这是一个 SasaDaily 假设商业案例。
不是 OpenAI 官方客户案例。
也不是在说：
用了 GPT-6 Astra，就一定能替一家批发公司省下多少钱。
今天真正要测的是：
如果一家小公司没有 API、没有 IT 团队、也没预算把十年前的旧 CRM 全部重做，Computer Use 能不能先把最重复的人工操作拿掉？
假设这是一家 4 人五金批发公司
公司每天处理：
水电材料。
五金零件。
修缮耗材。
小型工程商订单。
团队只有四个人。
一个老板。
一个业务。
一个行政。
一个仓储兼出货。
公司已经做了很多年。
所以也留下很多：
老系统。
最麻烦的是一套十年前的 CRM
它还能用。
客户数据也都在里面。
但问题是：
没有 API。
没有 MCP。
没有现代 Automation。
每天员工还是要自己：
登录。
搜索客户。
打开 Customer Profile。
拷贝电话。
贴 Email。
更新 Follow-up Status。
再按 Save。
如果下周要回访：
又切到 Calendar。
再创建 Reminder。
Excel 又是另一个世界
业务在外面接到客户修改：
常常先记在 Spreadsheet。
例如：
新电话。
新 Email。
联系窗口。
下次追踪日。
行政每天再把：
Excel 里的数据。
人工搬回 CRM。
所以公司其实有两套数据：
Excel 是今天发生的事。
CRM 是正式纪录。
每天都有人负责：
把两个世界重新对一次。
真正浪费时间的不是「想」
而是：
找。
点。
拷贝。
贴。
切 App。
再确认。
每一笔可能只要：
三分钟。
但如果一周有：
80 笔客户数据需要更新。
80 × 3 分钟：
就是：
240 分钟。
4 小时。
而且这四小时做的事情：
几乎没有太多商业判断。
老板第一个想法可能是：换 CRM
理论上很好。
但真的换系统：
可能要：
导出旧数据。
清理字段。
重新设置权限。
训练员工。
处理历史纪录。
重新接报表。
甚至改掉原本已经习惯十年的工作方式。
对四人公司来说：
这不是：
「换一套 App」。
可能是一个：
完整 IT Project。
Astra 的新方向刚好打到这种问题
OpenAI 对 GPT-6 Astra 的企业定位里：
一个很重要的能力是：
Computer Use。
它可以跨：
网站。
Desktop App。
Internal Tool。
工作。
甚至不一定要求：
每一套系统都有 API。
这代表这家批发公司：
理论上不用第一天就把老 CRM 重写。
AI 可以先像：
一个坐在电脑前的行政人员。
利用原本的画面操作。
但这家公司不让 Astra「自己管理 CRM」
第一个原则很重要。
不是：
「这套 CRM 以后全部交给 AI。」
而是：
「先挑一个非常窄的任务。」
第一个任务只有：
把已经人工确认过的：
电话。
Email。
联系状态。
更新进正确 Customer Record。
就这三类。
其他：
全部不碰。
第一步：Excel 先变成正式的工作清单
公司规定：
不是所有 Excel 都可以用。
只有一份：
已人工确认的 Customer Update Sheet
可以成为 Astra 的 Source。
业务把修改内容填进去。
行政先看一次。
确认：
客户名称。
公司名称。
原始数据。
新数据。
没有明显问题。
再把这份 Sheet：
交给 Agent。
为什么不能让 Astra 自己找「最新版 Excel」？
因为公司文件夹里可能同时有：
Customer List。
Customer List New。
Customer List Final。
Customer List Final2。
Customer List 0913。
人看到都头痛。
AI 也不应该：
自己猜。
所以工作一开始就明确指定：
只有这一份是 Source of Truth。
这样很多错误：
在工作开始前就先消掉。
第二步：Astra 只拿到三个工作范围
公司允许：
第一：
指定 Customer Update Sheet。
第二：
旧 CRM。
第三：
Calendar。
不开：
银行。
不开：
公司 Email。
不开：
Supplier Portal。
不开：
Payroll。
不开：
Production Server。
理由很简单。
这个工作根本：
不需要。
第三步：正常数据直接处理
例如 Spreadsheet 里写：
公司：
大安水电工程。
联系人：
王先生。
原电话：
A。
新电话：
B。
Astra 就：
