我們公司怎麼跑出 20+ AI 流程？系列第 1 篇：內部報價自動化 SOP，5 個節點、3 個 LLM 分工、2 種 fallback 兜底

我們公司過去 18 個月內部跑了 20+ 個 AI 流程，從報價、合約審閱、提案產製到客戶溝通的自動回應都有。本系列的第一篇先從報價自動化開始拆，這是恆遠內部第一個跑起來、也是最被同行追問「你們怎麼做到的」的流程。原本一份客製化系統報價單要花一位資深 PM 約 45 分鐘做完，現在 3 分鐘出第一版、人工只負責最後 5 分鐘的審稿微調。

這篇是真實的內部 SOP，而非行銷話術，包含節點怎麼切、LLM 怎麼分工、fallback 怎麼設、踩過哪些雷、為什麼有些段我們刻意不用 AI。給也想在公司內部跑 AI 流程的中小企業老闆做完整參考。

根據 a16z 在 2026 年發布的 AI workflow infrastructure 觀察報告，企業內部 AI 自動化 ROI 最高的場景集中在「半結構化文件產製」包括報價、合約初稿、提案大綱、會議摘要，這幾類有共同點：產出格式固定、上游資料半結構化、人工耗時但複雜度不高、出錯不會立刻致命。報價自動化是中小企業內部 AI 落地最被低估、CP 值卻最高的起點。

為什麼選報價這個流程開刀？

我們挑流程上 AI 的判準有三個：單次節省工時 ≥ 20 分鐘、每週發生次數 ≥ 5 次、輸出可結構化驗證。報價同時打中三項，每張報價 PM 平均花 45 分鐘、業務團隊每週要處理 8-15 張，且報價有明確的「金額、品項、工期、報價有效期」這四個結構化欄位，AI 跑完可以用程式驗證對錯。

反過來說，我們刻意不把客戶開會的會議紀錄做完整 AI 自動化。原因是會議紀錄的「重點」極度倚賴 context（哪句是客戶情緒、哪句是真實 commitment），錯一句 PM 看不出來、上線後才發現需求理解錯，代價可能是 2 週工時返工。這條判準同樣適用其他中小企業，先挑「錯了被人發現」而不是「錯了沒人察覺」的流程下手。

我們不認同「公司流程都應該 AI 化」這種說法。會省事的只有兩類：產出格式高度固定的文件產製，加上錯了會被立刻發現的高頻動作。其他流程上 AI，多半是把人工成本換成 token 成本+審稿成本，沒省錢還多風險。

報價流程 5 個節點怎麼切？

我們把報價流程拆成 5 個獨立節點，每個節點獨立可重跑、獨立可審稿這是最關鍵的設計決策。報價自動化最常見的失敗是把整段做成一個大型 prompt 一次跑完，結果某段算錯了得整張重來，時間不但沒省、人工審稿還變得更累。

1. 節點 1：需求清單抽取（從 mail / Slack / 會議錄音文字稿萃取功能項目）
2. 節點 2：工項拆解與工時估算（每個功能項目 → 標準工項 library + 工時係數）
3. 節點 3：報價金額試算（工時 × 內部費率 × 折扣係數 + 風險係數）
4. 節點 4：報價單文字產製（內容、措辭、條款、付款節奏、有效期）
5. 節點 5：合約附件搭配（SOW、付款計畫、驗收里程碑模板）

節點 1、4 用 LLM；節點 2、3 用程式+規則庫；節點 5 用模板替換。這個 LLM/程式分工是省 token、保穩定的關鍵，估算金額交給程式，不要交給 LLM 算，因為 LLM 算錢會出現 hallucination（憑空多 0、單位搞錯）。

3 個 LLM 怎麼分工？

我們同時掛 3 個 LLM provider，與其說是為了優化成本，不如說是為了 fallback。中小企業內部 AI 流程最常見的災難是某天 API 掛了、整個流程停擺、業務團隊只能等。我們的 3 條線：節點 1 主用 Claude Haiku 4.5、節點 4 主用 Claude Sonnet 4.6、緊急 fallback 是 OpenAI 的 GPT-5。三條線都用同一份 prompt template（透過 LiteLLM 抽象層），切換只改設定不改程式。

選 Claude 為主、OpenAI 為輔的原因不是「Claude 比較好」這種空話。是因為節點 4 的報價單措辭需要長 context（系統規格 + 客戶溝通記錄 + 條款模板，輕鬆破 80k token）、且要中文文書嚴謹度。在我們內部 A/B 測試裡，Claude Sonnet 寫出來的報價單客戶看到第一版「能直接用」的比例約 75%，GPT-5 約 60%，差別在中文商業條款語感。但節點 1 抽需求清單不需要這種嚴謹度，用 Haiku 跑快、便宜，效果跟 Sonnet 差不多。

根據 Anthropic 2026 Agentic Coding Trends Report內部 AI 流程開發者最常忽略的是「prompt cache 配置」，我們把節點 4 的條款模板、付款里程碑庫、SOW 範本全部放進 system prompt 走 cache，單次跑下來節點 4 的 cost 從 $0.12 降到 $0.038（約省 68%）。中小企業跑內部 AI 流程不會炸 token bill 的關鍵是把不變的東西塞進 cache，而非選便宜模型。

