自動化工具從來沒有像現在這麼多。AI 代理人可以讀取你的收件匣、摘要會議內容、起草回覆、撰寫程式碼、規劃你的一週行程。每個月都有新一波工具湧現。
然而，我們接觸的大多數人，仍在做兩年前就在做的那些手動、重複、令人精疲力竭的工作。
為什麼？
過去幾個月，我們試圖回答這個問題。我們與 22 位來自不同職位、產業和技術背景的人深入訪談。其中約四分之三具有技術背景，其餘則否。大約一半在科技業工作，另一半則不是。
我們問他們的工作是什麼樣子、哪些事情很困難、他們希望能改變什麼。
我們發現了四個反覆出現的障礙，無論受訪者從事什麼工作、技術能力高低，這些障礙都如影隨形。其中三個是個人層面的，第四個則是結構性的。它們共同解釋了為什麼自動化——儘管是過去二十年軟體領域承諾最多的類別——對大多數人來說仍然只是一個願景。
以下就是這四個障礙。
障礙一：你看不見哪裡出了問題
第一個讓我們感到意外的發現是：當我們問人們工作中有什麼困難或令人沮喪的地方時，大多數人給的都是模糊的概括性抱怨。「要同時兼顧很多優先事項。」「溝通問題。」「我就是很忙。」沒有具體說明，也沒有可以採取行動的方向。
於是我們換了一個問題：「如果你可以揮動魔法棒，修復目前工作流程中的一件事，你會選什麼？」
突然間，鮮明的痛點浮現了。具體的任務。他們討厭的事情。同樣這些人，五分鐘前還在聳肩，現在每個人都能說出三個答案。
其中一位受訪者告訴我們：
「對，我跟大家都有共識。我開了很多次討論。但讓所有人隨時掌握最新狀況，真的是工作中最繁瑣的部分。」
另一位在描述一個季度性流程時說：
「我最想做的就是消除這個手動追蹤的步驟。它佔用了我們太多時間。幾乎每季都要做一次。在執行的那一週，整個團隊上下都很痛苦。」
第三位受訪者在描述一項例行任務時說：
「有時候我會收到門市的請求，要我把線上庫存資料對齊。這些請求格式很不統一。有時候他們提供的門市 ID 是正確的，有時候門市 ID 應該要大寫，但他們給的是小寫。格式不對，我就必須手動校正所有格式，確認無誤後再輸入系統，然後按下按鈕。」
這些人在我們問對問題之前，從來沒有想過這些任務是可以自動化的。他們已經這樣做了幾個月甚至幾年，這就只是工作的一部分。
這不是個人的失敗，而是注意力運作的方式。重複性的任務會逐漸淡入背景。你的大腦不再把它們標記為值得關注的事，因為它們是可預期的。做這些事的不適感，就變成了「星期一」。
你無法自動化你說不出名字的事。而大多數人在沒有外力協助的情況下，說不出自己工作中哪裡出了問題。
這就是第一個障礙。
障礙二：你不知道從哪裡開始
假設你確實看見了問題所在。你清楚知道哪個任務在消耗你的一週。你甚至有可以處理它的 AI 工具。
大多數人還是會卡住。
問題在於：可能性太多，卻沒有具體的起點。這是決策癱瘓套用在自動化上的結果。當你什麼都可以自動化時，你往往什麼都不會去自動化。
有人告訴我們：
「你要怎麼指揮 AI 去做這件事？你要怎麼跟 AI 說才能讓它去做？我覺得需要花時間學習如何更具體地描述需求。」
他們知道 AI 有這個能力，只是不知道怎麼把它指向自己的工作。
另一位受訪者說得更直接：
「我覺得從介面上看不太出來還能做什麼。因為當你只是輸入一個提示詞，我就會想：『喔，我得想想我需要什麼。』但我其實沒有其他選項，對吧？我不知道它還能做什麼。那我的想像力能延伸到哪裡？在我們之前的對話中，我才意識到我可以請它幫我整理電子郵件的每日站立報告，或者建立一個 Linear 任務之類的。所以我覺得這些功能不夠清楚。」
他們進一步說：
「也許如果有下拉選單、範例提示詞或模板可以參考，我覺得會很有幫助，而不是讓我完全從零開始想。」
另一位受訪者則希望有更具體的指引：
「工具實在太多了。現在的技術堆疊非常龐大，可能性多到不知從何選起。如果有人能告訴我，針對我正在做的每一項任務，應該用哪個工具、哪個對我來說最有效率——比如說，以某種方式查看我的 Linear，然後告訴我：『嘿，這個任務你應該用這個，而不是 Claude Code 之類的。』那真的會很棒。」
人們需要的不是更多功能，而是一個具體的起點。一個真實的範例。一個和他們情況相似的人建立的、從頭到尾跑得通的工作流程，讓他們可以直接複製並調整。
這也是為什麼同樣那五種工作流程一再被自動化：早晨摘要、週報、收件匣分類、站立會議記錄、客戶摘要。這些不是最好的自動化選擇，只是因為它們有公開的模板和明確的起點。
其他的一切都還是手動進行。不是因為無法自動化，而是因為沒有人示範「開始」是什麼樣子。
這就是第二個障礙。
障礙三：開始的成本高於不開始的成本
好，你已經找出了問題所在，也有了具體的起點。現在你真的要動手設定了。
大多數人就在這裡放棄。
一位受訪者告訴我們，他的同事都在使用某個 AI 工具：
「我知道 OpenClaw，但我自己從來沒試過。我知道同事在用，但我從來沒試過。」
當我們問為什麼，他說設定太複雜、太耗時。他甚至從來沒有嘗試過。儘管他的隊友都在成功使用，這還不夠。光是感覺到的啟動成本就已經高到讓他直接放棄。
