別賣客戶一個會聊天的同事，先補上報價到收款的那條縫

這一年談 AI Agent，最吵的一直是「全自動數位員工」：一個什麼都會、能跟客戶聊天、能自己做決定的同事。可是當你去問已經在用 AI 的公司，他們打算先把代理放在哪裡，答案通常沉悶得多：報價、訂單、發票、採購、郵件客服。

一份把情境排過優先順序的調查

Telekom MMS 今年做了一份 AI Agent 調查，訪問了 123 位德國企業的決策者，公司規模在 50 到 2,500 人之間，而且受訪者都偏向已經熟悉 AI 的一群。調查列出十三個代理的應用情境，請他們排優先順序。被挑進短中期清單的，依次是訂單與發票處理、報價、郵件客服、採購、潛在客戶研究、電話客服，以及 IT 支援與工單處理。

這些工作有一個共同點：人在中間當膠水。一封客戶詢價進來，有人要打開 CRM 查客戶、到產品資料裡找規格、再對價格表算出一份報價草稿；訂單進來，有人要把它和倉儲資料對一遍，才能交給下一個人；發票進來，有人要認出是哪一筆、核對金額，再送去審批。每一步都不難，難的是它每天發生幾十次，而且橫跨好幾個系統。

調查裡最有用的一句，是它對「甜點」的描述：代理最適合大約跨兩到四個系統、兩到四個步驟的例行流程。只有一個步驟的任務，一般 AI 工具或傳統自動化就夠了；端到端的大流程，又太難標準化。報價、訂單、發票三個情境剛好連成一條鏈，從詢價一路接到收款，代理負責搬資料和準備草稿，遇到例外或關鍵決定時交回給人。

一個不起眼的案例

同一系列裡有一個案例很能說明這種甜點長什麼樣子。cec Ingenieure 是慕尼黑近郊一家做電信和能源網路規劃與測量的工程公司，工地每天產生大量照片：打開的管溝、住戶接線、接頭元件。這些照片是完工證明、施工段紀錄，也是請款的依據，過去要有人一張張看、分類、放到對的專案底下。

Telekom MMS 和 cec 用 n8n 做了一條自動化流程：AI 辨識照片裡的施工階段和元件（模型用 Azure Custom Vision 訓練），加上位置、時間和專案的資料，再存進公司原本就在用的 SharePoint，並接到 Power BI 做分析。這裡沒有會聊天的同事，只有一條原本靠人手接起來的縫，被補上了。

讀這份調查時要保留的地方

這些材料值得參考，但有幾點要先講清楚。

第一，來源有自己的利益。介紹這份調查的 t3n 文章是和 Telekom MMS 合作的贊助內容，而 Telekom 正在賣以 n8n 為基礎的 T-AI Agent Platform，主打權限、審批、監控和成本透明。調查結論和它的產品方向一致，這不代表結論錯，但讀的時候要記得。

第二，樣本刻意偏向已經熟悉 AI 的公司，文章自己也說明這不是德國中小企業的代表性抽樣。對還沒開始的公司來說，他們的第一步未必是報價流程。

第三，目前公開的材料沒有量化的成效數字。cec 的案例說照片分類「更快、更一致」，但沒有說快了多少。

即使如此，這個方向和其他來源相當一致。n8n 在推出 Agents 時說，好的 workflow 是「無聊」的，而且這是讚美；我在整理十份中小企業 AI 報告時引用過的顧問 Jason Wade，也建議從一個沉悶、高頻、可量度的流程做起。賣平台的、做工具的、當顧問的，最後都指向同一類工作，這本身就是一個訊號。

談代理之前，先量三件事

如果你是一家中小企業的老闆，正在考慮要不要導入 AI Agent，我會建議先回答調查裡提到的三個問題：

  1. 這件事一週發生幾次？ 一個月只有兩次的流程，花時間自動化通常不划算。
  2. 現在花多久？ 包括等待、來回確認和出錯後的補救，不只是有人坐下來做的那幾分鐘。
  3. 用什麼指標驗證？ 例如詢價到發出報價的時間、發票從收到到入帳的天數、每月要人手修正的筆數。先記下現在的數字，之後才知道有沒有變好。

三個答案都清楚了，才輪到工具和模型。而工具裡最值得花時間的，往往是治理的部分：代理能看到什麼資料、哪些動作可以自己做、什麼時候一定要有人按下核准。這部分我在上一篇談權限設計的文章寫得比較詳細。我的經驗是，把這三條規則講清楚，比換一個更聰明的模型更能決定專案成不成功。

對做顧問和服務的人

最後一段寫給同行。客戶常常一開口就問「能不能做一個像 ChatGPT 那樣、懂我們業務的助理」，順著這個需求賣一個會聊天的同事，往往是最容易成交、也最容易失望的做法。比較穩的開場，是陪客戶找出那條每週發生幾十次、橫跨兩三個系統、目前靠人手接起來的縫，先量清楚它，再把它補上。這種案子沒有 demo 那麼好看，但它做得出可以驗證的回報，客戶也比較容易決定下一步要不要繼續。

參考資料