iT邦幫忙

2026 iThome 鐵人賽

DAY 10
0
Claude AI

從 AI 助理到營運中台:金融 PM 的 30 天 Claude Code 治理實戰系列 第 10 篇

別急著套 AI!為什麼你的公用信箱還在「鬼打牆」?從 30 封信看出的流程真相

  • 分享至 

  • xImage
  •  

https://ithelp.ithome.com.tw/upload/images/20260924/20144604mxHrGAcjEz.jpg

引言:AI 是特效藥還是安慰劑?

在數位轉型的浪潮下,許多企業面臨公用信箱混亂、回覆效率低落時,第一反應往往是:「我們需要導入一個 AI 分類器來自動分派信件。」這聽起來像是能立即見效的特效藥,但作為一名流程自動化顧問,我必須直言:如果底層的業務流程本身已經「生病」了,盲目導入技術只是在為壞流程加速。

透過對實際作業環境的深度盤點,我們發現了一個令人警醒的真相:即便 AI 分類器達到 100% 的準確率,它也只能解決現況 11 個作業卡點中的其中 1 個。這僅僅 9% 的邊際改善,就是 AI 在破裂流程中的「效率天花板」。在急著寫程式碼之前,我們必須先看清那些躲在信箱深處的幽靈。


https://ithelp.ithome.com.tw/upload/images/20260924/201446045sXtn2F33r.jpg

第一大發現:26.7% 的「失敗需求」:你正被流程製造的迴力鏢擊中

在針對 30 封測試信件的審計盤點中,我們發現其中有 8 封信(佔比 26.7%) 並非新的業務請求,而是精實管理中所稱的「失敗需求(Failure Demand)」——亦即因為流程漏接而彈回來的球。

這些信件是流程失靈後的產物,例如:

  • W(等待)導致的催件: 如 M011(獎勵金未入帳來催)、M027(追問前案進度)。因為前案處理過久或狀態不明,迫使客戶再次寄信。
  • R(重工)導致的補件: 如 M003(退回原因不明回頭再問)、M008(數據核對)。因為初次溝通資訊不全,產生無謂的往返。
  • I(資訊)斷鍊後的客訴: 如 M016(等待過久轉為投訴)、M028(二手轉寄導致脈絡全失)。

分析: 這意味著信箱裡超過四分之一的流量是「自找的麻煩」。比起研究如何用 AI 精準分類這些信件,「減少信件總量」——亦即修補流程漏洞,防止這些「迴力鏢」產生——才具備真正的數位轉型價值。


https://ithelp.ithome.com.tw/upload/images/20260924/201446046ru5EJ4UUO.jpg

第二大發現:完美流程圖的陷阱:資訊量在「箭頭」裡,不在「方塊」裡

在分析初期,團隊常會畫出一張「看起來很美」的流程圖:信件進入 → 同仁開信 → 分類認領 → 處理 → 回覆。這五個方塊串成一條直線,乾淨俐落,彷彿流程早已優化完成。

然而,這種理想化的圖表正是診斷問題時最大的誤導,我稱之為「步驟陷阱」。當我們試著將那 8 封「失敗需求」標註在圖上時,會發現它們根本無處安放。催件信在哪個步驟?沉底的信又在哪個步驟?

這裡存在一個核心關鍵:「流程的資訊量在箭頭上,不在方塊裡。」

傳統的步驟圖只記錄了「動作」,卻遺漏了動作與動作之間真實發生的時間空隙。那些被畫成理所當然的「直線箭頭」,在現實中往往代表著數小時的等待、反覆的轉寄鏈,或是無人回應的沉底。箭頭才是效率流失的真正所在。


https://ithelp.ithome.com.tw/upload/images/20260924/20144604PimtldNjog.jpg

第三大發現:W-R-I-O 診斷法——先畫「失靈」,再畫「主線」

為了看清病灶,我們必須修正建模方式:不再追求理想路徑,而是誠實地面對失敗。在 As-is(現況)流程圖中,我們改採「反直覺」的繪圖規則,將隱藏的卡點分類為 W-R-I-O 四大類:

  1. 三個等待節點(W1-W3): 我們將「無人值守」、「等待補件」與「信件沉底」標示為顯眼的節點。它們不是「動作」,而是「非行動的停頓」,必須被看見才能被量化。
  2. 三條重工迴圈(R1-R3): 標出「轉寄鏈」、「重複回答同類問題」以及「退回重送」的虛線。
  3. 資訊與責任的真空(I & O): 特別是將處理完成誠實標註為「結束(無紀錄)」。缺乏紀錄系統是導致 R2(每月重複回答同類問題)的根因。
  4. 混合需求(O2): 如 M030 這種「一封信包含多個需求」,常導致處理者只回了一半,另一半進入責任真空。

這種「先畫失靈」的方法,能強迫團隊看清那些躲在箭頭裡的病灶,而非躲在理想化的工作流中自我感覺良好。


https://ithelp.ithome.com.tw/upload/images/20260924/20144604lNGEn1WhjJ.jpg

第四大發現:分類器不是萬靈丹,它只解決了 9% 的問題

透過上述 W-R-I-O 框架的詳細盤點,我們歸納出公用信箱共有 11 項核心卡點。當我們把 AI 分類器放進這個框架進行對比時,結論十分冷酷:

> 「任務層做的分類器再準,也只能解掉現況 11 個卡點裡的其中 1 個(O1:認領判斷標準不一)。」

剩下的 10 個卡點,AI 分類器完全無能為力:

  • Wait(等待): AI 沒辦法幫你處理因人力不足而沉底的郵件(W3)。
  • Rework(重工): AI 無法自動查閱過去的對話,解決因「無紀錄」導致的重複勞動(R2)。
  • Information(資訊): 面對 M028 這種經過多次轉寄、上下文遺失的信件(I1),分類器也無法補齊缺失的脈絡。

這些本質上都是「流程機制問題」而非「技術問題」。如果流程不改,導入 AI 分類器只是讓你「更快地」把信件送到一個同樣混亂、同樣缺乏資訊、同樣需要重複勞動的同仁手中。


結語:在寫程式碼之前,先看清你的箭頭

數位轉型最重要的價值不在於「自動化」,而在於「優化」。在急著撰寫程式碼或採購 AI 工具之前,「看清楚」現況比「做出來」更重要。

當我們把現況的病灶——三個等待、三條迴圈、雙向的資訊缺漏以及三種責任真空——攤在陽光下時,解決方案的輪廓才會清晰。下一步,我們該思考的是如何進行有效的人機分工:哪些卡點交給技術解決,哪些必須透過流程機制重建。

請審視你的日常工作:那些「看起來很美」的標準作業程序(SOP),是否也正有大量的時間與價值,正躲在箭頭裡偷偷流逝?


上一篇
AI 任務準確率 93% 卻救不了營運?揭開「轉人工」背後的流程黑洞
下一篇
別只是在舊流程裡塞進 AI!重新設計人機協作的「快慢車道」
系列文
從 AI 助理到營運中台:金融 PM 的 30 天 Claude Code 治理實戰 共 12 篇
圖片
  熱門推薦
圖片
{{ item.channelVendor }} | {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言