以前：客戶丟一個 brief 過來，我們要花 2-3 週、動員 6-8 個人，才能交出一份完整提案。
現在：同一個 brief，1 個人下一道指令，AI 系統自動調度 5-12 位虛擬專家跑完調研、策略、驗證、問卷設計，人類只負責「給方向」和「做判斷」。核心作業時間從 2-3 週壓縮到 1-3 天。
白話說：我們把「跑腿蒐集資料」和「初稿撰寫」這兩塊最耗時的工作，交給了一個不會累、不會漏、24 小時運作的研究團隊。人類的時間，留給真正需要人腦的事——創意判斷和客戶溝通。
想像一個真實場景：客戶是台酒（TTL），他們的花雕雞杯麵銷量連續五年下滑 22%，要我們提行銷策略。
傳統流程長這樣：
| 步驟 | 做什麼 | 誰做 | 花多久 |
|---|---|---|---|
| 1. 收到 brief | 客戶窗口整理需求 | AE | 1 天 |
| 2. 桌面調研 | 查市場數據、競品動態、通路資訊 | 研究員 1-2 人 | 3-5 天 |
| 3. 消費者洞察 | 找資料、推測消費者想法 | 策略人員 | 2-3 天 |
| 4. 策略方向 | 寫 SWOT、定位、差異化 | 策略總監 | 2-3 天 |
| 5. 創意發想 | 想 Big Idea、文案方向 | 創意團隊 | 3-5 天 |
| 6. 問卷設計 | 設計驗證問卷（如果有的話） | 研究員 | 2-3 天 |
| 7. 內部審稿 | 來回修改、對齊 | 全員 | 2-3 天 |
| 8. 提案定稿 | 排版、最終修改 | AE + 設計 | 1-2 天 |
總計：6-8 人，15-25 個工作天
而且這裡面有幾個常見的痛：
同一個 TTL 案子，新流程是這樣：
人類動作：輸入一行指令——「幫我調研 TTL 台酒花雕雞麵」。
系統自動做的事：
這五位「虛擬專家」同時開工，各自產出分析報告，然後系統會讓他們互相挑戰、辯論——不是禮貌性的「我同意」，而是真的對撞：「你說消費者在意酒香，但我的資料顯示年輕人根本不知道這個產品有用真酒。」
產出：一份完整的品牌診斷報告，包含品牌計分卡、洞察卡片、風險警示。
時間：2-4 小時（取決於搜尋深度和辯論輪次）。
人類動作：再輸入一行指令——「幫花雕雞麵做行銷策略」。
系統自動做的事：
產出：一份完整的行銷提案，包含策略方向、行銷計畫、KPI、問卷設計、風險評估。
時間：3-6 小時。
| 項目 | 傳統流程 | AI 輔助流程 | 變化 |
|---|---|---|---|
| 作業時間 | 15-25 工作天 | 1-3 天（含人類審核） | 縮短 80-90% |
| 人力投入 | 6-8 人全程參與 | 1 人操作 + 主管審核 | 減少 75-85% |
| 調研覆蓋範圍 | 看研究員經驗，容易漏 | 系統性掃描，多角度同時並進 | 更全面 |
| 品質一致性 | 因人而異，抽獎式品質 | 固定框架、固定流程、固定自檢清單 | 穩定可預期 |
| 內建品質控管 | 靠主管經驗把關 | 自動「來源品質閘門」+ 認識論分級 | 系統化 |
| 知識累積 | 留在個人腦中 | 每次產出自動記錄，可追溯、可比較 | 組織級資產 |
| 問卷設計 | 有時有、有時省略 | 每次自動生成（含研究假設） | 標配 |
| 多角度驗證 | 看有沒有時間做 | 每次必跑（Skeptic + 決策層辯論） | 標配 |
重要說明：以上時間估算基於目前已完成的實際案例（TTL 花雕雞麵、FINO 護髮、台酒食品等），但樣本數有限。不同產業、不同複雜度的案子會有差異。此處數據應視為合理推估，非精確承諾。
這是我們實際跑過的真實案例，不是假設情境。
台酒杯麵銷售額從 2018 年的 9.12 億下滑到 2022 年的 7.05 億，五年衰退 22.72%。市佔率只有 5-7%，排名第六。審計部的評語是：「顯欠積極作為」。
Step 1：啟動行銷策略 skill
