【筆記】在公司負責導入 AI 的人通常在做什麼?☕️✨ with 你家蟲子 直播封面

【筆記】在公司負責導入 AI 的人通常在做什麼?☕️✨ with 你家蟲子

筆記使用AI輔助整理直播內容筆記,使用Claude。若有興趣歡迎補直播檔,或者追蹤我的YT頻道,每週一、三、五晚上七點直播,週五是國際與台灣新聞,週一、三聊時事與議題!歡迎大家來直播跟我聊天。

直播存檔:〈【雜談】用AI工作的時代來臨了☕️✨ with 你家蟲子 @你家蟲子〉(2026-01-30) | 頻道:@yochiaki1945

來賓是你家蟲子(@你家蟲子),平常在 Twitch 開台,之前也來聊過化學性回收與光電。本業在一間偏傳產的公司,負責把原本靠人工與紙本的流程搬進系統,自己寫公司的 ERP,也在試著把 AI 接進日常工作。

千昭自己在工作上也正被推著用 AI。兩個人的位置一個在寫系統、一個在用系統,這場就從彼此的痛苦開始聊。

直播時間是 2026 年 1 月底,文中的工具、版本與價格都以當時為準。

數位化先於 AI 化

老闆常把「我們有 ERP」跟「我們可以用 AI」當成同一件事。來賓的說法是這兩件事有點像雞生蛋:資料要先存在資料庫裡,AI 才有東西可以撈、可以學資料之間的關係。資料管理沒做好,AI 能做的就很有限。

來賓手上正在做的,是把原本靠人記、靠 Excel 的東西系統化:客戶建檔、聯絡人、付款條件(貨到付款還是月結幾天)、交易條件,還有行政面的打卡、請假、加班簽核。

打卡那段是很典型的例子。刷卡紀錄會由腳本定期從設備撈下來,系統比對每個人最早與最晚的打卡時間,時數不夠就跳出「是不是要請假」,超過就跳出「是不是加班了」,按一下就把簽核單送給直屬主管,主管可以核准、拒絕或只核一部分。來賓說上傳頻率要看資料怎麼用:薪水一個月結一次,打卡資料就不必天天傳;進出貨這種每天在動的,就要每天。

千昭那邊的卡點則是另一種樣子。業務先在 Excel 記一次,再 key 進 ERP,財務再從 ERP 拉出來做成 Excel,主管又有自己的另一份 Excel。工廠端與接單端各用一套 ERP,彼此沒有串接。這時候談 AI,最先要解決的其實是「同一筆資料不要 key 三次」。

怎麼判斷 AI 真的導入成功

千昭提到公司要大家寫「有 AI 之後怎麼優化工作」的報告。來賓接著講了一個常見的現象:AI 導入的 KPI 很難定義,於是常常變成模稜兩可的指標,數字很好看,實際工作沒什麼差,底下的人還多了一堆做樣子的工作。

來賓自己用的指標很單純:同一件事,一個人處理的速度有沒有變快。而且要快到明顯,大概至少省下一倍的時間,才算真的導入成功。

實際做法是在維持工作品質的前提下,稍微加一點工作量,把工具放在旁邊當選項,然後觀察完成時間有沒有往下掉。來賓也說,把事情做完之後在「裝忙」,跟真的在忙,看久了是分得出來的。

讓 AI 直接操作電腦

直播當天,來賓正好在玩一個那陣子在 X 上爆紅的工具。直播裡念成「CloudBot」,實際名稱是 Clawdbot。

(整理時補充:Clawdbot 是 2025 年 11 月發表的開源 AI agent,2026 年 1 月 27 日因為名稱太接近 Anthropic 的 Claude 改名 Moltbot,1 月 30 日也就是直播當天,再改名為 OpenClaw。來賓說「改了三次名」指的就是這件事。當時確實有不少人為了讓它全天候跑而買 Mac mini。)

來賓解釋它跟一般聊天機器人的差別:ChatGPT、Claude、Gemini 這類對話模型,跟它講完它不會幫你動手;agent 可以直接操作電腦。來賓的 demo 是把一張客戶 invoice 的照片丟給它,它先讀出上面的欄位與數字,再自己打開瀏覽器、登入公司的 ERP,把資料 key 進去。

