很多公司導入 AI 的方式是這樣：
先買工具。
先串流程。
先讓團隊開始用。
過一個月之後才問：「所以到底有沒有比較好？」
這時最常遇到的問題不是沒有成果，而是沒有辦法比較。
因為沒有人記得原本花多少時間、原本錯幾次、原本一個月花多少錢，甚至不知道原本這段流程平均多久才完成。
沒有導入前的基準，導入後就很容易只剩主觀感受。
「好像比較快。」
「大家比較方便。」
「應該有省時間。」
「感覺不能停。」
這些感覺可以當線索，但不適合拿來決定要不要長期投入。
創業公司不需要為了評估 AI，先做一套很複雜的數據系統。
真正需要的只是先回答：
如果今天完全不用這個工具，這件事原本是怎麼完成的？
你可以從四種最容易取得的資料開始。
第一種是時間。
一個人每週大約花多少時間在這件事？
從開始到完成平均多久？
最常卡在哪一段？
第二種是次數。
一週會發生幾次？
一個月大約處理幾筆？
有多少次需要人工補資料？
第三種是錯誤與重工。
最常錯在哪裡？
錯一次要花多久修？
有沒有漏單、漏通知、重複輸入？
第四種是成本。
除了工具月費，原本需要多少人力時間？
是否還有外包費、加班、重做或補救成本？
你不需要全部都有。
挑和這個 AI 專案目的最相關的兩到三個就夠。
如果你用 AI 寫行銷內容，最重要的基準可能不是「寫一篇要多久」，而是你原本要花多久做出可以拿去測試的版本，以及這些版本最後有沒有帶來點擊、詢問或成交。
如果你用 AI 整理行政資料，基準可能是每週處理時間、漏填欄位、重複輸入次數。
如果你用自動化做 Email 或客戶提醒，基準可能是原本人工寄送需要多久、是否常漏寄，以及客戶有沒有完成下一步。
所以不要先找一張網路上的「AI KPI 清單」照抄。
先回到你要改善的那段流程。
真正要問的是：
這段流程現在最讓我損失的是時間、錯誤、機會，還是成本？
因為沒有基準，就會產生一個很常見的心理：
「都已經用了，停掉是不是會更麻煩？」
這時決策就不是看工具價值，而是看習慣。
如果導入前有基準，你就能比較得更清楚。
例如：
原本每週花 8 小時，現在 3 小時。
原本每月漏掉 6 次通知，現在 1 次。
原本每筆資料平均要人工處理 12 分鐘，現在 5 分鐘。
這些資料不一定代表工具必須留下，但至少你知道它到底改變了什麼。
延伸閱讀：〈AI 導入到底有沒有回本？創業者別只看省了多少時間〉。
有時你記錄兩週之後會發現，原本以為很浪費時間的工作，其實一週只做一次，而且每次只花十分鐘。
這時即使能自動化，優先順序也未必高。
反而另一件每天重複二十次、常漏資料的工作，更值得先處理。
這就是基準的另一個用途：不是證明 AI 有用，而是幫你判斷「這個問題值不值得解」。
創業公司最怕的不是沒有工具，而是把有限預算花在看起來先進、實際影響很小的地方。
挑一個你準備導入 AI 的流程，連續記錄五個工作天。
只記三件事：
1. 今天做了幾次？
2. 總共花多少時間？
3. 有沒有出錯或需要重做？
五天之後，你就會有一個最基本的起點。
接著再導入工具，用同樣方式記錄。
不需要做漂亮簡報，也不用一次追十個數字。
因為最有用的不是數據很多，而是前後能比較。
下一步可以接著看：〈AI 自動化出錯一次，前面省的時間可能都沒了：怎麼看重工與漏單成本？〉。
如果你在做這個紀錄時發現，真正難的不是「怎麼量 AI」，而是公司本來就沒有清楚的產品、市場、廣告、現金或營運判斷，那 AI 成效自然也很難獨立看懂。這時更重要的是先整理整體創業順序，再決定工具要放在哪一段。《手把手帶你創業：0～3,000萬的實戰課》會把這些經營判斷拆開，而不是只教你追更多工具。
另一個常見錯誤，是知道要量成效之後，反而開始蒐集太多資料。
工時、成本、點擊、回覆速度、錯誤率、滿意度、成交率全部都想看，最後表格越做越大，卻沒有人真的用它做決策。
比較實際的方法，是回到最初的問題。
如果你導入 AI 是因為客服太耗時，就先看每週客服工時與重複問題量。
如果是因為資料常漏，就先看漏填與重工次數。
如果是因為內容測試太慢，就先看從想法到可以上線測試需要多久。
先把一個主要指標看清楚，再補一到兩個防止誤判的輔助指標。
例如工時下降了，但錯誤率大增，就不能只說效率變好。
基準的目的不是證明工具成功，而是讓你有機會發現：有些改善只是把成本從一個地方搬到另一個地方。
