企業導入 AI 的第一步，不是選工具，而是整理判斷規則

企業討論 AI 時，最常出現的第一個問題是「應該用哪一個工具」。但在實際流程裡，工具通常不是最先出問題的環節。

個人使用 AI，只要這一次的結果堪用就可以接受；企業流程的要求不同，同一件事在不同時間、由不同人執行時，都必須得到一致、可解釋且能追溯的結果。這中間的差距，往往不在模型能力，而在資料定義、判斷規則、例外處理與覆核責任是否已經寫下來。

這篇文章想討論的是：在導入 AI 之前，企業需要先整理什麼，以及為什麼人工覆核不是導入失敗，而是流程設計的一部分。

企業 AI 導入，正在從工具試用走向流程應用

從近期公開調查可以看到，台灣企業對 AI 的態度已經從觀望轉向具體評估，但「導入、評估或規劃」是三種不同的狀態，不能一起解讀為已經正式使用。

• 依國家發展委員會與中華經濟研究院「2026 上半年台灣採購經理人營運展望調查」，製造業有 69.0% 表示已導入、評估或規劃導入 AI；非製造業為 60.4%。這是採購經理人樣本的展望調查結果，不代表所有台灣企業都已完成導入。
• 同一調查中，製造業的主要應用方向包含流程自動化、銷售與客戶管理、需求預測；非製造業則較常提到 AI 代理與流程自動化、行政作業、客服與文件處理。
• 調查也顯示，AI 目前更常改變工作內容與職能配置，而不是立即全面裁員或讓整條流程無人化。

在特定產業的調查裡，落差會更清楚。依資策會產業情報研究所（MIC）2025 年針對臺灣電子資訊製造業的調查，28% 的受訪企業已實踐 AI，46% 仍在規劃階段，主要挑戰集中在數據與成本效益。這兩個數字限定於電子資訊製造業樣本，不能推論為全體台灣企業的比例。

為什麼企業最容易先從選工具開始？

先選工具是可以理解的。工具有畫面、有示範、有明確的比較項目，決策看起來也比較快。相對地，資料與流程的整理沒有畫面，短期內也看不到成果。

但工具試用能回答的問題，通常只有「它能不能產出看起來合理的內容」。企業要回答的問題更多：

• 這項工作的輸入資料從哪裡來，由誰維護，多久更新一次？
• 同一份資料在不同部門的定義是否一致？
• 遇到條件不同、資料缺漏或臨時變更時，該怎麼判斷？
• 輸出結果由誰確認，確認到什麼程度才算可以使用？
• 出錯時，如何追溯是資料問題、規則問題還是判斷問題？

這些問題不會因為換一個更新的工具而消失。若流程本身不一致，AI 只會更快地把不一致複製到更多地方。

企業工作不是一個 Prompt，而是一連串判斷

把任何一項日常作業拆開，通常都不只是一次生成，而是依序完成的幾個步驟：

1. 取得資料：確認來源、時間範圍與版本。
2. 檢查資料：確認欠缺、重複或格式異常的部分。
3. 套用判斷：依規則決定分類、金額歸屬或處理方式。
4. 處理例外：遇到規則沒有涵蓋的情況時，決定停止、補件或改由人工判斷。
5. 產生輸出並確認：以固定格式輸出，並依風險決定是否需要人工覆核。

第一步不是自動化，而是把隱性經驗寫出來

多數企業流程裡，最關鍵的判斷往往沒有被寫在文件上，而是留在資深同事的經驗中：什麼情況要特別確認、哪一種資料通常不可靠、遇到衝突時以哪一邊為準。

這些隱性經驗在人與人之間可以透過詢問補齊，但 AI 無法詢問。它只能依照被提供的資料與規則作答，因此隱性經驗沒有被寫下來時，落地的難度會遠高於預期。

無法被描述的判斷，就無法被穩定地交付；不論交付對象是新同事，還是 AI。

所以整理規則本身就有價值。即使最後沒有導入任何工具，把判斷寫清楚也會讓交接、訓練與稽核變得容易。

企業需要整理的五種規則

在把流程交給 AI 協助之前，建議先把以下五種規則分開寫清楚。它們是五個不同的問題，混在一起討論時最容易產生誤解。

一、資料規則

定義這項工作使用哪些資料、來源與更新頻率、欄位的意義與單位、以及不同來源不一致時以何者為準。若同一個名詞在不同部門代表不同意思，先統一定義比先導入工具重要。

二、判斷規則

把「怎麼判斷」寫成可以檢查的條件：在什麼條件下屬於哪一類、哪些情況需要同時滿足多個條件、優先順序如何排列。判斷規則寫得越具體，結果越容易驗證，也越容易發現規則本身的漏洞。

三、例外規則

明確定義哪些情況屬於例外、例外時的預設動作是停止、標記或轉人工，以及例外如何被記錄。企業流程的穩定度，通常取決於例外處理是否明確，而不是常規情境處理得多漂亮。

四、輸出規則

規定輸出的格式、必要欄位、單位與呈現方式，以及不確定時要如何標示。固定的輸出格式讓結果可以被比較與檢查，也讓後續流程不需要每次重新解讀。

五、覆核規則

說明哪些結果可以直接使用、哪些需要抽查、哪些必須逐筆確認，以及由哪個角色負責核准。覆核規則同時也是責任分配，缺少它時，出錯後往往找不到可以修正的環節。

資料不完整時，AI 不會自動補出真相

企業資料經常是不完整的：來源延遲、欄位缺漏、條件臨時變更、不同系統之間對不起來。這種情況下，若流程要求一定要給出答案，模型通常會產生一個看起來合理但沒有依據的結果。

