PPT_補充 | AI Leverage槓桿應用

AI Leverage槓桿應用

核心重點

核心概念	說明	與《How to AI》的連結
AI Leverage 不等於單次省時	真正槓桿來自可重複、可累積、可擴張的工作方式。	AI 是功能，不是產品；Scaffolding is everything。
先增強，再自動化	先讓 AI 協助個人完成任務，再把成熟流程做成模板、Agent 或系統。	AI 是助手，不是替代者；把 Agent 當成生產線機器人。
專業 × AI 才產生高槓桿	AI 放大已有知識、判斷與資料；沒有專業，輸出上限也低。	Experts benefit most from AI。
Context、資料與流程會複利	Prompt 只是起點；真正可累積的是資料庫、知識庫、範例、規則與流程。	Context is king；Garbage in, garbage out；Data is the new rare earths。
高槓桿要能衡量	要知道省下多少時間、增加多少產出、提高多少品質或創造多少新能力。	全書反覆強調可驗證、可監控與人類審核。

1｜AI Leverage 基礎：概念、層級與槓桿乘數

Leverage 的本義是利用較小投入取得較大產出。套用到 AI，可用以下方式理解：如果一項工作原本需要 10 小時，AI 讓它變成 8 小時，這是效率提升；如果進一步把流程標準化，使同樣的人可以穩定處理 3 倍案件、維持品質，並把最佳做法保存成可重複系統，才開始形成真正的 AI Leverage。

層次	典型做法	槓桿來源	例子
效率 Efficiency	單次任務加速	節省時間	AI 摘要一份50頁報告
產能 Capacity	同一時間完成更多工作	提高吞吐量	一天處理30份報告而非10份
品質 Quality	加入第二層檢查與比較	降低遺漏、提升一致性	AI 先檢查合約條款缺漏，再由人複核
規模 Scale	把成熟流程複製到團隊	模板、知識庫、Agent	同一客服知識系統支援整個部門
能力 Capability	做到過去做不到的事	跨模態、程式、資料分析	非程式人員快速建立工作原型
複利 Compounding	每次使用都增加下一次效果	資料、範例、流程與回饋累積	專案完成後把最佳範例回存知識庫

AI Leverage 的簡式

AI Leverage 可以用一個非數學、但很實用的概念式表示：

AI Leverage ≈（節省時間＋增加產出＋品質提升＋新增能力）× 可重複性 × 可擴張性。

如果一次性的 AI 操作雖然很驚艷，但下次還是要從頭來過，它的槓桿有限；如果一次改善能成為模板、知識庫、Agent 或標準流程，價值就能持續累積。

AI Leverage 的六個層級

層級	名稱	核心問題	典型成果
L1	Task Leverage｜任務槓桿	AI 能幫哪一個步驟更快？	摘要、改寫、分類、翻譯、初稿
L2	Workflow Leverage｜流程槓桿	能否把數個 AI 步驟固定成一套流程？	固定 Prompt、模板、檢查表
L3	Knowledge Leverage｜知識槓桿	能否讓 AI 使用自己的資料與專業知識？	文件庫、NotebookLM 類研究庫、RAG／知識庫
L4	Agent Leverage｜代理槓桿	能否讓系統在限定範圍內持續執行？	客服 Agent、資料整理 Agent、工作流 Agent
L5	Team Leverage｜團隊槓桿	個人好方法能否變成團隊共同能力？	共用範本、標準流程、治理與權限
L6	Strategic Leverage｜策略槓桿	AI 能否創造新產品、新收入或新商業模式？	數位原型、大規模個人化、AI-native 服務

L1｜Task Leverage：先從最容易驗證的任務開始

最好的起點通常是高頻、低風險、重複、令人厭煩，而且結果容易檢查的工作。這直接呼應《How to AI》第八法則：Give it your least favorite things to do。

工作	AI 可做	人工保留
會議紀錄	轉錄、摘要、列待辦	確認承諾、優先順序
市場資料	彙整、分類、比較	判斷市場意義
Email	產生初稿、調整語氣	最後內容與承諾
報告	整理架構、找缺漏	觀點、結論與責任
研究	找關鍵段落、建立問題清單	來源查證與原始研究

練習

列出一週中最常重複的5項知識工作，依「頻率高、耗時高、風險低、容易驗證」四項條件排序，選出最適合先用 AI 的一項。

簡易解答

例如：每週整理10份會議紀錄，頻率高、耗時高、風險可控且可回查原逐字稿，因此比『讓 AI 直接決定年度策略』更適合作為第一個 AI Leverage 專案。

L2｜Workflow Leverage：把偶爾成功變成穩定流程

單一 Prompt 不是高槓桿。真正可重複的工作方式需要固定輸入、步驟、品質規則與輸出格式。這就是 Scaffolding 的概念。

流程元件	要回答的問題	例子
Input	AI 每次需要哪些資料？	逐字稿、目標、受眾、格式
Context	哪些背景不可缺少？	專案目的、術語、公司政策
Steps	要拆成哪些階段？	先摘要→再分類→再找風險
Guardrails	哪些事情不能自行做？	不得自行補數字、不得外推法律結論
Verification	怎麼檢查？	每個結論附來源段落
Output	固定產出格式是什麼？	五欄表格＋三項待辦