來賓 demo 給主管看之後,公司就同意加買設備來跑。來賓的建議是:一般職員想改變公司對 AI 的態度,最快的路是先在自己的工作環境裝起來,真的做出成果,再慢慢教身邊的人。老闆有動力沒用,下面要有能落地的解法。

(整理時補充:這類工具權限很大,等於把帳號密碼與電腦操作權交出去。OpenClaw 爆紅後幾週內就有資安研究者揭露漏洞,也發現大量沒有設驗證就暴露在網路上的實例。公司環境要用,先跟 IT 或資安確認。)

資料會不會外洩:本地模型、API 與 Apple 的做法

千昭問了最直接的問題:用外面的模型,資料不會外洩嗎?

來賓的回答是,除非自建模型、完全本地運行,否則資料上傳就一定有這個疑慮。要思考的是這筆資料單獨被上傳,有沒有風險。來賓舉的例子是:密碼 12345678 打散順序丟給 AI,它不一定拼得回來。

來賓認為 AI 的能力與資料保護本來就是互相拉扯的。要讓 AI 接手更多工作、做出對的判斷,就得給它足夠的資料;但有些東西一定要自己握著,例如 API 金鑰,「方向盤不能給它」。重點是清楚知道自己的底線在哪。

來賓拿自動駕駛類比:一開始大家都說危險,後來有保險公司根據數據給出折扣。

(整理時補充:直播裡說裝 FSD 保費「少一半還是變三分之一」。查到的是美國保險公司 Lemonade 在 2026 年 1 月 21 日宣布,Tesla 開啟 FSD 行駛的那些里程,保費約打五折,採按里程計費,先在亞利桑那州上路。「三分之一」的說法沒有查到。)

千昭公司找的 AI 工程師做的是不連外網的系統,也就是本地模型。千昭擔心這樣會比較笨;同時也聽過會計師事務所的內部 AI 是串外部 API。

來賓用 Apple 當例子說明折衷的做法:手機裡放一個很小、很省記憶體的模型,負責基本操作與分流;它處理不了的,再把請求加密送到雲端的大模型。

(整理時補充:2026 年 1 月 12 日 Apple 與 Google 宣布多年合作,下一代 Apple Foundation Models 以 Gemini 為基礎。Apple 的端側模型約 30 億參數,較難的請求交給 Apple 自己的 Private Cloud Compute 處理。直播裡的「TBM 的模型」應是 3B 的 ASR 誤聽。)

本地模型還有一個實際限制。千昭問,如果是離線模型,拍照辨識 invoice 這件事還做得到嗎?來賓說,就其所知,能在一般設備上跑的小模型大多是 30 億到 70 億參數,通常只處理文字,要讓離線模型同時看得懂圖片,難度會高很多。

財務端的卡點:格式、紙本、機密

千昭把財務這一端的問題講得很具體:

  • 每家客戶的 invoice 格式都不一樣,每家銀行的水單格式也不一樣
  • 很多單據還是紙本,傳遞過程中會不見
  • 有些金額屬於商業機密,財務不敢把圖片丟出去
  • 關稅稅率一直變,要怎麼讓 AI 判斷「今天的稅率是多少」

來賓的看法是,光學辨識在現在的 AI 上已經蠻準,但問題出在流程設計。照正常的數位化流程,invoice 從上游進來時就該是資料,不該是紙本;最理想是誰拿到單據誰就直接 key 進系統,財務不必再轉手一次。系統之間沒串起來,就得再搭一座橋把資料轉過去。

千昭問到打錯一個零怎麼辦,來賓說數位化反而比較好查:每經過一次簽核、一次傳遞都有紀錄,可以知道是在哪一關多出來的。

兩人最後的結論很務實:公司要怎麼 AI 化很難由員工決定,最實際的是先想辦法用 AI 減輕自己的工作。

來賓也提到 Microsoft 的方向:之後 Word、Excel、PowerPoint 會越來越像交給 AI 去做、人只負責監管與確認每個檢查點。

(整理時補充:Microsoft 在 2025 年 9 月推出 Microsoft 365 Copilot 的 Agent Mode,先在 Excel 與 Word 上線,官方稱為「vibe working」。直播裡「生產力增加 10 倍」是轉述訪談的說法,整理時沒有查到出處。)

