大規模建立 AI 內容系統

帶 16 人團隊由「有甚麼用甚麼」的 AI 用法，走去一套有場景專用 prompt、專屬工具和強制人手覆核的系統。

帶 16 人團隊由零散的 AI 用法，走去一套有結構的系統：場景專用 prompt、專屬工具，和強制人手覆核層。

產出速度提升 70% 以上

接近 40 個範疇採用

時效性工作近乎即時周轉

挑戰

AI 工具已經是團隊日常工作流的一部分，由修草稿、生成不同版本，到追住同時進行的產品發布和 Figma review。但背後沒有一套有結構的系統，AI 文案就一直落到同一個坑：沒有文法錯，但很平淡、不一致，而且和品牌識別脫節。

一份風格指南是頂不住的。一旦缺乏具體情境，output 就會走樣，而隨住團隊和產品面擴大，問題只會複合。對用戶那哪的風險亦很實在：未經覆核的 AI 文案去到生產環境，會在最要緊那些位失手。

要解決的問題：起一套系統，令一隊 16 人可以大規模用 AI，而不會虧損了品牌一致性，亦不會出未經覆核的文案。

行出零散 prompt 的階段

我好早就定論了：一次性、孤立的 prompt 支撐不起一隊 16 人。沒有些更有結構的東西——例如可重用的 agentic model 或者 skills——一致性在第二個人妥同一類工作那刻就會散。

Audit 現有的東西

之後我收集完現有的文件，例如編輯風格指南、UI 指引和用語庫，用來做成套系統要對住的基準。大部分缺口都不是「沒有文件」，而是「有文件，但沒有人將它和日常怎樣用 AI 接得上」。

弄清楚實際在哪裏爛

我和產品經理坐低，找出不一致實際上在哪裏浮現、以及周轉速度對業務來講在哪裏最要緊，而不是自己估哪個場景要先修。

動工前先定基準指標

改流程之前，我先定義了「更好」實際是甚麼：lead time、一致性、易用度、一條內容質素基準線，以及一套評估 AI 生成 A/B 版本的方法。全部都扣回落解決真實問題和創造商業價值。

起一套貼品牌、有結構的 AI 系統

場景專用的參考組分開處理 tone of voice、錯誤訊息和 onboarding 流程，每組都配實際例子而不是抽象原則：human、insightful、confident、witty 這些語氣支柱，全部扣回落具體場景。

起專用 prompt 同工具

為 Google Gemini 起 Gems、為 ChatGPT 起 GPTs，逐項任務分開：推送通知、翻譯、UX writing、長篇內容、本地化、付費廣告、banner 文案等等。沒有一個是「甚麼都做得」的通用 prompt。

起一層強制人手覆核

每一句 AI 輔助寫出來的文字，出生產之前都要對住實際的 Figma 流程和用戶旅程看一次。單獨看好好的文案，落到情境裏面經常不 work，而這層覆核就是抓出 prompt 捉不到那些。AI 加快了 A/B 測試的版本生成，但決定出哪個版本那一層，仍然是人。

和團隊一起推，不是向團隊落令

我親自訓練團隊用新系統，而不是發一道指令落去，用他們自己的實際作品行一次流程，令些參考組同工具反反映團隊本身怎樣理解語氣。這樣，新系統就不會被讀成一個由上而下硬塞落來的決定。