夜雨聆风近年来，生成式 AI 能力大幅跃升，企业导入的技术门坎也随之降低。然而，许多人在兴冲冲使用之后，却还是觉得不好用。这时候真正该检讨的，可能不是工具，而是一个更根本的问题：在把任务交给 AI 之前，有没有先根据自己的工作流与实际需求整理好资料？
什么是工作流？业务脑中的隐性知识，AI 看不懂
工作流（Workflow）是近来讨论 AI 应用时频繁出现的词，但究竟指的是什么？人工智能科技基金会首席数据科学家蔡源鸿，以日常业务场景为例说明，假设今天有客户来议价或询价，资深业务通常能凭借过去与客户交手的经验，或是客户对话中透露的线索，例如是否提出具体需求，来决定下一步的报价策略。这种透过既有数据或经验，看穿客户意图、进而调整应对策略的过程与模式，就是业务脑中的「工作流」。
然而，这些潜藏在对话背后的隐性特征，通常不会出现在 CRM 系统中。原始数据多半只会冷冰冰地记录「客户曾来询价」或「历史成交纪录」；这些数据背后代表的意义，多半只有第一线业务能意会。
因此，如果企业将未经处理的原始资料直接丢给 AI 判断，它无法分辨 A 客户与 B 客户的差异，因而只能给出制式的报价与推荐回复。但在真实商业场景中，面对不同特性的客户，本来就应该有不同的应对方式。所以，唯有将这些隐性知识转译为 AI 能够参照的工作流，它给出的建议才会符合需求。
用「情境卡」把业务经验变成 AI 看得懂的知识
过去要训练出具备良好预测能力的 AI 模型，往往需要庞大的数据量，这让许多缺乏资源与人力的企业望之却步。随着生成式 AI 的兴起，企业导入 AI 的门坎大幅降低；如今不再需要从零开始训练专属模型，只需将现有数据交由大型语言模型（LLM）综合解析，便能快速获得结果。
然而，大型语言模型并不了解企业自身的业务逻辑与工作流程，若只是单纯汇入数据而未加以梳理，AI 产出的成果往往差强人意，难以真正契合商业需求。蔡源鸿指出，当业务在处理客户时，往往需要同时查阅多个系统的历史数据，再加上自己的判断，才能决定下一步怎么做，但这个整合的过程通常不会被记录下来。因此，需要设计一套方法，将这些散落各处的经验系统化。
蔡源鸿提出「情境卡」作为一种具体范例，说明企业如何将真实案例系统化，记录下三件事：看到了什么资料、在什么条件下、触发了什么行动。将这些案例让 AI 自己参照。当 AI 看过一百张情境卡，等于参与了一百个真实项目的处理过程；遇到新案例时，它会自然地比对最相似的历史案例，进而给出适合的建议。这份累积下来的案例集，相当于企业的「经验库」。
不过，蔡源鸿补充说明，情境卡只是萃取隐性知识的方法之一，而非放诸四海皆准的标准流程。要将业务脑中无形的判断经验真正外化成可用的知识，往往需要「知识工程师」的介入，透过访谈、影子观察、案例回顾等方式，协助业务员将直觉与经验转化为结构化数据。这个过程有两项不可忽视的成本：建立时需要投入大量人力，建立之后也必须持续维护与更新，以因应法规异动、产品调整等现实变化。
这套做法或许让人联想到早年的专家系统（Rule-based），但本质上有所不同。传统规则系统是照表操课，有则执行、无则放弃；而现在的 LLM 具备综合与泛化能力，能够在没有完全吻合的案例时，仍从相似经验中推导出合理判断。这正是情境卡与经验库在 LLM 时代得以发挥价值的关键所在。
情境卡除了提供判断逻辑，也能用来定义「边界」，也就是告诉 AI 哪些情况不能自行处理，哪些情况应提出反问而非径自给出建议。例如，设定只要牵涉跨部门，就暂停等候人工决策，确保 AI 不会在超出处理范围的复杂案例中贸然行动。这些边界同样是企业专属的领域知识。
AI 好用的关键不只是精妙的提示词
蔡源鸿强调，每间公司、每个部门的业务流程都不一样，不可能套用一份通用的提示词解决所有问题。真正有效的做法，是将业务流程与实战经验沉淀成一份「知识文件」。当深度的领域知识已经内建于文件中，供 AI 随时参照时，使用者反而只需下达相对通用的提示词，就能精准驱动 AI 执行任务。
也就是说，数据、提示词、以及完善的评估与管理框架，都是AI 变强的关键。
至于许多人担心「贡献了自己的知识，是否就会被取代」，蔡源鸿认为不必过虑。AI 工具终究有其边界，其最大的价值在于快速处理常规状况，将人类从繁琐的一般案件中释放出来。一旦遇到超出边界的棘手特例，或是需要跨部门协商的复杂情境，依然需要仰赖人类无可取代的专业判断与沟通智慧。
更重要的是，即使企业建置了转化后的深度知识库，背后仍需要能持续学习与更新领域知识的「人」来把关，这正是人类无法被 AI 取代的价值所在。当数据梳理得愈完善，AI 能承担的常规任务就愈多；而人，也就能从繁琐的日常中解放，将心力专注在真正需要人类智慧与决策的地方。文章来源：人工智能科技基金会《知势》副总编辑杨育青
