AI 很強，但固定流程不一定該交給它：一次 OpenClaw 自動化 POC 的觀察
前陣子協助評估一個自動化 POC 需求。
當時 OpenClaw，也就是大家常說的「龍蝦」，討論度很高。需求方也想試試看，能不能做出一個包山包海的 AI 助理，幫忙處理營運上的事情。
這個想法很合理。現在看到 AI 工具的 demo，很容易會覺得：「那我們是不是也可以讓 AI 幫忙把公司內部流程跑起來？」
但實際測下去，很快就會遇到一個現實問題：
AI 很強，但 token 不是免費的。
而且不是每個流程都值得用 token 去跑。
那次我們測的是營運報表相關流程。技術上不是做不到，但測試時就已經花掉不少 token，而且產出也不算穩定。便宜的模型不夠聰明，貴的模型效果比較好，但如果這個流程之後要固定執行，成本就會變成長期問題。
更關鍵的是，回頭拆流程後會發現：這個營運報表其實很大一部分是固定流程。
既然是固定流程，就不一定需要每次都請 AI 從頭判斷。
問題不是能不能做，而是值不值得這樣做
這類 POC 很常卡在一個地方：
技術上不是做不到。
但做得到，不代表值得這樣做。
如果一個營運報表每週都要跑，甚至每天都要跑，那每次呼叫模型的成本、等待時間、不穩定性，都會變成系統的一部分。
一開始只是測試幾次，感覺還好。
但只要流程變成日常作業，就要開始問：
- 這件事其實是不是固定規則？
- 哪些地方真的需要 AI 判斷？
- 模型輸出不穩時誰檢查？
- 產出的報表能不能被信任？
- 長期跑下來的成本合不合理？
如果這些問題沒先想清楚，AI 自動化很容易變成一個 demo 很炫、上線很貴、壞掉沒人敢修的系統。
先拆流程，再決定工具
後來我比較傾向先問一件事：
這段流程到底有多少是固定規則？
如果八成都固定，那它不該每次都花 token 請 AI 重想一次。
固定時間抓資料、整理欄位、合併資料、產生固定格式、發通知，這些通常可以用程式、n8n 或 Airflow 這類工具處理。
如果只是串接工具、通知或小型流程，n8n 通常很適合。
如果規則比較複雜，或資料量比較大，可能就需要寫程式。
如果資料流程牽涉多個來源、每日排程、重跑和監控，Airflow 這類工具會更適合。
AI 則應該放在需要摘要、分類、解讀或產生草稿的地方。
真正穩的自動化，不是把所有東西都丟給 AI，而是把 AI 放在真的需要它的位置。
導入 AI 前，先看流程是不是已經整理好
很多團隊不是不能用 AI，而是流程還沒整理好。
資料散在不同系統。
欄位格式不一致。
報表靠人工複製貼上。
每個人對指標定義不同。
某些流程只有特定同事知道怎麼跑。
在這種狀況下，直接做一個包山包海的 AI 助理，很容易把原本的混亂包進另一個更難維護的系統裡。
所以我們在看 AI 或自動化需求時，通常不會一開始就問「要不要用 AI」。
會先看：
- 哪些是固定規則
- 哪些需要語意判斷
- 哪些地方需要人審核
- 哪些資料流程其實該先整理
- 哪些需求現在不值得做
這樣不一定最炫，但比較有機會做成一個真的能用、能維護、成本也合理的系統。
我們怎麼看 AI 自動化
我們最近在整理一個服務方向：AI 與資料自動化流程健檢。
它不是要把所有問題都包裝成 AI 專案。
剛好相反，我們想做的是幫團隊判斷：
- 哪些地方適合用 AI
- 哪些地方應該用自動化或資料工程處理
- 哪些地方其實該先整理資料
- 哪些流程需要人工審核
- 哪些需求現在不值得做
很多時候，真正有價值的不是「用了 AI」，而是流程變得比較穩、比較省人力、比較容易維護。
如果你的團隊也有類似情況，例如報表每週都要人工整理、想導入 AI 但資料還很亂、n8n workflow 不穩，或是資料流程開始需要排程、重跑和監控，可以先看這頁：
