Day 1 的主線：先理解 AI 能做什麼，再把企業流程與資料整理清楚，最後才決定哪裡值得導入 AI，並做一個小型客服原型。
Timeline
Day 1 課程地圖
| 時間 | 主題 | 要解決的問題 | 實作 |
|---|---|---|---|
| 09:41–10:12 | AI 前導與 Excel 整合 | 從只會聊天，升級到能執行任務的 Agent 思維 | ChatGPT for Excel |
| 10:12–11:11 | 資料清洗與視覺化 | 原始資料混亂，不能直接拿來做決策 | 清理資料、Dashboard |
| 11:11–12:06 | 知識庫與 Source Grounding | 降低幻覺，讓回答有來源可追 | NotebookLM 研究 |
| 13:10–14:19 | 五種資料流與 SOP | 釐清資料怎麼進來、AI 要處理什麼 | Infographic 流程圖 |
| 14:19–15:36 | 營運模式與成本試算 | 判斷智慧輔助／少人／無人哪個值得做 | 成本與 ROI 評估 |
| 15:36–17:00 | AI 客服原型 | 從 rule-based chatbot 走向能理解非標準問題的 AI 客服 | Chatbase + Demo 網站 |
Knowledge
今天最重要的 8 個知識點
1
AI Agent vs LLM
LLM 主要負責理解與生成；Agent 進一步能感知、推理、呼叫工具並執行任務。老師用「有手有腳」做直覺比喻。
2
Prompt 五大結構
角色、背景、任務／目標、格式、限制。重點不是背模板，而是給足 Context 與邊界。
3
資料清洗
Garbage In, Garbage Out。髒資料會污染後面的分析與 AI 判斷。
4
Source Grounding
重要企業資料不能只靠模型記憶，要能回到指定來源、頁碼或文件證據。
5
五種資料角色
感測／影像、POS、會員、庫存、雲端／表單。每種資料能證明的事情不同，不能越界推論。
6
三種營運模式
智慧輔助、少人化、無人模式。不是 AI 越多越好，而是依人力、設備、風險與定位選擇。
7
AI 導入優先矩陣
價值、可行性、可控性。資料是否數位化、API 是否可串、出錯能否人工接管，比工具熱門更重要。
8
AI 客服 vs 傳統 Chatbot
傳統機器人依固定規則回答；AI 客服能處理自然語言與非標準問題，但仍要設 Human Gate。
Method
企業導入 AI：Day 1 方法論
1. 現況盤點把「很忙」拆成具體流程、角色、痛點
→
2. 資料辨識資料從哪裡來？能證明什麼？
→
3. 模式定位智慧輔助／少人／無人
→
4. 優先評估價值 × 可行性 × 可控性
→
5. 小規模原型先做 AI 客服 Demo 驗證
→
6. 成本與 ROI算投入、維運、節省人時與回收期
Data
五種資料角色
| 資料角色 | 提供資訊 | 不能直接證明 | 典型用途 |
|---|---|---|---|
| 感測／影像 | 位置、事件、辨識結果 | 付款完成 | 監控、異常辨識、現場驗證 |
| POS | 品項、數量、成交 | 顧客滿意 | 交易、銷售、付款狀態 |
| 會員 | 識別與互動紀錄 | 購買意願 | CRM、偏好、歷史行為 |
| 庫存 | 帳面量與異動 | 現場盤點結果 | 補貨、缺貨、資源調度 |
| 雲端／表單 | 彙整與傳遞 | 資料一定正確 | LINE、表單、外部系統資料入口 |
單一資料來源不等於完整事實。AI 要先知道「哪種資料能證明到哪裡」。
Operating Models
三種營運模式
智慧輔助
AI 幫人做得更快
適合重視服務與人情味的場景。既有 POS、規則資料通常就能起步。
少人化
自助設備 + 少量人力
需要例外分流、設備維護、補貨與現場支援。
無人模式
高自動化 + 高安防
進出、支付、異常監控與遠端接管門檻更高。
Prototype
AI 客服原型：今天最後做到哪裡
知識庫
用 NotebookLM / Chatbase 放入企業資料與規則，讓回答有背景。
Instructions
定義哪些能回答、哪些不能承諾、什麼情況必須轉真人。
Demo 網站
把 Chatbase 掛到一頁式網站，先測 UX 與對話品質，不急著串正式營運系統。
My Case
今天我的外燴案例如何套用
客戶詢問LINE / Email
→
AI 擷取欄位日期、人數、預算、地點
→
找缺漏未知就標未知
→
AI 追問只問最阻塞下一步的資訊
→
需求單轉成可報價的結構化資料
→
真人確認食安、毛利、場地、特殊需求
核心不是「無人外燴」，而是讓 AI 先吃掉前段重複行政與資訊整理。
Takeaway
Day 1 一句話
企業導入 AI，不是先問「現在有什麼 AI 可以用？」；而是先問「哪個流程值得改善、資料在哪裡、出錯能不能控制？」