訂單已經進來了，為什麼還要再抄一次？

想像一個電商團隊的下午。

網站收到訂單，負責出貨的人卻還不能開始。他要先把資料貼進表格，確認商品名稱是不是倉庫用的名稱，再到另一套系統查庫存。有缺貨，回頭問採購；地址不完整，再找客服確認。

客人只按了一次「購買」，公司裡卻有人把同一筆資料搬了好幾次。

這時候，如果有人提議「我們來導入 AI」，我會先問：你希望 AI 幫忙做判斷，還是幫忙把資料搬過去？

這兩件事，做法不太一樣。

有些工作，不需要 AI 再想一次

訂單編號、商品編號、購買數量、配送地址，原本就有明確欄位。假如兩套系統能透過介面交換資料，而且欄位對應清楚，這一段通常應該先評估直接串接。

不必每來一張訂單，就請 AI 猜一次這個商品對應哪個品項。

真正值得 AI 協助的，可能是那些寫得不像表格的資訊。例如客人在備註裡說：「上次寄到公司沒收到，這次請週五以後再寄。」系統需要辨認這是在更改配送條件，而不只是一般留言。

Anthropic 對工作流程與 Agent 的區分，也提供一個實用視角：前者依預先安排的路徑執行，後者由模型動態決定步驟與工具。不是每一段工作都需要後者。 官方來源

固定的資料交接，盡量做得確定；需要理解的訊息，再讓 AI 介入。

先拿一張訂單，走完它的一生

要開始整合，不一定先開一張很大的系統採購清單。

可以拿一筆不含個資的測試訂單，從成立一路走到出貨，記下三件事：

• 同一個欄位，在哪裡被重新輸入？
• 哪一步必須等另一個人回答，才能繼續？
• 發生異常時，大家去哪裡看目前狀態？

這樣做，是為了把「我們每天都很忙」變成可以改善的具體位置。

例如，你可能發現真正拖慢出貨的，不是建立訂單，而是商品編號不一致。也可能發現大家每天查庫存，是因為不知道畫面上的數字多久更新一次。

前一種問題，要先整理資料對應；後一種問題，要先說清楚更新時間和可用量的定義。光換一個更會回答的 AI，不一定能解決。

第一個整合，可以小到只處理一種例外

假設團隊最常卡在缺貨訂單，就先把範圍限在這裡：

找出需要確認的訂單，把缺少什麼、由誰處理、目前進度放在同一處。AI 可以協助整理客人留言或草擬詢問內容；實際可承諾的交期，仍要有可靠資料或由負責人確認。

這是流程設計示例，不代表任何現成工具接上去就會自動完成。

測試時也不要只看「有沒有跑成功」。同一筆訂單重送會不會重複建立？缺少資料時會不會被當成正常單？傳送失敗，有沒有留下待處理紀錄？

這些小地方，決定了整合之後是少一份工作，還是多一份每天要檢查的工作。

讓人少搬一次資料，比多一個聊天視窗更重要

我的判斷是，電商導入 AI，不必從「讓它接管全部營運」開始。

先找一段每天重複發生、資料條件清楚、結果能核對的工作。記錄改善前後的人工處理時間、重抄次數與錯誤情況，再決定下一段。

如果訂單進來之後，團隊終於可以直接處理訂單，而不是先處理資料，這就是一個值得繼續的開始。

下一步：看看你的團隊缺的是工具，還是交接方式。延伸閱讀〈請了人、買了 AI，怎麼還是自己最忙？〉。 閱讀既有觀點

---

封面為情境示意圖，非客戶實景或產品操作畫面。