【Future Circle 共筆】AI 很強,但為什麼你的流程還是卡住?
從 4 套工作流反推導入 AI 前最該注意的 5 件事 當 AI 成為職場標配,你也被要求「用 AI 優化流程」了嗎?為什麼本想省力,導入後流程卻沒想像中的順? 本文藉 18 位訪問者的踩坑分享與 4 套真實工作流,提煉出導入前最該注意的 5 大關鍵, 並透過案例分析與對應的判斷表格,幫你逐步釐清:工作流程中的哪些環節適合交給 AI、哪些可以用規則式自動化,又有哪些需要保留人工判斷?
「這很簡單,叫 AI 寫一寫就好。」
「欸,奇怪?怎麼跑出來的細節不對?」
「欸!我是叫你改 A ,你怎麼連 B 都一起改了?」
「啊…… AI 不是很厲害嗎?怎麼越弄越亂?!」
你是不是也曾有過這種崩潰體驗?
這不是個案,透過這次探討,我們認爲執行的關鍵邏輯,往往不是工具,而是實際作業上的需求、資料、驗證、維護、交接這五大關卡。在盲目套用工具前,讓我們先退回根本需求,進行最關鍵的策略判斷!
先定義:人工執行、規則式自動化、AI Agents 導入三種選擇
談「要不要交給 AI 」之前,先退一步看:流程管理研究早已把執行方式視為一條從人工、規則自動化到自主 AI Agent 的連續光譜。真正該問的不是選哪一端,而是如何設計一套能橫跨整條光譜的系統。【D】
規則式自動化( If-Then、RPA )依照事先寫好的邏輯執行,核心特徵是確定性【D】。它速度快,卻很脆弱,只要頁面載入延遲或介面改版,流程就可能直接中斷【A】。
相較之下, AI Agent 的核心是「自主決策」與「動態規劃」。它是目標導向的工具:收到指令後,會依當下環境即時調整做法。雖然可以用規範框住它的行為,但執行路徑並非由人預先寫死,而是 Agent 邊做邊規劃,這也模糊了「事先設計」與「執行當下」之間的界線。
這份靈活的代價是:執行時間較長、失敗率較高;而且少了事先核准的流程,稽核與究責都會變難,出錯原因也更不容易追查【A】【B】。
我們認為,承擔責任與讀懂脈絡的判斷仍應交給人工處理,這也是為了避免前述提到的風險【B】:當人只會下指令、不再理解過程與背景知識,就會慢慢失去判斷 AI 正確與否的能力。然而三者也不必對立,工業監控領域的研究就把「規則的透明度加上機器學習的分析力」視為有潛力的發展方向【C】,對應到業務流程,我們認為應先檢視各環節的需求,再決定如何讓三者各司其職。
為什麼這件事重要:人、規則、AI 各司其職,才是真正的差距所在
麥肯錫(McKinsey)在2026 年的調查分析中顯示,高達九成組織已導入 AI ,卻僅有 6% 成功為企業帶來顯著利潤【E】。這 6 % 的領先者之所以能拉開差距,關鍵不在工具本身,而是有將近四分之三的人徹底重新設計了工作流程,重新決定每一步驟該由誰來執行。
之所以要重新決定「每一步」,是因為 AI 的成效完全取決於任務類型。根據 BCG 的實驗【F】,知識工作者在 AI 擅長的任務上,效率能提升 25.1 % 且品質更好;但在 AI 不擅長的任務上,答對率反而降低 19 %。同一個工具,換個任務就可能從幫手變成負擔。(此為 2023 年使用 GPT-4 的實驗)
既然 AI 有時是幫手、有時是負擔,我們就必須針對任務「逐項判斷」,但絕對不能只憑感覺。在 METR 的實驗中【G】,資深開發者「主觀覺得」AI 幫自己省下了 20 % 的時間,但「客觀實測」卻發現反而多花了 19 %。這證明感覺會騙人,數據不會。任務該交給誰,應該由實測結果決定。
這套「先看數據、再分工」的邏輯,已經不只是方法論,而是被直接做進了新一代的工具中。TypeSafe AI 在 2026 年 9 月發表的決策模型 Jev【K】,會為每一次分類或評分附上信心分數。官方文件建議:信心高就自動執行,中等就請人確認,低就交給人處理【I】【J】。這正是將「人工、規則式自動化、 AI Agents」三種選擇,濃縮在單一決策流程中的最佳縮影。( Jev 仍在早期訪問與測試階段,尚未獨立評測,所使用的信心分數也不等於正確率)
回到開頭的問題。我們認為,關鍵在於每項任務是否用了對的做法。AI 用不出成果,多半不是工具不夠好,而是沒有先問清楚:這件任務該由人工執行、交給規則式自動化,還是導入 AI Agent?