在企業情境裡，這比沒有答案更難處理，因為錯誤被包裝成完整的敘述，反而不容易被發現。因此流程需要允許以下幾種結果：

• 資料不足，無法判斷。
• 資料相互衝突，需要確認來源。
• 此情況不在既有規則內，須由人工決定。
• 已產生初步結果，但信心不足，需覆核後才可使用。

Human-in-the-loop 為什麼不是妥協？

人工覆核常被誤解為自動化程度不足。實際上，它是依風險分配監督與責任的設計。治理面的討論也指向同樣方向：台灣《人工智慧基本法》已通過，作為 AI 發展與治理的框架；政府在推動 AI 時提出的原則，包含人類自主、隱私保護與資料治理、資安與安全、透明與可解釋、公平與不歧視，以及問責。

在管理制度上，ISO/IEC 42001:2023 是 AI 管理系統的國際標準，可作為建立內部制度時的參考架構，但它是自願性標準，並非所有企業都有取得認證的法定義務。另有 ISO/IEC 42105，主題為 AI 系統的人類監督指引，截至本文建檔時仍為制定中（Final Draft）階段，尚未正式發布，不宜視為已完成的標準引用。

實務上，可以依風險把覆核方式分成四層：

低風險、規則清楚

例如格式整理、內容分類、初步彙整。結果錯誤時容易發現且影響有限，可採事後抽查，不必逐筆確認。

中度風險、存在條件差異

例如條件不一致的檢核與資料比對。此類工作適合由 AI 產生初判與差異清單，再由人工確認判斷是否成立。

高風險、涉及正式行動

涉及對外文件、金額相關結論或會影響他人決策的輸出時，應在送出前由人工核准。資通安全署也建議，涉及存取憑證、發送郵件或執行系統指令等高風險 AI 代理操作，應強制人工確認。

新規則或低信心結果

規則剛建立、條件剛變更，或系統本身標示信心不足時，應提高覆核比例，直到規則被驗證穩定為止。

哪些工作適合優先導入 AI？

與其一次評估所有流程，較務實的做法是先找出同時符合以下四個條件的工作：

1. 高頻：經常重複發生，改善後的效益容易被感受到。
2. 資料穩定：來源固定、格式可預期，不需要每次重新拼湊。
3. 規則可描述：判斷方式可以寫成條件，而不是完全依賴個人經驗。
4. 結果可驗證：輸出對不對可以被檢查，而不是只能憑感覺判斷。

符合這些條件的，常見於資料整理與檢查類型的作業，例如資料分類、對帳作業的前置整理、活動檔期的規則檢核、報告彙整，以及重複性高的設計套版。相反地，需要協商、需要責任承擔或條件每次都不同的工作，則不適合作為起點。

從一個流程開始，而不是一次改造整間公司

階段性導入通常比一次全面改造更容易持續。可以參考以下順序：

1. 選定一個高頻且可驗證的流程，明確定義範圍與不處理的部分。
2. 把資料、判斷、例外、輸出與覆核五種規則寫下來。
3. 先以人工方式依規則跑一次，確認規則本身是否成立。
4. 再引入工具協助其中最耗時的環節，並保留人工覆核。
5. 記錄例外與錯誤，回頭修正規則，而不是直接調整工具設定。
6. 規則穩定後，再逐步降低覆核比例或擴大到相鄰流程。

這個順序的重點是：規則先於自動化。規則沒有寫清楚時，擴大導入通常只會讓問題擴散得更快。

樂達從自身營運流程開始整理

在 AI 的討論上，樂達目前的做法是先整理自己的內部流程，而不是先對外提供系統。實際進行的方式，是從內部高頻、重複性較高的作業開始盤點，例如對帳作業的前置整理、活動檔期檢核、報告彙整、資料分類與設計套版。

整理過程中，部分環節確實可以透過明確規則或工具減少重複作業，例如格式統一、差異標記與初步分類。但也有不少環節仍受資料取得時間、條件差異、臨時變動與人工確認影響，必須保留判斷與覆核的空間。

因此目前累積的是方法與流程文件：哪些判斷可以被寫成規則、哪些屬於例外、哪些結果一定要人工確認。這些整理尚未形成可以直接對外提供的完整 AI 系統或自動化服務。

企業真正需要建立的，是可持續修正的工作系統

AI 導入不是一次性的專案。平台規則會變、商品組合會變、組織分工也會變，規則因此需要被定期回顧與修正。

從這個角度看，企業真正在建立的不是一套工具，而是一套能被描述、被檢查、也能被修正的工作方式：資料有定義、判斷有條件、例外有處理方式、輸出有格式、責任有歸屬。

參考資料

本文關於台灣企業 AI 導入、AI 治理與人工監督的背景，引用自政府、研究機構及國際標準組織公開資料；其餘關於資料規則、例外處理、人工覆核與企業流程設計的分析，為樂達依電商營運與內部流程改善經驗整理之觀察。

1. 國家發展委員會、中華經濟研究院，2026 上半年台灣採購經理人營運展望調查
2. 資策會產業情報研究所，臺灣電子資訊製造業導入 AI 發展調查，2025
3. 資策會產業情報研究所，AI 驅動企業轉型之迷思與策略，2025
4. 數位發展部，人工智慧基本法：治理與評測
5. 數位發展部資通安全署，AI 代理安全防護建議
6. ISO，ISO/IEC 42001:2023 Artificial Intelligence Management Systems
7. ISO，ISO/IEC FDIS 42105 Guidance for Human Oversight of AI Systems（制定中）