案例｜每週競品情報

原本每週花3小時搜尋、閱讀與整理競品資訊。導入 AI 後，不應只要求『幫我整理本週競品』，而是建立固定流程：來源清單→新內容蒐集→摘要→依產品／價格／行銷分類→標示可信來源→人工挑選真正重要的變化→輸出一頁週報。這樣才從一次性聊天變成工作流槓桿。

L3｜Knowledge Leverage：讓 AI 使用你的知識

通用模型的知識人人都可取得，真正能形成差異的是自己的資料：客戶紀錄、專案檔案、研究筆記、案例、FAQ、操作手冊、品牌語氣與歷史決策。這與全書的 Context、GIGO、unstructured data 及 Data is the new rare earths 直接相連。

資料資產	AI 可提供的槓桿	注意事項
歷史提案	找出成功結構與常用證據	去除過期版本
客服案例	自動找相似問題與答案	保護個資與權限
研究筆記	跨文件搜尋與比較	保留來源可追溯性
品牌素材	維持語氣與視覺規則	避免模型自行虛構產品聲明
SOP／政策	即時回答程序問題	只使用現行有效版本

知識庫 Prompt 範例

只根據此專案資料庫回答。每一項結論後標示來源文件與段落；如果資料不足，回答『資料不足』，不要使用外部常識補足。若不同文件互相矛盾，請分別列出兩個版本與日期，不自行判定。

L4｜Agent Leverage：讓成熟流程持續執行

Agent 的槓桿在於把已經成熟、可驗證的流程交給系統反覆執行，而不是因為 Agent 聽起來很先進就讓它擁有更多自主權。《How to AI》第十九法則建議把 Agent 當成生產線機器人，正是 AI Leverage 的核心。

適合 Agent 化	不宜直接 Agent 化
高頻、規則清楚的客服分類	重大人事決策
從文件抽取固定欄位	沒有標準答案的策略判斷
定期產生例行報告	不可逆、高風險操作
依條件提醒與追蹤	資料不足卻要求系統自行猜測
跨系統搬運與整理資訊	沒有人工升級機制的關鍵流程

Agent 安全四問

問題	目的
它能做什麼？	限定權限
它不能做什麼？	建立邊界
它何時必須停止？	定義退出條件
它何時轉人工？	建立 Human-in-the-loop

L5｜Team Leverage：把個人高手變成組織能力

企業真正的 AI 槓桿，不在於少數 power user 特別會下 Prompt，而在於能否把好方法轉成團隊共享的標準。Microsoft 2025 Work Trend Index 把這種人與 Agent 協作的組織稱為 Frontier Firm；相關調查指出，許多領導者已把 Agent 與 AI 重新設計工作視為重要方向。

OpenAI 2025 企業使用報告也強調，較深度整合 AI 的企業已出現可量化的生產力與商業影響。這些外部資料與《How to AI》的觀點一致：價值來自深入工作流程，而不是只提供一個通用聊天工具。

個人 AI 使用	團隊 AI Leverage
每個人自己保存 Prompt	建立經核准的共用模板
資料散落個人電腦	建立權限清楚的知識庫
品質靠個人經驗	建立可重複的驗證標準
每個人各自買工具	依任務選工具並統一治理
成功經驗不易傳播	把案例、失敗與最佳做法制度化

團隊導入最小治理框架

面向	最低要求
資料	哪些資料可進 AI？哪些不可？
權限	誰能查看、使用、匯出？
驗證	哪些工作一定要人工複核？
版本	政策、SOP、知識庫如何維持最新？
紀錄	重要自動化是否保留操作紀錄？
責任	最後決策由誰負責？

L6｜Strategic Leverage：AI 創造新能力，而不只是省時間

最高層次的 AI Leverage，是利用 AI 做以前做不到、成本太高或速度太慢的事。例如《How to AI》中 Clorox 利用生成式 AI 建立大量廣告變體與數位原型；EvolutionaryScale 利用 AI 在龐大的蛋白質可能空間中產生新候選。這些都不是『把原工作做快一點』，而是擴張可探索的範圍。

傳統限制	AI Leverage 後的新能力
只能做少量廣告版本	可快速生成大量受眾版本再測試
小團隊難做大量研究整理	AI 可先跨文件搜尋與建立候選線索
不會寫程式就難做軟體原型	自然語言可建立初步工作原型
科學候選空間過大	AI 先縮小成值得實驗的候選集合
一對一客製成本高	可在固定規則下大規模個人化

AI Leverage 的三種乘數

乘數一｜Expertise Multiplier：專業乘數

AI 會放大使用者原有的專業能力。專業者能更精準地設定任務、辨認缺漏、提出追問、選擇好資料，也更能知道 AI 什麼時候錯。這與全書第二法則一致。

相同 AI	低專業使用	高專業使用
市場研究	接受第一個摘要	要求區分市場規模、成長率、來源品質與假設
合約	直接相信條款摘要	核對法域、例外、定義、責任限制與原文
行銷	要求『寫一則廣告』	提供受眾、定位、品牌語氣、產品限制與測試目標
數據分析	只問『有什麼洞察』	先定義商業問題、指標與可能混淆因素