五個關卡
回到自身,我們從團隊真實經歷進行解析,從行銷協作、把需求文件轉成流程圖,到用 AI 協作寫程式,任務不盡相同,卻都卡在相似的地方:需求怎麼說清楚、成果怎麼檢查、修改會牽動哪些部分、換人之後能不能運作。
我們依工作流從建立到交付的順序,結合 18 位參與者的問卷回覆做對照,把這些問題整理成五個關卡:選題、建置、導入、維護、交接。幫助讀者在投入前釐清條件,檢視已經運作的流程,找出需要補強的環節。
關卡一「選題」:這件事值得做成流程嗎?

案例分享
活動報名信件的處理,是組員 A 提出的工作流案例。透過 AI 協助撰寫 Google Apps Script,建立信件收取、內容分析與資料歸檔流程。從這個案例出發,我們認為,在開始選工具、寫程式之前,可以先從下列表格的三個判斷面向評估是否值得建立流程:
💡我們認為先確認流程是否值得建立,再決定 AI 放在哪個環節,能讓投入有更明確的依據。
關卡二「建置」:需求說得清楚嗎?資料能給嗎?

進入建置階段,對應的問卷題目是:「把需求交給 AI 做出第一版時,你遇到哪些困難?」如下圖所示,18 人中有 10 人選擇「需求與規則說不清楚」。可見建置工作流時,先明確訂出「成果要符合哪些要求」相當重要。

此外,關卡一提到的信件案例涉及會員個資,因此建置時還得處理「資料邊界」的問題。綜合以上兩點,建置前需要先釐清兩件事:
💡 規格界定「做到怎樣才算對」,而邊界則是「哪些資料能用」。先把這兩件事講清楚,後續的驗證與修改才有共同的依據。
關卡三「導入」:工具能用,團隊會用嗎?

案例分享
組員 B 把 AI 用在行銷工作的知識庫、報表分析和社群文案上,自己用得很順手。但當他想讓同事也照著做,問題就變成:別人需要先知道這套流程能做什麼、怎麼操作,以及做到怎樣才算合格。
對應到導入階段的問卷題目是:「把流程導入日常工作時,你遇到哪些困難?」,結果顯示 18 人中有 9 人選了「使用者或主管對效果期待過高」,7 人選擇「使用者不熟悉操作、需要教學」。

綜合案例及問卷結果,可以發現導入階段的主要的困難點會集中在使用期待與操作熟悉度,因此我們認為,導入前應先釐清三件事:
💡工具能跑起來只是起點;團隊看得懂、用得上手、檢查得了,這套流程才算真正融入日常。擴大使用前,不妨先問問:大家真的清楚這套流程能做什麼、不能做什麼嗎?
關卡四「維護」:改一處,要重跑全部嗎?

案例分享
組員 C 擔任跨部門溝通橋樑,常用 AI 搭配 Draw.io 把功能需求文件轉成流程圖。問題出現在 AI 畫出來的圖,有時會偏離原始文件內容,或不符合既有的繪圖規範,以致人工檢查和修正的時間跟著變多。
進入維護階段,我們詢問參與者:「流程上線後,維護時你遇到哪些困難?」18 人中有 9 人選擇「需求變動時難以局部修改」,是最多人勾選的項目;「持續人工檢查很耗時」與「出錯或中斷後難以除錯」則各有 5 人勾選。

由此可見,第一版上線並不代表工作結束:需求會變動,例外與錯誤也需要有人處理。因此我們認為,維護時需要先釐清兩件事:
💡流程是否易於維護,往往取決於建置時的設計。因此,評估流程時可以先思考當需求變動,能否只修改必要的部分,避免影響其他功能?
關卡五「交接」:換人之後,還接得住嗎?

案例分享
組員 D 做前端開發時,會用 AI 協作寫程式:先把需求整理成結構化規格,再搭配 AI 產出程式碼,最後透過程式碼審查(Code Review)把關。這套做法在 D 手上運作順暢,但換一個人接手,問題就來了:程式碼看得懂嗎?之後每改一次,要花多少時間和 Token?改動會不會和其他人的工作撞在一起?
對應到交接階段的問卷題目是:「換人使用或負責流程時,你實際遇到哪些困難?」, 18 人中有 8 人選了「流程仍綁定原作者」,另外各自有 6 人選了「缺少清楚的操作與維護文件」及「接手者無法判斷成果對錯」。

