14 個行業的 AI 應用痛點 — 從訪談中整理的實戰智慧¶

AgentCrew Academy 的 Dustin Teng 訪談了 14 個不同行業的朋友，整理他們在 AI 實際使用中的卡點。核心發現：大多數人的問題不是「不知道工具」，而是「不知道工作裡哪段該給 AI、哪段一定要自己驗」。

目錄¶

• 核心觀點
• 案例總覽：12 個 AI 痛點
• 關鍵原則：工作拆分框架
• 作者與課程資訊
• 參考資料

核心觀點¶

大多數人在工作場景中引入 AI 時遇到的問題，可以歸納為一個根本原因：

工作拆分（Work Decomposition）的能力不足 — 不是不會用工具，而是不知道： - 工作的哪個環節適合交給 AI - 哪個環節必須由人類親自驗證 - 什麼類型的任務該用什麼方式（代碼 vs. AI 推理 vs. 人工）

案例總覽：12 個 AI 痛點¶

以下按視頻章節順序整理 12 個案例的核心教訓：

Case 1：家族傳記逐字稿 — 原始檔保留法¶

1:13

用 AI 處理口述歷史的逐字稿時，最大的風險是 AI 改寫原始內容。正確做法是保留原始檔案，用 AI 做摘要和整理，但原始逐字稿永遠作為 source of truth 保留。

[原始逐字稿（人工/語音辨識）] → 保留不改
        ↓（只讀參考）
[AI 整理版（摘要/分類/索引）] → 可編輯

原則：原始資料絕不讓 AI 覆蓋，AI 只做「增層」而非「替代」。

Case 2：旅遊業月報 — 洞察 vs. 敘述性廢話¶

2:59

AI 容易產生「看起來有道理但沒有實質內容」的報告。問題出在 Prompt 設計： - ❌ 「幫我寫一份月報」→ AI 生成流水帳式敘述 - ✅ 「列出本月 3 個最大的變化趨勢，並對比去年同期」→ AI 产出有價值的洞察

原則：讓 AI 做分析和對比，不要讓 AI 做敘述。

Case 3：數字不能讓 AI 猜 — 計算交程式碼¶

5:02

AI 模型的數學計算不可靠（hallucination），涉及精確數字的場景必須交給程式碼處理：

原則：AI 負責「讀懂和表達」，計算交給程式碼。

Case 4：知識庫不是越大越好 — 分層載入策略¶

5:51

把所有資料一股腦丟進 RAG / 知識庫是常見錯誤，會導致： - 檢索噪音（無關資料干擾） - 成本上升 - 準確率下降

分層載入策略： - L1（常駐）：核心流程文檔、FAQ - L2（按需）：專案相關資料 - L3（歸檔）：歷史文檔，僅搜索時引用

+------------------+
|   L1 核心知識     |  ← 常駐載入
+------------------+
|   L2 專案知識     |  ← 按需載入
+------------------+
|   L3 歷史歸檔     |  ← 搜索時引用
+------------------+

Case 5：求職 Pipeline — 讓 AI 當數位員工¶

7:31

把求職流程設計成一條 AI Pipeline，而非零散使用 AI 工具：

[職缺搜集] → [履歷篩選] → [Cover Letter 生成] → [面試準備]
     ↓              ↓               ↓                ↓
  腳本/搜尋       AI 排序         AI 草稿+人修     AI 模擬面試

原則：把 AI 當「數位員工」而非「問答機器人」，設計完整的工作流。

Case 6：業務名單開發 — 漸進放量與人工審核¶

9:17

AI 生成的業務名單不能直接使用，需要漸進放量策略： - 先小批量生成 → 人工抽樣審核 - 確認品質後再擴大量 - 持續抽檢，防止品質漂移

原則：AI 產出需要品質控管（QA），不是生成就能用。

Case 7：投資研究 — 聰明模型 vs 本地模型分工¶

11:06

不同類型的研究任務適合不同的模型： - 高階分析、報告撰寫 → 聰明模型（Claude / GPT-4） - 大量資料整理、格式轉換 → 本地模型（節省成本） - 敏感數據 → 本地模型（資安考量）

原則：按任務敏感度和複雜度分配模型，不必全部用最貴的。

Case 8：供應鏈自動化 — 純邏輯交程式碼，推論才交 AI¶

12:49

供應鏈自動化中，需要區分兩種任務： - 確定性邏輯（if-then-else、格式轉換）→ 程式碼 - 不確定推論（預測、異常判斷）→ AI

任務分析
  ├── 確定性規則？ → if/else 程式碼
  └── 需要判斷？   → AI 推理

原則：能用程式碼解決的就不要用 AI，AI 留給真正需要推理的部分。

Case 9：多模態 Pipeline — Claude 協調、Gemini 看、GPT 生¶

14:38

不同模型各有擅長，可以組合成 Pipeline： - Claude：協調角色，負責流程控制和拆解任務 - Gemini：視覺理解（看圖、看文件截圖） - GPT：文本生成

原則：讓每個模型做它最擅長的事，而非全部交給一個模型。

Case 10：企業導入與合規 — 資安、共用帳號、敏感資料¶

16:15

企業導入 AI 時的合規考量： - 敏感資料不應送出企業環境 - 共用帳號的權限管理和稽核軌跡 - 資安政策需要與 AI 使用同步更新

原則：AI 導入前先處理資安和合規，事後補做成本更高。

Case 11：驗證機制 — 為什麼不能讓 AI 自己查自己¶

18:02

AI 自我驗證不可靠（「用同一個模型檢查自己的輸出」邏輯上有缺陷）： - ❌ AI 生成 → AI 自己檢查 → 認為沒問題 - ✅ AI 生成 → 人工抽檢 / 交叉驗證 / 不同模型互查

原則：驗證機制必須獨立於生成過程。

Case 12：1:1 陪跑 — Vibe Coding 之後你最需要什麼¶

19:21

Vibe Coding（快速用 AI 生成代碼）只是起點，之後需要： - 理解生成的代碼（維護能力） - Debug 能力 - 工作流設計能力（把零散操作串成系統）

原則：Vibe Coding 是入門手段，不是終點。真正的能力是把 AI 輸出整合進可靠的工作流。

關鍵原則：工作拆分框架¶

綜合 12 個案例，可以提煉出一個通用的工作拆分框架：

        你的工作任務
       /      |       \
   確定性    需要推論    需要創意
   邏輯      /    \      策略
     |      分析   判斷     |
     v       v      v      v
  [程式碼] [AI]  [AI+人]  [人類]

作者與課程資訊¶

AgentCrew Academy 由 Dustin Teng 創辦，背景是 12 年 GMAT 教學，現專注企業 AI 導入與零程式背景工作坊。 - 官網：agentcrew.cc - YouTube：@agentcrewacademy（7.92K 訂閱者） - 已協助 3+ 團隊導入 AI 工作流，7,843+ 次 Claude Code 實戰對話 - 課程 NPS 9.1，100+ 學員，11 場工作坊驗證

課程分級： - L1 入門班（2 小時，NT\(1,600）：環境設置 + 第一個 Agent 任務 - L2 深化班（4 小時，NT\)3,999）：爬蟲取資料 → GWorkspace 分發 → Skill 封裝

參考資料¶

• AgentCrew Academy 官網
• YouTube 視頻：我訪談了 14 個行業，這是他們 AI 用得最卡的地方

相關筆記¶

• [[AI Agent 工作流設計]]