12.2 人機協同的新組織形態:一人團隊與微型跨國企業
學完本節,你能夠:
- 區分「人在迴圈中」(HITL)與「人在迴圈上」(HOTL),並判斷一項業務適合哪一種。
- 把「常規的自動放行、例外的找人」寫成具體的放行規則與抽查機制。
- 評估一人或小團隊用 AI 經營跨國業務的槓桿與脆弱點。
壹、開場情境:每天簽 200 張報價單的主管
📌 以下為教學情境(依外貿實務改編)。
一家出口商導入 AI 自動產生報價。為了安全,規定每一張報價都要業務主管點「核准」才能寄出。
第一週,主管仔細看每一張。第三週,每天 200 張,他開始只看客戶名稱就按核准。第五週,一張把單位寫錯(每箱寫成每件)的報價被核准寄出,客戶照單下訂,公司只能認賠。
這叫審批疲勞:審查次數多到人無法認真看,核准變成了形式。人明明在流程裡,卻沒有發揮把關作用。
本節要解決的問題: 人該看哪幾張?其他的怎麼確保沒問題?
貳、核心概念:人在迴圈「中」還是「上」
| 人在迴圈中(Human-in-the-Loop, HITL) | 人在迴圈上(Human-on-the-Loop, HOTL) | |
|---|---|---|
| 人的角色 | 每一筆都要人確認才往下走 | 設定規則、處理例外、監看整體指標 |
| 處理量 | 受限於人的工時 | 常規案件自動處理,量可以大幅增加 |
| 風險 | 量大時審批疲勞、形式化 | 規則寫錯時,錯誤會被大量複製 |
| 適合階段 | 系統剛上線、還在建立信任 | 規則已驗證穩定、例外定義清楚 |
全部符合?"} R -->|"符合(約 95%)"| Auto["自動寄出"] R -->|"不符合(約 5%)"| H["主管審查"] Auto --> S["每日隨機抽查 5%"] S -.->|"發現問題"| Fix["修正規則"] H --> Out["核准或退回"]
第 1.1 節的 checkQuotes() 其實就是一個最小的 HOTL:毛利率達標的報價放行,跌破 MIN_MARGIN 才亮紅燈找人。
為什麼現在可以這樣做? 寇斯的交易成本理論(見第 11.4 節)指出,公司的規模取決於內部協調成本與外部交易成本的比較。AI 降低了許多協調與處理成本(翻譯、整理文件、初步回覆),讓同樣的業務量可能只需要更少的人;但規則設計、例外判斷與對外負責的成本並沒有消失。
參、應用到情境:寫出放行規則
1. 把「常規」說清楚
| 主管說的話 | 需要追問的問題 | 寫成規格 |
|---|---|---|
| 「正常的報價就讓它自己寄」 | 什麼叫正常? | 毛利率 ≥ 22%,且金額 < US$ 50,000 |
| 「老客戶比較沒問題」 | 多老算老客戶? | 過去 12 個月內有成交紀錄且無逾期付款 |
| 「付款條件照公司標準」 | 標準是什麼? | 僅限 T/T 預付或即期信用狀;遠期付款一律送審 |
| (主管沒說) | 單位、幣別與上次報價差很多怎麼辦? | 單價與該客戶上次報價差距超過 ±30% → 送審 |
| (主管沒說) | 放行的那些誰來看? | 每日隨機抽查自動放行報價的 5% |
最後一列是 HOTL 和「完全不管」的差別:自動放行的也要抽查,抽查發現的問題回頭修正規則。
2. 數字算一下
| 項目 | 數量 |
|---|---|
| 每日報價 | 200 張 |
| 符合規則、自動放行(約 95%) | 約 190 張 |
| 送主管審查(約 5%) | 約 10 張 |
| 自動放行中抽查 5% | 約 10 張 |
主管每天從看 200 張,變成認真看約 20 張。開場那張「單位寫錯」的報價,單價會比上次報價差很多,會被第四條規則攔下送審。
肆、延伸:一人微型跨國企業
📌 以下為教學情境(依實務改編)。
