機器當 Maker，人當 Checker：例行任務的人機協作可以這樣重新分工

每個組織裡，都有那種高度重複、耗費時間、邏輯又完全固定的例行作業。可能是業務單位的月底對帳、IT 每個季度的權限盤點，或是法遵的跨部門名單比對。

這類工作長期靠人工處理，漏看一筆就可能引發合規或營運風險。早該交給系統自動化，卻年復一年留在承辦人的手上。

在高度監管的環境（例如金融業）裡，HR 單位的法定訓練追蹤就是這種作業。時數要盯，證照效期要顧，主管機關會來查，漏一個就是缺失。這件事沒有商量空間，所以一直被當成「本來就要做的事」。出錯的風險大到不能放著不管，最後只能繼續靠人工撐著。幾乎沒人停下來想過，這件事為什麼得由人來做。

這個問題，AI 出現之後才有了別的答案。現在可以自己跟著 AI 寫程式，一段一段把系統做出來。那些冷門到沒有現成軟體的流程，第一次輪得到有人把它做起來。

我手邊幾個現役的作業平台，就是這樣跟 AI 做出來的，這條路走得通。不過在講平台怎麼運作之前，得先弄清楚一件事：過去為什麼一直沒人動手？

不是沒人看出它該自動化。這類防守型、不直接創造營收的後勤作業，在企業內部排不到 IT 開發資源；真要為它單獨開一個系統開發案，投入的成本又遠高於承辦人每兩週用 Excel 跑一輪的人力。帳算不過來，事情就一直拖著。承辦人照樣打開 Excel，把同一套匯出、比對、寄信流程重跑一遍。

法定訓練追蹤，就是其中之一。

幾百個人，就有幾百個到期日

拿法定訓練來說，承辦人必須先從人事系統匯出名單，對上外部訓練機構的時數紀錄，找出誰的時數不夠、差多少，最後再發出提醒信。

法規其實寫得很清楚。以信託業務人員為例，規定每三年累計至少 18 小時在職訓練，其中至少三分之一要上公會或公會認可機構辦的課，沒修完的就不能繼續充任業務人員。² 條文本身沒有模糊地帶，時數、年限、後果，一行就能講完。

真正的麻煩，是每個人的情況都不一樣。應訓週期從登錄日那天起算，有人 2 月 1 日、有人 3 月 5 日，各自有自己的三年到期日。名單上幾百個人，就有幾百個到期日。名冊上真正要看的欄位只有那幾個：登錄日、到期日、已修時數、離職註記。難在這些欄位每一列都不一樣，而且一直在變。人會異動，時數會累積，三年到期之後又開始新一輪。

以前全靠 Excel 拉公式。名冊裡有沒有已離職的人，要一筆一筆自己看。偏偏這種事可能兩週就是一輪，時間和精神全耗在上面。

這種固定模式的作業，最適合交給系統來運作。規則清楚，系統就能照著邏輯把名單算出來、把通知發出去。這句話大家都會講。但講完之後，作業還是留在承辦人的 Excel 裡，直到開發門檻被 AI 降下來為止。

然而，我發現多數人最先想到的做法還是用 Excel：能不能請 AI 把公式寫得更好，甚至幫忙把巨集寫出來。工具沒變，AI 只是讓那張表處理起來順一點。這個方向走到頭，該重跑的流程一趟也沒少。

但真正應該要切入的方法是：把規則直接做成一個平台，讓程式自動執行整段流程。想通這一點，我把作業流程梳理清楚，一步一步跟 AI 把平台做了出來。整理訓練紀錄、比對時數、發送通知，這些都交給平台，儀表板上誰還沒上完課一目了然。沒有排隊等 IT 資源，最懂業務的承辦人第一次可以自己動手把系統建起來。

真正改變的是工作模式。過去承辦人必須在 Excel 裡親手處理所有資料；現在打開平台，看到的已經是系統抓好、算好的結果。人從處理所有資料、還得自己檢查，變成只需要處理異常。

機器接了 Maker，人的位置在哪裡

graph TD;

subgraph S1["機器端：Maker 批次運算與自動化"]

A1["匯入人事名冊與訓練時數"] --> A2["規則引擎比對（登錄日、3年到期日、離職註記）"];

A2 --> A3["自動派發進度提醒通知"];

A2 --> A4["產出即時監控儀表板與異常清單"];

end;
subgraph S2["承辦人端：Checker 例外管理與風險把關"]

B1["檢核邊界例外（離職漏勾、爭議個案）"];

B2["抽驗底層邏輯（資料來源換格式、法規修訂）"];

B3["簽核最終法定稽核名冊與合規責任"];

end;
A4 -->|彙整異常與數據| B1;

A2 -.->|驗證運算規則| B2;

B1 --> B3;

B2 --> B3;

Maker–Checker 的核心很簡單：做的人和確認的人分開，避免同一個人從頭做到尾，也降低錯誤與舞弊風險。¹

把法定訓練做成平台，就是把 Maker 的位置交給機器。我借的是這個「執行與驗證分開」的思路，把流程改成機器執行與初步檢查，人處理例外並承擔責任。

機器當 Maker，人當 Checker。

嚴格來說，人已經不再是傳統意義上的逐筆覆核者。靠人的注意力去守一份幾百筆、規則固定的資料，本身就不是可以長期維持的控制機制。人一筆一筆盯，盯久了總會漏——人的注意力，本來就不該拿來當批次運算引擎。反過來看，這種大量、重複、規則清楚、結果可驗證的工作，正好是機器最擅長的事。機器接手執行，人退下來，站在例外管理與風險負責人的位置。落到承辦人身上，工作從一筆一筆算，變成看機器依照既定邏輯跑出的結果是否合理。具體來說，是看剔除離職者的規則有沒有漏人，通知會不會寄錯對象，到期日算法在年度交界有沒有跑掉，最後再對主管機關來查的那份名單負責。

