那天的事件
上午10點，在 Windows 桌面打開 Google Sheets 時，Hamsters（自動化機器人）整夜收集的140份訂單申請在等待中。按慣例逐一掃過，尋找異常時，突然想到何不試試 Claude Code。
指令很簡單。「查看訂單數據，找出買方要求的數量與實際訂單項目數量不符的情況」
整整1分23秒後，結果出現了。
發現錯誤：4件
- 訂單 #2847：要求數量1,200個，實際項目數量總計950個（缺少250個）
- 訂單 #2891：買方要求「2種」，但訂單表輸入了3種
- 訂單 #2908：顏色代碼不符（買方要求「BLU-001」，卻輸入「BLU-002」）
- 訂單 #2951：交貨期錯誤（要求：30天，輸入：60天）
如果用眼睛掃過140件訂單，至少要30分鐘。出錯的概率也很高。
為什麼只要1分鐘？
規則型自動化的侷限
到目前為止，我們採用的方法是「在表格中輸入條件公式來標記錯誤」。
=IF(SUMIF(範圍)≠輸入值, "錯誤", "正常")
這種方式準確但僵硬。每當出現新類型的錯誤（比如顏色代碼不符），就必須新增公式。
Claude Code 所做的工作
AI 的運作方式不同。它編寫代碼，一次執行就掃描了全部140件。整個過程中，它：
• 理解了每份訂單的「上下文」（買方真的要那種顏色嗎？）
• 記住了之前見過的錯誤模式
• 甚至檢測到預想之外的錯誤類型
之後呢？
最令人驚訝的部分另有其事。Claude Code 找到錯誤後，自動問我：
「發現的4件中，#2847和#2891看起來是買方那邊的輸入錯誤。要先發確認郵件嗎？我來準備模板」
我回答「好」，3分鐘內，多語言確認郵件模板就生成了。而且還根據各買方之前的溝通風格調整過。
學到的事
1. **節省時間是副作用**。真正的價值是「不遺漏錯誤」帶來的信心。
2. **修正建議在同一個工作流中**。發現問題和提出解決方案自動連接時，工作流程完全改變。
3. **AI 代理與機器人不同**。Hamsters 只做「被指派的工作」。Claude Code 「自己判斷需要做什麼並提出建議」。
不是每家貿易公司都需要這麼精密的自動化。但如果團隊每天處理數百份數據，這值得一試。
下周計畫將此流程也部署到主要設備上。