唔好再問 AI 答案：香港企業點樣由背景開始找出真正問題

點解 AI 愈答得快，管理層反而愈容易行錯路

我經常見到公司第一句就問：「點樣用 AI 增加銷售？」這句說話本身沒有錯，但它把最重要的資料全部收起了。甚麼產品？哪一類客戶？查詢在哪個階段流失？銷售同事怎樣跟進？公司試過減價、加廣告還是改流程？結果又如何？

當背景近乎空白，AI 只可以用市場上最常見的說法補上空位。於是答案聽起來完整：做內容、分眾、建立自動化、改善客戶體驗。每一項都可能正確，但沒有一項告訴你「你公司而家最應該先做邊一件」。

我對 AI 最早的一個看法，就是不要急着把它當成答題機。企業真正需要的，是讓 AI 在大量零碎、甚至互相矛盾的資料之中找規律。答案可以很快；理解一間公司的處境，才是工作。

我會先寫一張「五格背景紙」

在開任何 AI 專案之前，我會要求團隊先寫一頁紙。不是寫技術規格，而是寫商業背景：

1. 目標：我們想改變哪一個可觀察結果？例如提高合資格查詢的跟進率，而不是籠統地「提升效率」。

2. 參與者：哪些人接觸這個流程？客戶、前線、主管、財務或合作夥伴，各自知道甚麼？

3. 現行流程：一件工作由開始到完成，實際經過哪些步驟和系統？不要只寫制度上應該怎樣做。

4. 已作嘗試：公司曾經改過甚麼？誰支持、誰反對，為甚麼沒有持續？

5. 結果與證據：我們看過哪些數字、對話、紀錄或例外？哪些仍然只是感覺？

這五格的目的不是令文件變厚，而是防止團隊把自己的假設當成事實。當資料擺在同一張紙上，AI 才能幫你指出：「銷售覺得問題在價錢，但失去的查詢大部分其實在第一次回覆之前已經離開。」

由意見變成可以驗證的假設

企業會議最浪費時間的地方，往往不是沒有意見，而是每個意見都不能被驗證。老闆說市場差，銷售說名單差，市場部說跟進慢，營運說人手不足。四句都可能有一部分真相。

我會叫 AI 做三件事：先把說法按證據和推測分開；再找出不同資料之間反覆出現的情況；最後提出一個小測試。小測試必須有清楚範圍、負責人、時限和判斷標準。

例如，與其一次過更換 CRM，不如先抽取最近六星期的查詢，按來源、首次回覆時間、客戶問題和最後狀態分類。若「24 小時內沒有具體回覆」與流失同時出現，就先在一個產品線測試 AI 輔助整理查詢和回覆草稿。這才叫轉型的開始：不是先買最大套系統，而是先讓公司學到一件以前不知道的事。

假設情境：查詢多了，生意卻沒有增加

以下是教學用的假設情境，不是 Smark Global 客戶個案。

一間香港專業服務公司投放廣告後，網站查詢增加三成，但成交沒有變。管理層直覺認為名單質素下降，準備再調整廣告受眾。

團隊用「五格背景紙」重整資料後，發現新查詢分散在電郵、WhatsApp 和表單；前線先在不同地方抄資料，再等主管判斷由誰跟進。最有價值的查詢，反而因為內容較長，需要更多時間理解，首次具體回覆最慢。

AI 在這裏不需要代替銷售。它可以先把查詢整理成客戶背景、需求、時限、風險和下一步，再送入同一個工作佇列。主管看到的不是「AI 幫公司寫得更快」，而是高價值查詢不再沉底。真正要量度的，是首次有效回覆時間、合資格查詢進入會議的比例，以及人手有沒有把時間放在更值得的對話上。

30 日開始方法

第 1–5 日：揀一個問題。 選一個有清楚起點和終點、每星期會重複、而且已有部分紀錄的流程。不要用「全公司數碼轉型」做第一題。

第 6–10 日：補齊五格背景。 訪問真正做事的人，抽查原始紀錄，寫出制度與實際操作的差距。

第 11–15 日：讓 AI 整理而不是決策。 先做分類、摘要、異常標記和規律探索；保留原始證據連結。

第 16–23 日：跑一個小測試。 限定一個團隊、一類客戶或一個產品線，預先寫好成功與停止條件。

第 24–30 日：檢討和固化。 比較測試前後，記錄錯誤和例外；有效的做法才進入正式流程、權限和培訓。

風險、私隱與人的責任

背景愈完整，往往包含愈多客戶和營運資料。這不是叫大家把整個資料庫直接丟入公開工具。開始前要先決定資料能否使用、是否需要刪除識別資料、誰可以查看輸出，以及錯誤會由誰覆核。

AI 可以整理證據，但不能承擔公司決定的責任。涉及報價、合約、聘用、信貸、健康或其他高影響判斷，必須由獲授權的人核實。若團隊無法由輸出追溯到來源，就不應把它當成事實。