AI 自動化上線前的 10 項檢查清單
上線前花 10 分鐘檢查，勝過上線後花 10 小時修。
很多團隊把 AI 自動化做到 80 分就急著上線，結果第一天就出包：流程斷在沒人接手的地方、輸出格式沒人驗收、trigger 不穩定導致漏跑或重複跑。這些問題不是「上線後再優化」能解決的，是上線前就該擋下來的。
以下 10 項分成流程、人員、量測三類。每一項都必須是「是」才能上線，任何一項「否」就先補齊。
流程類（4 項）
1. 流程 SOP 寫好了嗎？
不是腦袋裡知道怎麼跑，而是白紙黑字寫下來。每一步做什麼、用什麼工具、輸入什麼、輸出什麼。SOP 不存在，自動化就是一個人的記憶體，人一走就斷。一個 Google Doc 加截圖就夠，重點是讓沒參與開發的人也能看懂。
2. Input / Output 定義清楚嗎？
AI 接什麼格式、吐什麼格式，要明確到讓接手的人不需要猜。常見的坑：JSON 結構沒寫 schema、欄位名稱口頭約定沒文件化、錯誤訊息沒有統一格式。把 input 和 output 各寫一個範例貼在 SOP 裡，花 5 分鐘能省之後無窮的溝通成本。
3. Trigger 固定了嗎？
排程觸發、事件觸發、還是手動觸發？如果是排程，頻率多少？如果是事件，上游服務的 SLA 如何？要確認 retry 機制和重複觸發的冪等性處理。trigger 不穩定，整條自動化就是空的。
4. 連續 5 次結果一致嗎？
跑一次成功不代表穩定。連續跑 5 次同質資料，輸出是否都在可接受範圍內？AI 的非確定性是管理風險，不是技術特色。5 次裡有 1 次跑偏，不是「偶發」，是 prompt 或流程容錯率不夠，回去改到全過再上線。
人員類（3 項）
5. Review Owner 指定了嗎？
自動化上線後，誰負責定期看結果？不是「大家盯一下」，而是指定一個人有明確的 review 責任：定期抽檢輸出品質、監控異常指標、發起修復。沒有 review owner 的自動化，三個月後沒人知道它還在不在跑。
6. Pass / Fail 標準定義了嗎？
什麼叫「跑對了」？什麼叫「跑錯了」？標準不需要完美但要具體：「萃取準確率 > 95%」「格式錯誤 < 2%」「每筆處理時間 < 30 秒」。能量化就量化，不能量化就用範例標定邊界。沒有共識，上線後就是無止盡的各說各話。
7. Fallback 處理人確定了嗎？
自動化掛了或結果異常時，誰接手？Fallback 處理人要滿足三個條件：知道這條自動化的存在、有能力手動處理、接到通知後 2 小時內回應。三個缺一就不算數。
量測類（3 項）
8. KPI 定義了嗎？
省時間？降低錯誤率？提升產出量？KPI 在上線前就定好，不是上線後才想「好像有比較快」。KPI 的作用是讓你有客觀標準判斷這條自動化值不值得繼續跑。
9. Baseline 數據有了嗎？
沒有 baseline，KPI 就沒有對照組。上線前花半天手動跑一批資料，記錄時間、品質、錯誤率。有了 baseline，上線後才能說「效率提升 40%」。沒有數字的改善，在管理層眼裡就是感覺，不是成果。
10. 復盤模板準備了嗎？
第一次復盤什麼時候做？看哪些指標？用什麼格式記錄？模板至少包含：本期 KPI 實績、異常事件清單、改善行動項、下次復盤時間。一頁 A4 就夠，重點是有紀律地填。
這 10 項不是建議，是上線門檻。跳過任何一項，你不是在「快速迭代」，是在賭運氣。上線前 10 分鐘的檢查，是管理者的基本功。做不到，就別上線。
想試試 Make？免費註冊 →