B2B 報價總是慢半拍？從客戶需求到正式報價，哪些工作可以交給 AI？

客戶週一提出需求，週五仍未收到正式報價。業務可能已經回了三封信、開過兩次會，報價內容也早就寫完，只是採購價格尚未確認、交貨條件等主管決策、服務範圍和付款條款又被修改。從外面看，客戶只知道「這家公司回覆很慢」；從內部看，每個人都在努力，卻沒有人掌握完整的交付狀態。

Salesforce 在 2026 年 2 月發布的第七版《State of Sales》研究，將製作報價列為受訪銷售團隊使用 AI Agent 的重要情境之一，並描述銷售工作受到行政程序與資料研究時間牽制。^[1] 這份研究來自軟體供應商及其調查樣本，不能直接推論台灣企業使用 AI 後必然省下多少時間。但從管理角度，它值得我們重新拆解一個熟悉的流程：從客戶口頭說出需求，到企業寄出能負責任的正式價格，中間究竟有多少工作必須由人決定、多少工作能交給 AI 輔助？

報價工作不是「把數字放進 Excel」

一張能正式寄出的 B2B 報價，往往同時承載業務承諾、產品規格、採購成本、服務人力、付款條件與交付風險。公司賣的是設備，還可能涉及運費、安裝、保固與驗收；賣的是服務，則可能涉及時數、交付件數、變更範圍、資料提供條件與專案排程。客戶說「需要完整方案」，不代表這些條件已經被說清楚。

企業導入 AI 的錯誤起點，通常是把一段含糊的業務會議紀錄交給模型，要求「幫我產出專業報價單」。模型可以生成漂亮的格式，還可能自行填補不存在的折扣、交期或服務內容。這正是風險：表面成熟的文件可能讓內部降低警覺。對報價而言，資訊缺漏時正確的動作不是自動補全，而是把缺漏項目列出，回到負責的員工或主管確認。

因此報價流程應分成兩條邊界。文字和資料整理的工作可由 AI 協助；價格政策、成本認列、合法契約條款、折扣批准與最終對外承諾仍須由授權人員決定。不同企業可依風險逐步增加自動化，但不能因為模型能產出數字，就假設它已擁有核價權。

首先讓客戶需求變成「可估價」的結構化資料

多數需求來自 email、LINE、會議摘要、表單或電話口述。資訊分散不是少數企業才有的問題；真正困難在於，同一句「希望盡快完成」，可能對應完全不同的交付要求。若只有一份自由格式的文字紀錄，後續成本估算便會建立在個人理解之上。

可以讓 AI 先把需求整理成固定欄位：客戶與案件代碼、需求背景、交付項目、數量或範圍、期待時程、使用環境、約束條件、尚未確認事項、來源與最後確認日期。AI 不負責判斷客戶想要的「最合理方案」，而是把散落資訊整理為能被人核對的需求草稿。業務將草稿與客戶原始訊息逐項比對，確認後才進入估價。

假設某資訊服務公司收到「要幫 30 位員工建立自動化報表，希望下個月上線」。AI 應追問的不是最先給出總價，而是資料來源是否完整、是否需要權限控管、每份報表有哪些欄位、資料更新頻率、誰負責驗收、環境能否使用雲端服務。這是明示的教學情境，不是已發生的真實客戶案例。問題問得越具體，後續報價才越不容易在簽約後發生範圍爭議。

第二站是成本核對，不是讓 AI 自己「想一個價」

報價的成本基礎應來自企業已核准的價目表、供應商報價、工時估算規則與折扣政策。這些資料可能存在 ERP、試算表或專案系統，不是每一種都適合直接對接外部模型。無論採用哪個工具，都要先確認資料來源是否可被信任，再談產出速度。

AI 可以協助對齊欄位。例如客戶需求寫「標準維護一年」，產品清單卻只有「六個月維護」品項，系統應提示差異；專案估價填了人力工時卻漏掉差旅或外包成本，也應標記待補。它也能把多個備選方案的計價基礎整理成比較表。但若來源價格過期、折扣條件不符或供應商回覆尚未確認，模型不得擅自視為正式成本。

對複雜品項可採用「規則計算、AI 解釋」的分工：計算公式留在能被稽核的試算表、ERP 或程式規則；AI 負責整理需求、指出例外、將經核准數字轉成可閱讀的客戶文字。這個分工通常比要求模型一次完成計算與措辭更容易追查錯誤。尤其是價格涉及稅金、幣別、匯率、生效日期和多層折扣時，可重算比語句流暢更重要。

