針對台灣上市 SI 公司的實際業務模式設計，涵蓋標案、客制開發、主動銷售、維護合約四大業務類型
追蹤標案公告、解讀規格需求、組標書、聯合廠商報價、投標、議價。需符合政府採購法。
⏱ 銷售週期：3–12 個月企業需求訪談、SOW 撰寫、報價估算、專案交付管理、驗收。主要客戶：金融、製造、醫療。
⏱ 銷售週期：2–6 個月主動推介硬體（伺服器、網路設備）或軟體解決方案（資安、雲端、ERP），開案型銷售。
⏱ 銷售週期：1–4 個月既有客戶合約到期前更新、擴充服務範圍、追加模組。穩定現金流但競爭激烈。
⏱ 銷售週期：1–2 個月（续約）每日上政府電子採購網（eTender）搜尋相關標案，手動篩選、記錄到 Excel
下載招標文件（往往 50–200 頁），手動閱讀判斷是否符合自家能力與廠牌指定
追蹤競品、廠商新產品、客戶財報動態，靠個人的 Line 群、人脈、新聞
拜訪客戶 IT 主管、使用者，訪談後自己整理會議紀錄，沒有一致格式
從舊案複製貼上，客制化修改，通常花 2–5 天；格式不一致、品質依人而異
聯繫 HP、Cisco、Microsoft 等原廠 / 代理商詢價，手動彙整多廠商報價表
確認是否符合政府採購法規定，需查詢公司授權等級與廠牌資格
人工追蹤哪些客戶合約即將到期，多靠個人記憶或 Excel，容易漏接
定期拜訪、打電話問候，沒有系統記錄，靠個人習慣
填寫 CRM 或內部 ERP（或 Excel），每週整理商機狀態、預測達成數字
整理自己的 pipeline 數字，填寫主管要求的報表格式
協調技術部門評估可行性、協調採購部門詢價、協調財務審核報價
逐一詢問業務商機狀態，靠口頭報告，無法客觀判斷商機健康度
從個人感覺推估是否會達標，每季 QBR 準備耗時 1–2 天
案件出問題才知道，被動反應，自己接手介入已失去最佳時機
無法判斷哪個業務最需要輔導，只能依感覺或業績結果
產品知識、採購法規、廠商關係等學習曲線長，新人 ramp-up 需 3–6 個月
整理全團隊數字、撰寫分析報告，佔用大量本應做教練的時間
| 工作環節 | 現況痛點 | AI 應用方式 | 代表工具 | 效益 |
|---|---|---|---|---|
| 標案情報偵測 | 每日手動上網搜尋、人工篩選，容易錯過 | AI 自動爬取政府採購網公告，依關鍵字（廠牌、類型、金額）自動分類推播 | 爬蟲 + LLM 分類 | 高 |
| 招標文件解析 | 50–200 頁文件人工閱讀，判斷可投資格耗時 | AI 讀取 PDF，自動摘要需求重點、廠牌限定、評分標準，標注參與可行性 | Claude / GPT-4 + RAG | 高 |
| 需求訪談記錄 | 會議中邊聽邊記，後製整理不一致 | AI 即時轉錄會議，自動萃取需求清單、決策者關切點、潛在風險 | Fathom / Fireflies | 高 |
| 標書 / 提案撰寫 | 複製舊案修改，品質不穩，耗時 2–5 天 | AI 根據招標規格 + 需求訪談 + 過往成功案例，自動生成結構化提案初稿 | GPT-4 + 內部模板庫 | 高 |
| 多廠商報價彙整 | 多份報價單手動比較，容易出錯 | AI 解析各廠商報價文件，自動彙整比較表，標注最優組合 | LLM + 結構化解析 | 中 |
| 維護合約到期追蹤 | 靠 Excel 或記憶，容易漏接續約機會 | AI 自動整合合約資料庫，提前 60/30 天預警，自動生成續約提案 | CRM + 自動化流程 | 高 |
| CRM 更新 / 報表 | 填寫繁瑣，業務常拖延或不實填寫 | AI 從 Email、會議紀錄自動更新 CRM，自動生成週報、pipeline 報表 | HubSpot AI / Salesforce | 中 |
| 競品 / 市場情報 | 靠人脈、Line 群，資訊零散不系統 | AI 自動監控競品動態、廠商新品、客戶相關新聞，每日摘要推送 | Perplexity API + 排程 | 中 |
| 主管 Pipeline 分析 （主管功能） |
靠業務口頭彙報，主觀且延遲 | AI 分析所有商機的互動頻率、停滯天數、歷史成交規律，給主管預警清單 | BI + LLM 分析層 | 轉型 |
| 新人知識庫 （主管功能） |
老業務帶新人，知識無法系統化傳承 | AI 知識庫整合過往標案、提案、話術，新人可 query 問「這個客戶以前怎麼投的」 | RAG + 內部知識庫 | 轉型 |
⚠️ 高價值的「客戶對話」只佔 20%
✅ 高價值客戶對話提升至 42.5%
用來確認 AI 切入點。假設是「提案撰寫」或「標案追蹤」，先從那裡下手，不要同時改多個流程。
兩種業務的 AI 工具選型截然不同。標案型以文件分析為核心；主動銷售型以 pipeline 管理和開發效率為核心。
這是 AI 工具導入的基礎。如果連 CRM 都沒有，第一步是先建立數位化基礎，再疊 AI。
建立 AI 知識庫的前提是有過往的資料可以訓練。若已有幾十份過往提案，可以快速建出 AI 提案助手。
這決定怎麼 pitch 這套方案。上市公司通常偏好「以相同人力達到更高業績」，對外表述較安全。
SI 資深業務往往有「我的關係才是核心競爭力」的認知，AI 工具導入需要從「減少雜事，讓你有更多時間維護關係」這個角度切入。