AI 專案生命週期

「AI 專案最大的風險不是技術，而是在一開始就沒搞清楚要解決什麼問題。」

---

AI 專案的 5 個階段

不管是簡單的「用 ChatGPT 幫忙寫文案」還是複雜的「建一套商品推薦系統」，所有 AI 專案都會經歷這 5 個階段：

階段 1：問題定義

這是最重要也最常被跳過的一步。

要回答的核心問題：

• 我們要解決什麼問題？（不是「我們想用什麼技術」）
• 這個問題現在是怎麼處理的？
• 現在的做法有什麼痛點？
• 解決這個問題之後，哪個指標會變好？
• 怎麼定義「成功」？

好的問題定義 vs 不好的問題定義：

不好的定義	好的定義
「我們想用 AI 做行銷」	「社群文案每篇平均花 2 小時撰寫，希望縮短到 30 分鐘以內」
「客服要導入 AI」	「70% 的客服問題是重複性 FAQ，希望 AI 能自動回覆，減少人工處理量 50%」
「報表太慢了」	「每週一花 4 小時手動整理週報，希望自動產出初稿，人工只需校對 30 分鐘」

階段 2：資料準備

AI 的表現好不好，八成取決於資料的品質。

常見的資料問題：

• 資料散落在不同系統（ERP、CRM、Excel、Google Sheets...）
• 格式不一致（有的用全形，有的用半形；有的有標點，有的沒有）
• 缺少歷史資料（「我們以前沒有記錄這個」）
• 資料有敏感資訊（客戶個資、內部薪資）

對於非技術主管的建議：

你不需要自己處理資料，但你需要能回答：

1. 這個 AI 用例需要什麼資料？
2. 這些資料現在存在哪裡？
3. 誰有權限取用？
4. 有沒有個資或機密性的顧慮？

階段 3：解法選擇

這裡有一個很重要的觀念：不是所有 AI 應用都需要寫程式。

根據複雜度，AI 解法可以分成三種層次：

層次 1：Prompt-based（提示詞方案）
├── 直接用 ChatGPT / Claude 等工具
├── 設計好 Prompt 模板，團隊共用
├── 適合：文案、摘要、翻譯、簡單分析
├── 時間：幾天內可上線
└── 成本：低（月費制 AI 工具）

層次 2：工程化自動化
├── 用 n8n / Make / Zapier 等自動化工具串接 AI
├── 把手動流程變成自動流程
├── 適合：報表自動化、定期競品追蹤、郵件分類
├── 時間：1-4 週
└── 成本：中（工具月費 + 設定人力）

層次 3：系統開發
├── 客製化開發 AI 功能，嵌入公司系統
├── 需要工程師或外部廠商
├── 適合：商品推薦引擎、智慧客服系統、預測模型
├── 時間：1-6 個月
└── 成本：高（開發 + 維護）

原則：能用層次 1 解決的，就不要跳到層次 3。 很多時候一個設計良好的 Prompt 模板就能解決 80% 的問題。

階段 4：MVP 打造

MVP（Minimum Viable Product，最小可行產品）的精神是：用最小的投入，驗證最核心的假設。

AI 專案 MVP 的重點：

• 不需要完美，只需要「能用」
• 先給 5-10 個人試用，不是直接全公司推
• 收集使用者回饋：好用嗎？省時間嗎？品質夠嗎？
• 記錄量化數據：用了多少時間？產出品質如何？

階段 5：評估與擴散

MVP 跑完之後，根據數據決定下一步：

• 數據好 → 擴大範圍（更多人用、更多場景）
• 數據普通 → 調整做法（改 Prompt、換工具、重新定義問題）
• 數據差 → 勇敢喊停（不是所有問題都適合用 AI 解決）

關鍵心態：PoC 失敗不是壞事。花兩週發現「這條路不通」，比花半年才發現好太多了。

---

PoC（概念驗證）的正確做法

PoC 是 AI 專案中最關鍵的一步。做得好，可以用最小代價驗證想法；做不好，就變成「永遠在試但永遠沒結論」。

PoC 三原則

1. 小範圍：只挑一個場景、一個流程、一組使用者
2. 快速：2-4 週內必須有結論
3. 可量化：事先定好「什麼數字代表成功」

PoC 計畫書該包含什麼

項目	說明	範例
目標	要驗證什麼假設	「AI 能將文案初稿產出時間縮短 50%」
範圍	測試的場景和對象	「社群行銷組 3 位同仁，IG 貼文文案」
時間	PoC 期間	「2 週」
成功標準	什麼數字算成功	「平均產出時間從 90 分鐘降到 45 分鐘以內」
衡量方式	怎麼收集數據	「每篇文案記錄開始和完成時間」
風險	可能的問題	「AI 產出品質不穩定、品牌調性不一致」
資源需求	需要什麼支援	「ChatGPT Team 帳號 3 個、1 小時教學」

