用 AI 工具接案不砸招牌：哪些環節能交給 AI、哪些不能

接案這幾年，最常被同業問的問題已經從「你都用什麼工具」變成「你敢把哪些東西交給 AI 做」。這兩個問題聽起來很像，其實差很多。前者問的是效率，後者問的是責任。你可以用任何工具加速自己的產出，但只要案子出包，客戶不會去找工具的客服，他會回頭找你——合約上簽名的是你，收款帳戶是你的，賠償責任也是你的。AI 接案的真正難題從來不是「會不會用」，而是「哪一段可以交出去、哪一段交出去就等於把招牌押上」。

網路上關於這題的討論大多停在兩個極端：一邊是「AI 會取代接案者，趕快轉行」，另一邊是「AI 只是工具，用就對了」。兩邊都沒有回答實務上真正會遇到的狀況——客戶傳來一份標了「機密」的內部簡報要你改文案，你能不能整份貼進對話框？AI 幫你寫的產業分析裡引用了一個數字，你查不到出處，交還是不交？交付變快了三倍，報價要不要跟著砍？客戶合約裡有一條「不得使用第三方自動化生成工具」，你到底算不算違約？這篇要做的就是把接案流程拆開，一個環節一個環節標出 AI 的合理角色，並且把三條不能踩的紅線講清楚。

先把問題問對：能不能用 AI，取決於「誰承擔錯誤」

判斷一個環節能不能交給 AI，最實用的標準不是「AI 做得好不好」，而是「這個環節出錯的時候，錯誤會不會被下一道關卡攔下來」。這個標準之所以好用，是因為它把重點從工具能力轉移到流程設計上。一份 AI 寫的提案初稿寫得再爛，只要你會逐句重寫，它就傷不到你；反過來說，一份 AI 生成的技術規格看起來完美無瑕，只要你沒有能力驗證裡面的每個參數，它就是一顆定時炸彈。

所以我把 AI 在接案流程裡的角色分成四種，這四種角色貫穿全文：

• 初稿：AI 產出第一版，你必須逐段重寫或大幅改寫。適用於「產出很費工、但你有能力判斷好壞」的環節。
• 加速：AI 幫你做重複性、機械性的處理，你只做抽查。適用於「錯了很容易看出來」的環節。
• 檢查：AI 當第二雙眼睛，找出你可能漏掉的東西，但它說的每一條你都要自己確認。適用於「多一個提醒沒壞處」的環節。
• 不該碰：錯誤成本高、責任無法轉嫁、或涉及他人資料與信任關係。這類環節不是「小心一點用」，而是根本不要進入這個流程。

注意「檢查」和「初稿」是不同層級的信任。讓 AI 幫你檢查合約有沒有漏掉付款條件，跟讓 AI 幫你起草合約條款，風險完全不同。前者最差的結果是它沒抓到問題，你維持原狀；後者最差的結果是它憑空生出一條在台灣法律脈絡下講不通的條款，而你直接寄給客戶。同樣一個工具，放在不同位置，風險差好幾個量級。

把接案流程拆成八個環節，逐一標出界線

下面這張表是我自己用的判斷表。它不是標準答案，不同行業的權重不一樣——寫程式的人在「生產」這一格可能比寫文案的人放心得多，設計師在「校對」這一格可能覺得 AI 幾乎沒用武之地。你可以照自己的行業調整，但建議保留「不該碰」這一級的嚴格程度。表格裡沒有任何一列被標成「不該碰」，是因為真正該歸到那一級的通常不是某個環節本身，而是下一節要講的三條紅線——它們會橫跨好幾個環節出現。

環節	AI 的合理角色	為什麼	最容易出事的地方
1. 開發客戶	加速（找名單、整理背景）	公開資訊的整理與歸納，錯了自己會發現	把 AI 掰出來的公司背景寫進開發信
2. 提案	初稿（架構與草稿）	格式重複性高，但論述必須是你的	整篇未改直接送，客戶一眼看出模板味
3. 報價	檢查（漏項提醒）	價格是商業判斷，不是計算題	讓 AI「建議」報價，等於讓工具決定你的收入
4. 需求釐清	檢查（生成待確認問題清單）	多問幾題沒壞處，但對話要你自己談	用 AI 代寫回覆去應付客戶提問，答非所問
5. 生產	初稿／加速（視行業而定）	這是效率提升最大的一段，也是責任最重的一段	產出「看起來對」但事實錯誤的內容
6. 校對	檢查（錯字、一致性、格式）	機械性比對是 AI 的強項	把「AI 說沒問題」當成品管通過
7. 交付	加速（整理交付清單與說明）	格式化文件，錯了容易發現	交付檔案含未清除的 AI 生成佔位內容
8. 售後	初稿（常見問題回覆草稿）	重複問題多，但語氣與承諾要你把關	AI 在回覆裡對客戶做出你做不到的承諾

