很多人評估 AI 自動化，只看成功的時候。
「原本人工要十五分鐘，現在一分鐘完成。」
看起來非常划算。
但真正決定一段自動化值不值得的，往往不是那十四分鐘，而是：
出錯的時候，你要花多少時間把事情救回來？
如果一個流程每天跑一百次，九十九次都很快，但剩下一次錯誤會造成漏單、寄錯內容、資料遺失，還要兩個人回頭查半天，那這個「一次」就不能被當成小事。
AI 與自動化的成本，不只有月費和設定時間。
還有錯誤、重工與例外處理。
第一種是重工成本。
系統做錯後，原本完成的工作要重做一次。
例如資料分類錯誤、內容格式錯誤、欄位被覆蓋，人工必須重新整理。
第二種是追查成本。
真正麻煩的不是「知道它錯了」，而是不知道錯在哪裡。
團隊要回頭查紀錄、比對資料、問誰最後動過，這些時間通常不會出現在工具的成效報表裡。
第三種是機會成本。
有些錯誤不是多花時間而已。
漏掉一個詢問、沒有跟進一位準客戶、寄錯付款提醒、延遲交付，都可能讓原本有機會完成的收入直接消失。
所以評估自動化時，不能只問「平均省幾分鐘」。
還要問：
錯一次，代價多大？
創業公司也不需要因此變成什麼都不敢自動化。
真正要做的是分級。
有些錯誤可以容忍。
例如內部摘要分類錯了一次，只要人最後會確認，影響不大。
有些錯誤不能直接放過。
例如價格、付款、合約、重要客戶資訊、對外公開內容，錯誤可能直接影響收入或信任，就應該保留人工確認。
這不是「AI 能不能做」的問題，而是「這個錯誤公司承不承受得起」。
所以比較成熟的做法不是追求全自動，而是把流程分成：
可以自動完成的。
可以由 AI 建議、人工確認的。
必須由人負責最後決策的。
這樣你才不會為了省五分鐘，承擔一個原本不需要承擔的風險。
延伸閱讀：〈AI 幫你省很多時間，為什麼公司還是沒變好？效率不等於經營結果〉。
不需要複雜公式。
你可以先記三個東西。
第一，錯誤頻率。
一週或一個月發生幾次？
第二，平均補救時間。
每次出錯，要花多少人、多少時間恢復？
第三，影響範圍。
只影響內部，還是會碰到客戶、收入、退款、交付或品牌？
例如一個自動整理訂單資料的流程，每月省 10 小時，但平均每月發生兩次錯誤，每次需要兩個人各花兩小時追查，實際省下來的時間就不是 10 小時。
如果其中一次還造成漏單，真正的代價甚至不只工時。
這就是為什麼「省時間」一定要和「錯誤成本」一起看。
延伸閱讀：〈AI 導入前要記哪些數字？沒有「原本基準」，之後很難判斷有沒有用〉。
如果你發現一個 AI 流程常常需要人工救火，先不要急著再串下一段。
先找原因。
是輸入資料本來就不完整？
是規則常常改？
是每個客戶都用不同方式處理？
還是根本沒有人定義什麼叫做「完成」？
如果前面的商業流程不穩定，往後加再多自動化，只會讓錯誤傳得更快。
真正值得擴大的流程，通常不是「完全不會錯」，而是錯誤可被發現、可被處理，而且補救成本低於它持續帶來的價值。
下一步可以看：〈一個 AI 流程有效，就可以全面自動化嗎？擴大前先看這 3 件事〉。
不要只看工具有多方便。
找出最近一次 AI、自動化或系統造成的錯誤，記下：
發生什麼？
誰發現？
花多少時間修？
有沒有影響客戶或收入？
下一次能不能更早發現？
這五題比再找一套新工具，更能幫你看懂現在的流程值不值得擴大。
如果你進一步發現，公司很多錯誤其實來自角色不清、供應商交付、合約驗收、廣告判斷或營運順序，那就不是單靠 AI 能處理。《手把手帶你創業：0～3,000萬的實戰課》會從實際經營問題出發，把資源、流程與判斷放回同一張圖上，而不是把自動化當成唯一解法。
如果一個流程一百次裡只錯一次，平均錯誤率看起來很低。
但那一次如果剛好是付款金額錯誤、重要客戶漏單，或公開內容出現嚴重問題，風險就不是「百分之一」這麼簡單。
所以評估自動化時，除了看頻率，也要看嚴重程度。
你可以把錯誤簡單分成三層：只影響內部的小錯、需要人工補救的中度錯誤，以及會碰到客戶或收入的高風險錯誤。
這樣你會更容易決定哪裡可以完全自動、哪裡要保留抽查、哪裡一定需要人工最後確認。
對小公司來說，這比追求「百分之百自動化」更實際。
因為真正穩定的流程，不是永遠不出錯，而是重要錯誤不會一路跑到客戶面前，而且團隊知道出錯後怎麼處理。
