哪些任務該做成 AI Skill、哪些不該？一個行銷主管的投入判斷框架

AI Skill 不是裝越多越好。判斷一個任務該不該做成技能，看三個問題就夠：夠不夠重複、能不能標準化、有沒有資料撐腰。

不是每件事都值得做成技能

AI Skill 變成跨平台的開放標準之後，把工作流程打包給 AI 的門檻變得很低。Anthropic 在 2025 年 10 月推出 Skills、12 月把規格作為開放標準釋出，各家工具很快跟進，於是出現一種新的焦慮：是不是每件事都該做成技能？看到同業分享了一個好用的技能就想跟著做，桌面上的技能列表越來越長，真正用得上的卻沒幾個。

這股熱潮已經反映在數字上。Gartner 在 2025 年 6 月預測，到 2027 年底會有超過四成的 agentic AI 專案被取消，原因是成本失控、商業價值不清。Gartner 分析師講得很直接：現在多數專案是被熱潮帶著走的早期實驗，常常用錯了地方。McKinsey 2026 年的研究也呼應這點：在其針對數十位大型消費與科技公司行銷長的調查中，近九成正在行銷流程的不同節點實驗 AI，卻只有不到一成已在完整流程取得價值，問題多半出在工具各管一段、用錯了地方。

問題不在 AI Skill 不好用，而在沒有先判斷「這個任務到底適不適合做成技能」就動手。做對了會有複利，做錯了只是把時間花在維護一堆沒人用的技能上。這篇想給行銷主管一個簡單的判斷框架。

為什麼想先談「不該做」

我們團隊自己也經歷過技能列表越列越長、實際常用的卻只有幾個的階段。後來才發現，先問「哪些根本不該做」，比一直想「還能多做哪些技能」更省事。

把不該做的先排除掉，剩下的就是真正值得投入的。這個判斷不難，難的是願意停下來先想清楚，別看到別人有就跟著裝。這篇想把這個判斷的標準說清楚。

三個問題，分辨一個任務該不該做成技能

判斷一個任務適不適合做成 AI Skill，我們團隊用三個問題依序篩。三個都成立，這個任務做成技能會有複利；有任何一個不成立，先別急著做。

先問頻率。做一個技能要花時間把流程與規則寫清楚，這個成本只有在任務夠常重複時才攤得回來。每週都要做好幾次的月報整理、客服回覆、廣告檢查，很值得；一年才做一兩次的特殊專案，手動處理反而划算。

接著問能不能標準化。技能的價值來自「每次都照同一套規則跑」，所以這件事的判斷必須能被寫成固定的步驟與標準。格式固定的報表、規則明確的初步篩選適合；需要臨場讀懂市場氣氛、靠獨家經驗下的判斷，硬寫成規則只會綁手綁腳。

最後問有沒有資料。技能負責「怎麼做」，但它跑出來的東西有沒有料，看你餵的資料。有乾淨資料撐腰的任務，例如會員分群、回購預測，做成技能會產出別人複製不走的結果；沒有資料、只能在公開資訊上打轉的任務，做成技能也只是把通用答案產得快一點。

哪些任務適合、哪些先別碰

把三個問題套到行銷團隊常見的任務上，會看到清楚的分界。

適合做成技能的，是那些重複、標準化、又有資料撐腰的工作。每月的成效月報，格式固定、每月都做、又讀品牌自己的數據，是最典型的好標的。固定格式的客服問答、廣告投放前的檢查清單、內容產製裡的查證與上稿，也都符合這三個條件。這類任務做成技能，省下的時間會隨著每次使用累積。

先別碰的，是那些一次性、或高度依賴臨場判斷的工作。一年一次的品牌策略大改、需要讀懂客戶當下情緒的危機溝通、靠資深經驗拍板的預算大方向，這些任務要嘛頻率太低、攤不回成本，要嘛判斷沒辦法被寫成固定規則。硬做成技能，不只浪費時間，還可能因為規則僵化而做出錯的判斷。

中間還有一類值得注意：看起來重複、也能標準化，但沒有資料撐腰的任務。例如想用技能產出市場分析，如果讀的只是公開報告，產出的東西跟同業沒兩樣。這類任務要先補上資料這一塊，再評估值不值得投入。這也把我們帶到三個問題裡最關鍵的那一個。

三個問題裡，資料是最容易被忽略的那一個

頻率和標準化通常一眼就能判斷，最容易被忽略、卻最決定成敗的，是有沒有資料這一個。很多團隊把任務做成了技能，跑起來也順，但產出總覺得跟同業差不多，問題就出在技能讀的是公開資料，不是自己的。

這正是顧客數據平台（CDMP）的價值所在。以 91APP 服務的零售品牌來說，把官網、App、門市的會員行為歸戶整理成乾淨、完整的第一方資料之後，那些「會員分群、回購預測、個人化溝通」的技能才有獨家資料可讀，產出的才會更貼近品牌自己的會員結構與消費情境。同一個分群技能，接上 CDMP 的會員數據，跟只讀公開的產業報告，價值差很遠。