草稿生成應在確認來源後才開始

有了確認版需求與成本資料，AI 才適合協助製作第一版報價說明。它可以在標準格式內填入產品或服務描述、列出交付里程碑、整理兩版方案差異、統一文件措辭，並把客戶未回答的問題放進附註欄。這些成果可減少人員重複整理格式的時間，但「生成完成」不等於「可以對客使用」。

草稿應帶有資料版本編號、產生時間、使用來源清單，以及明顯的待審狀態。當一筆報價修改金額或範圍，必須保留前版，讓業務及主管能看出改動內容。如果企業只留下最新 Word 或 PDF 檔名，沒有變更紀錄，日後客戶追問「為何兩版價格不同」時，AI 也無法代替公司找回已經遺失的判斷依據。

可以把草稿視為生產線的半成品。半成品能提高速度，但需要檢驗後才能出貨。報價至少應完成品項與數量核對、總價與稅額重算、交付條件檢查、特殊條款檢查、批准者確認；若涉及個資、資訊安全或特殊監管條件，則應增加對應審核，不能為了縮短時間而省略。

人工核准不等於每份文件都重看一遍

AI 導入常被批評為「反而多一道審核」。如果每份文件都要主管逐字比對，效率自然受限。但人工核准可以設計成風險分級。標準產品、固定條款且折扣在授權範圍內的案件，可能採用簡化覆核；涉及特殊折扣、交付承諾、客製服務或高風險條款的案件，則進入完整人工核准。

分級的目的不是移除責任，而是把有限注意力留給真正需要判斷的地方。舉例來說，系統可以自動比較本次報價與已核准價格表的差異，再讓主管集中看偏離規則的部分。若金額計算由規則完成、商品資料有版本、異常條件有警示，主管就不必在每張標準文件上重複做同一件事。

每家公司仍須依自身契約、內控及風險政策決定授權門檻。文章提供的是流程設計方法，不是法律或會計專業意見。尤其是自動對外寄送與自動變更重要客戶資料，一旦做錯可能直接造成商業損失，應在具體測試與權限核准後才考慮上線。

不要讓報價系統變成另一個難維護的資料孤島

很多自動化專案的第一版很漂亮，三個月後卻無人維護。原因可能是價格表換了位置、欄位名稱被改、負責同仁離職、簽核規則改版，或沒有紀錄失敗案件。若把所有判斷硬寫在一段提示詞裡，日後要修改政策，就只能在大量文字中找出哪一句生效。

比較穩健的設計是把業務規則與生成文字分開。價目和授權條件留在企業可維護的表格或系統；案件狀態用固定欄位記錄；提示詞只處理整理、比對與表達；核准記錄則由正式工作系統保存。當資料表更新，能清楚指出何時生效、哪些舊案不受影響。這比建立一個看似智慧、其實難以追查決策來源的黑箱更有價值。

示範：一筆 120,000 元教學假設報價如何驗收？

以下數字全部是教學假設，用來說明查核流程，不是市場行情。假設方案有三項：服務設計 40,000 元、流程建置 60,000 元、驗收培訓 20,000 元，未稅合計 120,000 元。另假設需依適用稅務規則處理稅額。第一道檢查是核對品項、單價與數量；第二道檢查是讓試算表重算小計，而不是讓模型在對話中口算；第三道檢查是確認價格是否在核准有效期；第四道檢查是比對服務範圍與合約。

如果客戶要求把流程建置期限縮短一半，這不能直接視為只修改交付日期。可能涉及更多人力、調整排程、增加風險或刪減範圍。AI 最適合做的是列出此次變更牽涉哪些決策欄位，再請業務、專案與主管共同確認。沒有批准之前，系統不得把新的時程寫進已核准的正式報價。

若客戶回覆「只要前兩項，第三項先不做」，新版本的品項和金額都需要重新計算並保留變更紀錄。AI 可以幫忙標示差異，但最終仍須核對有沒有留下依賴第三項才能完成的工作。從這個例子可以看出，自動化報價的核心不是讓機器產出 PDF，而是讓商業承諾在每個環節都能追溯。

主管應看的是「報價速度與品質」的組合

最直觀的指標是從客戶需求完整到寄出正式報價的平均時間，但只看平均值會掩蓋少數長時間延誤。建議同時保留中位數、超時件數、退件率與首次核准通過率。若案件難度差異極大，還應區分標準報價、客製報價及多部門聯合報價，不能把所有案件直接混成同一個數字。