打开 CRM。
搜索大安水电工程。
再核对：
联系人。
现有电话。
如果三个条件都能对上：
修改电话。
Save。
接着：
回报。
不只是名字一样就修改
这非常重要。
假设 CRM 里：
有两位王先生。
AI 不能：
挑第一个。
所以团队订一条简单规则：
至少要有两个识别信息：
可以对上。
例如：
公司＋联系人。
或者：
客户编号＋公司。
如果不能：
停。
这种情况不是：
Agent Failure。
它是：
正常 Exception。
第四步：数据冲突直接丢回人
例如 Excel 写：
新 Email 是 A。
CRM 里却显示：
昨天刚更新成 B。
到底哪个比较新？
Astra 不判断。
它可以：
指出差异。
截取必要信息。
然后：
停止。
交给行政：
确认。
因为这里开始需要：
现实世界 Context。
也许业务今天拿到最新数据。
也可能 Excel 根本是旧档。
AI 不需要：
为了完成率。
硬选一个。
第五步：更新完，自动准备跟进时间
假设 Sheet 里已经人工写明：
七天后回访。
那 Astra 可以：
查看 Calendar。
准备一个：
Follow-up Reminder。
但公司第一个月不让它：
直接发 Invitation 给客户。
只是：
创建内部 Reminder Draft。
因为：
公司先自动化的是：
行政提醒。
不是：
对外承诺。
第六步：外部 Email 完全不在第一阶段范围
业务可能会说：
「反正它都会操作电脑了，顺便帮我寄：
『王先生您好，我下周再跟您联系。』」
不要。
因为：
更新 CRM。
和：
代表公司对外说话。
是两种不同权限。
前者：
整理内部数据。
后者：
可能产生：
客户期待。
正式承诺。
所以第一阶段：
不寄。
第七步：价格更不能自动改
批发业最敏感的事情之一：
就是价格。
不同客户可能有：
不同折扣。
不同付款条件。
不同历史报价。
所以公司明确规定：
只要 Astra 看到：
Price。
Discount。
Credit Limit。
Payment Term。
全部：
Read-only。
不得改。
即使 Excel 上有新价格：
也先列进：
待人工处理。
第八步：删除永远不自动
如果 CRM 发现：
重复客户。
最容易想到：
「顺便删掉一个。」
不要。
因为你不知道：
旧纪录底下还挂着什么。
历史订单。
付款数据。
客诉纪录。
报价。
Follow-up。
所以：
Delete。
一律：
停。
如果真的要清理：
另外做：
独立任务。
独立 Review。
第九步：任务最后一定产生 Change Report
Astra 做完：
不能只说：
Completed。
公司要求回报：
成功更新几笔。
每笔修改哪些字段。
哪些没有修改。
哪些出现 Conflict。
哪些客户找不到。
哪些出现重复 Match。
哪些 Calendar Reminder 已创建。
哪些仍等待人工决定。
这样行政：
不用把 80 笔重新全部看一次。
只需要：
看 Exception。
这就是 AI Agent 最有价值的地方
不是：
完全没有人看。
而是：
以前人需要：
看 80 笔。
现在可能只需要：
看 12 笔例外。
如果 68 笔都是：
明确。
低风险。
可核对。
又可回查。
让 AI 完成：
人就可以把注意力：
集中在真正需要判断的地方。
这和传统 Automation 最大差别在哪？
传统 RPA 也能：
按按钮。
搬数据。
问题是：
界面一变。
字段位置换掉。
多跳一个 Warning。
流程可能直接失败。
Astra 这类 Computer Use Agent 的潜力是：
它不是只记：
「第 317 Pixel 点一下。」
它可以理解：
画面。
字段。
任务目的。
界面稍微不同时：
仍可能调整。
这也是为什么它特别适合：
很多：
没有 API。
但人看得懂。
又每天要操作。
的企业软件。
但「比较会适应」同时也是风险
传统 Script 遇到没写过的情况：
常常直接：
Error。
AI Agent 可能会：
想办法继续。
这通常是优点。
但企业工作里：
也可能变成问题。
因为有些时候：
最正确的行为不是：
找到替代方案。
而是：
停。
所以公司才需要：
明确停止条件。
这家公司最后订六个「一定停」
第一：
找不到唯一相符客户。
第二：
数据源彼此冲突。
第三：
任何删除。
第四：
任何付款或信用条件。
第五：
任何对外 Email／Message。
第六：
任何需要使用原本没批准的 App／Website。
一遇到：
