先說清楚：
這是一個 SasaDaily 假設商業案例。
不是某家公司已經導入後真的省了多少錢。
今天真正要示範的是：
一家小公司看到 AI 機器人愈來愈厲害時，到底該怎麼判斷：
「這一步真的值得自動化嗎？」
因為最新研究出現了一組非常有意思的數字。
Anthropic 估計，目前已存在的機器人在特定條件下，已經能處理約：
74% 的實體工作任務。
但真正算上成本後，比人工更便宜的只有約：
0.3%。
這兩個數字差這麼遠，剛好說明：
會做，不等於值得做。
假設這是一家 5 人電商小倉庫
這家公司每天處理網站訂單。
工作大概分成：
- 揀貨
- 包裝
- 搬到出貨區
- 掃碼
- 補貨
- 處理退貨
- 處理異常商品
- 回應物流問題
老闆最近看到很多 Warehouse Robot Demo。
機器會自己走、
會搬箱子、
會避開人。
第一個反應很容易是：
「我們是不是也該買一台？」
但這其實問錯問題了。
真正該問的是：
「我們哪一個任務最值得先交給機器？」
第一步：不要先自動化「職位」，先拆一個任務
例如：
倉庫裡每天有一個很單純的動作：
包好的標準紙箱，從包裝桌送到固定出貨區。
這件事的特性是：
路線固定。
起點固定。
終點固定。
箱型大部分標準。
一天重複很多次。
需要的判斷很少。
這就比：
「處理整個倉庫物流」
適合拿來當第一個自動化測試。
因為「物流」是一個工作領域。
搬一個標準箱走固定路線，才是一個任務。
第二步：先把例外全部列出來
真正讓自動化失敗的，往往不是正常狀況。
而是例外。
這家假設倉庫開始列：
哪些箱子不能交給機器？
例如：
- 超大箱
- 太重的箱子
- 易碎品
- 外型不規則
- 退貨件
- 條碼讀不到
- 通道有人暫時堆貨
- 出貨區已滿
這一步非常重要。
因為 Demo 通常演的是：
正常情況。
真正營運每天遇到的是：
例外情況。
所以不要只算：
「機器成功搬了一箱。」
要算：
100 次任務裡，到底有幾次還是得叫人過來處理？
第三步：環境要不要為機器重做？
Anthropic 的研究有一個很重要的分類。
有些工作，機器今天確實能做。
但前提是：
你先替它打造一個很適合機器工作的環境。
例如：
路面固定、
貨架固定、
箱型固定、
通道保持乾淨、
工作位置不能一直改。
這和人不一樣。
人看到走道突然多一箱貨，
通常繞過去就好了。
機器可能需要：
重新規劃、
停止、
等待人工處理，
甚至直接無法完成。
所以這家倉庫不能只問：
「機器多少錢？」
還要問：
「為了讓它工作，我還要改多少東西？」
可能包括：
- 地面標示
- 充電位置
- Wi-Fi／網路
- 倉庫動線
- 箱型標準化
- 軟體整合
- 安全區域
- 員工操作流程
這些都是自動化成本的一部分。
第四步：不要拿「機器價格」直接和薪水比
假設一台機器看起來一年只要某個價格。
也不能直接說：
「比一個員工薪水低，所以划算。」
因為真正該算的是：
Cost per Successful Task。
也就是：
成功完成一次可用任務，實際花多少成本。
至少要把這些放進去：
機器購買或租賃。
設定與整合。
倉庫改造。
維修。
停機時間。
軟體費。
人員培訓。
人工處理例外的時間。
如果一台機器一天跑很多次，
但員工一直要：
重啟、
救援、
移障礙物、
重新掃碼，
那麼表面上「自動化率很高」，
實際上不一定真的省下工作。
第五步：先做一條路，不要直接改整間倉庫
這家小公司比較合理的做法不是：
一開始就想做全自動倉庫。
而是只選：
包裝桌 → 出貨暫存區
這一段。
第一階段甚至只處理：
標準紙箱。
其他：
超大件、
易碎品、
退貨、
異常訂單，
全部照舊由人處理。
這樣才能知道：
到底是「機器不行」，
還是「任務選錯了」。
測試期間真正要記五個數字
不要只拍影片看它跑得很順。
至少記：
1. 成功任務數
真正從起點到終點、沒有人工救援的有多少？
2. 人工介入率
每 100 次需要人幫忙幾次？
3. 實際省下多少人工時間
不是機器跑了多久。
而是人真的少做了多少時間。
4. 停機與維護時間
一週到底有多少時間不能工作？
5. 每次成功任務的總成本
把所有設備、系統與人工支援算進去。
最後才知道：
這個自動化是不是值得留下。
如果結果不好，不一定是機器不好
假設測試完發現：
機器明明會搬箱子，
成本卻沒有降低。
有三種可能。
第一種：
任務頻率太低。
一天只需要搬十幾次，
根本沒有足夠工作量攤掉設備成本。
第二種：
例外太多。
箱子大小一直變、
走道一直被擋、
出貨位置常改，
人工介入率太高。
第三種：
為了自動化改環境的成本太高。
這時最好的決策可能不是：
換一台更貴的機器人。
而是：
暫時不要自動化這一步。
停止一個不划算的 AI 專案，本身也是好的決策。
這就是 74% 和 0.3% 真正的差別
Anthropic 的研究不是說：
74% 的實體工作明天就能直接把人換掉。
它比較接近：
現在已經存在某些機器，在某些環境裡，能完成這些任務。
但當你再加入：
成本、
環境、
例外、
人工偏好、
法規、
維修、
可靠度，
真正今天已經比人工便宜的任務，
只剩約：
0.3%。
這正是企業導入 Physical AI 最容易忽略的地方。
小企業反而更不能從「買什麼機器」開始
大型企業可以：
蓋新廠、
重畫產線、
改整個物流系統、
一次部署大量設備。
小公司通常沒有這個條件。
所以更好的順序是：
先找工作裡最固定的一步。
再問：
高不高頻？
環境穩不穩？
例外多不多？
失敗時人能不能快速接手？
最後才問：
有沒有一台機器值得買？
不是反過來。
最後要留下的不是「全自動」
這家 5 人倉庫最後真正理想的狀態，
也不一定是只剩機器。
更可能是：
機器負責高頻、標準、固定的搬運。
人負責：
例外、
判斷、
異常訂單、
客戶需求、
流程改善。
自動化真正值得追求的，
不是：
「還能不能再少一個人？」
而是：
「哪一個重複任務，交給機器之後，人可以把時間留給更難的事情？」
如果你也想知道自己的工作裡，哪一步最適合先交給 AI，留言「流程」。
推薦閱讀
AI 商業案例｜2026/09/22：4 人店舖巡檢團隊怎麼用 Googlebook？現場 Android 照片接回筆電，報告 AI 先整理，維修判斷與報價仍由人確認
AI 商業案例｜2026/08/13：10 人商用冷凍設備公司怎麼用 Glean？從維修紀錄、技術手冊到故障案例，正式報價與安全判斷留給人
