上個月我們把 AI 導進 B2B SaaS 的 demo lead 分流，AI 讀表單、公司網域、職稱和來源頁面，再把 lead 分成 ICP、高潛力、培育中三組，交給 CRM 的不同 workflow。

第一週數據很漂亮：92% 的新 lead 都走完自動化流程，人工介入率只剩 8%，每天少掉 2.5 小時整理時間。直到我把完成率跟真正的 demo booking rate 疊在一起看，才發現完成率 92%，booking rate 只有 4.1%，比人工分流的 4.3% 還低。報表乾淨了，轉換率沒變漂亮。

我抽查 200 筆 lead，發現「完成」定義太寬。AI 有產出分類就算成功，但 17 筆缺公司規模、23 筆是學生或求職者、14 筆 UTM source 空白，還有 9 筆把代理商誤判成 ICP。它們都通過 workflow，卻不該直接進 sales queue。😅

我們先把例外寫成可量測事件，再調 automation。只要必要欄位缺漏、非 ICP、UTM 遺失、公司名稱對不上 domain、AI 信心分數低於 0.78，或 follow up 文案不符合品牌語氣，就標記 exception，送進人工 queue。每個例外都要有 reason code，不接受模糊的「人工檢查」。

現在的 workflow 是：先做欄位完整度檢查，再做 ICP scoring，接著驗證 attribution，最後才讓 AI 產出摘要和下一步建議。任何一步失敗就停止。人工處理完，記錄「AI 判錯」、「資料本來就缺」、「規則需要更新」，隔週看哪一類反覆出現。

第二輪跑 14 天，自動化覆蓋率從 92% 降到 76%，人工介入率升到 24%。看似退步，實際上有效 lead 的 booking rate 從 4.1% 拉到 5.8%，sales 每週少花 6 小時追錯資料，人工 queue 裡真正需要判斷的案件也從 31% 降到 18%。🎯

最大的坑，是把「AI 有回應」當成「流程有效」。現在我分開看 automation coverage、exception rate、qualified conversion。前兩個升很快，不代表第三個會升。B2B 少送一個錯 lead 給 sales，可能比多自動處理十個普通 lead 更有價值。

要複用的話，先拿最近 100 到 200 筆資料回放，列出所有會讓人停下來確認的情況，命名、計數、設定去向，再決定哪段值得自動化。先把例外錄清楚，才知道你買到的是省時間的 automation，還是一台很會藏問題的機器！📈