不過，人、機這個分工聽起來很順，但還是有一些眉角需要留意。

首先，一定要先看適用範圍。這種分工只對規則講得清楚的作業成立。時數該怎麼算，法規已經寫好了，機器可以處理；但遇到爭議個案要不要通融，這種需要判斷的事寫不成規則，就不該硬丟給機器。

另一條邊界，是錯法。人工檢查時，錯的是哪一筆資料，通常一筆兩筆，抓出來改掉就好。平台的邏輯一旦有漏，同一套邏輯底下每一筆都會錯，錯得整整齊齊，整齊到不容易被發現。所以 Checker 要看的，不是哪一筆錯了，而是背後的執行邏輯有沒有錯。抽驗得抽在邏輯最容易出事的地方，例如來源換格式、法規改時數。機器當 Maker 之後，對 Checker 的要求只會更嚴。

最後要算的，是投入的時間跟精力值不值得。把作業做成平台後，萬一法規更新，做法變更，就會有人要維護。所以關鍵在數量和頻率。名單只有幾十個人、偶爾跑一輪，在 Excel 裡處理就可以了，花大把精力做平台真的沒意義，反而多養一個負擔。名單幾百人、每兩週就要跑一輪，做平台的功夫分攤在每一輪裡就划算，頻率高、數量大，就有價值。

數位化要從業務本身開始，工具排在後面

多數人談人機協作，往往想到在對話框裡下指令讓模型產出文字。另一種路徑，是把原本純人工的例行作業，直接變成自動運作的平台。前者每次都需要人開口觸發；後者一旦建置完成，營運人員就能直接退到 checker 的位置。

所以工具排在最後。先把現有的作業方式攤開來，拆解出哪些步驟能直接交給機器算，哪些環節必須留給人判斷。釐清到這一步，才決定要用 AI、Python、Power Automate，還是其他工具。

先帶回工作裡試一次

1. 找出你手邊那份每隔固定時間就要重跑一次的表單，把每一個步驟寫成一行，然後在每一行後面標記：這一步是照規則算，還是要人判斷。
2. 只看標了「照規則算」的那幾行，試著把規則用條件句寫出來。寫得出來，這段就是可以交給機器當 Maker 的部分；寫不出來，那一行就是要留給人的判斷。
3. 把寫得出來的那幾段，丟給 Codex 或 Claude 這類會寫程式的 AI，請它規劃一套自動化作業，逐步開發，每做完一段就跑一次看結果。不用擔心自己不是 IT——讓 AI 引導你，系統一段一段長出來，會很有成就感。

下一次，當你遇到一件「每兩週都要再做一次」的工作，不妨先別問怎麼做得更快。
先問：這件事情，真的還需要由人當 Maker 嗎？

若你正在把單位裡的例行作業重新分工，或想持續追蹤這類實作判斷，可到 Jed 的 LinkedIn 追蹤或私訊。

---

延伸閱讀

• HR AI 的下一步：從工具展示，走向工作流重構
• AI Agent 實踐筆記：如何縫合平台斷點，找回失落的「專注時間」？

---

參考資料

---

常見問題

什麼是例行檢核作業的「機器當 Maker，人當 Checker」模式？

指將規則固定、大量重複的數據比對、期程計算與提醒通知等工作交給自動化平台（Maker）執行；專業人員（Checker）則從逐筆覆核轉為處理例外爭議、抽驗系統邏輯與承擔最終責任。 為什麼不建議繼續用人的注意力逐筆檢查大量名冊？ | 人的注意力無法長期充當批次運算引擎，面對高度重複的資料容易因疲勞而漏看。而規則固定的運算與排程正是機器擅長的事，自動化更能確保穩定與零遺漏。 什麼樣的例行作業適合做成自動化平台？ | 適合具備「高頻率（如每兩週一次）」與「大規模（如數百人）」特性的作業，且其計算規則明確、結果可驗證。若規模小且偶爾執行，維護系統的成本可能高於效益，維持試算表作業即可。 機器接手 Maker 後，人工 Checker 最需要留意的風險是什麼？ | 系統邏輯性錯誤的全面擴散。人工檢查時通常是一兩筆個別錯誤；平台的運算邏輯若有漏洞或來源資料格式變更，會導致整批資料整齊地出錯。因此 Checker 需著重抽驗底層邏輯與資料介面。

例行作業人機分工重塑四步驟

1. 攤開現行步驟

   將週期性重跑的作業流程拆解為逐行動作清單。 標註規則與判斷 | 在每一行標記屬於「依固定規則計算」還是「需人工裁量判斷」。 提煉條件邏輯 | 將「依規則計算」的項目具體寫成條件式與運算邏輯。 結合 AI 逐步建置 | 將邏輯交給 AI 工具規劃自動化腳本或平台，分段開發並逐一驗證。