一位做了三十年的鋼構廠老闆,前陣子在飯局上聽人說「AI 可以接管你公司七成的工作」,回去之後睡不著。隔天他把廠長叫進辦公室,問了一句很實在的話:「那我們的師傅是不是要開始擔心了?」廠長答不上來。其實這位老闆要的不是一個是非題的答案,他要的是:到底是哪七成?那剩下的三成,又為什麼動不得?這篇文章想做的,就是把那個飄在空中的「70%」拆開來給你看清楚。
真正的問題從來不是「AI 能不能取代人」,而是「你能把哪幾段工作,安心地交出去」。
「70%」是行銷話術,不是你的數字
先講一句不討喜的真話:那個「70%」不是你的數字,是別人為了賣東西算出來的平均值。顧問公司報告裡的百分比,是把幾百家公司的流程混在一起取的統計值,它對「製造業」「服務業」這種抽象類別有意義,對你這家有自己脾氣、自己客戶、自己老師傅的公司,參考價值很低。同一句「AI 能接管七成」,放在一家做標準件的工廠可能是真的,放在一家專接急單、靠老師傅手感的廠,可能連三成都勉強。
所以別再問「AI 能接管百分之幾」,這個問法本身就會把你帶到溝裡。要問的是:在我這家公司的日常裡,哪些動作的本質適合交給機器?這需要一個能自己動手分的框架,而不是一個別人替你決定的數字。
哪些流程,AI 真的接得住
能放心交出去的工作,通常同時有四個特徵:規則明確、大量重複、留有數位足跡、而且對錯可以被驗證。這四點缺一不可。「對錯可驗證」尤其關鍵,因為它決定了你事後能不能抓得到 AI 有沒有做錯。符合這套條件的,大多落在這幾類:
- 對帳與比對:銀行明細對發票、進貨單對應付帳款,規則清楚、錯了立刻看得出來。
- 分類與歸檔:把雜亂的單據、客訴、Email 依規則貼標分流。
- 資料整理與報表彙整:把散在各系統的數字撈出來、加總、做成每週固定的表。
- 初稿生成:報價說明、產品文案、會議紀要的第一版,人改比人從零寫快得多。
- 一線查詢型客服:出貨進度、規格問答、退換貨流程這類有標準答案的重複提問。
注意一個共通點:這些都是「初稿、彙整、查詢」這種有人在後面把關的工作,不是「拍板」。AI 在這裡的角色是把人從重複勞動裡解放出來,讓人去做需要判斷的那一段。這也是為什麼導入得好的公司,人不會變少,而是同一批人接得住多三倍的單量。
那動不得的三成,長什麼樣子
有些工作你就算技術上做得到,也不該交。這三成的共同氣味是:出錯的代價很高,或者規則根本寫不出來。具體來說有五類。第一,高風險決策,例如要不要對大客戶放帳、要不要召回一批貨,這種一旦錯了會傷筋動骨的事。第二,需要有人擔責的事,法律上、信任上總得有一個人簽名負責,AI 簽不了。第三,模糊的人際判斷,像是老客戶今天語氣不對,該由誰、用什麼姿態去接這通電話。
第四,罕見例外。AI 對你看過一千次的情況很強,對你十年才遇到一次的怪狀況很笨,而往往就是那一次決定公司會不會出事。第五,現場的默會知識,老師傅看一眼板材的光澤、聽一下機台的聲音就知道哪裡不對,這種知識沒被寫下來過,也很難寫下來。把這三成硬塞給 AI,不是效率問題,是風險問題。
給你一個自己畫的判斷框架:兩軸四象限
不用記別人的清單,你可以自己分。拿一張紙,畫兩條軸。橫軸是「可規則化程度」:這件事的步驟能不能寫成清楚的規則,左邊低、右邊高。縱軸是「出錯成本」:做錯一次的代價有多大,下面低、上面高。任何一個流程,你都能丟進這四個格子裡。
- 右下角(規則清楚、出錯成本低):放心交。對帳、分類、報表彙整都在這。這裡是你該最先動手的地方。
- 右上角(規則清楚、出錯成本高):AI 做、但人必檢。例如自動產生付款指令,但金額超過門檻一定要人按下確認。讓 AI 做苦工,把關留給人。
- 左下角(規則模糊、出錯成本低):AI 輔助打草稿。文案、初稿、腦力激盪,做壞了重來就好。
- 左上角(規則模糊、出錯成本高):人來做,AI 最多當參謀。高風險決策、罕見例外、現場默會知識,都待在這格,別碰。
把你公司一週裡反覆做的二、三十件事,一件件丟進這四格。你會發現,你那家公司真正的「可交付比例」自己就浮出來了,根本不需要等誰告訴你是不是 70%。這個動作,就是品得一直強調的「先診斷、再動手」。我們不賣一套要你全公司去配合的標準系統,而是先陪你把流程攤開、分格,再用 Agentic Coding 用十分之一的成本,把右側那幾格真正長成只屬於你的工具。想看完整的組織重構與導入策略地圖,可以從這篇系列總綱讀起:Agentic AI 時代的組織重構與導入指南。
常見問題
我把整段流程交給 AI,人是不是就可以裁掉了?
多數情況不是。能交出去的是「重複勞動」那一段,不是整個職務。實務上更常見的結果是同一批人擺脫了打雜,改去做需要判斷、需要擔責的那三成,而公司同時間能接的單量明顯放大。把 AI 當成替人加上幾雙手,而不是替換掉人,你的算盤才會打對。
我怎麼知道自己公司現在到底準備好交出去多少?
先把「感覺」變成「數字」。很多老闆對自家流程的準備度其實是憑印象,而印象常常太樂觀。建議先跑一次品得免費的 AI Readiness Check,十秒鐘就能看到你的資料準備度、回答可信度、接線安全度三盞燈,再回頭對照你剛畫好的四象限,哪幾格能動、哪幾格還缺資料,一目瞭然。
右上角那種「AI 做、人把關」的流程,風險會不會反而更高?
只要把關的設計是真的,風險是可控的,而且通常比全靠人工更低,因為機器不會累、不會漏。關鍵在於把「人必檢」的關卡寫死在流程裡,例如超過金額門檻強制人工確認、AI 的每一步都留下可追溯紀錄。設計得好,你得到的是速度加上一層稽核,而不是把責任丟給黑盒子。
與其爭論 AI 能不能接管七成,不如先搞清楚你自己這家公司,能安心交出去的到底是哪幾段。這件事不該靠感覺。花十秒跑一次品得免費開源的 AI Readiness Check,先看你的資料準備度 DataReady 這盞燈亮不亮,把「我覺得我們還沒準備好」變成一個可以追蹤、可以改善的數字。資料只在記憶體裡處理、不留存,跑完心裡就有底。看完想往下走,聯絡品得網絡,我們的第一次諮詢免費,陪你把流程一格一格分清楚。👉