綜合上述,流程即使能由原作者順利操作,也未必能讓接手者獨立使用與維護。我們認為,交接前應先釐清三件事:
💡交接時要留下的,不只是檔案,還有操作方法、判斷標準與責任歸屬。正式交接前,最好的測試方式是請接手者照著文件完整跑一次:完成任務、檢查成果,並說明遇到異常時會怎麼處理。哪裡卡住,就代表哪裡還缺東西。
AI 導入判斷工具箱:導入之前,先問這 13 題
結語:先寫規格,再開工具
工具會一直變強,但從彙總的五個關卡分析下來,卡住的地方多半不是工具不夠好,而是事情還沒想清楚就交了出去。所以,與其追求下一個新工具,不如先從手上的一件任務優化開始。
當然,不是每件事都該導入 AI 。跑完判斷表,如果答案是固定規則,或是維持人工,那也是正確答案:省下的是不必要的建置和維護成本。
- 導入前,先寫一頁規格。寫下目的、輸入、規則與例外,怎樣算完成?寫得出來,才交給工具;寫不出來,就代表還沒準備好。這一頁既是給 AI 的說明,也是團隊的共同依據。現在動手做: 挑一件例行公事,用一頁寫下這四項,對照判斷表,個別標出交給人工、規則還是 AI 。
- 把規則從提示詞裡拿出來。繪圖規範、命名方式、例外清單,放進獨立的規範文件,不要每次都塞進一次性的 Prompt 。規則有固定的位置,需求改了才知道該改哪裡,不必整條流程重跑。現在動手做: 翻出最近用過最長的一段 Prompt ,把裡面「每次都一樣」的規則剪出來,另存成一份規範文件。
- 上線前,寫下「誰檢查、誰負責」。連同成果標準一起寫下來,讓第二個人也判斷得了對錯。答不出誰負責,就先不要讓它全自動。現在動手做: 請一位同事只看文件、跑一次流程,記下他卡住或回頭問你的每一個地方。
AI 能做的事會越來越多,但要不要交給它、交到哪一步、出錯時由誰接手,仍然要由人先想清楚。
關於這篇報導
方法與資料
- 案例:團隊組員提出工作上實際運行中的工作流(報名信件、行銷協作、工程文件轉流程圖、 AI 協作寫程式),已匿名為 A~D 。
- 討論期間: 202609 ~ 202610 。
- 各案例使用的工具與版本:
案例 A:Google 生態系 (含 Gemini、Google Script、Antigravity )
案例 B:ChatGPT、Antropic ( Claude ) 、Discord、Obsidian、Notion
案例 C:ChatGPT、Draw.io
案例 D:ChatGPT、Gemini、Antropic ( Claude )
- AI 工作流問卷:n = 18,可複選,非隨機抽樣。收集期間為 20260916 ~ 20260918 ( 問卷使用 Google Form 製作 )
限制
- 原共筆「研究限制」:案例有限、匿名化、內容不涵蓋完整組織流程;問卷樣本小且非隨機,不推論產業或整體市場。
- 問卷未涵蓋選題階段,關卡一只依案例與討論。
AI 協作說明
本文使用生成式 AI 協助整理討論內容、調整文章結構與潤飾文字;資料選擇、事實查核、分析與最終定稿由作者完成。
參考文獻:
- 【A】Nibir, T. (2026). Agentic vs Rule-Based Process Automation – A Comparative Study.
- 【B】Hafner, A. (2026). Process Automation Revisited: From Rule-Based to Agentic AI in Service Systems. AMCIS 2026 Proceedings.
- 【C】De Gasperis, G., & Facchini, S. D. (2025). A Comparative Study of Rule-Based and Data-Driven Approaches in Industrial Monitoring. arXiv:2509.15848.
- 【D】Dumas, M., Milani, F., & Chapela-Campa, D. (2026). Agentic Business Process Management Systems. arXiv:2601.18833.
- 【E】Tinkoff, D., Van der Veken, L., & Chui, M., with Balakrishnan, T. (2026, August 25). The state of AI in 2026: On the road to ROI. McKinsey & Company.
- 【F】Dell’Acqua, F., McFowland III, E., Mollick, E., et al.(2023)。Navigating the Jagged Technological Frontier。HBS Working Paper 24-013.
- 【G】Becker, J., Rush, N., Barnes, E., & Rein, D.(2025)。Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.
- 【H】METR(2026)。We are Changing our Developer Productivity Experiment Design.
- 【I】Almeida, D. (2026). Introducing System One models and Jev. TypeSafe AI.
- 【J】TypeSafe AI. (2026). Confidence.
- 【K】VKTR. (2026, September 16). TypeSafe AI launches Jev.
署名
- 作者:Future Circle Cohort 01 第一組全體
- 主編輯:潘致融、胡怡欣/共同編輯:王貞允、曾輔君、陳偉成
- 感謝 Cohort 夥伴及問卷填答者協助完成此次共筆研究內容