乘數二｜Context Multiplier：上下文乘數

同一個模型，在 Context 不同時，輸出品質可差非常大。高槓桿的 AI 系統會把使用者每次都要重複說明的 Context 固化到專案、模板、知識庫與工作流程中。

弱 Prompt

幫我分析這份銷售資料。

高 Context Prompt

目標是判斷下季是否要增加A產品庫存。請只使用附件資料，比較過去12個月銷量、退貨率、促銷期與缺貨紀錄。先指出資料限制，再列出支持增庫與反對增庫的證據。不得自行預測未提供的市場數據。

乘數三｜System Multiplier：系統乘數

如果每次使用都靠人手動複製、貼上、重新解釋，AI 只是個人工具；當 Context、自動化、驗證與輸出被固化到系統，才會產生倍增效果。

因此，AI Leverage 的升級路徑通常是：Prompt → Template → Project／Knowledge Base → Workflow → Agent → Team System。

2｜優先順序與 ROI：找到真正值得放大的工作

AI 導入容易落入『有什麼新功能就試什麼』。更有效的方法是從工作本身尋找槓桿點。

評估維度	問題	高分特徵
Frequency｜頻率	這件事多久發生一次？	每天／每週反覆發生
Time｜時間	每次耗時多少？	高人工時間
Standardization｜標準化	流程能否說清楚？	步驟明確、輸出固定
Verifiability｜可驗證性	錯誤容易被發現嗎？	可回查來源或有客觀規則
Risk｜風險	錯一次的代價多大？	低至中風險
Data Readiness｜資料準備度	所需資料是否存在且可靠？	資料乾淨、集中、可合法使用
Scale｜規模	成功後能否複製？	可擴展到多人、多案件、多市場

AI Leverage Priority Score｜簡易優先分數

可用 1～5 分對前六項評分。頻率、時間、標準化、可驗證性、資料準備度、可擴張性越高越好；風險則反向評分。總分較高的工作，通常更適合先做 AI 導入。

案例｜三個工作比較

工作	頻率	耗時	可標準化	易驗證	風險	資料準備	建議
會議摘要	5	4	5	5	低	5	優先
年度策略決策	1	5	2	2	高	3	只作輔助
客服FAQ	5	5	5	4	中	5	適合做知識庫／Agent

從「省時間」走向「重新投資時間」

生產力研究常把 AI 價值表達為節省時間。OpenAI 2025 企業報告指出，企業使用者自陳每天可節省約40～60分鐘；Anthropic 的研究也嘗試從實際 AI 對話估算完成任務的時間差。這些數字可以幫助理解 AI 的效率效果，但真正的 Leverage 還要問第二個問題：省下來的時間拿去做什麼？

如果省下的一小時只變成更多低價值任務，槓桿有限；如果轉而投入客戶關係、策略、研究、創新、產品品質或建立更好的資料資產，就可能產生第二層回報。

省下時間後	低槓桿使用	高槓桿再投資
Email 快30分鐘	多寄更多 Email	用來做高價值客戶訪談
報表快2小時	多做更多報表	分析真正驅動業務的變數
研究快4小時	閱讀更多表面資料	進行原始採訪或實驗
行政快1小時	塞入更多行政工作	建立 SOP、知識庫與自動化

AI Leverage 與 Productivity Trap

AI 能提高速度，但速度本身不等於價值。高槓桿系統要避免四種常見陷阱：

陷阱	症狀	改善方式
Automation of Waste｜自動化浪費	把沒必要的流程做得更快	先問這個步驟是否應該存在
Prompt Dependency｜Prompt 依賴	高手離開後沒人會操作	把好方法固化成模板與流程
Quality Dilution｜品質稀釋	產出變多但平均品質下降	設定品質門檻與抽查機制
AI Busywork｜AI 忙碌工作	因為能生成就產生大量沒人看的內容	先定義決策與使用場景
Shadow AI｜影子 AI	每個人私下使用不同工具與敏感資料	建立工具、資料與權限治理
Over-automation｜過度自動化	例外情況也強迫 AI 自行處理	建立停止與人工升級條件

3｜實務應用：研究、B2B 銷售與中小企業

開始資料

項目	內容
工作	每週研究一個新產業
原流程	搜尋→閱讀20篇資料→手動筆記→寫5頁摘要
痛點	閱讀與整理花8小時，真正思考只有2小時
AI Leverage 目標	把資料整理時間降到3小時，把5小時轉為訪談與分析

Leverage 設計

層次	做法
L1 任務	AI 摘要、提取公司／市場／技術資訊
L2 流程	固定使用相同研究框架與輸出欄位
L3 知識	把可信資料放進專案知識庫，所有結論可回查來源
L4 Agent	定期檢查新資料並產生變更清單
L5 團隊	共用研究模板、來源分級與品質規則
L6 策略	把研究能力轉成更快的投資、產品或市場決策

