這是一個 SasaDaily 假設商業案例。
不是 OpenAI 官方客戶案例。
也不是在說：
用了 GPT-6 Astra，就一定能替一家批發公司省下多少錢。
今天真正要測的是：
如果一家小公司沒有 API、沒有 IT 團隊、也沒預算把十年前的舊 CRM 全部重做，Computer Use 能不能先把最重複的人工操作拿掉？
假設這是一家 4 人五金批發公司
公司每天處理：
水電材料。
五金零件。
修繕耗材。
小型工程商訂單。
團隊只有四個人。
一個老闆。
一個業務。
一個行政。
一個倉儲兼出貨。
公司已經做了很多年。
所以也留下很多：
老系統。
最麻煩的是一套十年前的 CRM
它還能用。
客戶資料也都在裡面。
但問題是：
沒有 API。
沒有 MCP。
沒有現代 Automation。
每天員工還是要自己：
登入。
搜尋客戶。
打開 Customer Profile。
複製電話。
貼 Email。
更新 Follow-up Status。
再按 Save。
如果下週要回訪：
又切到 Calendar。
再建立 Reminder。
Excel 又是另一個世界
業務在外面接到客戶修改：
常常先記在 Spreadsheet。
例如：
新電話。
新 Email。
聯絡窗口。
下次追蹤日。
行政每天再把：
Excel 裡的資料。
人工搬回 CRM。
所以公司其實有兩套資料：
Excel 是今天發生的事。
CRM 是正式紀錄。
每天都有人負責：
把兩個世界重新對一次。
真正浪費時間的不是「想」
而是：
找。
點。
複製。
貼。
切 App。
再確認。
每一筆可能只要：
三分鐘。
但如果一週有：
80 筆客戶資料需要更新。
80 × 3 分鐘：
就是：
240 分鐘。
4 小時。
而且這四小時做的事情：
幾乎沒有太多商業判斷。
老闆第一個想法可能是：換 CRM
理論上很好。
但真的換系統：
可能要：
匯出舊資料。
清理欄位。
重新設定權限。
訓練員工。
處理歷史紀錄。
重新接報表。
甚至改掉原本已經習慣十年的工作方式。
對四人公司來說：
這不是：
「換一套 App」。
可能是一個：
完整 IT Project。
Astra 的新方向剛好打到這種問題
OpenAI 對 GPT-6 Astra 的企業定位裡：
一個很重要的能力是：
Computer Use。
它可以跨：
網站。
Desktop App。
Internal Tool。
工作。
甚至不一定要求：
每一套系統都有 API。
這代表這家批發公司：
理論上不用第一天就把老 CRM 重寫。
AI 可以先像：
一個坐在電腦前的行政人員。
利用原本的畫面操作。
但這家公司不讓 Astra「自己管理 CRM」
第一個原則很重要。
不是：
「這套 CRM 以後全部交給 AI。」
而是：
「先挑一個非常窄的任務。」
第一個任務只有：
把已經人工確認過的：
電話。
Email。
聯絡狀態。
更新進正確 Customer Record。
就這三類。
其他：
全部不碰。
第一步：Excel 先變成正式的工作清單
公司規定：
不是所有 Excel 都可以用。
只有一份：
已人工確認的 Customer Update Sheet
可以成為 Astra 的 Source。
業務把修改內容填進去。
行政先看一次。
確認：
客戶名稱。
公司名稱。
原始資料。
新資料。
沒有明顯問題。
再把這份 Sheet：
交給 Agent。
為什麼不能讓 Astra 自己找「最新版 Excel」？
因為公司資料夾裡可能同時有：
Customer List。
Customer List New。
Customer List Final。
Customer List Final2。
Customer List 0913。
人看到都頭痛。
AI 也不應該：
自己猜。
所以工作一開始就明確指定：
只有這一份是 Source of Truth。
這樣很多錯誤：
在工作開始前就先消掉。
第二步：Astra 只拿到三個工作範圍
公司允許：
第一：
指定 Customer Update Sheet。
第二：
舊 CRM。
第三：
Calendar。
不開：
銀行。
不開：
公司 Email。
不開：
Supplier Portal。
不開：
Payroll。
不開：
Production Server。
理由很簡單。
這個工作根本：
不需要。
第三步：正常資料直接處理
例如 Spreadsheet 裡寫：
公司：
大安水電工程。
聯絡人：
王先生。
原電話：
A。
新電話：
B。
Astra 就：