OpenAI 執行長 Sam Altman 在 2024 年曾提到,科技圈有人在打賭第一家「一人十億美元公司」何時出現。這個說法是否成真還有待觀察,但小團隊用 AI 經營跨國業務已經越來越常見。
傳統上,一家年營收 US$ 1,000 萬的出口貿易商,可能需要 24 名員工:
| 職能 | 人數 |
|---|---|
| 採購 | 5 |
| 船務 | 4 |
| 報關 | 3 |
| 多語客服 | 8 |
| 會計 | 4 |
| 合計 | 24 |
一位受過系統思維訓練的國貿系畢業生,可能這樣分工:
| 職能 | 交給 AI 或自動化的部分 | 創辦人親自做的部分 |
|---|---|---|
| 市場情報 | Python 爬蟲定期蒐集競品價格(第 4.1 節) | 判斷要不要跟價 |
| 多語詢價回覆 | AI 起草回覆,符合放行規則的自動寄出 | 例外報價、重要客戶談判 |
| 出貨文件 | n8n 或 GAS 自動產生發票、裝箱單草稿(第 4.2 節) | 抽查、處理海關問題 |
| 收款與帳務 | 自動對帳、產生月報 | 大額付款核准、避險決策 |
一天可能是這樣:早上檢視夜間自動處理的結果與 2 筆被攔下的例外訂單(例如客戶要求 60 天遠期信用狀),查完買方徵信後核准一筆、拒絕一筆;下午把時間花在拜訪供應商、開發新產品。
但也要看到代價:
| 脆弱點 | 說明 |
|---|---|
| 單點依賴 | 創辦人生病、雲端帳號被停用、某個 API 改版,業務可能整個停擺 |
| 規則錯誤被放大 | 一條寫錯的放行規則,一晚可能寄出上百封錯誤報價 |
| 成本並非趨近於零 | AI 使用費、軟體訂閱、例外處理與法律責任仍在 |
| 責任無法外包 | 對客戶的承諾,法律上仍由公司負責(第 13.3 節) |
伍、判斷看看:適合 HOTL 嗎?
| 業務 | 建議 | 理由 |
|---|---|---|
| 常規詢價回覆(標準品、標準條件) | HOTL | 量大、規則清楚、錯了可以更正 |
| 新客戶首筆訂單 | HITL | 沒有歷史資料可判斷 |
| 付款給新供應商 | HITL | 錯了錢很難追回,詐騙風險高 |
| 出貨文件草稿 | HOTL(抽查) | 送出前還有報關行與船公司把關 |
| 合約條款修改 | HITL | 影響法律責任 |
判斷原則:錯了能不能挽回?錯了多少錢?有沒有清楚的規則能判斷? 三題都偏向安全,才適合交給 HOTL。
陸、回到情境
主管不必再每天簽 200 張,而是認真看約 20 張,並定期檢討規則。審批從「形式上的全部看過」,變成「實質上看對的那幾張」。
| 限制 | 後果 | 在哪一節解決 |
|---|---|---|
| 放行規則本身沒人審查 | 規則被改鬆了也沒人知道 | 第 12.4 節(規則版本控管) |
| 各系統對「毛利率」的算法不同 | 同一張報價在不同系統判斷結果不同 | 第 12.3 節 |
| 規則只看單筆,看不到累計 | 拆成多張小單就能繞過 | 第 12.4 節(拆單偵測) |
本節小結
- 人在流程裡,不等於有在把關;量大時,逐筆審批會變成形式。
- HOTL 的三個要件:清楚的放行規則、例外送人、自動放行的也要抽查。
- AI 降低了處理與協調成本,讓小團隊能做更大的生意;但規則設計、例外判斷與法律責任無法外包。
柒、練習
- 改數字(5 分鐘):公司把毛利門檻從 22% 提高到 25%,送審比例從 5% 變成 15%。主管每天要審幾張?加上抽查 5% 的自動放行報價,總共要看幾張?
- 加規則(20 分鐘):替「自動回覆客戶的交期詢問」寫一份放行規則表(說法 → 追問 → 規格),至少 5 條,包含抽查比例與「哪些情況一律送人」。
- 管理反思(討論):在 HOTL 模式下,AI 依規則自動寄出一份交期寫錯的確認函,客戶因此損失。責任在誰?訂規則的人、核准規則的主管,還是供應 AI 的廠商?公司可以用哪些合約條款或保險降低這類風險?