AI 自動化前後的差異：一個真實的 before/after
很多管理者問我：「AI 自動化到底長什麼樣？是不是只是把 Excel 換成 Google Sheet？」不是。今天用一個真實案例，讓你看清楚 before 和 after 的差距。
Before：每週一的例行噩夢
一家中型電商的營運團隊，每週一早上固定做一件事——週報。
助理小林的流程是這樣的：打開 ERP 匯出訂單數據，登入 CRM 拉客戶資料，從 GA4 抓流量報表，再從倉庫系統匯出庫存數據，最後打開財務系統拿營收數字。五個系統，五次匯出，五份 CSV。
然後她把這五份檔案貼進同一個 Excel，對齊欄位、修正格式、刪除重複，再根據數據寫一段 300 字的文字摘要，說明本週表現和異常。最後把整份報告寄給三位主管。
這個流程每週花她 4 個小時。偶爾手滑貼錯欄位，摘要裡的數字和表格對不上，主管發現了打回來重做。一個月平均出錯 3 到 5 處。
沒有人覺得這有問題，因為「一直都是這樣做的」。
設定過程：7 天換長久省力
我們決定用 Make（原 Integromat）把整個流程串起來。
第一天，盤點五個系統的 API 介面。ERP 和 CRM 有現成的 webhook，GA4 可以用 API 拉報表，倉庫系統比較舊，得走 CSV 排程匯出。財務系統最麻煩，最後用 Zapier 做了一層中轉。
第二天，把五個資料源接到同一個 Make scenario，設定資料清洗邏輯——欄位對齊、格式統一、異常值標記。
第三到七天，測試。主要在處理邊界情況：GA4 偶爾延遲回傳、倉庫系統週末資料不同步、摘要生成的 prompt 需要根據業務語境調整。每天跑一次，對比人工版本和自動版本的差異，逐步修正。
全程沒有寫一行程式碼，用的是 OpenClaw 生成摘要 + Make 做串接 + 一個 review 節點讓主管確認。
After：每週一早上 9 點，一切自動發生
現在每週一早上 9 點，Make 自動觸發：
- 從五個系統拉取最新數據
- 清洗、對齊、標記異常
- OpenClaw 根據數據生成結構化摘要（包含本週亮點、異常警示、同比變化）
- 發送通知給主管
主管打開手機，花 10 分鐘 review 摘要和數據，確認無誤後按「通過」，報告自動寄出。
就這樣。
數據會說話
| 指標 | Before | After |
|---|---|---|
| 每週耗時 | 4 小時（助理） | 10 分鐘（主管 review） |
| 每週錯誤數 | 3–5 處 | 0–1 處 |
| 交付時間 | 週一下午 | 週一上午 10 點 |
| 年化節省 | — | 182 小時 |
助理小林呢？她把這 4 小時拿去做客戶回訪和異常訂單跟催，這些才是真正需要人判斷的工作。
這不是魔法，是方法論
這個案例沒有用到任何特殊技術。Make 是低代碼平台，OpenClaw 是現成的 AI 工具，五個系統的 API 都是公開文件。
真正關鍵的是三件事：
- 盤點清楚——知道哪些數據在哪個系統、用什麼格式、多久更新一次
- 設計 review 節點——AI 不是萬能的，人類確認這一步不能省
- 先跑再優化——第一版一定不完美，但跑起來才有數據可以迭代
任何團隊都可以用同樣的方式複製。差別只在於你願不願意花那 7 天去設定，換回之後每週省下的 3.5 小時。
一年 182 小時。你打算怎麼用？