一個職位拆成十二張工作單：把工作交給 agent 之前要先做的事，從寫職務說明書開始

「把客服交給 agent」這句話，為什麼一開始就註定失敗

「把客服交給 agent」這句話講起來很順，但它其實是一張沒寫完的交接單。客服是一個職位，裡面混著查訂單、判斷退款資格、安撫情緒、寫紀錄、轉給別的部門等十幾件事，而每一件的輸入、判斷規則與例外都不一樣。當老闆把整個職位丟出去，等於叫一個新人明天開始負責整個部門，卻沒告訴他每天要做什麼、遇到什麼情況該停下來問人。Gartner 在 2025 年 6 月的新聞稿裡預估，到 2027 年底會有超過四成的 agentic AI 專案被取消，原因集中在成本失控、商業價值說不清與風控不足（Gartner，2025）。這些專案多半在立項那天就把範圍寫錯了。前一篇〈買了最強的模型，專案還是死掉：企業 AI 卡住的三個地方，多半是流程、權限與驗收〉談的是流程與權限，這篇要講的是更前面的一步。

同一個職位，先被切碎才交得出去

富士通在 2024 年 3 月公開的案例，就是切碎之後的樣子。它交出去的是兩件事：產品支援櫃檯的回覆草稿與通話摘要。因為範圍窄，成果也量得出來，平均處理時間從 20 分 36 秒降到 2 分 18 秒，後處理時間從 3 分 36 秒降到 30 秒（Salesforce 日本官網案例頁，2024）。它交出去的是兩張寫得清楚的工作單，職稱本身並沒有交出去。

日本食品廠ニチレイ・アイス與日立的合作也走同一條路。它交出的是「生產、輸送與庫存計畫的立案」這項動作，原本由熟練的生管人員人工排程，同時要滿足 40 項以上限制條件，並在約 10 個彼此衝突的指標之間取捨，上線後立案工時減少約 70%（日立新聞稿，2025 年 10 月 15 日）。相對地，如果一開始只說「把生管交給 AI」，連驗收標準都講不出來，專案自然卡住。界線也要劃清楚：agent 不能簽名、不能負責，出事時負責的是公司與那位被指派的人。因此切碎的好處不只是做得成，還讓「哪一個環節由誰蓋章」變得清楚，這也是後面談權限與問責時的地基。

一張工作單要寫清楚四件事：輸入、判斷規則、例外門檻、交付格式

把職務拆碎後，下一步是寫成一張工作單。很多公司只寫「負責客服回信」，交辦時卻講不出細節。工作單讓接手的人知道：東西從哪進來、依據什麼判斷、什麼情況停下來問、做完交出什麼。四件事沒寫清楚，就沒有驗收依據與問責起點。

四個欄位各寫什麼，用客服回信當例子

第一欄輸入，以客服回信為例，指一封進站信件加客戶訂單編號與歷史往來紀錄，要寫來源與格式，例如信件從哪個信箱進來、訂單從哪個系統查。第二欄判斷規則，寫可查核條件，例如退款申請七日內、金額低於三千元，依標準話術回覆並附退款連結。第三欄例外門檻最常被漏掉：金額超過上限、客戶提到要追究責任、同一位客戶第三次來信，都該停下來交給真人。第四欄交付格式：回信語氣、必填欄位、要不要附案件編號，全部寫清楚。四欄合起來才是可驗收文件。

哪一種工作值得寫成工作單

並非每項工作都值得寫工作單。OpenAI 實務指南（2025 年）提出三類篩選條件：需要複雜判斷、規則難以用程式維護、要處理大量非結構化資料。客服回信同時符合三點，所以值得做；只有兩三個固定步驟、規則幾乎不變的流程，用傳統自動化工具反而更省。富士通也是同一條路，範圍夠窄、交付格式夠明確，成效才量得出來。Klarna 一開始把整個第一線客服交出去，數字很漂亮，卻在 2025 年 5 月因品質問題回頭補人。這顯示例外門檻的重要：它決定 agent 什麼時候該停下來找人，避免硬做到底。

實戰示範：把一個財報解析職位拆成十二張工作單

上一章談的例外門檻，放到真實案例長這樣。客戶委託做一套財報解析教學系統，資料是公開財報，每年約 225 到 240 家醫院，三年累積 700 到 1,200 筆「醫院乘年度」。痛點在格式：有的檔案可直接複製文字，有的字型編碼損壞，有的是整份掃描圖；科目名稱分兩套，財團法人用醫務收入、醫務成本、醫務利益，公立醫院用醫療收入、醫療成本、業務收入，單位也有千元與元。以前人工一份一份看、一份一份抄，上百份要整理很久。

十二張工作單長什麼樣子

把工作從收到檔案到學生看到評分，沿流程一段一段切，得到十二張範圍清楚的工作單：收檔與格式判別、掃描圖轉文字、科目名稱對齊、單位統一換算、比率公式計算、歷年資料入庫、學生答案比對評分、異常數值標記、教學對話應答、權限與存取設定、品質抽查驗收、年度維護交接。每張都寫清楚輸入、判斷規則、例外往上報的門檻、交付格式，拆完可獨立交付、獨立驗收。

哪幾張一定要人做、哪幾張可以交給 agent

十二張裡五張一定要人做：收檔與格式判別、科目名稱對齊、權限與存取設定、品質抽查驗收、年度維護交接。格式判別牽涉掃描品質與字型損壞判斷，科目對齊要在兩套名稱間取捨，權限設定決定誰能看到什麼，共通點是沒有標準答案、出錯代價高。另外七張可交給 agent：掃描圖轉文字、單位換算、比率計算、資料入庫、答案評分、異常標記、對話應答，因為輸入格式固定、判斷規則寫得出來、交付格式明確。教學對話應答，客戶要求每個工作階段限定對話次數，避免學生一次抓走全庫，這就是典型的例外門檻設計。

