星期一打開電腦，新一批商品標題已經排好在試算表內。句子通順，關鍵字齊全，讀起來卻像另一間同類網店。客服首次回覆快了，卻引用了錯誤的退貨期限；商品頁把技術規格放到最前，真正想突出的使用差異反而被推到後面。
工作做快了，網店卻漸漸失去自己的風格。
問題往往不在於應否使用 AI，而是把兩類不同的工作一併交給模型：一類是可重複、可抽查、出錯後能還原的製作工作；另一類是一旦對外承諾，就要由品牌承擔責任的決定。
分工的重點不是 AI 懂不懂寫，而是這一步出錯，影響的只是語氣，還是品牌信譽與實際金錢。
先分清製作工作與決策責任
整理資料、擷取規格、草擬多語言內容和標準問答，出錯後通常可以修改。決定賣點、定價、退款例外和廣告預算，出錯卻可能變成不實承諾、錯誤價格及實際損失。
開始前，將商品資料、內容、客服及廣告工作逐項分為三類：
- 可由 AI 協助：輸入資料明確，結果可以抽查，出錯能還原。
- 必須由人決定：涉及品牌立場、對客承諾、價格及預算。
- 先試行再判斷：風險仍未清楚的工作，預設不直接發佈或執行。
如果分類有誤，便先停下，不對客發出內容，也不更改價格。這是營運上的分工界線，不是一張 AI 功能清單。
先從商品資料開始，不要一次自動化整間網店
最容易先出現混亂的，往往是商品資料。規格、屬性、尺寸及包裝資訊分散在試算表和供應商文件內，AI 適合協助整理成可修改的底稿，也可以先草擬多語言版本。
但以下三項仍須由負責人確認：
- 賣點次序：這件商品最需要先說清甚麼？
- 目標客群：商品實際適合哪些人？
- 聲明與承諾：現有資料能佐證哪些認證、功效及承諾？
例如先選一個類別、約 10 個 SKU，讓 AI 只整理屬性及多語言底稿，再由人抽查 3 項，對照來源核實規格、賣點次序和承諾。在這個建議試行方案中，只要有 1 項規格不符，或出現未經批准的承諾，就暫停整批發佈，不擴展至全站。這些數量是試行示例，並非平台規定。
內容與客服可以加快，對客承諾仍要由人把關
每週文章、電郵主旨及社交平台內容大綱，都可以由 AI 協助起稿。但交付點應是「可修改的草稿」，而非直接公開發佈。
內容抽查至少確認三件事：
- 語氣是否仍符合品牌？
- 有沒有混入其他商品類別的賣點？
- 有沒有把未證實的效果寫成肯定承諾？
未通過檢查的內容，不應排入發佈日程。
客服也要分開處理。物流狀態、尺寸量度及包裹進度，可以根據已批准的常見問題和最新紀錄草擬首次回覆。退款、品質投訴、折扣承諾及政策例外，則只讓 AI 整理顧客原話與過往服務紀錄，最終回覆由獲授權人員決定。
在這套建議流程中，涉及退款、品質爭議或例外審批的個案，均交由真人跟進。模型不可自行承諾金額、期限或判定責任。
AI 可以整理異常，不應代你改價或調整預算
轉換率下跌、個別 SKU 退貨增加、某項廣告開支異常，AI 可以協助歸納：哪些指標偏離近期水平、哪些查詢重複出現、哪些商品值得再核對。
但增加或減少預算、停止銷售及更改價格，仍由團隊決定。摘要可以減少遺漏，卻未必掌握季節變化、實際庫存和廣告帳戶限制。把摘要當成執行指令，可能比漏看一行數據更危險。
小範圍試行，事先寫清停止條件
不要一開始就替換全站流程。只選一個商品類別的資料整理工作，或一種客服情境，例如尺碼查詢的首次回覆，然後列明：
- 試行哪項工作；
- 樣本數量；
- 抽查數量；
- 通過標準；
- 確認結果的負責人；
- 哪些失誤會觸發停止；
- 如何還原至上一個穩定流程。
試行後只作出三種決定之一：擴展、調整抽查方式，或撤回。不要順帶把定價、廣告和整個內容日程一併交出去。
分工界線、抽查標準和試行紀錄，其實都在處理同一件事：先分清製作與決策責任，再用小樣本證明哪些工作可以交由 AI 協助。不符合要求，就收回處理。
效率可以提升，品牌仍要保留自己的判斷。