AI 週報看起來很神，一匯入企業系統(ERP)資料就卡住是怎樣？

AI 週報很神，換成真實 ERP 資料就亂掉

最近很多主管都遇到同一種落差：每週看的 AI 週報很漂亮，模型變便宜、工具變快、案例變多，好像下週就能上線。可是團隊一把 ERP 資料接進來，事情就卡住。 假設你請 AI 整理採購異常。用 20 筆測試資料時，答案又快又像樣；換成 3 個月的真實 ERP 匯出檔後，它開始把「待確認」「已退回」「部分收貨」混在一起，還畫出一張看起來很專業的趨勢圖。 這篇先講結論：問題通常不在 AI 不夠聰明，而在三件事——檔案超過 AI 一次讀得完的量、欄位意思只有老員工懂、把需要精確計算的工作交給了擅長寫文字的 AI。

ERP 不是一張乾淨的表格

AI 週報，簡單講就是把模型發布、社群討論、工具更新整理成摘要的內容。它讓主管很快看到外部進度，卻不會理解你的內部流程。 ERP（企業資源規劃系統，簡單講就是公司用來管訂單、庫存、採購、財務的主系統）剛好最容易照出這個落差。它不是一張乾淨的表格，而是各部門多年用法累積出來的紀錄。同一個「狀態」欄位，採購、倉管、財務可能各有一套解讀。 你通常會在 3 種場景先撞到：週報裡的案例要落地、老闆想看即時儀表板、部門想把例行報表交給 AI。表面上都像「把資料丟進去」，實際上每一種都要先決定哪些欄位可信、哪些數字要精確、哪種例外要退回人工。

卡住的三個地方：太大、看不懂、算不準

第一個原因是檔案太大。AI 一次能讀的內容有上限，這個上限叫 context window，用白話講就是它一次能放在腦中的文字量。3 個月的 ERP 匯出檔常常有上萬列，超過上限時，有些工具只會讀進一部分，不一定會明說。結果是它根據一部分資料，寫出看起來像完整分析的結論。 第二個原因是欄位語意。ERP 的欄位名稱只告訴你表面，不告訴你公司怎麼用。「狀態 = 3」在你們公司可能代表「待主管覆核」，但 AI 只能照字面猜。猜得很像，卻不一定對。 第三個原因是把算數交給 AI。語言模型擅長整理文字、找出脈絡，但不保證加總、計數、比例每次都精確。讓它直接從原始資料算「本月延遲幾張、金額多少」，數字錯了也很難發現。 可以先把工作分成這幾類，再決定交給誰：

• 需要精確數字的：加總、筆數、比例、排名，交給 Excel 樞紐分析、ERP 內建報表或 SQL。
• 需要整理與解釋的：異常原因歸類、趨勢說明、給主管的摘要，交給 AI。
• 需要判斷後果的：付款、退貨、催單，AI 只提供建議，由負責人決定。
• 會改系統資料的：早期先不要開放給 AI。

現場常用的做法：程式算數，AI 解釋

現場比較穩的做法，是「程式負責算，AI 負責說」。先用 Excel 樞紐分析、ERP 內建報表，或請資訊同仁寫一段 SQL，把數字算好、篩出需要關注的單據，再把這份精簡後的結果交給 AI 寫說明。AI 讀到的是幾十列重點，而不是上萬列原始資料，讀錯的空間小很多。 第二個工具是欄位字典（data dictionary），簡單講就是一張表，寫清楚每個欄位、每個狀態代碼在你們公司代表什麼。例如「狀態 3 = 待主管覆核，不算延遲」「更新日期會被夜間批次覆蓋，不能當處理日」。把這張表跟資料一起給 AI，它就不用猜。這張表最好請採購、倉管、財務各派一位資深同仁一起確認。 第三是先用匯出檔測，不要直接連正式系統。匯出檔是正式資料的一份副本，AI 怎麼讀都不會動到系統裡的資料。測試時挑 10 筆真實案例，請資深同仁先標好正確答案，裡面要有例外、容易誤解的狀態、只有內部人才懂的情況。拿 AI 的結果跟標準答案對，才知道它是真的懂，還是在順文字。 第一次測試前，先準備好這幾樣：

• 一份篩選過的匯出檔：只放這次要處理的單據類型與期間。
• 一張欄位字典：至少涵蓋狀態、原因、日期類欄位。
• 10 筆標好答案的案例：用來比對 AI 的判斷。
• 一個成功標準：例如人工抽查 20 筆，分類正確 18 筆以上才擴大。

三個常見誤區

第一個誤區，是把 AI 週報裡的亮點直接翻成公司專案。外面說模型變便宜，不代表你的資料就乾淨，也不代表各部門用同一套判斷規則。 第二個誤區，是把整份原始資料丟給 AI，再請它直接給數字。數字看起來很具體，但你很難知道它讀了多少、漏了多少。要數字，就先用報表或樞紐分析算好。 第三個誤區，是把專案整包丟給資訊部門。資訊同仁可以處理欄位、權限、串接，但「部分收貨在我們公司什麼時候算異常」，需要業務單位自己說清楚，寫進欄位字典。