AI 服務做完第一個試作後，怎麼讓客戶知道下一步要不要繼續？

先說結論：AI 流程跑成功一次，只能證明它在那個情境下跑完；要判斷它有沒有改善工作，還要看同一類工作、同一計算單位與相近期間，並把人工檢查、返工、品質和實際使用一起記下來。

我會把第一次 AI 試作的回顧分成兩層：先確認交付物與責任，再用可比較的資料判斷是否擴大、修正或暫停。這樣客戶不必先承諾長期合作，團隊也不會把一次漂亮的展示，誤當成已經證明成效。

試作完成，不等於結果全部發生

很多 AI 專案會把四件事混在一起：

• 工具或流程已經設定好。
• 一批資料已經成功跑過。
• 團隊已經在真實工作中持續使用。
• 客戶、營運或收入結果已經改善。

這四件事分屬不同證據。流程跑通是技術與交付紀錄；團隊使用是採用情形；商業結果還要觀察一段時間。只有第一項成立時，就先說「已完成試作」，不要跳到「已證明省時」或「已提升成交」。

我在課程原稿曾把只看一點就停下來的課程比作收藏品。AI 試作也會遇到同一種情形：多了一個工具、一個畫面或一份報告，卻沒有回到日常工作裡反覆使用。真正要驗收的不是展示有多順，而是這份工作是否有人接手、能否重做，以及結果有沒有變得更好。

一張試作價值紀錄卡

回顧時，把下面八項放在同一張卡上。它是工作討論工具，不必做成複雜儀表板。

1. 原本要改善哪一項工作？

把「導入 AI」改寫成一個會發生的工作瞬間，例如：每天收到新詢問後，先分類問題，再整理一份需要真人確認的回覆草稿。

寫出誰負責、工作何時開始、最後交給誰。沒有明確工作，後面的時間與品質都無從比較。

2. 試作前的基準是什麼？

記下原本的作法、完成時間、資料來源和觀察期間。單位要固定，例如「一筆一般詢問」或「一份每週週報」，不要拿一次特殊案例和一整月平均直接相比。

如果以前沒有記錄，就先選一段可取得的期間補做基準；目前資料不足，就把基準列為未知，不能用印象補成數字。

3. 試作範圍有沒有對齊？

比較前先確認兩邊處理的是同一種工作、差不多的複雜度與相同完成條件。試作若只處理簡單樣本，結論就只適用那一類；不要把它推成所有客戶、所有例外都能自動完成。

4. 把真人時間與返工算進去

不要只記 AI 產生初稿花幾秒。還要記錄整理輸入、核對資料、修改內容、處理例外和交接所花的時間。

一個好用的寫法是：

每件工作總時間＝準備輸入＋AI處理＋人工檢查與修改＋例外接手。

如果 AI 省下 5 分鐘生成，卻多出 8 分鐘找資料和校正，整體流程沒有變快。這個發現仍然有價值，因為它指出下一次該改善的是輸入品質、工作範圍或核對方式。

5. 品質要用工作標準判斷

先列出這份成果必須符合的條件，例如資料引用正確、格式完整、不能自行承諾價格、遇到缺資料要標記、負責人能看懂並接手。再記錄首次產出通過幾項、哪些需要修改、錯誤屬於哪一類。

「讀起來很順」不是唯一標準；若成果會進入客戶溝通或管理決策，是否正確、可用、可核對更重要。

6. 團隊有沒有真的使用？

記下有多少符合條件的工作被交給流程、多少由團隊完成接手、多少因例外回到真人。試作有人按過一次，不代表工作已採用；但只要誠實記下使用情況，就能知道是流程、訓練、資料或責任分工還沒接上。

7. 客戶或營運結果看到了什麼？

依工作選擇一個真正相關的結果：例如回覆是否更準時、後續資料是否更完整、團隊是否少漏掉重要欄位。若要看詢問或訂單，還要有清楚期間和來源，不能把同時發生的變化都算到 AI 頭上。

