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:

  1. 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。
  2. 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。
  3. 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
flowchart LR Q["每日 200 張報價"] --> R{"放行規則
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

  1. 人在流程裡,不等於有在把關;量大時,逐筆審批會變成形式。
  2. 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。
  3. 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

  1. 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?
  2. 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」。
  3. 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?

國立臺中科技大學 國際貿易系 / 企業管理系 專用教材

《現代軟體工程:商學院的 AI 系統思維與 Agent 實踐》

作者:陳俊智 博士 Dr. Chun-Chih Chen

本書章節架構改編自陳鍾誠教授(金門大學)開源課程《現代軟體工程》(github.com/ccc115a/se,MIT 授權),內容針對商學院全面改寫與擴充。