所以判斷一個任務該不該做成技能，資料這個問題其實可以反過來問：你有沒有一份別人沒有的資料，能讓這個技能產出別人做不到的東西？有，這個任務就值得優先做；沒有，先把資料補上，再回頭做技能。

動手做技能之前，先用這幾個問題篩一遍

對台灣零售品牌來說，比起追著別人分享的技能裝，先用一套自己的標準篩過更有價值。以下幾件事，是我們團隊整理出來的判斷順序。

1. 先列出團隊每週重複在做的任務：把每週都要做好幾次的工作攤出來，這些才是值得優先評估的標的（預期效果：把投入集中在攤得回成本的任務；建議週期：花一次會議盤點）。
2. 逐項問「判斷能不能寫成固定規則」：能寫成步驟與標準的留下，需要臨場經驗拍板的先排除，避免把僵化的規則套在需要彈性的判斷上（預期效果：篩掉做了會綁手綁腳的任務；建議週期：盤點時同步標記）。
3. 再問「這件事有沒有你獨有的資料撐腰」：有第一方資料可讀的任務優先做，只能讀公開資料的先擱著（預期效果：把資源放在產出別人複製不來的任務上；建議週期：與資料盤點一起做）。
4. 先把有資料撐腰的任務補齊資料底座：確認會員資料歸戶乾淨、對得起來，讓這些技能跑出來的判斷有可靠的料（預期效果：技能產出從通用變獨家；建議週期：列為優先專案）。
5. 定期回頭刪掉沒人用的技能：技能列表會越長越亂，定期檢視哪些其實沒在用，砍掉維護成本（預期效果：團隊聚焦在真正有用的技能；建議週期：每季檢視一次）。

這幾件事的重點，是讓投入集中在會產生複利的任務上，避免被熱潮推著什麼都做。

做得少而準，比做得多而雜更有價值

AI Skill 的價值不在裝了幾個，而在每一個都做在對的任務上。一個重複、標準化、又有資料撐腰的任務做成技能，會隨著每次使用累積複利；一個頻率低、靠臨場判斷、又沒有資料的任務硬做成技能，只會變成沒人維護的負擔。

Gartner 預測會被取消的那些專案，多半卡在成本、商業價值與風險控管，也提醒別被熱潮推著做錯場景，這正好回到本文的核心：先判斷任務適不適合，再決定要不要做成技能。台灣零售品牌真正的優勢，是手上那份別人沒有的會員資料。先用三個問題篩出值得做的任務，把有資料撐腰的那些做好，比急著把每件事都做成技能更能走得遠。做得少而準，從來都比做得多而雜更有價值。

品牌最常問的 AI Skill 投入判斷問題

Q1：判斷一個任務該不該做成 AI Skill，最簡單的方法是什麼？ 問三個問題：這件事夠不夠常重複做、它的判斷能不能標準化、有沒有資料可以撐這個判斷。三個都成立，做成技能會有複利；有任何一個不成立，先別急著做。頻率決定成本攤不攤得回來，標準化決定寫不寫得成規則，資料決定產出有沒有料。

Q2：哪些行銷任務最適合做成 AI Skill？ 重複、標準化、又有資料撐腰的工作，例如每月成效月報、固定格式的客服問答、廣告投放前的檢查清單、內容產製的查證與上稿。這些任務每次都照同一套規則跑、又讀品牌自己的數據，做成技能省下的時間會隨使用累積。

Q3：哪些任務不適合做成 AI Skill？ 一次性或高度依賴臨場判斷的工作，例如一年一次的品牌策略大改、需要讀懂客戶當下情緒的危機溝通、靠資深經驗拍板的預算大方向。這些要嘛頻率太低攤不回成本，要嘛判斷沒辦法寫成固定規則，硬做成技能反而可能因規則僵化而出錯。

Q4：為什麼說資料是最關鍵的判斷？ 因為技能負責怎麼做，產出有沒有料看你餵的資料。一個任務就算重複又能標準化，如果只能讀公開資料，產出就跟同業沒兩樣。有第一方資料撐腰的任務，做成技能才會產出別人複製不走的判斷，這也是該優先投入的地方。

Q5：已經裝了一堆 AI Skill，該怎麼整理？ 定期回頭檢視哪些其實沒在用。技能列表會越長越亂，把沒人用的砍掉，能省下維護成本，也讓團隊聚焦在真正有用的技能上。判斷標準一樣是那三個問題，留下重複、標準化、有資料撐腰的，其餘的可以放手。

Q6：小團隊資源有限，做 AI Skill 該從哪裡開始？ 從一個最常重複、又有自己資料撐腰的任務開始，例如每月月報。先把這一個做好、跑順，感受到複利之後再擴大。小團隊更不該什麼都做，集中資源在少數會產生複利的任務上，比分散做一堆半成品更划算。

延伸閱讀

1. AI Skill 實戰工作流：電商行銷團隊從選題到成效分析怎麼串成一條線
2. Agent AI Skill 是什麼？行銷人從 Prompt 到 Skill 的轉變
3. 拆解 AI 神話：MCP、RAG 與行銷自動化裡，人的價值在哪

想了解如何把品牌的第一方會員資料整理成技能用得上的資料底座，歡迎與 91APP 團隊聊聊。