打開 CRM。
搜尋大安水電工程。
再核對：
聯絡人。
現有電話。
如果三個條件都能對上：
修改電話。
Save。
接著：
回報。
不只是名字一樣就修改
這非常重要。
假設 CRM 裡：
有兩位王先生。
AI 不能：
挑第一個。
所以團隊訂一條簡單規則：
至少要有兩個識別資訊：
可以對上。
例如：
公司＋聯絡人。
或者：
客戶編號＋公司。
如果不能：
停。
這種情況不是：
Agent Failure。
它是：
正常 Exception。
第四步：資料衝突直接丟回人
例如 Excel 寫：
新 Email 是 A。
CRM 裡卻顯示：
昨天剛更新成 B。
到底哪個比較新？
Astra 不判斷。
它可以：
指出差異。
截取必要資訊。
然後：
停止。
交給行政：
確認。
因為這裡開始需要：
現實世界 Context。
也許業務今天拿到最新資料。
也可能 Excel 根本是舊檔。
AI 不需要：
為了完成率。
硬選一個。
第五步：更新完，自動準備跟進時間
假設 Sheet 裡已經人工寫明：
七天後回訪。
那 Astra 可以：
查看 Calendar。
準備一個：
Follow-up Reminder。
但公司第一個月不讓它：
直接發 Invitation 給客戶。
只是：
建立內部 Reminder Draft。
因為：
公司先自動化的是：
行政提醒。
不是：
對外承諾。
第六步：外部 Email 完全不在第一階段範圍
業務可能會說：
「反正它都會操作電腦了，順便幫我寄：
『王先生您好，我下週再跟您聯絡。』」
不要。
因為：
更新 CRM。
和：
代表公司對外說話。
是兩種不同權限。
前者：
整理內部資料。
後者：
可能產生：
客戶期待。
正式承諾。
所以第一階段：
不寄。
第七步：價格更不能自動改
批發業最敏感的事情之一：
就是價格。
不同客戶可能有：
不同折扣。
不同付款條件。
不同歷史報價。
所以公司明確規定：
只要 Astra 看到：
Price。
Discount。
Credit Limit。
Payment Term。
全部：
Read-only。
不得改。
即使 Excel 上有新價格：
也先列進：
待人工處理。
第八步：刪除永遠不自動
如果 CRM 發現：
重複客戶。
最容易想到：
「順便刪掉一個。」
不要。
因為你不知道：
舊紀錄底下還掛著什麼。
歷史訂單。
付款資料。
客訴紀錄。
報價。
Follow-up。
所以：
Delete。
一律：
停。
如果真的要清理：
另外做：
獨立任務。
獨立 Review。
第九步：任務最後一定產生 Change Report
Astra 做完：
不能只說：
Completed。
公司要求回報：
成功更新幾筆。
每筆修改哪些欄位。
哪些沒有修改。
哪些出現 Conflict。
哪些客戶找不到。
哪些出現重複 Match。
哪些 Calendar Reminder 已建立。
哪些仍等待人工決定。
這樣行政：
不用把 80 筆重新全部看一次。
只需要：
看 Exception。
這就是 AI Agent 最有價值的地方
不是：
完全沒有人看。
而是：
以前人需要：
看 80 筆。
現在可能只需要：
看 12 筆例外。
如果 68 筆都是：
明確。
低風險。
可核對。
又可回查。
讓 AI 完成：
人就可以把注意力：
集中在真正需要判斷的地方。
這和傳統 Automation 最大差別在哪？
傳統 RPA 也能：
按按鈕。
搬資料。
問題是：
介面一變。
欄位位置換掉。
多跳一個 Warning。
流程可能直接失敗。
Astra 這類 Computer Use Agent 的潛力是：
它不是只記：
「第 317 Pixel 點一下。」
它可以理解：
畫面。
欄位。
任務目的。
介面稍微不同時：
仍可能調整。
這也是為什麼它特別適合：
很多：
沒有 API。
但人看得懂。
又每天要操作。
的企業軟體。
但「比較會適應」同時也是風險
傳統 Script 遇到沒寫過的情況：
常常直接：
Error。
AI Agent 可能會：
想辦法繼續。
這通常是優點。
但企業工作裡：
也可能變成問題。
因為有些時候：
最正確的行為不是：
找到替代方案。
而是：
停。
所以公司才需要：
明確停止條件。
這家公司最後訂六個「一定停」
第一：
找不到唯一相符客戶。
第二：
資料來源彼此衝突。
第三：
任何刪除。
第四：
任何付款或信用條件。
第五：
任何對外 Email／Message。
第六：
任何需要使用原本沒批准的 App／Website。
一遇到：
