各部門 Prompt 應用實例：為什麼同一套 AI，有人效率翻倍，有人卻覺得難用？
很多企業在導入 AI 的前幾個月，都會出現一個很有趣的現象。
同樣都是用 ChatGPT、Claude 或企業 AI 工具，有些部門很快就開始產生效果，有些部門卻始終覺得「好像沒什麼用」。
業務團隊開始用 AI 整理客戶資料、準備提案，拜訪效率提升非常明顯；財務部門開始利用 AI 解讀報表、找異常數據，節省大量人工檢查時間；但另一邊，HR 部門可能會覺得 AI 推薦的人選不夠準，客服部門也可能抱怨 AI 回覆品質不穩定。
很多人以為，這是因為不同部門的技術能力差異。
但實際上，真正的差距通常不是工具，而是：
企業有沒有把部門知識，轉成 AI 能理解的工作邏輯。
Prompt 真正困難的，從來不是「怎麼問」
很多人對 Prompt Engineering 的理解，還停留在：
- 把問題寫更完整
- 補更多條件
- 讓 AI 回答更精準
但企業場景真正困難的地方，並不是問問題。
而是企業自己從來沒有整理過：
- 部門是怎麼做判斷的
- 資深員工是怎麼思考的
- 哪些資訊才是真正重要的
例如，一位資深業務看到客戶資料時，往往幾分鐘內就能判斷：
- 這客戶值不值得追
- 該從什麼角度切入
- 可能的決策者是誰
但這些判斷邏輯，通常從未被正式寫進 SOP。
AI 不會憑空知道這些事情。
如果企業沒有先把知識結構化，再強的 AI 也只能給出「看起來合理」但缺乏實戰價值的回答。
業務部門：AI 最容易創造價值的地方
很多業務團隊第一次真正感受到 AI 的價值，不是在成交那一刻，而是在拜訪客戶之前。
過去一場重要拜訪，業務可能需要：
- 查公司背景
- 翻 CRM 歷史紀錄
- 找過去會議內容
- 整理提案方向
一場會議的前置準備，可能就要花掉兩小時。
但當 Prompt 開始結合 CRM、歷史互動紀錄與產業資料後，AI 可以在短時間內協助整理：
- 客戶背景摘要
- 過去合作脈絡
- 潛在需求推測
- 建議切入角度
這時候 AI 已經不只是搜尋工具，而開始像真正的業務助理。
很多企業導入 AI 後，最先被改變的，其實不是銷售技巧，而是整個業務準備流程。
HR 部門：AI 最容易被誤解的場景
HR 是另一個很容易對 AI 感到失望的部門。
因為很多企業一開始只是把履歷丟給 AI，然後問：
「這個人適不適合？」
但問題是，企業自己可能都沒有真正定義：
「什麼叫適合的人才？」
有些職位需要高度抗壓，有些需要細節控，有些需要快速學習能力。
這些判斷標準，通常存在主管經驗裡，而不是職務說明裡。
因此，真正有效的 HR Prompt，不只是分析履歷，而是讓 AI 理解：
- 團隊文化
- 主管偏好
- 職位成功特徵
- 常見失敗原因
當 AI 能理解這些脈絡時，它生成的面試問題、履歷分析與人才建議，才會開始真正有價值。
財務部門：AI 最容易產生 ROI 的部門之一
相較之下，財務部門通常更容易快速看見 AI 成效。
因為財務工作有幾個特點：
- 規則明確
- 資料量大
- 重複性高
AI 特別擅長從大量資料中快速找出異常。
例如：
- 費用異常波動
- 報表數據不一致
- 與歷史趨勢差異過大
過去財務人員可能需要花數小時盯著 Excel 找問題，現在 AI 可以先幫忙篩出值得注意的地方，讓人直接把時間投入在判斷與決策上。
這也是很多企業在財務場景中，很快就能感受到 AI 投資報酬率的原因。
為什麼很多企業導入 AI，最後卻只變成「高級打字機」？
因為企業導入了工具，卻沒有整理自己的知識。
於是 AI 最後只能：
- 改文案
- 寫摘要
- 潤稿
- 回答 FAQ
看起來很方便，但始終無法真正進入企業流程。
真正的 AI 價值，不在於它能生成多少文字，而在於它能不能理解工作。
恩梯科技如何協助企業建立部門級 AI 能力
恩梯科技在企業 AI 顧問服務中，很少一開始就直接幫客戶寫 Prompt。
因為我們知道，真正重要的通常不是 Prompt 本身，而是：
- 部門知識怎麼被整理
- 決策邏輯怎麼被拆解
- 工作流程怎麼被結構化
很多企業在這個過程中，才第一次真正看見：
「原來我們很多重要經驗，其實從來沒有被系統化。」
而這些被整理出來的知識，往往比 Prompt 本身更有價值。
結語：Prompt 的本質，其實是知識轉譯
很多企業以為 AI 導入是工具問題。
但真正的核心，其實是：
企業有沒有能力，把自己的經驗與知識，轉成 AI 能理解的語言。
沒有結構化知識，再強的 AI 也只是聊天工具。
但當企業開始整理自己的工作邏輯、決策流程與部門知識後，AI 才會真正開始像員工，而不只是打字機。
