AI 不會關注所有事情，企業也不應該

季度檢討會上，會議室白板寫滿五個部門交上嚟嘅「AI 願望清單」：市場部想用 AI 寫社交貼文、人事部想自動篩履歷、前台想喺網站加個問答機械人、行政部想自動出會議紀要、營業部要求幫三十個同事開齊月費帳號。與此同時，隔籬會計部枱頭仲積壓緊百幾張供應商 PDF 發票同 WhatsApp 入數紙，要人手對完採購單（PO）再逐行打入 ERP；營業部張急單報價，仲喺三個 WhatsApp 群組之間等緊主管批折扣。當一間公司試圖同時關注所有事情，結果往往係三個月後月費帳單準時寄到，出貨同入帳卻一分鐘都冇快過。

大語言模型讀一份二十頁嘅商業合約或者採購文擋時，並唔會平均分配資源去讀每一個標點同客套說話。如果模型對所有字詞都給予相同權重，輸出嘅結果只會變成一片模糊嘅雜訊。真正令模型表現出色嘅，係「選擇性聚焦」：鎖定供應商編號、貨號（SKU）、數量、單價同交貨期，將其餘無關嘅格式干擾直接過濾。

偏偏好多香港企業喺推動數碼化同 AI 落地時，做緊完全相反嘅決定。管理層怕執輸，見市場講 AI 就要求「全公司各部門一齊用」，將有限嘅預算同管理精力平均攤分落十幾個零碎痛點。結果每個部門都好似做緊嘢，但核心業務鏈條上面最消耗人手嘅斷層，依然原封不動。

大多數企業問「AI 可以做到嗎？」管理層真正該問的是「這件事應該交給 AI 嗎？」

今日幾乎任何文書動作——寫電郵、改英文、摘要會議、執排版——問「AI 做唔做到」，答案都係做到。但「做得到」同「值得用公司預算同工程資源去做」，係兩碼子事。正如我哋喺同事用緊 AI，公司效益未見：先做顧問研究入面提到，同事打字快咗兩分鐘，並唔會自動令公司張報價單早一日送到客戶手上，亦唔會令應收帳款早一日入帳。

透過暉訊科技嘅企業 AI 顧問服務，我哋協助老闆同營運主管撥開市場上面嘅技術雜音，喺動工之前先用三個具體標準過濾出真正值得關注嘅那一個流程：

第一，呢個工序係咪跨部門交接嘅真實瓶頸？日常工作表面睇分散喺五個地方：客戶電郵查詢、PDF 單據、Excel 試算表、WhatsApp 催批、以及月底對數會議。其實呢五件事屬於同一個業務流程。最浪費工時嘅位置，往往係資料由 WhatsApp 或 PDF 搬去 Excel 同會計系統嗰一下人手抄寫。將注意力放喺呢個交接位，透過AI 自動化方案直接讀取單據並核對系統，先至能夠一次過釋放百幾個鐘頭嘅重複人力。

第二，節省落嚟嘅時間同準確率，可唔可以用實數計算回本週期？「幫同事寫得順啲」好難計出財務回報；但「每日 15 張報價單，每張由 2 小時縮短至 15 分鐘」或者「3 位同事每日花 4 小時手動將電郵發票打入 ERP，錯誤率由 8% 降至 1% 以下」，就可以清晰算出每月慳幾多工時、幾多個星期可以回本。計唔出回本週期嘅項目，優先順續自然應該排後。

第三，邊界係咪清晰可控？高價值嘅企業 AI 流程從來唔係任由模型自由發揮。以採購及開票為例，AI 負責讀取中英文 PDF、識別貨號同金額，並自動同 ERP 內嘅採購單進行三單比對；完全吻合嘅單據先至自動推進，一旦發現單價差異或者異常項目，系統即時標示並交由負責同事喺預覽畫面核對確認（Human-in-the-Loop）。所有商業數據留存喺香港或企業指定嘅受控環境內，保留完整審計記綠，絕不用於訓練公開模型。

放低九成雜訊，四步鎖定真正回本的核心工序

與其同時展開五個零散項目，不如跟隨結構化嘅工程步伐，先喺一條核心軌道上面跑出實質數字，再逐步擴展至其他部門嘅流程自動化。