2026 年秋季準備 2027 顧問招聘，你在履歷寫下「用 AI 節省 70% 操作時間」，卻答不出省下的時間去了哪裡？把這段經歷講清楚，應先說客戶要做什麼決定，再依序算實際採用量、檢查與返工，最後比較可實現的收益和全部成本。模型跑得快，只是整段回答的起點。
Roland Berger 北京的 2027 Junior Consultant 職位列出客戶訪談、研究分析及呈報結果。從這些工作推論，AI 經歷值得展示的，不只有工具能力，還包括你如何理解使用者、衡量結果，並向客戶解釋取捨。秋招前，值得重寫的正是這一段推理。
今年談 AI，不能把個人效率直接叫作公司收益
McKinsey 在2026 年 8 月的 AI 調查中指出，八成受訪者稱 AI 提高了自己的生產力，但只有 37% 稱 AI 對所屬企業的息稅前利潤有正面影響。這是受訪者的陳述，兩個比例衡量的也不是同一件事；不能相減後，說其中 43% 的 AI 項目失敗。
對你的面試準備，更有用的問題是：一個人快了，為什麼整個部門可能還沒得到好處？工具只被少數人使用、後面多了一輪檢查，或省下的時間沒有重新安排，都可能讓技術效果停在局部。以下用同一個假設，逐步找出這些落差。
「省 70%」先說清楚省了哪一步
假設你替客服團隊設計通話摘要工具，主管要決定是否擴大使用。每月有 10,000 份適合使用工具的摘要，原本人手整理及檢查每份共需 10 分鐘。小規模試行後，AI 初稿的操作與等待只需 3 分鐘。拿這 3 分鐘直接與原來的 10 分鐘相比，你就寫下「節省 70%」。
但初稿不等於完成。假設每份 AI 初稿還要人工檢查 2 分鐘；其中 10% 需要額外花 10 分鐘重寫。原流程的 10 分鐘已包括原有檢查，AI 流程也必須算到相同完成標準。不能把新增檢查交給另一位同事，就當成時間已經消失。
這裡還假設員工等待初稿時無法處理別的工作，因此把等待一起算入占用的工時。若真實流程允許同時處理其他任務，就要分開記錄員工實際忙碌的時間與客戶等待的時間，不能把兩種改善混成同一個百分比。
技術表現也要有定義。例如，先請客服主管列出摘要必須保留的承諾、問題及下一步，再看多少份需要重寫。只說「摘要準確率很高」，既沒有說明誰判斷，也沒有交代漏掉一項退款承諾的後果。這會影響後續檢查，進而改變省時幅度。
試行前後還要使用相同的品質標準。假如新工具省下摘要時間，卻讓下一位客服因資訊缺漏，多問客戶一次，這筆時間只是移到下一個環節。可以追蹤同一問題是否重複來電，以及接手人員要花多久讀懂摘要，避免只把單一步驟做快。
採用率與返工，會把 70% 改成多少
再假設一個月試行中，只有 60% 的合適摘要實際使用 AI；其餘仍照舊。採用率要用實際工作量算，不是看有多少人曾開過帳戶。McKinsey 的AI 成效衡量文章也把技術表現、使用者採用、工作流程變化與財務結果分開，提醒企業不能只看工具有沒有被打開。
沿用上述假設，當月的時間明細應這樣算：
| 工作 | 當月分鐘數 |
|---|---|
| 未用 AI 的 4,000 份，仍需每份 10 分鐘 | 40,000 |
| 使用 AI 的 6,000 份，初稿每份 3 分鐘 | 18,000 |
| 6,000 份逐份人工檢查，每份 2 分鐘 | 12,000 |
| 其中 600 份重寫，每份另加 10 分鐘 | 6,000 |
| 使用工具後的合計 | 76,000 |
原流程是 100,000 分鐘，現在少用 24,000 分鐘，即每月 400 小時，整體降幅為 24%。這已包含檢查和重寫；不能再扣一次同樣的返工，也不能把未採用工具的工作算成已省時。