Fallback 設計：API 掛了怎麼辦？

我們的內部 AI 流程 fallback 分兩層。第一層是 LLM provider 切換主 Claude 掛了，自動 fallback 到 OpenAI；OpenAI 也掛了，fallback 到本機 Ollama（跑 Llama 3.3 70B）。但本機版本品質明顯較差，所以第二層 fallback 是回到人工模板：節點 4 直接跳出「請 PM 用模板填表」的提示，業務團隊有完整 Word 模板可以手動填、20 分鐘出第一版。

這個「AI 掛了人不會死」的設計是中小企業內部 AI 流程最被忽略的環節。大部分老闆只看到 AI 跑得多快，沒看到 AI 掛了當天業務怎麼出貨。我們的內部觀察：自從導入 fallback 機制後，業務團隊對 AI 流程的信任度從「我用了發現好就用、壞了就不用」變成「我預設用 AI、它掛了我也知道下一步怎麼接」，這個心理切換才是讓內部 AI 流程跑得起來的關鍵。

中小企業老闆要不要跟著做？

我們的判斷是：做，但不是現在馬上開做。中小企業內部 AI 流程的優先序應該是：先盤點哪些流程符合「單次 ≥ 20 分鐘、每週 ≥ 5 次、輸出可結構化驗證」三個條件，大部分公司會發現符合的不超過 5 個。再從這 5 個裡挑「錯了會被立刻發現」的下手。不要從會議紀錄、客戶溝通自動化、Email 自動回覆這類『錯了沒人察覺』的開始。

選對流程比選對 LLM 重要 10 倍。我們花了 6 個月才搞清楚這件事，內部最早跑的是嘗試自動產製客戶提案大綱，而非報價，結果業務團隊用了 2 週就放棄，因為提案大綱錯了沒人能立刻發現、上線給客戶才被指出來、信任成本很高。中小企業老闆做內部 AI 第一步應該是「能不能找到一個錯了會被立刻打槍的流程」找到了再談技術。

報價自動化 SOP 完整檢核表

我們把這套內部 SOP 整理成可下載的檢核表，供想自己跑類似流程的中小企業老闆參考。檢核表包含：節點拆分判準、LLM 選型對照、fallback 設計、踩雷紀錄、預估 ROI 試算欄位。如果你正在評估內部 AI 流程怎麼開始，歡迎下載參考。

把這套流程放到你的公司，下一步怎麼做？

如果你看完本篇想開始，建議的順序是：(1) 用一週時間盤點符合「20 分鐘 × 5 次 × 可驗證」的內部流程，列出來 3-5 個；(2) 從中挑「錯了會被立刻打槍」的下手；(3) 不要一次全自動，先做節點 1（資料抽取）跟節點 4（文書產製），其他節點先用人工接；(4) 跑 30 天回頭看 ROI，再決定要不要往節點 2、3、5 擴展。

如果你想跟我們聊「這套流程能不能放到你的公司」，可以從 /services/ai-consult 預約一場 30 分鐘的免費對談，我們會直接給你「值不值得自己跑、要不要外包做、預估投資多少」的具體判斷，不是話術。

常見問題（FAQ）

中小企業跑這種內部 AI 流程，要先投資多少？

我們內部第一條報價自動化前 3 個月的工具成本約 NT$ 15,000（含 Claude API、OpenAI 備援、LiteLLM hosting）+ 1 位工程師 30% 工時。第 4 個月後穩定下來只剩 API 成本 + 1 名工程師每週 2 小時維護。中小企業老闆若不想自己養工程師，外包整套導入約 NT$ 150,000-300,000 起跳，視流程複雜度。

為什麼不直接買現成的報價 SaaS？

我們自家就有「秒發報價」這套 SaaS（/services/quote-management），中小企業要先試 SaaS。內部 AI 流程適用場景是：你已經有獨特的報價邏輯、SaaS 規格搭不上，或你想學內部 AI 落地當作組織能力。否則買 SaaS 是更快的路。

Claude vs OpenAI 要選哪個當主 LLM？

我們的內部 A/B 測試顯示中文長 context 商業文書 Claude Sonnet 略勝、英文 + 程式碼 + 結構化資料 GPT-5 略勝。實務建議是兩個都掛、用 LiteLLM 抽象層做切換，每 6 個月 retest 一次。決策不要鎖死。

Fallback 機制會不會增加維護成本？

增加，但 ROI 正。我們估算 fallback 機制每月多花約 1.5 小時工程師工時維護，但因此避免了至少 2 次「API 掛了業務停擺」的事件，每次事件平均損失 4-8 小時業務出貨時間。長期算下來，fallback 維護是淨賺的。

這套 SOP 適合多大規模的公司？

我們建議員工 5 人以上、報價頻次每週 ≥ 5 張、有專人負責報價的公司才值得做完整自動化。少於這規模建議先用模板 + AI 助手（如 ChatGPT、Claude）做半自動，不要投資完整 pipeline。