練習

這個案例中，真正的 Leverage 不是把8小時變成3小時，而是什麼？

簡易解答

把省下的5小時重新投入更高價值、AI 不容易取代的原始訪談、判斷與決策，並讓每次研究結果回到知識庫，使下一次研究更快、更準。

AI Leverage 案例二：B2B 銷售

問題

業務每天有大量潛在客戶研究、會議準備、Email、CRM 更新與跟進工作，真正與客戶溝通的時間被行政流程吃掉。

AI Leverage 流程

階段	AI 工作	人工工作
Account Research	整理公司、產業、近期事件	挑真正與客戶相關的切入點
Meeting Prep	產生問題清單與假設	決定談判／訪談策略
Meeting	轉錄與摘要	建立關係、理解隱性需求
Follow-up	產生跟進 Email 初稿	確認承諾與語氣
CRM	抽取行動項目、風險與下一步	確認資料正確後寫入
Pipeline Review	聚合案件風險	業務主管做資源配置

這種流程的 Leverage 不只是少寫 Email，而是讓業務把更多時間放在真正創造收入的客戶互動。OpenAI 企業案例與其他企業 AI 報告也都把銷售、生產力與客戶成功視為重要 AI 應用領域。

AI Leverage 案例三：中小企業營運

中小企業常沒有足夠人力為每一項行政工作配置專人，因此 AI 的價值往往不是取代一個完整職位，而是讓現有人員跨越原本的技能邊界。

原本缺口	AI Leverage
沒有專職資料分析師	自然語言協助試算表分析與圖表解讀
沒有內容團隊	先生成產品說明、FAQ、社群草稿，再人工審核
沒有程式人員做小工具	利用自然語言建立內部原型
客服人手有限	知識庫＋Agent 先處理重複問題
文件太多找不到	建立可搜尋的公司知識庫

簡易案例

一家20人的設備公司把產品手冊、維修紀錄與FAQ整理成 AI 知識庫。第一階段只供內部查詢；準確度穩定後，再讓客服 Agent 回答低風險常見問題；無法回答時自動轉人工。這種分階段導入比一開始就建立『全自動客服』更符合 AI Leverage 原則。

AI Leverage 衡量表

AI 專案若沒有量化前後差異，很容易停留在『感覺很好用』。至少要選擇下列幾種指標。

指標類型	衡量方式	例子
Time Saved｜節省時間	導入前後每件任務分鐘數	報告由120分鐘降至45分鐘
Throughput｜吞吐量	相同時間完成件數	每日案件10→25件
Quality｜品質	錯誤率、退件率、審核分數	錯誤率8%→3%
Cycle Time｜週期	從開始到完成所需時間	產品概念4週→1週
Human Attention｜人力注意力	高價值工作占比	客戶互動由30%→50%
New Capability｜新增能力	過去無法完成的工作	非程式人員建立內部工具原型
Adoption｜採用	有多少人持續使用	80% 團隊每週使用

ROI 的簡易算法

最簡單的 AI ROI 可以用：每月節省工時 × 人力成本＋新增收益－AI 工具與導入成本。

但高槓桿專案還要加上品質、風險下降、週期縮短、新能力與知識資產累積等不容易完全貨幣化的價值。

4｜企業導入：研究依據、90天路線與核心原則

來源	主要發現／觀點	對 AI Leverage 的意義
OpenAI｜The State of Enterprise AI 2025	企業使用者回報每天約節省40–60分鐘；較深度整合 AI 的企業出現可衡量的生產力與業務影響。	真正價值來自把 AI 深度放進工作流程。
Microsoft｜2025 Work Trend Index	提出 Frontier Firm 概念，強調人與 Agent 協作、工作流程重設與 AI 角色增加。	槓桿會從個人工具走向團隊與組織設計。
McKinsey｜Economic Potential of Generative AI	估計生成式 AI 的主要價值集中於 marketing & sales、customer operations、software engineering、R&D 等功能。	優先尋找高知識密度、高頻工作流程。
Anthropic｜Economic／Productivity Research	以實際 AI 使用資料研究 AI 對工作任務與時間的影響，並持續區分 augmentation 與 automation。	衡量 AI 時，不只問是否自動化，也要看人機協作如何改變任務。

注意：上述外部研究用來補充《How to AI》的實務框架，並不代表所有企業都能得到相同效果。實際成果仍受工作類型、模型、資料品質、流程設計、使用熟練度與治理方式影響。

AI Leverage 90天導入路線

階段	時間	目標	成果
Phase 1｜找槓桿	第1–30天	找到3個高頻、高耗時、低至中風險任務	基準時間、問題清單、試驗 Prompt
Phase 2｜固化流程	第31–60天	把有效做法變成模板、知識庫、檢查流程	可重複 Workflow、品質規則
Phase 3｜擴張	第61–90天	選1個成熟流程做 Agent／團隊化	共用流程、權限、KPI、人工升級機制

