AI 應用案例發掘 · 業務課題找出
AI Use Case Discovery
什麼是 AI 應用案例發掘?
- 從重複性工作出發,而非從技術出發
- 拆解工作單位後,依效果與難度排列
- 每項課題指定一位現場負責人
若把應用情境探索辦成「想想 AI 能做什麼」的創意會議,便利貼會貼滿幾十張,但真正會落實的課題幾乎沒有。原因在於出發點是技術。應該反過來,從現在耗時長、又重複出現的工作開始。探索的產出不是點子清單,而是寫明'誰、以什麼輸入、產出什麼成果、多常產出'的課題定義書。
方法是業務拆解。將一個職務拆成每週 10 至 20 項工作,每項工作記錄所需時間、頻率、輸入資料與產出形式。接著確認三個問題:輸入是否為 AI 能讀取的形式(文件、表格、對話等);結果是否能由人來檢查;以及出錯時的損失是否在可承擔範圍內。通過這三項問題的工作即成為候選,典型例子包括初稿撰寫、摘要、分類、比對、格式轉換。反之,若無法確認結果,即使效益看似很大,也應從候選中剔除。
候選項目聚集後,依「效果」與「難度」兩個軸線排列。效果以「每件節省時間 × 每月頻率 × 相關人數」粗略估算;難度則看資料存取權限、安全等級與既有系統串接與否。先執行效果大又容易做的兩三項任務,效果大但困難的任務則轉為 PoC 候選。若未為每項任務指定一位現場責任人,工作坊結束後就沒有人會行動。
現場常見的偏差有兩種。一是過度集中在顯眼的課題上。對經營層報告有利的聊天機器人或儀表板會先被選出,而每天要花 30 分鐘的一般整理工作反而被擱置。然而擴散往往發生在小而頻繁的工作上。另一種是未經資安審查,就把涉及個資或客戶機密的工作列為候選。若在執行前才被擋下,參與者的熱情會受挫,因此應在探索階段就由資安負責人一同篩選。
Use case(使用案例)原指以使用者的使用情境來描述軟體需求的用語。在企業導入 AI 的實務中,語意擴大為「適用的業務對象」,而其發掘方法本身並無特定創始者,而是從業務分析與專案選定的慣例中逐漸成形。
以下用一個假設的案例說明。C 公司是銷售與維修工業用設備的企業,員工共 280 人。年初透過全公司的 AI 點子徵集,收集到 63 件專案提案,但半年內實際執行的只有 2 件,而且多數是像 '客服聊天機器人' 這類範圍過大的提案。
- 教育團隊與企劃團隊撤下徵選,改為各部門的半日工作坊。服務團隊 8 人將一週的工作拆解為 17 項作業並記錄所需時間後,發現 光是撰寫維修報告就每週花掉 11 小時。
- 進行者針對每項工作詢問「輸入是文件嗎?結果能檢查嗎?出錯會有多大危險?」,17 項中有 6 項留為候選。
- 資訊安全負責人當場將一個會放入客戶合約的候選項目暫緩處理。服務組長回答:「比日後卡住再處理,現在知道更好。」
- 剩下的 5 項以效果與難度排列,決定先執行「維修報告初稿撰寫」與「零件詢問郵件分類」,並寫下每項課題的負責人姓名與 4 週期限。
- 兩個月後,六個部門定義了 14 項課題,其中 9 項已進入執行。服務組的維修報告撰寫時間從每週 11 小時縮短為 4 小時。
金鍾赫
朴雪英