更進一步，可追蹤報價後的客戶補問次數、修改次數與成交過程。報價變快不保證成交率上升，因為成交還受價格、品牌、競爭、需求時機等多種因素影響。若導入 AI 後只看到報價件數增加，卻發現退件與客訴也上升，就不能稱為無條件成功。企業應把「速度更快且合格」當成共同目標。

Salesforce 研究中的預期省時數字屬受訪者期待，不等同導入後實際觀察到的成果。^[1] 採用這些研究作為決策背景時，應避免直接寫入自己的財務效益表。真正可信的效益仍需要企業自己的流程基準與成本紀錄；如果沒有歷史資料，先用 2 至 4 週蒐集即可，遠比把國外研究的比例直接換算成公司營收好。

導入前先盤點五個容易忽略的風險

第一是客戶資料保護。客戶提供的圖面、價格、合約和個資，未必允許傳到外部雲端服務，導入前要確認授權與供應商資料政策。第二是價格版本，任何生成或引用都須對準生效日。第三是簽核權責，核准人、代理人及例外處理需要明確紀錄。第四是產出錯誤，尤其要監測金額、數量與條款不一致。第五是工具持續維護，包括 API、公式、資料表結構與同仁交接。

NIST 的生成式 AI 風險管理框架提供了管理風險的參考思路。^[2] 它不是一套報價工具操作指南，但提醒企業將可信任性放進設計，而非部署後才補救。就 B2B 報價而言，可直接落成檢核欄：來源可信、公式可重算、核准可追溯、例外可停止、資料使用有授權。

從客戶角度重看：一張好報價要回答哪些問題？

業務常以為報價一定要放入大量產品說明，客戶才會覺得專業。但採購方通常還需要比較方案邊界、交付時間、風險與總成本。如果兩家廠商價格接近，一家能清楚說明包含什麼、不包含什麼、需要客戶提供哪些資料、什麼情況會追加費用，決策往往更容易進行。AI 可以協助把內部術語改寫成客戶容易閱讀的條件，但每一句承諾仍需經負責人確認。

建議把對客文件的驗收拆成四個問題。第一，客戶能否理解本次方案解決哪個需求；第二，是否知道交付項目及排除範圍；第三，是否清楚價格、付款與變更條件；第四，如果對方案有疑問，是否能找到具名窗口。這些是溝通品質檢查，不是銷售保證。若文件只為滿足內部格式，卻讓客戶需要反覆追問，便未達到報價的根本目的。

建立一份真正能學習的錯誤帳本

導入 AI 後出現錯誤時，團隊很容易要求「換更強的模型」。但有些錯誤根本不在模型：例如價目表已停用、客戶需求來源沒有標記版本、人工審核順序不清楚。每次退件都應記下錯誤出現在哪一關、影響範圍、是否由來源資料造成、是否在對客前攔截，以及需要改變哪一條規則。這份帳本能幫助企業區分資料問題、流程問題與真正的生成問題。

若錯在資料來源，修復任務應交給資料所有者，而不是一再修改提示詞；若錯在公式，應改正可重算規則並加入測試；若錯在語意解讀，才針對 AI 摘要加入核對範例；若錯在授權，應調整批准流程。當錯誤可歸類，主管能把資源投向會持續減少返工的地方，不必每次都重新從零開始。

最後，企業應保留足夠但不過度的紀錄。客戶原始需求、人工確認版、產出版本和核准狀態都很重要；但沒必要無限制保存每一次可能包含個資的模型對話。資料留存必須符合企業政策和適用義務。好的流程不是蒐集最多資料，而是保留能讓商業決策事後被合理重建的證據。

30 天試點：只選一種報價，不要一次改造整個業務部

第一週取出過去 20 件同類型報價作為樣本，記錄是否曾退件、總交付時間、常見漏填欄位。這 20 件是建議的試點抽樣規模，需依實際案件量調整，並非統計學上必然足夠的樣本。第二週建立需求表單和核准版價格來源，讓 AI 在內部環境產生可供比對的需求摘要，不做對客發送。

第三週加入報價草稿生成和差異比對，把錯誤分成來源錯、理解錯、格式錯、規則錯四類，依錯誤類型決定要修資料、改流程還是修提示詞。第四週由授權人員覆核並比較新舊方式。若主要收益集中在表單完整率，便優先固定輸入規格；若等待時間沒有改善，必須回頭處理簽核安排，不能把成效不佳完全歸咎於 AI 模型。

