Before (自動化前)
每週一早上，團隊的一名成員面對著數十封電子郵件。
「這位買家是新客戶嗎？」、「有過去的交易記錄嗎？」、「詢問內容夠具體嗎？」、「看起來有支付能力嗎？」
所有這些判斷都得手動完成。每月超過 300 件詢問中，光是確定優先級、選擇回覆範本、尋找風險信號（打字錯誤、不明確的資訊需求），就需花費 30 小時。許多潛在買家最後沒有得到回覆。
小實驗的開始
團隊開始思考。「如果 Claude Code 能讀取 Google 試算表中的詢問內容，並自動給買家信譽度評分呢？」
第一次嘗試很簡單。
• 詢問訊息（詢問者電子郵件）
• 過去交易記錄（Google 試算表中的現有數據）
• 系統提示詞：「請將買家信譽度評為 1~10 分」
After (自動化後)
現在每週一早上，當團隊打開主要 Windows 設備時，Google 試算表已經準備好了。
自動判斷項目
• 信譽度分數（1~10 分）
• 買家類型分類（新客 / 回頭客 / 高風險）
• 注意信號（存在哪些風險因素）
• 推薦回覆範本（可立即使用）
• 優先級別（高 / 中 / 低）
結果一目瞭然。團隊現在優先處理高分買家，低分買家則用自動回覆範本快速應對。
數據變化
• 手動分析時間：月 30 小時 → 月 4 小時（僅管理 + 例外處理）
• 回覆時間：平均 2 天 → 平均 4 小時
• 詢問遺漏率：約 15% → 0%
• 團隊心理狀態：「現在星期一不再那麼可怕了」
意外的發現
1. Claude Code 的「直覺」相當準確
當 Claude 判斷「這位買家詢問了具體的 MOQ，因此信譽度 7 分」時，實際交易轉換率確實較高。雖然非開發者的團隊成員起初持懷疑態度，但在蒐集了 3 個月的數據後，Claude 的「直覺」幾乎與團隊經驗相符。
2. 開始看到模式
隨著自動分析的累積，團隊發現「高信譽度買家通常會問這類問題」的規律。他們据此微調了下一個月的營業策略。
3. 有時會出錯（這很正常）
Claude 判斷為「有風險信號」的買家，後來卻下了大訂單的情況確實發生過幾次。但團隊接受了這點。「不需要完美，」他們說。自動化的目標是把 30 小時變成 4 小時，而不是達到 100 分。
一句領悟
「自動化不是給出完美答案，而是把時間還給團隊。」
那失而復得的 30 小時，現在用在真正重要的事上：新市場調研、與買家的深入對話、團隊的疲勞恢復。諷刺的是，「少做一些」反而帶來了更好的成果。