這還解釋不了另外 40% 為什麼不用。若必須在兩套系統之間複製通話文字，改善操作流程可能比再提高模型速度有效；若資深員工本來就很快，則應比較不同群體。《Generative AI at Work》作者論文用每小時解決的客服問題數衡量生產力，並發現不同員工的改善幅度不同。你也應追問誰受益、誰多了工作，不能把平均數當成每個人的結果。
400 小時乘上薪資，仍不是現金節省
釐清誰省時、誰多了工作後，才輪到財務問題。這 400 小時首先是可另作安排的工作時間。若員工薪資照付，企業並沒有因此少付 400 小時的工資。它可能用來處理積壓問題、縮短等候時間或承接新增工作，但要先確認哪裡需要這些人手。
假設主管確認，其中 100 小時可用來承接原本準備外包、而且員工能力足以完成的同類工作。原訂每小時人民幣 120 元的外包因而取消，當月少付 12,000 元。其餘 300 小時先用於處理積壓，暫不換算成現金，也不假設有人被裁撤。
再假設每月新增模型、系統及維護的現金支出合計 8,000 元，穩定使用後的每月淨現金收益就是 4,000 元。若另有一次性建設支出 24,000 元，第一個月合計反而淨流出 20,000 元；在每月淨收益維持 4,000 元且沒有其他新增支出的假設下，才約需六個月收回初期投入。這不是完整投資估值，卻比拿工時直接乘薪資，更接近主管需要的判斷。
若你只是學生實習生，未接觸採購或財務記錄，就不要把這組推算改寫成自己的實績。可以明確說「我量到省時，但無權確認外包費用是否下降」；接著指出應向誰查明、哪張記錄能回答，比硬填一個投資回報率可信。
最後要交代客戶怎麼選，而不是要求人人使用
有了計算，才能指出什麼變化會改變建議。假設主管的目標是降低現金支出，就先確認每月真的有 100 小時外包可以取消。若外包單價與每月費用不變，實際只能取消 50 小時，每月少付 6,000 元卻新增 8,000 元支出，就變成淨流出 2,000 元；工時依然省了，現金結論卻相反。
如果下一季外包需求本來就會消失，也不能繼續把避免外包列成 AI 帶來的收益。若主管的目標改為縮短客戶等待，則要重新看排班能否承接多出的時間，以及等待是否實際下降。不同目標，需要不同的擴大使用條件。
更合理的下一步，是在相近班次、相近問題難度下分批試行，記錄使用、重寫、完成時間與客戶問題是否解決。不要拿最熟練的試行組去比最忙的新員工組，再把全部差異歸功於 AI。保留人工檢查，也不應為了做出漂亮省時數字而略過必要品質要求。
你的個人貢獻要放進這些選擇：是你發現檢查時間被漏算、訪談出低採用的原因，還是協助主管訂下擴大使用的條件？不要把工程同事完成的模型、主管批准的支出和整個團隊的成果，都濃縮成「我帶動轉型」。
把履歷那句話，重錄成九十秒回答
沿用上述情境，可以這樣練習：「我們先想降低客服摘要的處理負擔。最初只比較原流程的十分鐘與 AI 初稿的三分鐘；把採用量、檢查及重寫加入後，我算出整體每月釋放四百小時。我再與主管區分可取消的外包支出和仍待安排的時間，扣除費用後，判斷擴大使用需要哪些條件。」
練習時逐句檢查：業務目標是否清楚；70% 是否漏算初稿之後的工作，24% 是否涵蓋全部摘要；工時是否真的變成支出下降；哪些成果屬於自己。沒有證明的部分可以保留未知，但要說出下一步怎樣確認。
現在挑一段真實 AI 經歷，按「客戶決定、實際使用、完成成本、淨成果、個人貢獻」重寫，再沿諮詢面試準備指南練習追問。秋招裡值得說清楚的，是這項技術改善如何幫助客戶做決定，以及你在其中做了什麼。