30天檢查問題

問題	理想答案
我們是在自動化真正有價值的工作嗎？	是，並已刪除不必要步驟。
導入前有基準數據嗎？	有時間、錯誤率或吞吐量基準。
AI 的 Context 是否固定化？	有模板、專案或知識庫。
錯誤能被發現嗎？	有來源、抽查或人工複核。
省下的時間去了哪裡？	轉投更高價值工作。
成功方法能被別人複製嗎？	已文件化並有共用模板。

綜合練習：設計一個 AI Leverage 專案

題目

選擇一項真實工作，依下列框架完成一頁 AI Leverage 設計。

欄位	填寫內容
工作	要改善哪一項工作？
目前成本	每週頻率、每次時間、主要錯誤
AI 任務	哪些步驟交給 AI？
人類任務	哪些判斷保留給人？
Context	需要哪些文件、資料、範例？
Scaffolding	需要哪些模板、規則、API 或工作流？
驗證	如何知道 AI 做對？
KPI	時間、產量、品質或新能力如何衡量？
再投資	省下時間準備投入哪一項高價值活動？
下一級槓桿	成功後如何變成團隊流程或 Agent？

簡易解答示例｜合約摘要

欄位	示例
工作	每週整理20份供應商合約重點
目前成本	每份45分鐘，每週約15小時
AI 任務	抽取付款、期限、終止、責任、保密等條款並建立表格
人類任務	確認法律意義、例外、風險與談判策略
Context	公司標準條款、風險清單、合約原文
Scaffolding	固定抽取模板＋禁止推測規則＋來源段落
驗證	每項摘要連回合約原文；高風險條款100%人工複核
KPI	每份45分鐘降至20分鐘；遺漏率不增加
再投資	省下時間投入供應商談判與風險處理
下一級槓桿	建立合約知識庫，成熟後做內部檢索 Agent

AI Leverage 最終原則

原則	一句話
1. 從問題出發	不要從「有什麼 AI 可以用」出發，而要從「哪裡最值得放大」出發。
2. 先增強後自動化	先理解人與 AI 最佳分工，再把成熟部分交給系統。
3. 專業是乘數	AI 越強，越需要能判斷何時它錯的人。
4. Context 是燃料	沒有好 Context，強模型也只能產生泛化答案。
5. 資料會複利	每一個專案都應留下更好的資料、範例與流程。
6. Scaffolding 讓 AI 可重複	把好 Prompt 變成工作流，而不是靠記憶重做。
7. Agent 要窄而可靠	範圍越清楚、失敗越可預測，越容易產生真正價值。
8. 省時間不是終點	真正槓桿是把時間重新投入高價值工作。
9. 衡量才能放大	沒有基準與 KPI，就不知道 AI 是否真的產生槓桿。
10. 高槓桿不是『AI 做更多』	而是『人與 AI 的整體系統產生更大的結果』。

參考資料

本加錄教材的主要基礎仍為本文件所整理之 Christopher Mims《How to AI》12章與24條 AI Laws；以下資料用於補充 AI Leverage、生產力、Agent 與企業導入的近年實務觀察：

來源	資料
OpenAI	The State of Enterprise AI 2025；ChatGPT usage and adoption patterns at work；相關企業 AI 應用案例。
Microsoft	2025 Work Trend Index：The Year the Frontier Firm Is Born。
McKinsey & Company	The Economic Potential of Generative AI；Superagency in the Workplace 等 AI 生產力研究。
Anthropic	Anthropic Economic Index；Estimating AI Productivity Gains from Claude Conversations；企業與工作任務相關研究。

資料使用原則：外部研究數據僅作為補充案例與趨勢依據；實際 AI Leverage 應以自身工作流程的基準數據、試驗結果、品質與風險評估為準。

本進階加錄延續前一份 AI Leverage 教材，將個人、流程、知識、Agent、團隊與策略槓桿進一步擴充為可評估成熟度、可套用部門、可衡量成果、可治理風險的完整實務手冊。

5｜成熟度與組織能力：部門應用與個人 AI OS

成熟度	名稱	主要特徵	典型狀態	下一步
Level 1	Experiment｜試用	個人零散使用聊天 AI	偶爾摘要、改寫、找靈感	找出高頻任務並建立基準
Level 2	Repeatable｜可重複	已有固定 Prompt、模板與工作方式	同類工作開始穩定省時	把 Context 與驗證規則固定化
Level 3	Integrated｜流程整合	AI 進入知識庫、工作流與既有系統	跨工具、自動帶入資料	建立權限、監控與 KPI
Level 4	Agentic｜代理化	成熟流程由 Agent 持續執行	低風險任務可半自動或自動完成	明確退出條件與人工升級
Level 5	AI-Native｜AI 原生	產品、組織與商業模式圍繞 AI 重新設計	新產品、新服務、新收入模式	持續建立資料、治理與組織能力

成熟度判斷

判斷問題	低成熟度	高成熟度
Prompt 是否共享？	個人記憶	團隊模板與版本管理
Context 是否固定？	每次重打	專案、知識庫、自動帶入
品質如何控管？	看感覺	有標準、抽查與 KPI
是否整合系統？	複製貼上	API／Workflow／Agent
是否有治理？	各自使用	有資料、權限、責任規則
價值衡量？	只說好用	時間、品質、收入、週期可量化

