準備 iPAS AI 應用規劃師時，很多人看到模型、演算法、資料治理、生成式 AI 和風險控管，就覺得自己得從頭補一套資訊工程課。非資訊背景的人尤其容易這樣想，接著一路往程式、模型和工具細節裡鑽，讀得很辛苦，卻不一定讀到考試真正在問的地方。
AI 應用規劃師的角色，比較接近專案前端的判斷者：在公司還沒花錢、廠商還沒進場、系統還沒上線之前，先判斷這件事能不能做、適不適合做，以及風險會落在哪裡。這篇用一個假設的情境，說明這種判斷要看哪些地方，以及讀書時可以怎麼對應。情境裡會依序遇到三個問題：工作有沒有先拆開？資料能不能信任？出錯時由誰負責？最後再把這三個問題擴充成一套讀考題時可以用的判斷框架。
一個假設的 AI 客服導入情境
假設一家網路商店同時推出廣告、直播和節慶活動，客服訊息因此暴增。顧客每天詢問出貨時間、折價券怎麼用、退貨條件、組合商品能不能拆換，客服人員忙不過來。老闆聽完一場 AI 分享會後，想到可以導入 AI 客服來節省人力。這個想法很常見，也很合理：客服問題多，AI 又能回答問題。
公司請廠商做展示，畫面漂亮、回答快速、語氣親切，還能串接知識庫，於是系統上線。前幾天看起來很順利，直到出現第一個複雜案例：一位顧客買了保養品組合，使用後覺得不舒服，詢問能不能退貨。AI 查到一份舊規則，回覆「拆封後七日內仍可申請退貨」。顧客照做寄回商品，真人客服處理時才發現，這個品項已經改成個案處理，拆封後不能直接退。
顧客拿出 AI 的回覆截圖，問客服：「這是你們系統回我的，現在又不算？」對顧客來說，他不會區分回答的是 AI 還是真人，只知道這是公司給的答案。最後公司退款、補折價券，客服也沒有因此變輕鬆：原本只要處理顧客的問題，現在還要修補 AI 回錯的部分。流程沒有整理好，就交給一個很會說話的系統，原本的混亂並沒有消失，只是傳得更快。
讀到這裡，先停一下：如果要你找出問題，你會說是 AI 不夠聰明，還是別的地方出了錯？
問題出在哪裡？
這個情境裡，AI 回錯的原因不只是「模型不夠好」。更根本的是，公司一開始沒有拆清楚客服工作裡，哪些部分適合交給 AI。把客服工作拆開來看，差別就很明顯：
| 客服工作 | 依據的資料是否明確 | 出錯的代價 | AI 適合的角色 |
|---|---|---|---|
| 查訂單狀態 | 明確，系統裡有紀錄 | 低 | 可以直接回答 |
| 整理對話摘要 | 對話內容本身 | 低，人員會再看過 | 協助整理 |
| 回答標準常見問題 | 明確，前提是規則有人維護 | 中 | 可以回答，但要能追溯來源 |
| 判斷能不能退貨 | 牽涉商品屬性、活動條件與公司政策 | 高，可能引起申訴 | 只提供參考，由人員判斷 |
| 決定要不要補償 | 屬於公司授權範圍 | 高 | 不交給 AI |
所以面對「我們想導入 AI 客服」這種需求，AI 應用規劃師要先往下問：客服工作中，哪一段最耗時？哪一段最標準？哪一段最容易出錯？哪一段出錯後代價最高？這些問題要在挑選工具之前回答，因為它們決定 AI 該放在流程的哪個位置。
把表格裡的工作放到兩個判斷軸上，會更容易看出規律：依據的資料愈明確、出錯的代價愈低，愈適合交給 AI；反過來，就愈需要由人決定。
資料不乾淨，AI 會把混亂說得很流暢
很多公司以為自己的客服紀錄、商品問答和活動規則很多，所以很適合導入 AI。但打開來看，常見的狀況是：同一個退貨問題，不同客服有不同說法；去年的活動規則還留在資料夾裡；新版政策沒人更新；有些對話紀錄還夾帶個人資料。這種資料直接接給 AI，AI 不會自動分辨哪份才是對的。