先把「已量到」「使用者回報」「估計」和「未知」分開寫。省下時間不自動等於收入增加；成果更快，也不代表客戶一定採取下一步。

8. 誰依什麼資料決定下一步？

把觀察期間、負責人和決策日期寫清楚。可能的結果有三種：

• **擴大：**同類工作重複跑得穩，品質符合要求，有人接手，整體時間或使用結果出現值得延伸的改善。
• **修正：**AI 有幫上忙，但人工檢查或例外仍多；先縮小工作範圍、補輸入資料或修改判斷規則，再觀察一次。
• **暫停：**基準與真實使用資料不足、沒有人負責接手，或目前工作本身不適合交給 AI。把原因留在紀錄裡，下一次就不必重新猜。

這些是回顧時的判斷選項，不是每個團隊都要加一套審核流程。小型試作也可以用一頁表格，讓負責人看懂手上有什麼證據。

明示示範：一間工作室的詢問整理試作

以下是編輯示範，數字為假設資料，不是客戶實績。

假設一間小型工作室想整理一般服務詢問。團隊挑出同一類、已去除個資的 12 筆詢問，記錄相同的工作範圍。示範紀錄如下：

| 觀察項目 | 原本作法 | AI 輔助試作 | | — | — | — | | 樣本 | 12 筆一般詢問 | 同一批 12 筆一般詢問 | | 每筆總處理時間 | 約 13 分鐘 | 約 8 分鐘，含人工檢查與修改 | | 首次草稿符合格式 | 未記錄 | 9 筆符合，3 筆由真人修改 | | 價格、服務承諾 | 真人撰寫與確認 | 仍由真人核對後送出 | | 客戶是否更快採取下一步 | 未追蹤 | 未知 |

這組示範不能證明 AI 已替工作室提升營收，因為它只有 12 筆、期間很短，也沒有客戶後續資料。它能支持的說法比較具體：在這一類樣本中，含人工處理後的總時間較短；有 3 筆需要修改；服務承諾仍由真人確認。下一次若要擴大，可以繼續記同類詢問，並補上真實使用與後續結果。

請注意，如果只把「AI 草稿 2 分鐘」放在表上，就會漏掉人工校正時間；如果把「沒有追蹤」寫成零，也會把未知誤當成沒有結果。先把單位與資料缺口交代清楚，比先做一張漂亮的成效圖更能幫你做決定。

三個容易看錯的地方

**只比較生成速度。** 工作不是在生成按鈕按下時結束，準備資料、檢查、修改、交接都算在內。

**用一個示範樣本代表整個流程。** 先確認它適用的範圍。簡單、資料完整的工作跑通，只能支持在那個範圍繼續觀察。

**成果看起來完整，就說客戶結果已改善。** 團隊採用、客戶回覆、訂單或收入都有各自的觀察期間與來源。沒有資料時，直接寫「未知」，並安排下次要看什麼。

OpenAI Academy 的價值衡量資料建議保留基準、單位、期間與方法，並把效率、品質、採用和結果分開觀察；NIST AI RMF Playbook 的 Measure 也強調依目標量測、測試、記錄並調整。這些方法的重點不是替試作算出一個漂亮分數，而是讓團隊知道下一個決定根據什麼。

試作有價值，才值得談下一階段

當流程跑得穩、接手人清楚、品質符合工作需要，再討論擴大到更多資料或相鄰工作。若只是某一類資料不足，就先補資料；若例外太多，就把例外留給真人，縮小 AI 負責的那一段；如果沒人使用，先問工作安排與責任，而不是立刻加買工具。

AI 試作不是一次展示，也不必在第一天承諾全部自動化。把要改善的工作、原始基準、試作範圍、真人時間、品質、使用和結果放在一起，你就能說清楚現在已完成什麼、還不知道什麼，以及下一步值得投入在哪裡。

想多了解鄭錦聰的 AI 商業思維與實作方向，可以從官網開始。 前往鄭錦聰官網

參考資料

• OpenAI Academy：Prioritize AI workflow opportunities：從工作價值、頻率、複雜度與準備度選擇試作。
• OpenAI Academy：Gather appropriate evidence of value：記錄基準、單位、期間、方法與多種價值面向。
• NIST AI RMF Playbook：Measure：量測、測試、文件化與依據結果調整。
• 鄭錦聰：《AI成功思維》課程講稿：課程原稿中的「課程像收藏品」比喻，用來提醒 AI 試作要回到實際工作。