另一位受訪者更直接地點出了放棄的時間點：
「我覺得對新使用者來說尤其如此。因為會有很多人看到這些東西，想要試試看。但當他們執行 NPM install，然後又被告知還需要安裝 Claude……我覺得很多人就在那個時候放棄了，根本不想繼續。」
這兩段話背後都是同樣理性的計算。另一位受訪者說得很直白：
「當我們想要自動化工作流程，就是想省時間、提高生產力。我們不想把大量時間花在那些本來應該提升效率的工具上。」
這不是懶惰，這是數學。
自動化的全部意義就是節省時間。但對大多數工作流程來說，設定所花的時間比手動完成任務還要長。你花幾個小時學習介面、花幾個小時串接觸發條件、花幾個小時測試邊緣案例，做完這一切之後才開始節省時間。對於每週發生一次的任務，回本時間要好幾個月。對於每月或每季才發生一次的任務，這筆帳根本算不過來。
所以人們就跳過了。
過去的經驗讓問題更加複雜。人們曾經用過那些承諾很多、卻要走四十個步驟才能設定好的工具。他們花時間學習了沒有回報的介面。所以即使一個新工具真的有效，過去的經驗也讓他們不願意再投入。
大多數自動化工具都假設你願意花一個小時學習，然後才能獲得任何價值。對大多數人來說，尤其是非技術背景的人，這段關係就在那裡結束了。
這就是第三個障礙。
障礙四：你的組織不允許你這樣做
這是最難解決的障礙，也是我們從在大型組織工作的人那裡聽到最多的障礙。
即使你看見了問題所在、清楚知道從哪裡開始、也願意投入設定時間，你的公司可能根本不讓你這樣做。
一位在大型企業工作的受訪者描述了實際情況：
「我們使用的每一個工具，都必須經過客戶核准或內部核准。一旦獲得核准並取得預算，我們才會逐人購買該工具的授權。」
核准、預算、逐人授權。每一個新工具都要走這套流程。等到流程走完，當初讓你想嘗試的那股動力，早已是幾個月前的事了。
但這個問題更深層的版本不只是「我無法讓工具通過審核」。而是即使你可以個人使用 AI 工具，你也無法將它連接到你實際工作所在的系統。同一位受訪者說：
「我無法把工作環境連接到這裡。如果我個人使用這個工具，我無法連接我的 Salesforce，也無法連接我的 Teams，因為它們都在我的公司筆電上。」
他可以使用 ChatGPT，也有很多想在 Salesforce 中自動化的任務，但兩者就是無法串接。他想要的自動化需要橋接個人工具和工作資料，而這座橋是被禁止的。
這不只是大公司才有的問題。另一位受訪者告訴我們：
「我覺得大公司對隱私有一定程度的顧慮。我們可以使用 ChatGPT，但不能使用 Gemini。我不知道為什麼，就是公司的選擇。」
「我不知道為什麼。」當你和人們談到組織的工具限制時，這句話出現的頻率很高。從內部看，這些選擇感覺很隨意。有些工具被核准，有些沒有，沒有清楚的邏輯。你只能在不理解規則的情況下設法繞過它們。
對很多人來說，這才是真正的高牆。不是「我看不見哪裡出了問題」，不是「我不知道怎麼自動化」，而是「我不被允許這樣做」。
這個障礙比其他三個更難突破，因為問題不在你身上，而在你所處的環境。而環境的改變是緩慢的。
這就是第四個障礙。
這意味著什麼
這四個障礙是層層疊加的。即使你突破了第一個，你會遇到第二個。突破第二個，你會遇到第三個。就算你撐過了前三個，你周圍的組織可能還是會攔住你。
它們共同構成了一道大多數人永遠無法跨越的高牆，即使他們清楚知道自己想解決什麼問題。這就是為什麼工作流程自動化——儘管是過去二十年軟體領域承諾最多的類別——對大多數人來說仍然只是一個願景。
我們認為這道牆是可以突破的。不是全部，也不是對所有人，但比現有工具所假設的要多得多。過去幾個月，我們專門針對前三個障礙打造了一些東西，也在認真思考如何讓自動化足夠安全，使第四個障礙隨著時間推移變得不那麼嚴苛。我們對什麼有效有自己的看法，但我們寧願讓你親眼看見，而不是光說不練。
所以，以下是我們正在做的事。
5 月 16 日（星期六），我們將在聖荷西舉辦一場免費的實作工作坊。我們將帶你了解如何在自己的工作中找出可自動化的環節、在有百種選擇時從哪裡開始，以及如何在 15 分鐘內設定好你的第一個 AI 工作夥伴。不需要寫程式。
名額上限 30 人。報名連結：https://luma.com/yqpulmgq
5 月 20 日（星期二），我們將在舊金山舉辦類似的活動。詳情與報名資訊即將公布。追蹤 @vm0_ai 搶先獲得通知。
如果你無法參加任何一場活動，也歡迎追蹤我們。我們會整理工作坊中大家實際建立的成果——那些工作流程、出乎意料的發現，以及沒有成功的嘗試——並在下一篇文章中發布。無論如何，你都能獲得實用的答案。
上述四個障礙是真實存在的。幾乎每一位我們交談過的人都提到了它們。前三個今天就可以解決。第四個需要更長的時間，但同樣可以解決。我們將在接下來幾週透過活動和後續發布的內容來證明這一點。
引言已依職位匿名處理。訪談樣本：22 位來自軟體／AI、醫療保健、表演藝術、製造業、顧問業、零售業、生物力學及非營利組織的受訪者。約 73% 具有技術背景，27% 則無。
