工時≈ NT$15-25 萬，更關鍵是稽核失敗 → 認證撤銷 → 訂單斷掉的風險顯著降低。

🎯 為什麼可以 AI 化

「老師傅退休、新人不會檢」是製造業萬年痛點。老師傅腦中的判斷準則（「這個顏色就 NG」、「這個聲音不對」、「這個重量比正常輕一點」）從來沒寫下來。Whisper STT + LLM 結構化重寫，可以把老師傅 30 分鐘訪談錄音轉成 5 頁 SOP + 配照片標註。再進一步做新人 SOP chatbot：新人遇到不確定的 case 直接問機器人，背後查的就是老師傅的知識庫。

🛠 具體做法

找老師傅做產線訪談，每個檢驗動作邊做邊講解（手機錄音即可）
Whisper 轉文字 + LLM 結構化成「步驟 / 判斷標準 / 異常處置」格式
關鍵判斷點配照片（OK / NG 對照）+ 短影片（5-10 秒動作示範）
SOP 進 Notion / 內部 wiki，新人入職第一週要讀完 + 線上測驗
建立 SOP chatbot：新人在產線用手機問「這個算 OK 嗎」→ 帶照片問機器人

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

產品規格書 + 公差範圍
老師傅訪談逐字稿（Whisper 轉完的）
OK / NG 照片對照庫（標註關鍵點）
過去客訴對應的瑕疵類型（避開地雷）

選放

同產線其他師傅的「不同見解」（互相補充）
新人最常問的 Top 20 問題（FAQ）
季節 / 批次相關特殊判斷
供應商來料品質歷史（決定該寬鬆還嚴格）

容量限制

逐字稿 + 照片庫量大，Project 先放結構化 SOP（萃取後的版本，10-30 頁），逐字稿存 Google Drive 備查不直接灌 LLM。Vision-enabled chatbot 用 Claude 3.5 Sonnet vision 接收新人手機照片現查 SOP。

🔧 推薦工具 3 選 1

工具	適合	缺點
`Whisper + Notion + Claude`	最便宜、繁中支援好、跟現有工作流整合	chatbot 介面要自架（LINE Bot 30 行 code 即可）
`Tana / Mem.ai` 知識庫平台	內建語音轉錄 + AI 搜尋	$15-30/月/人、新人要學新工具
自架 LLM + LINE Bot 新人助手	產線實戰最方便、手機隨時問	要寫 100-200 行 + 維護 prompt

📋 起步 checklist（第一週）

Day 1：找老師傅排 1 hr 訪談時段 + 解釋目的（不是要取代他）
Day 2：產線錄音 60-90 分鐘，邊做邊講解 5-8 個檢驗點
Day 3：Whisper 轉文字 + 校正錯字（行話 / 台語要手動修）
Day 4：LLM 結構化成 SOP + 補上 OK/NG 照片
Day 5：找新人測讀完能不能執行
Day 6-7：架 LINE Bot chatbot + 老師傅最後審核

⚠️ 常見坑

老師傅怕被取代不配合：明說「目的是把你變成老師、不是被機器取代」、訪談影音給他署名，配合度差很多

逐字稿沒校台語 / 行話：Whisper 轉繁中不錯但專業詞會亂，產業詞庫要事先丟給模型

SOP 寫完沒人讀：要綁訓練流程 + 線上測驗 + 主管追蹤，否則放 Notion 沒人開

💰 ROI 估算

新人從入職到獨立檢驗傳統 3-4 個月、期間師傅 1 對 1 帶 ≈ 200 hr。AI SOP + chatbot 後降到 1.5 個月 = 省 每位新人 80-120 hr。一年招 5 位新人 = 省 400-600 hr ≈ NT$15-25 萬。更大價值：老師傅退休 / 離職時，10 年經驗保留下來，避免百萬級隱性知識流失。

🎯 為什麼可以 AI 化

「同個供應商良率忽好忽壞」是採購跟品保最常吵的事。傳統靠採購憑印象、品保憑來料 IQC 紀錄，兩邊資料不通就吵。供應商 scorecard 自動化把進料合格率、交期準確率、客訴關聯比例、退貨率每月跑一次，3 個月後趨勢就清楚——A 供應商良率從 99% 慢慢掉到 95% 是早期警訊，等出大事才換已經晚了。

🛠 具體做法

定義 scorecard 維度：合格率 / 交期 / 客訴關聯 / 配合度 / 價格穩定度
從 ERP / IQC 系統匯出每月各供應商數據（多數公司有，沒整理過）
LLM 自動寫每月 scorecard 報告 + 趨勢分析
不良率超標（連 2 個月跌出 baseline）→ 即時 alert + 採購會議排查
每季供應商會議直接拿 scorecard 開會，數據說話、減少情緒爭吵

📦 資料準備：丟給 Agent / Project Knowledge 的清單

必放

供應商清單 + 提供品項 + 合作年資
scorecard 評分標準（每維度權重 + 紅黃綠燈門檻）
BOM 表（看哪個元件對應哪個供應商）
過去 12 個月 IQC 月度合格率 baseline

選放

備援供應商清單（萬一主供應商垮了）
供應商 ISO / 認證到期日
過去爭議事件（哪次延遲、哪次品質出包）
產業大盤行情（原料漲跌會影響品質取捨）

容量限制

供應商主檔 + scorecard 標準是穩定資料（10-30 頁）放 Project。月度 raw IQC 數據量大不必長期堆，跑完當月分析後 archive。LLM 分析時餵 aggregate 後的月度統計即可，不需要每筆 IQC 紀錄。

🔧 推薦工具 3 選 1

工具	適合	缺點
Notion DB + Claude 月度報告	已有 Notion 工作流的公司、5-10 hr 可建	要手動匯入 ERP 數據
`Power BI / Looker Studio` + AI 摘要	視覺化強、跨系統整合好	BI 工具學習曲線、年費 NT$3-10 萬
自架 Python script + Slack 自動推播	客製度最高、可串 alert 邏輯	需要 dev 100-200 hr 建

📋 起步 checklist（第一週）

Day 1：找品保主管確認 scorecard 5 個維度 + 權重
Day 2：從 ERP export 過去 12 個月 IQC 數據 + 清洗
Day 3：建供應商主檔 Notion DB（30-50 家通常涵蓋 80% 採購額）
Day 4：跑第一份月報 + 主管 review 評分準確度
Day 5：設不良率超標 alert（連 2 個月 + 跌出 P95）
Day 6-7：排第一次供應商會議用 scorecard 對話

⚠️ 常見坑

scorecard 維度太多：15 個維度算完沒人看得懂、權重也亂。先 5 個關鍵維度跑半年再加

只看合格率忘看絕對量：A 供應商 99% 但月供 100 件、B 供應商 95% 但月供 5000 件，B 的影響大得多

scorecard 只當報告不採取行動：看到綠燈轉黃就要主動約供應商談，等紅了已經來不及

💰 ROI 估算

採購 + 品保每月對帳 + 寫供應商報告 ≈ 20 hr/月，自動化後降到 4 hr/月（只看 LLM flag 出來的異常）= 省 16 hr/月。但真正的價值在「早期發現供應商衰退」——一次重大來料問題召回成本 NT$50-300 萬，提前 1-2 個月發現可省 70-90%。對醫材廠（ISO 13485 要求供應商管制）這條從 nice-to-have 變必做。