兩個 VTuber 怎麼把 AI 用在直播

千昭最常用 AI 的地方是寫來賓訪綱。來賓說上次化學回收那場的訪綱問得很細,細到照實回答就像在「裸奔」。千昭只給了「化學性回收」加上「來賓」這樣的關鍵字,AI 就能問到那個程度。來賓的解讀是,AI 讀過的文本量很大,給出來的不一定最準,但會是多數人的思考方式。

來賓玩的比較偏實驗:

  • AI 小蟲子:聊天室打字,AI 透過來賓直播用的虛擬形象回話。不開台的晚上掛著跑,隔天醒來 20 美元的額度被燒光,聊天室比本人開台還熱鬧。
  • 好感度遊戲:讓 AI 判斷聊天室每句話對來賓的觀感是加分還是扣分,旁邊放一條戀愛值進度條。結果一路掉到負 100%,觀眾嘴太壞。
  • 直播存檔轉摘要:語音轉文字、文字轉摘要、摘要轉時間軸,接在 Discord bot 裡。

字幕那段有實際的技術細節。來賓說當時用 Whisper 的 API 太貴,所以改成下載 Whisper 在本地跑,把兩三個小時的直播切成 15 分鐘一段、分別轉字幕,最後再把 SRT 合併。千昭則是付費用一個網路服務,丟上去就能產出 SRT,對她來說省下的時間值那個月費。

(整理時補充:直播裡說 Whisper API 轉一支影片要 10 美元,這個數字偏高。OpenAI 的 Whisper API 定價是每分鐘 0.006 美元,兩小時約 0.72 美元,API 的限制是單檔 25 MB。開源 Whisper 本地版以 30 秒為單位滑動處理,模型本身沒有 15 分鐘的上限,切段是常見的工程做法,但不是必要條件。)

2026 年初,各家模型怎麼分工,以及用 AI 吵架

這段是兩人各自的使用心得,屬於體感,不是評測。

來賓熟的是 ChatGPT、Claude 與 Grok:

  • Claude:上下文長,餵很多資料也比較不會亂回答,整理資料常常一步到位。來賓訂 20 美元方案。
  • Grok:xAI 的模型,最大強項是可以即時撈 X 上的資料,查新聞、做議題的市場觀察很快,而且講話很嘴砲。
  • ChatGPT:來賓覺得寫 code 很穩,像老派的工程師。

寫程式的部分,來賓一開始用 Claude Code,後來轉到 OpenAI 的 Codex,體感成功率比較高。但來賓也說這是網路論戰題,各有擁護者,能解決自己問題、自己用得習慣的就是好模型。

千昭目前付費的是 Gemini 與 Claude。Claude 用來給大綱、訪綱、挑剪輯時間點;摘要她覺得 Gemini 比較強,但有時太精簡。

(整理時補充,價格以 2026 年 1 月為準:Claude Pro 月繳 20 美元,Max 為 100 或 200 美元;ChatGPT Plus 20 美元、Pro 200 美元,8 美元的 Go 方案在 1 月 16 日全球上線;Grok 最高的 SuperGrok Heavy 為 300 美元。直播裡提到 Claude 最新是「Opus 4.2」,實際上當時最新是 2025 年 11 月 24 日發表的 Claude Opus 4.5,沒有 4.2 這個版本;「上一版 4.5」指的應是 9 月的 Sonnet 4.5。)

千昭說公司老闆很推崇 AI,會直接把自己問 Gemini 的對話連結貼到群組裡。她的應對是「用魔法對付魔法」:把老闆的話丟進自己的 AI 問對不對。問題是 AI 很容易順著提問的人,兩邊的 AI 就各自認同各自的立場。

