從接觸、學習到實戰的距離，距離比想像中更短，但是更陡峭
今年三月開始，我開始用龍蝦從操作到產出，用真實業務場景測試。沒人逼我，純粹好奇它到底能做哪些事。一開始的想法很單純，想像「有工具一定有進步」。結果幾個月下來，我才發現這個距離，比題目長得多。我折騰最久的時間，其實不是查資料、不是功能設定，而是怎麼把「我懂的東西」變成電腦懂的格式。
進到 AI 時代，以為是學新軟體，結果其實是在改大腦的工作流程。曾經一週內連換五套市面主流大語言模型（LLM，類似 GPT-4 可以自動理解、產生自然語言的 AI 系統），讀完每家官網的產品對比，按流程註冊，放自己平常處理的報價單、產品 FAQ、SOP 文件進去。前三輪幾乎沒一次合格。
資料丟進去，結果全亂了
AI 在零售應用的第一輪，對我最大的衝擊是「資料處理」不是打開就有成果。簡單來說，我有些內部文件，直接拖進去，AI 卻只抓到標題、括號、英文詞，幾乎看不懂文件怎麼用。
這和以前用 Office VBA、Excel 巨集自動化完全不一樣。以前是我先了解業務邏輯，再寫公式，求穩求可控。AI 工具會反過來問我：「你是想要預測哪種商品？有哪些欄位很關鍵？」這問題說簡單不簡單。因為零售現場每條供應鏈、每種類別都藏著難用的細節。AI 工具不知道什麼叫「過期風險」、「進出存記錄」，最多推一套預設模型，剩下要自己整理。
AI 的運用，根本就不應該是「一鍵導入」。有一個試著幫忙自動配貨的 Skill，說能讀 POS（零售進銷存系統，用來處理公司內部採購、出貨、庫存等流程）資料，四步驟搞定。我把銷貨 Table 丟進去，報錯接二連三。追根究柢，是我的資料不夠乾淨、不夠完整嗎？原來：一堆資料格式沒標單位，有的是 2023-5 和 2023-05，AI 以為這是兩個年度；有些負庫存欄位，生成的數字完全錯開。這不是 AI 蠢，是系統裡平時沒有制定清楚欄位說明與使用表的問題。
過去會繞一大圈查驗，AI 推薦的現成工具跳過了驗證步驟。等出問題才發現，這才是進階的「資料清洗」考驗。小規模還能手動修，大規模只要兩行有問題，AI 立刻推不出結果。
自動摘要、AI 寫文案，感覺總是差上不只一點
零售業最常遇到「反覆溝通」這件事。像新品上架，要同時寫 EDM（電子報行銷內容）、商品頁、社群貼文，還要應付數十條產品問答。AI 智能客服、AI 自動文案，聽起來是救命。但真的拿它寫，還是能一眼看出「不太像人講的話」。
以文案工作來說，AI 確實節省了推敲第一個大綱、快速複製多語內容的時間。像我內部自己練習下去，會用 ChatGPT V4、Claude 等來讓 AI 幫忙生成商品描述，初稿比過去快一大截。但最後真正能公開用的內容，還得我重寫三分之二。
例如某個商品缺貨要做客戶通知，想用 AI 幫忙寫貼心一點的訊息。下 prompt（即「提示詞」- 下達 AI 指令時用的自然語言描述）給它：「請產生一段溫和說明斷貨原因、道歉並提供同類建議」。照理說功能已經滿足了 SOP，就是產出太工整。念起來沒溫度。這時我也意識到。AI 寫得再好，它抓到的是「多數現有案例的平均值」，但沒法跟我「熟悉這個品牌的用語風格」。要修到自然，需要我在 prompt 層面反覆調整，例如「參照這則舊文的語氣」、「以台灣零售業常用的措辭，強調感謝」…，始終比自己改還慢。
其實，這件事沒辦法完全自動化。即便已經導入內部品牌知識庫、語調範本，最後總有稿會噴出失誤的標點、奇怪的換行，甚至一兩句會跟本地國情隔了一層膜。這和 2010 年代流行自動化工具一樣，不是按鈕一按就能完全取代手作過程。
AI 明明聰明，決策時刻還是要自己補洞
再來就是決策支援。很多人期待 AI 幫忙判斷進貨量、門市調撥，減少浪費。這個需求我也做足實驗。拿去年下半年各項目銷售週期，請 AI 預測兩週內哪些商品該補貨、哪些品類會缺。方法很簡單，把過去三個月銷售資料給 AI，指令它找其中「高周轉、高缺貨風險」的項目，給出排序和建議分數。
起始階段進展很快，很快能做出一份排序清單，條列哪些商品前五名需要補。問題來了，AI 排出來的，是理論值（非常值得參考）；但我們自己很清楚，某些商品雖然缺貨，是因為供應吃緊，而不是預測模組算不準。這時候 AI 其實還是沒法讀懂「非結構化的背景知識」，包括時節節慶、市場即時價格波動、供應商短缺、甚至單一通路的特殊活動。它只能算機率，無法理解這個複雜的世界到底還有什麼是無法被計算的。