生成式 AI 在實務上最麻煩的地方，是它很少錯得像亂碼，而是錯得像一份正式答案：語氣穩定、格式完整，看起來很專業，現場人員反而更容易相信。上面的退貨案例就是這樣，舊規則被說得清清楚楚。
因此，資料治理不只是考試名詞，而是導入 AI 之前要先做好的基本工作：
- 知識庫裡的每份規則都要標明版本，並指定由誰維護。
- 過期的規則要下架，不能留給系統查到。
- 含個人資料的內容要先處理，才能放進知識庫。
- AI 的回答要能追溯到依據哪一份資料，出錯時才查得到原因。
上線前，要先講清楚誰負責
談到 AI，很多人第一個想到效率：省多少時間、省多少人、自動回答多少比例。但上線前還有一組問題要先回答：
- AI 答錯時，誰負責？
- 哪些問題一定要轉給真人？
- 顧客拿 AI 的回覆申訴時，公司認不認？
- AI 給錯折扣，損失由誰吸收？
- 哪些回覆需要人員覆核後才能送出？
這些問題如果沒有事先講清楚，最後都會落到第一線人員身上。所以導入 AI 不是把工具打開就結束，還需要責任分工、轉真人的條件、權限範圍、人工覆核，以及出錯後的處理原則。
在這個情境裡，每個人的擔心其實都合理：老闆想省成本，主管要成果，客服想減少訊息量，技術人員想知道資料在哪裡，行銷擔心品牌語氣，業務擔心 AI 對顧客亂承諾。工程師處理模型與系統，廠商提供平台，但公司內部還需要有人把這些期待對齊，把「現場的工作」整理成「可以導入、可以控管、可以負責」的應用情境。這正是 AI 應用規劃師的位置。
把考題讀成一套判斷框架
準備考試當然要讀名詞，模型、資料、生成式 AI、風險治理、隱私保護和系統導入都要懂。不過，如果只停在背題目，讀到的會是一堆零散的定義。比較有效的讀法，是讓每個名詞對應到一個判斷問題。看到一個 AI 應用情境時，可以依序問：
- 要解決的問題有沒有定義清楚？
- 工作流程有沒有拆開，知道 AI 放在哪一段？
- 資料能不能信任，有沒有人維護？
- 哪些地方可以自動化，哪些只能輔助？
- 出錯時，有沒有人接得住、由誰負責？
前面三節談的分別是第 2 題（拆工作，表格最後一欄同時回答了第 4 題）、第 3 題和第 5 題。第 1 題是整件事的起點：情境裡的老闆只想到「節省人力」，要解決的問題沒有先講清楚，後面也就很難判斷工作該怎麼拆。
例如讀到「人工覆核」，就想它在回答第 4 和第 5 題；讀到「資料治理」，就對應第 3 題。題目換成醫院排班、公文分類或其他情境時，這五個問題仍然適用。中級常見的 PoC、ROI、MLOps 等名詞如何放進專案流程，可以接著看〈iPAS AI 應用規劃師怎麼準備？〉裡的對照表。
回到開頭的焦慮：準備 iPAS，不必急著把自己練成工程師。工程師負責把系統做出來，而這張證照要練的，是判斷 AI 該不該用、要用在哪裡、用到哪裡為止，以及出問題時由誰承擔。這個情境也有影片版，可以搭配觀看：AI 客服導入為什麼翻車？用 iPAS 應用規劃師看 5 個流程漏洞。
讀完試試看
假設一家醫院想用 AI 處理護理人員排班。用這篇的方法，哪些工作可以交給 AI 直接做，哪些要由人決定？
想好再往下看。參考答案：先把排班拆開。彙整每個人的請假與可上班時段，資料明確、出錯容易修正，適合 AI 直接整理；產生排班草稿，可以讓 AI 協助、由護理長檢查；遇到人手不足時如何調度人力、如何補償，牽涉公平與權限，應由人決定。
本文的客服情境為說明用的假設案例，非特定公司的真實事件；內容為個人自學整理，非 iPAS 官方教材。正式考科、評鑑範圍與最新規則，請以AI 應用規劃師官方專區公告為準。