判斷框架
我們用兩個維度來分：
| 錯了成本低 | 錯了成本高 | |
|---|---|---|
| 規則明確 | ✅ 全部交出去 | ⚠️ 交出去但要人審 |
| 規則模糊 | 🔶 當草稿工具用 | ❌ 不要交 |
「規則明確」的判斷方法很簡單：
你能不能寫成一份 SOP，讓新人照著做就能完成？
寫得出來 → 規則明確。連你自己都說不清判斷依據 → 規則模糊。
適合全部交出去
規則明確、錯了成本低。這一類做起來投報率最高。
資料搬運與彙整 從三個廣告平台拉數據、整理成固定格式的報表。每次流程一樣，只有數字不同。錯了頂多重跑一次。
分類與路由 把來信、詢問、工單依規則分類並指派。規則清楚，錯了改一下就好。
格式轉換 把會議逐字稿整理成條列摘要、把資料轉成特定格式。
初步資料清理 去除重複、標準化欄位格式、標記缺漏。
適合交出去但要有人審
規則明確，但錯了代價高。這一類流程可以自動化，但最後一關要人按確認。
報價單與合約產出 可以自動帶入客戶資料、產品項目、標準條款。但送出前一定要人看過——金額錯一個零的後果太嚴重。
對外發送的排程 內容可以自動準備，發送前要人確認。特別是社群貼文和電子報，發出去就收不回來。
數據異常的判斷 系統可以偵測「今天成本比平均高 40%」並發出提醒，但要不要停掉廣告，人來決定。
適合當草稿工具，不要當成品
規則模糊、但錯了成本低。這一類的正確用法是加速起步，不是完成工作。
文案初稿 AI 可以很快給你二十個標題方向，讓你不用面對空白畫面。但直接拿去用的話，會產出一種很容易辨識的「AI 感」——句子工整、論點四平八穩、但沒有真實經驗的質地。
競品資料整理 可以快速蒐集與整理，但結論要自己下。
發想與腦力激盪 用來擴散想法很好用，收斂要靠人。
這一類最重要的心態：AI 給的是起點不是終點。如果你發現自己在直接複製貼上，那產出的東西大概沒有價值——因為別人也能用同樣的工具產出同樣的東西。
不該交出去
規則模糊、而且錯了代價高。
需要承擔責任的決策 要不要接這個客戶、要不要調整合約條款、要不要跟客戶說壞消息。出事的時候必須有人能解釋為什麼這樣決定。
建立人際信任的溝通 客戶關係、危機處理、談判。這些的價值就在於「有一個真人在意這件事」。
創意的最初判斷 AI 可以生成一百個方向，但「哪一個真的打中人」的判斷需要對市場和受眾的直覺。
涉及專業責任的內容 醫療、法律、財務相關的對外說法。這些領域錯了會有法律後果。
一個實際的例子：月報
以廣告月報為例，拆開來看每一段該怎麼處理：
| 工作 | 分類 | 做法 |
|---|---|---|
| 從三個平台拉數據 | 規則明確、成本低 | ✅ 全自動 |
| 計算各項指標與變化率 | 規則明確、成本低 | ✅ 全自動 |
| 產出圖表與版面 | 規則明確、成本低 | ✅ 全自動 |
| 標記異常項目 | 規則明確、成本中 | ⚠️ 自動標記，人確認 |
| 寫「為什麼會這樣」的分析 | 規則模糊 | 🔶 AI 給草稿，人重寫 |
| 建議下個月的策略 | 規則模糊、成本高 | ❌ 人自己想 |
自動化之後，原本要四小時的月報變成一小時——省下的是機械性的部分，留下的是真正需要判斷的部分。
這才是自動化該有的樣子。不是取代整件事，是把不值得花人力的部分拿掉。
一個容易踩的坑
很多人自動化的第一個目標是「內容產出」，因為那是最花時間的。
但內容產出恰好是規則最模糊的工作。結果通常是產出了大量看起來還可以、但沒有人真的想讀的東西。
先自動化資料處理，那裡的投報率高得多，而且不會傷害品質。
重點整理
- 判斷維度是規則明不明確與錯了成本高不高
- 規則明確的測試：能不能寫成讓新人照做的 SOP
- 規則明確＋成本低 → 全自動
- 規則明確＋成本高 → 自動化流程，人審最後一關
- 規則模糊＋成本低 → 當草稿工具，不要當成品
- 規則模糊＋成本高 → 不要交
- 先從資料處理開始，不要從內容產出開始