就不要：
「自行想办法完成。」
直接：
送回人。
这也刚好符合 Astra 的企业控制方向
OpenAI 已提供企业层控制：
可以限制：
网站。
Desktop App。
Browser Use。
Computer Use。
Upload／Download。
以及部分 Approval 行为。
所以公司不是只能靠 Prompt 说：
「拜托不要进银行网站。」
IT 或管理员可以：
直接把银行网站：
Block。
这比：
纯文字规则。
更可靠。
但系统限制仍然不能代替公司 SOP
例如管理员可以：
阻止 Astra 进：
银行网站。
但它不知道：
公司规定：
价格超过某个折扣：
必须老板批准。
这仍然需要：
公司的 Business Rule。
所以完整设计是：
系统权限。
加：
任务规则。
再加：
人工 Approval。
不是只靠其中一个。
一个月后，公司可以再增加第二种任务
如果 Customer Update：
已经跑得稳。
再加：
订单异常盘点。
例如 Astra：
读取指定 Spreadsheet。
打开老 ERP。
找出：
订单有。
但出货状态空白。
或者：
出货完成。
但 CRM 还没有 Follow-up。
先列出 Exception。
仍然：
不改订单。
不取消。
不退款。
第一轮只是：
找问题。
第三阶段才考虑 Supplier Portal
假设批发公司每天还要：
登录三家供应商网站。
查：
到货日。
库存。
订单状态。
这些网站：
都没有 API。
Computer Use 就可能再次有价值。
Astra 可以：
开网站。
登录。
查指定订单。
把结果：
整理回内部 Spreadsheet。
但第一阶段仍不要让它：
正式下单。
取消。
付款。
为什么不是一次全部串起来？
因为一个 Workflow 越长：
错误就越难找。
假设：
Excel 读错。
CRM 找错人。
Calendar 又排错时间。
最后还自动寄 Email。
你最后只看到：
客户收到一封错信。
但根本不知道：
问题最早在哪一步开始。
所以小公司导入 Agent：
最好的方法往往不是：
一口气追求「全自动」。
而是：
一段一段变可靠。
那这样到底能省多少时间？
以下全部是：
SasaDaily 假设数字。
不是 OpenAI 官方 ROI。
假设公司：
每周有 80 笔 Customer Update。
以前：
每笔平均人工处理：
3 分钟。
80 × 3：
240 分钟。
也就是：
4 小时。
导入 Astra 后，假设 80% 可以直接完成
80 笔里：
64 笔。
属于：
数据清楚。
客户唯一。
字段明确。
不用人判断。
人工只需要：
最后快速核对 Change Report。
假设平均：
每笔 45 秒。
64 笔：
48 分钟。
剩下 16 笔例外仍由人处理
假设每笔：
仍然需要 3 分钟。
16 × 3：
48 分钟。
总人工时间：
48＋48：
96 分钟。
也就是：
1 小时 36 分钟。
原本：
4 小时。
差：
144 分钟。
也就是：
每周省约 2 小时 24 分钟。
四周：
约：
9.6 小时。
假设行政有效工时每小时 NT$550
9.6 × 550：
理论时间价值约：
NT$5,280／月。
但这不能写成：
「Astra 每月保证替公司省 5,280 元。」
因为还没算：
ChatGPT／模型使用成本。
导入设置。
教育训练。
异常处理。
网络。
人工验收。
以及：
实际成功率。
这只是用来回答：
这个流程值不值得实测？
真正 KPI 也不应该只看「省多少分钟」
第一个 KPI：
Straight-through Rate。
80 笔里：
有多少可以：
不靠人工重新操作。
直接完成。
例如：
64／80：
80%。
第二个 KPI：Exception Rate
多少工作：
因为：
找不到客户。
数据冲突。
系统错误。
权限问题。
需要丢回人？
这比：
Agent 说自己完成几笔：
更有用。
第三个 KPI：Wrong Update Rate
这是最重要的。
例如：
100 笔里：
有没有改错人？
改错栏？
用错 Source？
如果出现：
1%。
也不能只看：
「99% 很高。」
因为错的那 1%：
如果是：
价格。
出货。
付款。
后果可能完全不同。
所以不同字段：
需要不同容错率。
第四个 KPI：人工 Review 花多久
如果 Astra：
一分钟做完。
但员工还要：
五分钟重新检查每一笔。
那没有真的省时间。
真正理想的是：
Routine Item：