替代方案有限公司觀點：我們自己的七個 agent 怎麼分工作

我們公司內部真的跑了七個 agent。分法很簡單：分內外，也分主動與被動。有人接直接交代的任務，有人跑排程，一個對內管營運，一個對外談客戶，也有人專門處理重型任務。我們給了它們權限，並把權限管理集中在本機機器上，它們才真的能像員工一樣把事情做完。用了 AI 卻沒有用 agentic AI、沒有賦予權限，就會一直停在對話框裡問答，什麼都推不動。

七個 agent 怎麼合作，人又該在什麼時候插手

人要在前期規劃與後期檢討出現，執行過程中盡量不要插手，中途插手會讓效率下降，專案也一定失敗。餵資料的關鍵是讓它知道自己擁有你的權限、知道你的要求，還有你的品味與偏好。教它一套固定的做事方法等於沒餵，會限制它的發揮；給它更多工具、讓它自己探索功能，效果反而好。做錯事的案例多半出在模型的審美與品味，所以我們挑後訓練完整的模型，遇到高度機敏的資料則自己處理，或改用世界智力指數排名前三的模型，不然都有風險。

從我們輔導客戶的經驗看，卡住的地方通常不在模型，在三件事：老闆想一次到位、不願意給權限、資料本身很混亂。台灣企業對數位化資產管理普遍很糟，資料散在各地、沒有統一機制，對權限管控也不熟。因此建議把範圍縮到最小：先挑一個單一功能的 agent，權限設定好，讓它只負責那幾件事，不要一開始就做得太複雜，這樣的專案才會成。至於成本，多數公司一定會算錯，純地端與純雲端都不划算，現在一定是端雲混合架構才划得來。

台灣觀點：171 萬家中小企業只有 7.4% 用了 AI，卡在職務沒有被拆開

《2025 中小企業白皮書》顯示，台灣約 171.6 萬家中小企業，已導入或規劃 AI 的只有 7.4%，OECD 國家中小企業導入率是 39%（OECD D4SME 調查，2025 年），落差五倍。未導入原因第一名是「尚無明確應用需求」佔 63.9%，第二名「對 AI 不理解」佔 26.8%（中小企業白皮書，2025 年）。這兩個答案指向同一件事：工作沒有被拆成「誰在什麼情況下、依據哪一條規則、產出什麼東西」這種顆粒度。工具買得到，拆不開的工作交不出去，預算自然編不下去。

把落差放回職務說明書看就很清楚。多數企業不是缺工具，是缺一份寫得出來的交接單：哪一件事、什麼情況下、依據哪一條規則、交出什麼東西。我們自己跑七個 agent 也是同一套邏輯，每一格都寫得出它吃什麼、吐什麼，才敢把權限交出去。職務說不清楚，再強的模型也接不住，多數專案死在第一季。

從哪一個職務開始拆：三個判斷條件

第一條件是重複頻率，每週五次以上、流程固定優先，如報價單、會議紀錄、客服首回。第二條件是完成定義清楚，做完與沒做完一眼看得出來，最好能量出錯率。第三條件是例外有人接，規則外有指定人接手判斷。三個都成立才值得先拆，也才寫得出驗收標準。

台灣企業最常卡在第二條件。老闆想一次到位，把整個部門交給 AI，驗收標準寫不出來，專案就停住。可行的做法是把第一張工作單的完成定義寫到別人可以驗收的地步：輸入從哪裡來、規則寫哪幾條、例外找誰、交付長什麼樣。第一張能驗收，後面的單才排得下去，也才有第二年預算。

常見問題 FAQ

Q：我們公司想讓 AI 接手一個職位，是不是把職務說明書丟給它就好？
不行。做法是把一個職位拆成十幾張工作單，每張寫清楚四件事：輸入是什麼、判斷規則是什麼、遇到例外要往上報的門檻在哪、交付格式長什麼樣。富士通交出去的是「回覆草稿」和「通話摘要」，ニチレイ交出去的是「排程立案」，都不是整個職位。職位先被切碎，才交得出去。另外，Anthropic 提醒先找最簡單的解法，單次呼叫加檢索就夠的，不該做成 agent；OpenAI 也認為複雜判斷、規則難維護、大量非結構化資料這三類才值得做。

Q：一個職位拆成十二張工作單，會不會拆得太細？
拆細是有原因的。我們看過的導入案例，成功的都是單一功能的 agent，權限設定好，它就只做那幾件事，範圍清楚、驗收標準具體，所以做得成。前面提到的財報解析系統就是例子：只讀財報檔案、對齊科目、算比率，不做什麼都能聊的助理。反過來說，多數公司卡住的第一名原因是老闆想一次到位。所以拆細是為了讓每一張工作單都有明確的完成定義，出錯時也找得到是哪一張單、哪一條規則沒寫好，後續才修得動。

Q：工作單寫好之後，是不是要順便教它一套標準做法？
不用。我們在實務上的作法很直接：教它一套固定的做事方法，等於沒餵。要給的是更多工具，讓它自己去探索功能，教死一種方法反而限制它的發揮。真正該餵的是三件事：讓它知道自己擁有哪些權限、你的要求是什麼、你的品味與偏好。另外，如果只把 AI 當對話框問答、沒有給權限，它就永遠只能回答問題，沒辦法真的幫你做事。權限要給，但要做好管理，集中在安全的機器上，這是它能不能像同事一樣動手的關鍵。

📩 有任何問題或需要協助，歡迎聯絡我們：[email protected]