在這種狀況下，AI 工具變成「多一組預警機制」，但人要判斷真實狀況，還是要另外去查各方動態消息、Call 客戶、對照實際庫存。AI 幫了一半，要落地還得自備經驗。
用了 AI 會不會偷懶？
小結這幾個月下來的實用心得：AI 工具不是「好用就等於效率高」。有時候，一堆新工具反而拉長了我決策流程，因為得不斷 debug 資料、重寫指令、研究系統更新。
坦白來說，還是有事情全靠 AI 搞定會忍不住心虛。比如會議記錄自動摘要、報表合併、制式 FAQ 回答，我知道它能提供方便，但碰到複雜談判、客製協商，AI 目前還無法代勞。
更有趣的地方，是我發現自己用久以後，開始主動「設計」新的工作模式。例如，早先我固定一早花 30 分鐘，人工審核所有 AI 生成稿，矯正語氣後交給同事。後來我干脆用程式接口，讓同事直接在 chat 視窗裡丟問題給 AI，當需要確認關鍵內容時由我再查核。看似由上而下，實際多了一層判斷，把比較複雜的卡點留給人處理。
其中有個意外收穫，是理解到「AI 管理」這件事情需要新方法。過去我只管自己 output，一句話、一份報表就行；現在要處理同事疑問、帶著 AI 學會本地品牌語氣、回來修錯，流程變成一場結構化討論。效率有提升，但我得跟 AI 合作建立工作框架，有時候反而花更多時間內部對齊。
讓 AI 進步的關鍵，不是硬技能，而是溝通方式
AI 零售應用要做得好，不是「工程師要學懂零售」，也不是「營運人員要學寫 prompt」。而是要會做一種很細緻的「溝通設計」。比如，說明一個價格異動，對 AI 來說，需要標出哪些詞才算風險預警、怎麼把異常數據塞進模型裡才不會漏訊息。
簡單舉例：當我們遇到貨架上短時波動，系統偵測出異常售價，AI 寫的警示 email，語法都合格，但採購、PM 不一定看的懂，問「哪個品項、哪段期間、需要我做什麼？」我只能回頭再寫一條明白的指令，請 AI 強調三個欄位、用口語舉例再重寫。來回 3 回合後，才算寫出滿意通知。這就是「AI 合作」的現場實況：人得教它如何表達、給它寫指令的 feedback，然後反覆優化。
學習過程裡，我開始有一個明確的感受：「下一輪比拼，已經不是誰會操作一堆軟體，而是誰能表達清楚描述業務需求、把數據、背景、慣用溝通語氣，都塞進 AI 理解的格式」。哪怕我們自己技術不如工程師、背景不如數據科學家，只要能當一個訊息設計者，推進了效率就是進步。
反思之後：沒有一件事是按鈕按下完全自動
所以，到現在我再也不會用「全自動」三個字描述 AI 應用。零售有太多環節要人判斷，一個品項、一個小小的標籤錯位，都會讓結果跑偏。AI 的確讓資訊超載的場景變得好整理、訊息比過去更快流動，但重點還是落在「給它資料的人怎麼下指令、怎麼教它補完漏洞」。
最一開始我希望能「把 AI 工具嵌進所有日常操作，早點看到效益」；現在回頭看，其實是讓自己更省力地集中火力，只挑出最值得用腦筋的 20%。剩下八成機械化、重複性的事，的確靠 AI 就能 cover， 但不代表可以不用練基本功。
最後一哩路，還是要我自己走
說真的，用 AI 工具這幾個月，學習曲線不是線性上升，反而是分岔的網狀路。遇到迷路時，我才學會告訴自己：沒有軟體解決所有現場的麻煩，就像團隊訓練一樣，AI 也是要來回調整、檢查、對話。經過這一輪自我演練，我倒不期待它替我做完決策了。反而更清楚知道，每一套系統最後的那一步，還是要自己親自踩過，才明白哪個結果是真可用、哪個只是在「湊答案」。
這或許就是當下最貼近零售現場的 AI 學習心得吧：工具會愈來愈強，但只有親手用過、願意花時間來回修正的人，才能真正分享那些「搞懂前面 90% 都是卡住，剩下 10% 才通了」的精彩段子。剩下的捷徑，AI 工具還沒寫出來。而這一點，反而讓我還感覺到安心。
延伸閱讀：想直接體驗這篇提到的零售 AI 工具？前往 AI Agents，首邑電商顧問打造的智慧策略長諮詢顧問、商品頁生成、內容行銷文案生成、品牌數據儀表板，四大工具開放白名單預約體驗。
コメント