工作流（Workflow）是近來討論 AI 應用時頻繁出現的詞，但究竟指的是什麼？假設今天有客戶來議價或詢價，資深業務通常能憑藉過去的經驗，來決定下一步的報價策略。這種透過既有資料或經驗，看穿客戶意圖、進而調整應對策略的過程與模式，就是業務腦中的「工作流」。

近年來，生成式 AI 能力大幅躍升，企業導入的技術門檻也隨之降低。然而，許多人在興沖沖使用之後，卻還是覺得不好用。這時候真正該檢討的，可能不是工具，而是一個更根本的問題：在把任務交給 AI 之前，有沒有先根據自己的工作流與實際需求整理好資料？

什麼是工作流？業務腦中的隱性知識，AI 看不懂

工作流（Workflow）是近來討論 AI 應用時頻繁出現的詞，但究竟指的是什麼？人工智慧科技基金會首席資料科學家蔡源鴻，以日常業務場景為例說明，假設今天有客戶來議價或詢價，資深業務通常能憑藉過去與客戶交手的經驗，或是客戶對話中透露的線索，例如是否提出具體需求，來決定下一步的報價策略。這種透過既有資料或經驗，看穿客戶意圖、進而調整應對策略的過程與模式，就是業務腦中的「工作流」。

然而，這些潛藏在對話背後的隱性特徵，通常不會出現在 CRM 系統中。原始資料多半只會冷冰冰地記錄「客戶曾來詢價」或「歷史成交紀錄」；這些數據背後代表的意義，多半只有第一線業務能意會。

因此，如果企業將未經處理的原始資料直接丟給 AI 判斷，它無法分辨 A 客戶與 B 客戶的差異，因而只能給出制式的報價與推薦回覆。但在真實商業場景中，面對不同特性的客戶，本來就應該有不同的應對方式。所以，唯有將這些隱性知識轉譯為 AI 能夠參照的工作流，它給出的建議才會符合需求。

用「情境卡」把業務經驗變成 AI 看得懂的知識

過去要訓練出具備良好預測能力的 AI 模型，往往需要龐大的數據量，這讓許多缺乏資源與人力的企業望之卻步。隨著生成式 AI 的興起，企業導入 AI 的門檻大幅降低；如今不再需要從零開始訓練專屬模型，只需將現有資料交由大型語言模型（LLM）綜合解析，便能快速獲得結果。

然而，大型語言模型並不了解企業自身的業務邏輯與工作流程，若只是單純匯入資料而未加以梳理，AI 產出的成果往往差強人意，難以真正契合商業需求。蔡源鴻指出，當業務在處理客戶時，往往需要同時查閱多個系統的歷史資料，再加上自己的判斷，才能決定下一步怎麼做，但這個整合的過程通常不會被記錄下來。因此，需要設計一套方法，將這些散落各處的經驗系統化。

蔡源鴻提出「情境卡」作為一種具體範例，說明企業如何將真實案例系統化，記錄下三件事：看到了什麼資料、在什麼條件下、觸發了什麼行動。將這些案例讓 AI 自己參照。當 AI 看過一百張情境卡，等於參與了一百個真實專案的處理過程；遇到新案例時，它會自然地比對最相似的歷史案例，進而給出適合的建議。這份累積下來的案例集，相當於企業的「經驗庫」。

不過，蔡源鴻補充說明，情境卡只是萃取隱性知識的方法之一，而非放諸四海皆準的標準流程。要將業務腦中無形的判斷經驗真正外化成可用的知識，往往需要「知識工程師」的介入，透過訪談、影子觀察、案例回顧等方式，協助業務員將直覺與經驗轉化為結構化資料。這個過程有兩項不可忽視的成本：建立時需要投入大量人力，建立之後也必須持續維護與更新，以因應法規異動、產品調整等現實變化。

這套做法或許讓人聯想到早年的專家系統（Rule-based），但本質上有所不同。傳統規則系統是照表操課，有則執行、無則放棄；而現在的 LLM 具備綜合與泛化能力，能夠在沒有完全吻合的案例時，仍從相似經驗中推導出合理判斷。這正是情境卡與經驗庫在 LLM 時代得以發揮價值的關鍵所在。

情境卡除了提供判斷邏輯，也能用來定義「邊界」，也就是告訴 AI 哪些情況不能自行處理，哪些情況應提出反問而非逕自給出建議。例如，設定只要牽涉跨部門，就暫停等候人工決策，確保 AI 不會在超出處理範圍的複雜案例中貿然行動。這些邊界同樣是企業專屬的領域知識。

AI 好用的關鍵不只是精妙的提示詞

蔡源鴻強調，每間公司、每個部門的業務流程都不一樣，不可能套用一份通用的提示詞解決所有問題。真正有效的做法，是將業務流程與實戰經驗沉澱成一份「知識文件」。當深度的領域知識已經內建於文件中，供 AI 隨時參照時，使用者反而只需下達相對通用的提示詞，就能精準驅動 AI 執行任務。

也就是說，資料、提示詞、以及完善的評估與管理框架，都是AI 變強的關鍵。

至於許多人擔心「貢獻了自己的知識，是否就會被取代」，蔡源鴻認為不必過慮。AI 工具終究有其邊界，其最大的價值在於快速處理常規狀況，將人類從繁瑣的一般案件中釋放出來。一旦遇到超出邊界的棘手特例，或是需要跨部門協商的複雜情境，依然需要仰賴人類無可取代的專業判斷與溝通智慧。

更重要的是，即使企業建置了轉化後的深度知識庫，背後仍需要能持續學習與更新領域知識的「人」來把關，這正是人類無法被 AI 取代的價值所在。當資料梳理得愈完善，AI 能承擔的常規任務就愈多；而人，也就能從繁瑣的日常中解放，將心力專注在真正需要人類智慧與決策的地方。