在評估一項工作任務時，可以從三個面向來建立判斷依據：「可執行性」、「效益分析」、「複雜度」。這三個維度能幫助我們看清哪些任務適合引入 AI 工具，哪些則需要人力介入。

1. 可執行性

目的在於確認任務是否能夠被數位化，以及 AI 是否能有效切入。可以從三個問題來檢視：

資料是否已經數位化？

是否需要高度人為判斷？

使用的系統或工具是否穩定？

將這些問題量化成分數，越高代表越適合導入 AI，能帶來更明顯的效率提升。

2. 效益分析

效益可以用投入人力成本來量化。假設以人員的平均時薪來估算，就能推算任務的年度成本。這裡可以參考 FTE（Full-time Equivalent，全職人力當量）的計算方式：

FTE=(頻率x資料筆數x每筆資料時間(分鐘))/(60min x 每日工作時間8小時 x 一年工作天數 260天)

透過這個公式，我們能夠把「看似零碎的小任務」轉換成實際的工時與成本。

3. 複雜度

複雜度的重點在於完成任務需要跨多少工具或平台。

如果一個任務只要在同一個瀏覽器裡就能完成，複雜度低。

但若是必須先用 A 軟體，再切換到某 SaaS 服務，最後再透過瀏覽器整合，那就是高複雜度任務。

複雜度的判斷能幫助我們釐清「人類該在哪些時間點介入」。

把三個面向的評估結果放到定位圖上，就能更直觀地決定優先順序：

第一象限：複雜度高 × 效益低 → 長期改進（Long-Term Improvements）

這些任務短期內 AI 幫不上太多忙，但可以逐步優化，長期慢慢累積效益。

第二象限：複雜度高 × 效益高 → 必須馬上改進（Must-Do Improvements）

這類任務值得立即投入 AI 工具，但往往需要多次嘗試，才能達到穩定效果。

第三象限：複雜度低 × 效益高 → 快速收穫（Quick Wins）

最佳導入AI的任務項目，AI 介入後立刻能感受到成效。

第四象限：複雜度低 × 效益低 → 容易落地（Low Hanging Fruits）

這些任務可以隨手讓 AI處理，若效益不高，交給人類直接完成也無妨。