就不要：
「自行想辦法完成。」
直接：
送回人。
這也剛好符合 Astra 的企業控制方向
OpenAI 已提供企業層控制：
可以限制：
網站。
Desktop App。
Browser Use。
Computer Use。
Upload／Download。
以及部分 Approval 行為。
所以公司不是只能靠 Prompt 說：
「拜託不要進銀行網站。」
IT 或管理員可以：
直接把銀行網站：
Block。
這比：
純文字規則。
更可靠。
但系統限制仍然不能代替公司 SOP
例如管理員可以：
阻止 Astra 進：
銀行網站。
但它不知道：
公司規定：
價格超過某個折扣：
必須老闆批准。
這仍然需要：
公司的 Business Rule。
所以完整設計是：
系統權限。
加：
任務規則。
再加：
人工 Approval。
不是只靠其中一個。
一個月後，公司可以再增加第二種任務
如果 Customer Update：
已經跑得穩。
再加：
訂單異常盤點。
例如 Astra：
讀取指定 Spreadsheet。
打開老 ERP。
找出：
訂單有。
但出貨狀態空白。
或者：
出貨完成。
但 CRM 還沒有 Follow-up。
先列出 Exception。
仍然：
不改訂單。
不取消。
不退款。
第一輪只是：
找問題。
第三階段才考慮 Supplier Portal
假設批發公司每天還要：
登入三家供應商網站。
查：
到貨日。
庫存。
訂單狀態。
這些網站：
都沒有 API。
Computer Use 就可能再次有價值。
Astra 可以：
開網站。
登入。
查指定訂單。
把結果：
整理回內部 Spreadsheet。
但第一階段仍不要讓它：
正式下單。
取消。
付款。
為什麼不是一次全部串起來？
因為一個 Workflow 越長：
錯誤就越難找。
假設：
Excel 讀錯。
CRM 找錯人。
Calendar 又排錯時間。
最後還自動寄 Email。
你最後只看到：
客戶收到一封錯信。
但根本不知道：
問題最早在哪一步開始。
所以小公司導入 Agent：
最好的方法往往不是：
一口氣追求「全自動」。
而是：
一段一段變可靠。
那這樣到底能省多少時間？
以下全部是：
SasaDaily 假設數字。
不是 OpenAI 官方 ROI。
假設公司：
每週有 80 筆 Customer Update。
以前：
每筆平均人工處理：
3 分鐘。
80 × 3：
240 分鐘。
也就是：
4 小時。
導入 Astra 後，假設 80% 可以直接完成
80 筆裡：
64 筆。
屬於：
資料清楚。
客戶唯一。
欄位明確。
不用人判斷。
人工只需要：
最後快速核對 Change Report。
假設平均：
每筆 45 秒。
64 筆：
48 分鐘。
剩下 16 筆例外仍由人處理
假設每筆：
仍然需要 3 分鐘。
16 × 3：
48 分鐘。
總人工時間：
48＋48：
96 分鐘。
也就是：
1 小時 36 分鐘。
原本：
4 小時。
差：
144 分鐘。
也就是：
每週省約 2 小時 24 分鐘。
四週：
約：
9.6 小時。
假設行政有效工時每小時 NT$550
9.6 × 550：
理論時間價值約：
NT$5,280／月。
但這不能寫成：
「Astra 每月保證替公司省 5,280 元。」
因為還沒算：
ChatGPT／模型使用成本。
導入設定。
教育訓練。
異常處理。
網路。
人工驗收。
以及：
實際成功率。
這只是用來回答：
這個流程值不值得實測？
真正 KPI 也不應該只看「省多少分鐘」
第一個 KPI：
Straight-through Rate。
80 筆裡：
有多少可以：
不靠人工重新操作。
直接完成。
例如：
64／80：
80%。
第二個 KPI：Exception Rate
多少工作：
因為：
找不到客戶。
資料衝突。
系統錯誤。
權限問題。
需要丟回人？
這比：
Agent 說自己完成幾筆：
更有用。
第三個 KPI：Wrong Update Rate
這是最重要的。
例如：
100 筆裡：
有沒有改錯人？
改錯欄？
用錯 Source？
如果出現：
1%。
也不能只看：
「99% 很高。」
因為錯的那 1%：
如果是：
價格。
出貨。
付款。
後果可能完全不同。
所以不同欄位：
需要不同容錯率。
第四個 KPI：人工 Review 花多久
如果 Astra：
一分鐘做完。
但員工還要：
五分鐘重新檢查每一筆。
那沒有真的省時間。
真正理想的是：
Routine Item：