快速抽查或 Review Report。
Exception：
才深入看。
第五个 KPI：Agent 有没有在该停的时候停
这个很容易被忽略。
如果找不到客户：
它每次都停。
其实：
很好。
不要把停止率看成：
失败率。
高风险流程里：
正确停止本身就是成功。
真正危险的是：
它不知道。
却为了把 Task 做完：
自己猜一个。
这家公司最不该用 Astra 直接做什么？
第一：
付款。
第二：
退款。
第三：
改价格。
第四：
改 Credit Limit。
第五：
删客户。
第六：
代表业务对客户做正式承诺。
不是因为 Astra：
永远做不好。
而是：
这些事情做错以后：
后果比较难回复。
「能自动」和「值得自动」是两回事
Computer Use 能操作一个按钮：
不代表：
那个按钮就值得交出去。
真正值得先自动的：
通常是：
高频。
低风险。
规则清楚。
可以验证。
做错可以还原。
例如：
抄数据。
创建 Draft。
查状态。
整理 Follow-up。
真正该晚一点自动的：
通常是：
钱。
权限。
删除。
法律。
正式承诺。
对四人公司来说，最大价值不是「变成无人公司」
这家公司本来：
就只有四个人。
再追求：
「少掉一个人」
未必合理。
真正问题是：
老板和业务每天还在：
处理大量机械性行政操作。
如果 AI 可以把：
4 小时 Copy／Paste。
变成：
1.6 小时 Review＋Exception。
多出来的时间：
业务可以：
回客户。
追报价。
找新案子。
仓储可以：
处理真正出货问题。
行政可以：
清理数据。
这才是：
小企业比较实际的 AI ROI。
Astra 对旧系统最有意思的地方就在这里
很多企业 AI 项目以前的起点是：
先集成系统。
先建 API。
先搬数据。
先改 ERP。
先做 Data Platform。
完成后：
一年过去了。
小公司根本玩不起。
Computer Use 带来另一种可能：
先从人原本能操作的地方开始。
让 AI 先替人：
走画面。
填字段。
跨 App。
再看：
哪些 Workflow 真正值得：
下一阶段正式做 API。
反而可以拿 Astra 当「自动化需求探测器」
假设跑三个月后发现：
80% 的工作永远都在：
CRM Customer Update。
那公司就知道：
这条流程：
值得正式做 Integration。
如果某个工作：
一个月只发生两次。
就没必要：
花几十万开发 API。
Computer Use：
先补。
这反而让 IT 投资：
更有数据。
最后的 SOP 可以很简单
每天行政准备：
1. 一份已确认 Customer Update Sheet。
接着 Astra：
2. 只进允许的 CRM／Spreadsheet／Calendar。
3. 找唯一相符客户。
4. 更新核准字段。
5. 创建内部 Follow-up Reminder。
遇到：
6. 数据冲突／多重 Match／删除／付款／外部消息／价格 → 停。
最后：
7. 产生 Change Report。
人：
8. 只处理 Exception 与高风险项目。
不是：
AI 全做。
也不是：
人全部照旧。
而是：
机械性的部分交出去。
需要承担后果的部分留下来。
这才是 Astra 对小企业最值得看的商业价值
不是：
公司明天就要：
全部换成 AI。
而是很多老公司：
其实早就有：
客户。
订单。
流程。
数据。
真正拖慢它们的是：
这些东西散落在：
老软件。
Excel。
网站。
人脑。
以前要让 AI 帮忙：
第一步可能是：
重做所有系统。
现在 Computer Use 开始提供另一条路：
先让 AI 学会操作公司已经在用的东西。
然后一步一步缩小：
哪些工作真的还需要人亲手点。
最后留下来的：
应该不是：
拷贝。
粘贴。
找字段。
按 Save。
而是：
这个客户到底该怎么处理。
这个价格到底能不能给。
这件事情公司到底愿不愿意承诺。
这些才是人真正应该花时间的地方。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
企业已经买了最强 AI，为什么最后还是卡在二十年前的旧系统？
AI 商业案例｜2026/09/03：5 人物业管理公司怎么用 Workspace Studio？租客报修自动整理搬档，维修承诺前由人批准
AI 商业案例｜2026/09/09：4 人远程行政助理工作室怎么用 Muse？Email、Calendar 与跨网站代办背景跑，寄信、付款与承诺仍由人批准