練習

選擇目前最常使用的一項 AI 工作，判斷它位於 Level 1–5 哪一層，並寫出升一級所需的三項條件。

簡易解答

例如：每週固定用 AI 摘要會議，但仍手動貼資料，屬 Level 2。升到 Level 3 可加入：固定會議模板、自動取得逐字稿、摘要後寫入專案知識庫。

部門別 AI Leverage

部門	高槓桿工作	AI 適合角色	人工保留
行銷 Marketing	內容變體、競品研究、SEO、活動分析	產生候選、整理、個人化	品牌策略、定位、最後審核
業務 Sales	Account research、會議準備、跟進、CRM	研究、摘要、草稿、風險整理	關係、談判、商業判斷
客服 Customer Service	FAQ、分類、摘要、案件路由	知識檢索、初步回答、分流	複雜客訴、例外與補償決策
財務 Finance	報表摘要、發票處理、差異分析	抽取、分類、異常標示	財務責任、核准與法遵
HR	JD、履歷摘要、政策問答、培訓內容	草稿、分類、知識問答	聘用、績效與敏感人事決策
採購 Procurement	詢價、比價、合約欄位抽取	整理、比較、初稿	價格談判、供應商選擇
營運 Operations	SOP 問答、排程輔助、異常摘要	知識檢索、提醒、分類	資源配置、例外處理
研發 R&D	論文整理、假設、原型、測試設計	搜尋、候選、數位原型	實驗、驗證與最終技術判斷

案例｜行銷部門

原流程	AI Leverage 後
每月人工做1份競品報告	每週自動整理變化，人只審核重要事件
一個活動做3個文案版本	先生成20個候選，再測試5個
素材散落	建立品牌知識庫與核准素材庫
各自寫 Prompt	共用品牌 Prompt 與品質規則

練習

從上表選一個部門，找出一項最適合從 L1 Task Leverage 升到 L3 Knowledge Leverage 的工作。

簡易解答

例如客服：先從單次摘要開始，再建立 FAQ／歷史案件知識庫，讓 AI 在限定資料內回答，形成 L3 Knowledge Leverage。

Personal AI Operating System：個人 AI 工作系統

個人 AI Operating System 的目的，是把零散工具變成一致工作環境。

模組	功能	例子
Inbox	收集待處理資料	Email、會議、PDF、筆記
Project Space	每個專案有自己的 Context	專案目標、文件、限制
Knowledge Base	保存可重複使用的知識	研究、SOP、品牌語氣
Prompt Library	保存成熟提示與模板	摘要、比較、研究、寫作
Automation Layer	重複工作自動執行	週報、提醒、分類
Review Layer	人工檢查與決策	來源、風險、品質
Archive	保存成功輸出與失敗案例	成為下一次 Context

個人 AI OS 標準工作流

輸入 → 分類 → 放入正確專案 → 加入 Context → AI 處理 → 人工審核 → 結果回存知識庫。

練習

建立自己的七欄 AI OS 清單，至少列出目前使用中的工具或資料位置。

簡易解答

例如：Inbox=Gmail；Project Space=ChatGPT Project；Knowledge Base=Drive；Prompt Library=Notion；Automation=Zapier／Agent；Review=人工檢核表；Archive=專案資料夾。

6｜委派與工作流：Delegation、Canvas 與 Workflow Library

任務類型	風險低	風險中	風險高
規則清楚、易驗證	可高度自動化	半自動＋抽查	人工核准後執行
規則模糊、需判斷	AI 協作	人工主導＋AI 輔助	不宜委派
不可逆或重大影響	不宜全自動	人工核准	完全人工主導

四種委派模式

模式	AI 角色	人角色	例子
Assist	提供建議	人完成	寫作、研究
Draft	先做初稿	人審改	Email、報告
Execute with Review	執行後待審	人核准	報表、資料整理
Autonomous within Guardrails	限定範圍自動	只處理例外	FAQ 分流、固定提醒

練習

判斷『自動寄出付款承諾 Email』應放在哪一格。

簡易解答

屬高風險且可能不可逆，應由人工核准，不宜由 AI 全自動寄送。

AI Leverage Canvas：一頁專案畫布

欄位	問題
Problem	真正要解決的痛點是什麼？
Current Cost	現在花多少時間／人力／金錢？
AI Role	AI 做哪部分？
Human Role	人保留哪部分？
Data／Context	需要哪些資料？
Workflow	步驟如何串接？
Guardrails	哪些不能做？
Verification	如何檢查？
KPI	成功如何量化？
Scale	成功後如何擴大？

案例｜每週管理報告

Canvas 欄位	示例
Problem	每週管理報告整理耗時6小時
Current Cost	每月約24小時
AI Role	彙整資料、摘要變化、產生初稿
Human Role	解讀異常、決定管理重點
Data／Context	銷售、庫存、客服、財務資料
Workflow	資料匯入→摘要→異常→人審核→輸出
Guardrails	不得自行補數據
Verification	所有數字回連來源
KPI	6小時降至2小時
Scale	擴展至其他部門週報