操作者輸入：/marketing 花雕雞麵
系統自動調度 12 位虛擬專家，分四個階段執行：
| 階段 | 工作內容 | 調度的虛擬專家 |
|---|---|---|
| 研究 | 市場情報 + 深度調研 | Survey Architect、Business Intel、Deep Researcher |
| 策略 | 競爭策略 + 行銷策略 + 文化洞察 | Strategist、Marketer、Context Analyst |
| 洞察 | 整合分析、提煉核心洞察 | Insight Analyst |
| 驗證 | 消費者視角 + 財務可行性 + 魔鬼挑戰 + 創意審視 + 產品審視 | Consumer、CFO、Skeptic、Creative Council、Jobs |
Step 2：系統自動產出
| 產出物 | 內容 | 傳統上由誰負責 |
|---|---|---|
| 行銷提案 | 完整策略報告（約 600 行） | 策略總監 + AE |
| 競品分析 | 產品線對比（約 400 行） | 研究員 |
| 品牌策略 | 整合提案（約 400 行） | 策略總監 |
| 問卷設計 | 45 題 + 24 個研究假設（約 500 行） | 研究員 + 策略人員 |
Step 3：核心發現
AI 系統挖出的三個關鍵病因：
AI 提出的策略方向：
Step 4：人類接手
拿到這些產出後，資深策略人員花了約一天時間：
傳統要 3 週、6-8 人的工作量，實際用了不到 2 天、主要靠 1 個人操作完成。
不建議一步到位全面導入。建議分三階段：
| 項目 | 內容 |
|---|---|
| 誰參與 | 1-2 位資深策略人員（對產業和客戶夠熟的人） |
| 做什麼 | 拿真實進行中的案子跑 AI 流程，跟傳統流程的產出做對比 |
| 成功標準 | AI 產出的調研品質 >= 傳統流程的 80%，時間 <= 傳統的 30% |
| 風險控管 | 傳統流程照常跑，AI 是平行實驗，不影響交付 |
| 項目 | 內容 |
|---|---|
| 誰參與 | 行銷團隊核心成員（約 5-8 人） |
| 做什麼 | 正式培訓：怎麼下指令、怎麼看 AI 報告、怎麼判斷品質、怎麼修改 |
| 關鍵教學 | 教的不是「怎麼用工具」，是「怎麼判斷 AI 說的對不對」——看來源等級、看認識論標記、看研究限制聲明 |
| 成功標準 | 團隊成員能獨立操作，且主管對產出品質滿意 |
| 項目 | 內容 |
|---|---|
| 做什麼 | 所有新案子預設先跑 AI 流程，人類做增值工作 |
| 流程調整 | AE 收到 brief → 先跑 /brand-research → 再跑 /marketing → 策略人員審核修改 → 提案 |
| 人力重新配置 | 研究員從「蒐集資料」轉型為「驗證 AI 產出 + 補充一手資料」；策略人員從「寫初稿」轉型為「做判斷 + 客戶溝通」 |
| 效益追蹤 | 每案記錄：時間、人力、客戶滿意度、提案命中率 |
現實是：AI 取代的是重複性的資料蒐集和初稿撰寫，不是策略判斷和客戶關係。就像 Excel 取代了手工記帳，但沒有取代會計師。
對策：
現實是：操作本身很簡單（就是打一行指令），但「看懂 AI 報告」需要訓練。AI 會標注每個數據的可信度（L1 已驗證到 L5 未知），要學會看這些標記。
對策：
這是最大的風險。 AI 會很自信地說出不確定的事。我們的系統已經內建了防護機制（來源品質閘門、認識論分級），但人類必須學會「懷疑 AI」。
對策：
對策：
需要的資源：Pilot 負責人的 10-15% 時間（約每週半天），以及主管對產出品質的定期回饋。
本文件由 Storyteller 依據系統實際架構與案例資料撰寫。文中效率數據來自有限的實際案例（TTL、FINO、台酒食品等），非大樣本統計結果，應視為合理推估參考。