今天這篇電子報，分享一個替朋友公司設計的人機協作 AI 作帳流程：不是把所有發票丟給 AI，而是設計一個風險可控、可解釋、可回退的決策系統。
Takeaways
1｜盲目自動化，可能會把錯誤跑得更快
2｜何時用 AI，何時不用 AI？由人類來決定
3｜可規模化到不同企業的 AI 自動化腳本許多中小企和自由接案者，每月底皆需人工處理大量透過 Email 收到的發票、收據用於會計作帳。在開始前，我以為是一個「典型 Automation + AI 應用場景」題目！但實際做下去才發現...PDF 來自不同廠商、不同格式、甚至是掃描檔，一旦 AI 抽錯金額，後面整條帳都會錯，支出也會因 token 費用與 latency 直線上升。這時人工才介入，可能有理也說不清。
哪些情況該交給 AI？哪些必須交給專業？
這也是專案真正的起點。我把目標從「全自動」改成「人機協作（Human-in-the-Loop）」，在設計 AI 作帳流程時，決定什麼時候該讓 AI 停下來，交還給人類。
- 🤖 AI 角色：處理高頻、重複、非結構化工作
- 👩🏻 人類角色：負責低頻、關鍵、需要判斷的決策
如果想看更仔細的作帳流程，我用時序圖來呈現，每個 alt 皆是一個決策點～～
接下來跟大家分享詳細的說明執行步驟
Step 1｜Input Control：資料清整
我從起點開始控管資料來源，目的不是自動化，而是降低後面決策的混亂度
- Gmail label（Company A / Company B / Company C...）
- 只抓 PDF 附件
- 儲存進指定 Google Drive
- 在檔案 description 標記 source:__company.name__
Step 2｜Decision Layer：決定何時用 AI
我沒有直接呼叫 AI，而是先跑一個 decision function：
- 不是 PDF → skip
- 來源固定、版型穩定 → 規則或低成本路徑
- 檔案大、疑似掃描 → ai_ocr
- 其他文字型 PDF → ai_text
Step 3｜結構化抽取，而不是 AI 說的算
我先到 GCP console 啟用 Google Drive API，接著準備好 LLM API key-value，我用 LLM + Structured Outputs（JSON Schema）且每個欄位都包含： value confidence (0~1) 來讓 Chatgpt 講清楚它的判斷結果。
而設計邏輯很簡單
- 任一欄位 confidence < 0.7 → Need Review
- 全部 ≥ 0.7 → Auto Approved
Step 4｜人機協作的關鍵：Confidence
對應在在 Google Sheets 裡的呈現：
- Auto Approved：整列淡綠
- Need Review：整列淡紅（低信心欄位標淡黃）
用整列紅色來提示該筆有部分 Ai 可能辨識不準確的內容，而標黃來提示是哪個欄位。我們只需要看「被標黃的地方」去做檢驗，確認沒問題後再寫入 Google Sheets 即可大功告成。
商業價值
這套流程上線運行一個月後，帶來幾個明確且可量化的效果：
- 企業內部作帳時間大幅下降（約 60%）
- 人工 key-in 錯誤明顯降低
- 人類只需處理少數「AI 不確定」的情況
- 跨部門同仁對系統的信任度提升，因為他們能理解 AI 在做什麼
最重要的是，這不是一次性的自動化腳本，而是一個可規模化到不同企業的流程設計！完成這個專案後我更相信，當你能接受 AI 本來就不完美，產品反而會變得更可靠，也更容易被真正使用。這也是我現在在做 AI 相關產品時最重要的一個原則。
如果你也在思考：
- AI 要不要介入你的工作流程？
- 哪些地方該自動，哪些地方該保留人工？
歡迎一起交流，我很樂意分享更多實作上的取捨與踩坑經驗 😂