---

常見失敗原因

根據各產業 AI 導入的經驗，最常見的失敗原因不是技術問題，而是管理問題：

1. 問題定義不清

「我們想用 AI 提升效率。」——什麼效率？哪個流程？現在多慢？目標多快？

2. 期待過高

「AI 應該可以完全取代這個工作吧？」——大部分情況下，AI 是「輔助」而不是「取代」。AI 產出的初稿還是需要人審核。

3. 沒有成功指標

「感覺還不錯啊。」——「感覺」不能拿去跟老闆報告。要有數字。

4. 範圍太大

「我們要一次把所有客服都 AI 化。」——請先從最常被問的 10 個問題開始。

5. 忽略使用者感受

「工具很好啊，為什麼沒人用？」——因為沒有教他們怎麼用，或是用起來太麻煩。

---

實際案例：品牌的「週報自動化」專案

以下用一個貼近實際的案例，走一遍 AI 專案的 5 個階段。

背景

某品牌的行銷部門每週一都要交一份「上週社群表現週報」，包含：

• 各平台（IG、FB、LINE）的互動數據
• 上週發了哪些內容、哪篇表現最好
• 競品上週的動態
• 本週建議方向

痛點：每週花 4 小時手動從各平台抓數據、整理成 PPT，而且格式每次都不太一樣。

階段 1：問題定義

• 問題：週報製作太耗時，且品質不穩定
• 現況：4 小時 / 週，由 1 位行銷專員負責
• 目標：縮短到 1 小時以內，格式統一
• 成功指標：產出時間 ≤ 60 分鐘，主管滿意度 ≥ 4/5

階段 2：資料準備

• IG / FB 數據：可從 Meta Business Suite 匯出 CSV
• LINE 數據：從 LINE OA 後台匯出
• 競品資訊：目前是手動瀏覽，沒有結構化資料
• 決定：先做自家平台數據的自動化，競品分析暫時手動

階段 3：解法選擇

• 評估後選擇「層次 2：工程化自動化」
• 使用 Google Sheets 彙整數據 + ChatGPT API 自動產出文字摘要
• 不需要開發系統，但需要 IT 協助串接 API

階段 4：MVP 打造

• 第 1 週：設定 Google Sheets 模板，手動貼數據，用 ChatGPT 產出摘要
• 第 2 週：請 IT 幫忙用簡單的自動化工具串接數據匯入
• 試跑 2 週，記錄時間和主管回饋

階段 5：評估與擴散

• 結果：產出時間從 4 小時降到 50 分鐘，主管滿意度 4.2/5
• 問題：AI 摘要有時太籠統，需要加上具體數據對比
• 決定：調整 Prompt 模板，加入「必須包含數字比較」的指示，然後推廣到其他報告

---

AI 協作：學了這個，跟 AI 怎麼配合？

AI 專案管理的核心是「問對問題」— 你定義問題和成功標準，AI 幫你加速執行。

你的人類優勢：

• 你能判斷什麼問題值得用 AI 解決，什麼問題其實改流程就好
• 你能定義「成功」長什麼樣子，AI 無法替你決定 KPI

可以這樣跟 AI 說：

我想為部門規劃一個 AI PoC 專案。目前的痛點是：[描述痛點]。請幫我用 PoC 計畫書的格式，整理出完整的計畫，包含目標、範圍、時間、成功標準、衡量方式、風險和資源需求。請特別注意成功標準要可量化。

---

本堂重點回顧

1. AI 專案 5 階段：問題定義 → 資料準備 → 解法選擇 → MVP 打造 → 評估與擴散
2. 解法分三個層次，能用 Prompt 解決的就不要寫程式
3. PoC 要小範圍、快速、可量化
4. 失敗最常見的原因是管理問題，不是技術問題

---

練習