試點結束時，交付物應是可用的流程版本、資料欄位字典、核對清單、例外規則及成效報表，而不是一段只能由原設計者看懂的提示詞。業務同仁能否在沒有技術人員陪同下處理標準案件，通常比 Demo 畫面更能說明流程是否具備可維護性。

如何判斷報價試點值得擴大？

試點結束時，主管可把結果放在四個欄位比較：已核准需求占比、合格報價交付週期、重新計價與退件次數、維護及核對工時。如果第一項改善、第二項仍沒有變快，表示資料整理已有進展，但等待或核准流程仍是瓶頸。如果週期縮短但錯誤增加，必須先修補驗收，不能把速度當作成功。若四項都改善，才考慮擴大到更多產品線。

不應以同一套標準套用所有報價。固定品項和客製服務的風險不同；長期合約、專案型服務與標準商品的核准方式也不同。可以先把試點經驗整理成規則，再由各業務線確認哪些欄位共通、哪些必須自行制定。這樣擴大的是一套已被驗證的工作方法，而不是把單一示範的提示詞複製到所有部門。

一份能夠讓非技術主管使用的報價驗收表

主管不需要讀懂模型架構也能檢查輸出。每份報價先回答六個問題：客戶需求有無確認、品項與數量是否與確認版一致、金額是否由正式規則計算、交付與付款條件是否完整、例外是否經授權、客戶拿到的是否為最後核准版本。任何一項無法回答，都應留在待審狀態，而不是因為版面完成就寄出。

這張表還應記錄核對人和核對日期。當 AI 參與一份文件製作，責任不會因此消失，只是工作分工需要重新說清楚。客戶真正信任的是廠商可以履行的承諾，而不是文件由哪一個模型生成。企業以此作為出發點，才能避免在提高產出速度的同時增加交易糾紛。

還應把客戶的回覆視為改善線索。若報價發出後，客戶持續追問範圍、付款條件和交期，可能代表文件雖準時寄出，卻尚未達到足以支持決策的完整度。反之，若詢問明顯減少，也不能在缺乏同類案件對照時就完全歸功於 AI。先將常見補問內容回饋到需求表與正式文件範本，再由業務確認是否改善溝通品質。

結尾：真正要縮短的是客戶等待，而非文件生成時間

B2B 報價的商業價值，在於客戶更快取得可信、完整、有明確責任邊界的方案。AI 可以大幅減少整理與撰寫的摩擦，也可以協助找到缺漏及差異；但企業必須先決定哪些條件可以標準化、哪些價格必須核准、哪些承諾不能交由模型自行決定。只有這樣，報價效率才不會變成風險的另一個名字。

如果今天就要開始，不必立即採購大型 CRM 或建置整合型 Agent。先選一類常見服務，用一張需求表、一本有效價目、一道清楚的核准流程，加上 AI 草稿與人工核對，測量一個月後的合格報價完成時間。下一步是否擴充，再由真實結果回答。

企業工作坊延伸

企業若希望將業務需求整理、報價核對與追蹤納入訓練，可把既有文件去識別化後設計跨部門工作坊，要求每組交付「需求表、報價草稿、差異清單、人工簽核紀錄」。另可參閱天地人〈企業導入 AI 要花多少錢？〉了解如何把試點費用與可觀察效益分開估算。

另一項常被忽略的效益是交接品質。業務若臨時請假，接手同仁是否能找到最新確認的客戶需求、核准價格與待處理問題？一套合格流程應讓案件不依賴原業務的記憶就能繼續。對客戶而言，穩定、可追溯的回覆經驗可能比單次提高文件生成速度更重要。企業應把交接演練納入試點，確認同仁能根據同一份正式資料接手，而不是只能向 AI 重問一次。

如果工具生成內容發生錯誤，檢查清單也應記錄錯誤是否已經對外送達；內部草稿錯誤與正式對客錯誤的風險層級不同，不能在成效報告中混為一談。

參考資料

1. Salesforce，2026-02-03，〈State of Sales 2026〉官方發布及研究 PDF：https://www.salesforce.com/news/stories/state-of-sales-report-announcement-2026/ ；https://www.salesforce.com/en/wp-content/uploads/sites/4/documents/reports/sales/salesforce-state-of-sales-report-2026.pdf
2. NIST，2024-07-26，〈AI RMF：Generative AI Profile〉：https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
3. Harvard Business Review，2025-09，〈Addressing Gen AI’s Quality-Control Problem〉：https://hbr.org/2025/09/addressing-gen-ais-quality-control-problem

圖片資訊

封面為 AI 生成的紙雕報價流程概念插畫，並非真實報價文件。