來賓說這個問題最早出現在工程師身上:有人用 AI 寫 code,主管也用 AI review,整個過程沒有人真的參與,經驗值被下放,AI 幻覺就會變得很嚴重。

來賓最受不了的是網路上有人吵架時貼一大串 AI 回答,說「AI 說我是對的」。人講話一定有語病可以挑,AI 當然可以站在提問者那邊。

千昭則承認自己也會用 AI 回那種很長的 YouTube 爭論留言,因為不回它會一直掛在版面上,自己回又太花時間。

剪輯、AI 短影片與演算法

來賓的影片目前是這樣來的:觀眾幫忙抓時間軸,剪輯師採用了就有獎勵,剪輯費從固定的內容預算裡出。千昭這邊也是請人剪輯,再讓 AI 幫忙抓可以剪的段落。

千昭提到有朋友在試 AI 剪輯網站:把一小時的課程問答影片丟上去,AI 自己挑出重要段落、剪短、上字幕,直接變成 Shorts。

來賓說類似的東西在業界叫 skills,是給 AI 用的模組包,裝在電腦裡就能照流程幫忙剪片,但要落地得會跑終端機、會下指令。

(整理時補充:Agent Skills 是 Anthropic 在 2025 年 10 月推出的功能,一個資料夾裡放說明檔與腳本,讓 AI 照固定流程做事,12 月公開成開放標準。)

來賓對剪輯師的看法是:可能會被取代一部分,但會這個技能的剪輯師反而活下來、接更多案。

千昭問,這樣會不會讓數位垃圾變更多。來賓很有感:現在 YouTube 上一堆 AI 漫畫、AI 配音、AI 解說電影,動輒好幾個小時的狗血劇情,明知道很垃圾還是會看完,所以現在刻意不點。兩人都偏好看長片。千昭的觀察是,現在長片越來越長,十幾分鐘的中間長度反而變少。

講到 AI 影片,對談裡也提到以前拍貓咪廣告要一群穿黑衣的人抓著貓,現在 AI 直接生。

(整理時補充:直播裡說 GPT 出的「suno」要邀請碼、有很多貓咪影片,應是 OpenAI 在 2025 年 10 月 1 日推出的 Sora 2,當時需要邀請碼才能用。Suno 是另一家做 AI 音樂的公司。)

X 的演算法也聊到了。來賓去翻過 X 公開的程式碼,發現現在是先讓 AI 讀過每一則貼文,再判斷誰會想看,而被封鎖是很重的負面訊號。千昭的經驗是廢文反而容易被推出去,因為大家會在底下吵。來賓給的建議是:想找回某一類內容,光按讚不夠,要留言。

(整理時補充:X 在 2026 年 1 月把推薦演算法放上 GitHub,排序改由與 Grok 同架構的 transformer 學習。封鎖、靜音屬於負向訊號,但實際權重整理時沒有核對。)

白領會先被取代嗎

對談裡提到看過三歲小孩用 AI 寫作業的影片。來賓覺得從小就這樣用很可怕:之後拍一張照片 AI 就全部解完,小孩就沒有理由學閱讀、學推導。

來賓對工作的判斷是:人形機器人不一定能輕易取代藍領,白領反而可能先被大量取代。如果辦公軟體真的變成人只要監管,就不只是生產力翻倍,而是可能只需要原本一半的人。

千昭原本估計無條件基本收入要五到十年,朋友覺得要二十年,她現在覺得可能更快:裁員加上技術成熟,新畢業的人可能找不到工作,就會有必要性。

來賓補充,基本收入要成立,前提是模型與機器都掌握在私人公司手上,政府大概得大幅提高企業稅,或自己採購模型與機器去產生資源。控制不好的話,已經很兩極化的世界會更兩極化。來賓也用晶片來說明技術發展是指數型的,堆疊越來越快,但個人選擇當樂觀主義者。

來賓的總結:先省下 30%

來賓的收尾建議是:現在剛好是很甜的時間點,AI 會加速學習任何新技能,趁這時候試著改善自己的工作。

不用說效率翻倍,先以省下 30% 的時間為目標。一天八小時省三成,就多出兩三個小時可以做自己想做的事。

來賓也同意「知識資產 M 型化」的說法:學會怎麼用 AI 學習的人,會直接拉開跟同事的差距,同一件事可能只要別人三分之一的時間。

每週一、三、五晚上七點,千昭在 YouTube 直播聊時事。