AI Workflow Library：可直接套用的工作流程庫

工作流程	標準步驟
研究摘要	來源→去重→摘要→比較→來源回查→人工結論
會議紀錄	轉錄→決策→待辦→負責人→期限→人工確認
競品監測	指定來源→新內容→分類→變化→重要性→週報
客戶會前研究	公司→產業→近期事件→假設→問題清單
會後跟進	逐字稿→承諾→下一步→Email 初稿→人工核准
CRM 更新	會議內容→欄位抽取→風險→下一步→寫入
FAQ 知識庫	文件→切分→版本→問答→來源→例外轉人工
報告草稿	資料→架構→初稿→事實核對→語氣→定稿
合約整理	條款→欄位抽取→風險→來源段落→人工複核
供應商比較	報價→條件→交期→保固→風險→決策表
發票處理	OCR／抽取→欄位→規則檢查→異常→人工核准
產品評論分析	評論→屬性→情緒→痛點→機會→概念
內容再利用	長文→摘要→Email→社群→簡報→人工審核
招聘流程	JD→履歷摘要→技能對照→人工篩選
SOP 問答	現行文件→知識庫→自然語言問答→來源
故障支援	症狀→歷史案例→手冊→建議→高風險轉人工
預算分析	實際→預算→差異→可能原因→人工判斷
週報自動化	資料→本週變化→風險→待辦→主管審核
專案風險掃描	進度→依賴→未解事項→風險→行動
數位原型	需求→候選概念→原型 brief→測試→迭代

Workflow 使用原則

流程庫不是要求全部自動化，而是先把工作拆成穩定步驟，再判斷每一步最適合 AI、傳統軟體還是人工。

7｜衡量與治理：KPI、Failure Modes 與人機分工

KPI	定義	常用算法／觀察
Time Saved	每件任務節省時間	導入前時間－導入後時間
Throughput	同期間完成量	件數／週、案件／人
Quality	成果正確與完整度	錯誤率、退件率、人工評分
Cycle Time	從開始到完成時間	天數／小時
Automation Rate	流程中自動完成比例	自動完成件數÷總件數
Escalation Rate	轉人工比例	轉人工案件÷總案件
Adoption	持續使用比例	週活躍使用者／目標使用者
Revenue Impact	收入影響	轉換率、成交額、客單價
Cost Avoidance	避免成本	外包、加班、重工下降
Human Attention Shift	高價值時間占比	策略／客戶／研發時間比例

Dashboard 範例

指標	導入前	導入後	變化
每份報告時間	120分鐘	45分鐘	-75分鐘
每週完成數	10	24	+140%
錯誤率	6%	4%	改善2個百分點
人工高價值時間	35%	55%	+20個百分點

AI Failure Modes：常見失敗型態

失敗型態	症狀	原因	修正
Hallucination	捏造事實或來源	模型生成機制	限制來源＋驗證
Context Loss	前後不一致	Context 不足／過長	分專案、摘要、固定背景
Prompt Drift	同流程輸出逐漸不同	Prompt 與模型變更	版本管理與測試
Data Contamination	引用錯版／過期資料	知識庫管理差	版本與日期治理
Automation Bias	人過度相信 AI	流暢輸出造成信任	強制來源與人工抽查
Over-automation	例外也自動執行	邊界不清	明確停止條件
Permission Creep	Agent 權限過大	為方便給過多權限	最小權限原則
Shadow AI	敏感資料進未核准工具	治理不足	核准工具與資料政策
Quality Dilution	產量增加但品質下降	追求數量	品質 KPI 與抽查
Feedback Loop	AI 內容再餵 AI	來源品質下降	保留人類與原始來源資料

練習

一個客服 Agent 開始引用已過期的退貨政策，屬哪種 Failure Mode？

簡易解答

Data Contamination／資料污染或版本治理失敗。應移除舊版、保留有效日期並要求回答引用現行政策。

Human-AI Division of Labor：人與 AI 的分工

AI 強項	人類強項
Search｜快速搜尋	Judgment｜判斷
Summarize｜摘要	Accountability｜承擔責任
Transform｜轉換格式	Taste｜品味
Generate Variants｜大量變體	Intent｜定義目的
Classify｜分類	Contextual Wisdom｜情境智慧
Repeat｜重複執行	Ethics｜倫理
Scale｜大規模處理	Relationship｜關係
Monitor｜持續監控	Exception Handling｜處理例外

高槓桿不是把所有工作搬給 AI，而是把 AI 擅長的部分與人擅長的部分重新組合。

AI Leverage Strategy：從效率到商業模式

策略層級	核心問題	成果
Efficiency	如何更快？	節省時間與成本
Effectiveness	如何做得更好？	品質與決策改善
Scale	如何服務更多人？	產能與個人化
Capability	過去做不到什麼？	新能力、新產品
Business Model	AI 是否能改變收入模式？	訂閱、AI-native 服務、平台