快速抽查或 Review Report。
Exception：
才深入看。
第五個 KPI：Agent 有沒有在該停的時候停
這個很容易被忽略。
如果找不到客戶：
它每次都停。
其實：
很好。
不要把停止率看成：
失敗率。
高風險流程裡：
正確停止本身就是成功。
真正危險的是：
它不知道。
卻為了把 Task 做完：
自己猜一個。
這家公司最不該用 Astra 直接做什麼？
第一：
付款。
第二：
退款。
第三：
改價格。
第四：
改 Credit Limit。
第五：
刪客戶。
第六：
代表業務對客戶做正式承諾。
不是因為 Astra：
永遠做不好。
而是：
這些事情做錯以後：
後果比較難回復。
「能自動」和「值得自動」是兩回事
Computer Use 能操作一個按鈕：
不代表：
那個按鈕就值得交出去。
真正值得先自動的：
通常是：
高頻。
低風險。
規則清楚。
可以驗證。
做錯可以還原。
例如：
抄資料。
建立 Draft。
查狀態。
整理 Follow-up。
真正該晚一點自動的：
通常是：
錢。
權限。
刪除。
法律。
正式承諾。
對四人公司來說，最大價值不是「變成無人公司」
這家公司本來：
就只有四個人。
再追求：
「少掉一個人」
未必合理。
真正問題是：
老闆和業務每天還在：
處理大量機械性行政操作。
如果 AI 可以把：
4 小時 Copy／Paste。
變成：
1.6 小時 Review＋Exception。
多出來的時間：
業務可以：
回客戶。
追報價。
找新案子。
倉儲可以：
處理真正出貨問題。
行政可以：
清理資料。
這才是：
小企業比較實際的 AI ROI。
Astra 對舊系統最有意思的地方就在這裡
很多企業 AI 專案以前的起點是：
先整合系統。
先建 API。
先搬資料。
先改 ERP。
先做 Data Platform。
完成後：
一年過去了。
小公司根本玩不起。
Computer Use 帶來另一種可能：
先從人原本能操作的地方開始。
讓 AI 先替人：
走畫面。
填欄位。
跨 App。
再看：
哪些 Workflow 真正值得：
下一階段正式做 API。
反而可以拿 Astra 當「自動化需求探測器」
假設跑三個月後發現：
80% 的工作永遠都在：
CRM Customer Update。
那公司就知道：
這條流程：
值得正式做 Integration。
如果某個工作：
一個月只發生兩次。
就沒必要：
花幾十萬開發 API。
Computer Use：
先補。
這反而讓 IT 投資：
更有數據。
最後的 SOP 可以很簡單
每天行政準備：
1. 一份已確認 Customer Update Sheet。
接著 Astra：
2. 只進允許的 CRM／Spreadsheet／Calendar。
3. 找唯一相符客戶。
4. 更新核准欄位。
5. 建立內部 Follow-up Reminder。
遇到：
6. 資料衝突／多重 Match／刪除／付款／外部訊息／價格 → 停。
最後：
7. 產生 Change Report。
人：
8. 只處理 Exception 與高風險項目。
不是：
AI 全做。
也不是：
人全部照舊。
而是：
機械性的部分交出去。
需要承擔後果的部分留下來。
這才是 Astra 對小企業最值得看的商業價值
不是：
公司明天就要：
全部換成 AI。
而是很多老公司：
其實早就有：
客戶。
訂單。
流程。
資料。
真正拖慢它們的是：
這些東西散落在：
老軟體。
Excel。
網站。
人腦。
以前要讓 AI 幫忙：
第一步可能是：
重做所有系統。
現在 Computer Use 開始提供另一條路：
先讓 AI 學會操作公司已經在用的東西。
然後一步一步縮小：
哪些工作真的還需要人親手點。
最後留下來的：
應該不是：
複製。
貼上。
找欄位。
按 Save。
而是：
這個客戶到底該怎麼處理。
這個價格到底能不能給。
這件事情公司到底願不願意承諾。
這些才是人真正應該花時間的地方。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
企業已經買了最強 AI，為什麼最後還是卡在二十年前的舊系統？
AI 商業案例｜2026/09/03：5 人物業管理公司怎麼用 Workspace Studio？租客報修自動整理搬檔，維修承諾前由人批准
AI 商業案例｜2026/09/09：4 人遠端行政助理工作室怎麼用 Muse？Email、Calendar 與跨網站代辦背景跑，寄信、付款與承諾仍由人批准