案例

客服 AI 的策略進程可以是：先摘要案件 → 再建立知識庫 → 再導入 Agent → 再把 24/7 自助支援變成新的服務能力。這就是從效率槓桿走向策略槓桿。

8｜實戰工具：30題練習、Checklist 與綜合案例

題號	練習	簡易解答
1	找出一項高頻、低風險任務。	例：會議摘要。
2	把一個大任務拆成5步。	例：研究→摘要→比較→驗證→結論。
3	寫一個限制來源的 Prompt。	只根據附件回答，資料不足就標示。
4	列出一項必須人工保留的判斷。	例如最終法律責任判斷。
5	建立一個 Prompt 模板。	固定角色、Context、步驟與輸出格式。
6	建立一份品牌 Context 清單。	語氣、禁語、產品聲明、受眾。
7	設計一個會議摘要流程。	轉錄→決策→待辦→確認。
8	設計一個競品監測流程。	來源→變化→重要性→週報。
9	找出一項可建立知識庫的工作。	FAQ、SOP、研究文件。
10	建立一個 Agent 退出條件。	資料不足／高風險即轉人工。
11	寫出一項 Agent 最小權限。	只能讀 FAQ，不可修改訂單。
12	設計一項品質 KPI。	錯誤率低於3%。
13	設計一項時間 KPI。	每件60分鐘降至25分鐘。
14	找一項可能有 Shadow AI 風險的流程。	敏感客戶資料進私人 AI 帳號。
15	列出一項 Data Contamination 風險。	知識庫混入舊版政策。
16	把一項 Prompt 升級成 Workflow。	固定資料→步驟→驗證→輸出。
17	把一項 Workflow 升級成 Agent。	加入觸發、工具、停止條件。
18	找出一項高風險不可自動化工作。	解雇、重大醫療／法律決策。
19	建立一項可量化 ROI。	節省工時×成本－工具費。
20	設計一個時間再投資計畫。	省下2小時改做客戶訪談。
21	判斷一個流程的成熟度。	依 Level 1–5 判斷。
22	建立一份 AI Leverage Canvas。	填10欄畫布。
23	比較兩個 AI 專案優先順序。	用頻率、耗時、風險、可驗證性評分。
24	設計一個部門共用 Prompt Library。	分類研究、寫作、摘要、分析。
25	設計一個知識庫版本規則。	只保留有效版並標日期。
26	設計人工抽查比例。	例：低風險抽查10%，高風險100%。
27	建立一個 Failure Mode 清單。	幻覺、過度自動化、權限過大。
28	設計一個 AI KPI Dashboard。	至少時間、品質、採用率三項。
29	想一個 Strategic Leverage 機會。	例如大量個人化新服務。
30	寫出 AI Leverage 的最終原則。	讓人與 AI 的整體系統產生更大結果。

AI Leverage Checklist：三階段檢查表

導入前

檢查項目	確認內容
問題	是否有清楚痛點，而非只因為想用 AI？
基準	是否知道現在耗時、成本與錯誤率？
資料	是否乾淨、合法、最新？
風險	錯誤後果是否可接受？
驗證	是否能判斷 AI 對錯？
人類角色	是否清楚最後誰負責？

試行中

檢查項目	確認內容
輸出品質	是否達到最低品質門檻？
錯誤型態	是否記錄常見失敗？
時間	真的節省時間嗎？
採用	實際使用者願意持續使用嗎？
Context	是否需要增加或精簡？
Guardrails	是否有需要新增限制？

上線後

檢查項目	確認內容
KPI	是否持續追蹤時間、品質、產量？
版本	Prompt、模型、知識庫是否有版本管理？
治理	權限與資料政策是否仍合適？
Agent	是否有失敗與轉人工紀錄？
再投資	省下時間是否投入高價值工作？
Scale	是否有條件擴展到其他團隊或流程？

進階綜合案例：從個人 AI 到部門 AI 系統

情境：一個10人的 B2B 業務團隊，每週有大量客戶研究、會議、Follow-up 與 CRM 更新。

階段	做法	槓桿
Level 1	每人用 AI 做會議摘要	Task
Level 2	共用摘要與 Follow-up 模板	Workflow
Level 3	建立客戶／產品知識庫	Knowledge
Level 4	Agent 自動整理會議並建立 CRM 草稿	Agent
Level 5	整個銷售流程以 AI 協作重新設計	Team／Strategic

最終 KPI 可包括：會後行政時間下降50%、CRM 更新率提高、Follow-up 時間縮短、業務與客戶互動時間占比提高。真正的 AI Leverage 並不是少寫幾封 Email，而是讓整個業務團隊把更多注意力放在成交與關係建立。

進階總結

核心原則	最終理解
成熟度	AI 使用要從零散試用走向可重複、可整合、可治理。
委派	依風險、可驗證性與可逆性決定 AI 自主程度。
系統	高槓桿來自 Context、知識庫、Workflow、Agent 與治理共同作用。
分工	AI 負責搜尋、轉換、重複與規模；人負責判斷、責任、品味與關係。
衡量	任何 AI 專案都應有導入前基準與導入後 KPI。
策略	最高層的 AI Leverage 是創造新的能力、產品與商業模式。