環節一到三：開發、提案、報價

開發客戶這段，AI 最大的價值是把散落的公開資訊整理成一份「這家公司在做什麼、可能需要什麼」的摘要，讓你寫開發信的時候不會通篇廢話。但這裡有個陷阱：模型很擅長把不確定的東西講得很篤定。它可能告訴你某家公司「去年剛完成 B 輪募資，正在擴編行銷團隊」，而這件事根本不存在。開發信裡寫錯對方的近況，比不寫還糟——你不只沒展現用心，還證明了你沒做功課。所以規則是：AI 整理出來的所有事實性描述，寫進信裡之前都要在對方官網或公開新聞上找到原始出處。找不到就刪掉。

提案是我認為 AI 用得最順的一段。提案的結構通常是固定的——理解需求、建議做法、範圍與交付項目、時程、報價、為什麼是我。這種骨架每次都重寫很浪費時間，讓 AI 生一份草稿再改，可以省下不少力氣。但「建議做法」和「為什麼是我」這兩段必須是你自己寫的。前者是你的專業判斷，後者是你的差異化，這兩段一旦有模板味，整份提案的說服力就歸零了。客戶現在對 AI 腔的敏感度比你想像的高，那種每段都工整、每句都四平八穩、通篇沒有一個具體案例的提案，看多了一眼就認得出來。

報價是我建議把 AI 完全排除在「決策」之外的一段。價格反映的是你的定位、對方的預算、案子的難度、你有多想接這個案子，這些沒有一項是模型能替你判斷的。AI 在這裡唯一合理的角色是「漏項提醒」——問它「這種類型的案子，報價時常見的漏項有哪些」，它可能會提醒你算上修改次數、素材授權、跨平台適配、緊急插件的加價。這些提醒有用，但把它們換算成金額是你的工作。關於定價模型的選擇與台灣市場的行情區間，我在五種定價模型與台灣行情參考那篇整理得比較完整，可以搭配著看。

環節四到五：需求釐清與生產

需求釐清是整個接案流程裡最不該外包給 AI 的溝通環節，但它可以外包給 AI 的是「準備工作」。你可以把客戶給的模糊描述丟進去（前提是已經去識別化，這點下面會詳談），請它列出「這份需求裡還沒講清楚的地方」。模型很擅長找出邏輯缺口，常常會問到你自己沒想到的細節。但真正跟客戶對話、判斷對方話裡的言外之意、感覺到「他其實還沒想清楚要什麼」——這些是 AI 做不到的，也是你被付錢的理由之一。我在需求確認防呆流程裡寫過的那套確認機制，AI 可以幫你生成問題清單，但不能替你去問。

生產環節是效益最大、風險也最大的一段，而且不同行業的界線差很多。寫程式的話，AI 生成的程式碼有編譯器、測試、linter 幫你擋，錯誤有機會被機器攔下來；寫文案或做設計的話，沒有任何自動化關卡會告訴你「這段話的事實錯了」或「這個版面抄了誰」。所以同樣是「生產」，程式類可以放到「加速」等級，內容類建議停在「初稿」等級——AI 產出的每一段你都要當成實習生交來的東西，逐句過。

設計與圖像類的工作又是另一種狀況。生成式圖像工具在「發想方向、做情緒板、產出不會交付給客戶的參考素材」上非常好用，但直接把生成圖當成交付品，會同時碰到品質、授權與客戶預期三個問題。各家工具對於生成內容的商業使用權利、訓練資料來源、以及是否允許用於客戶專案的規定都不一樣，而且會改版，這部分我在AI 圖片生成工具的比較裡有整理選擇思路，但實際條款請務必以你要使用的那個服務的官方使用條款為準，不要相信任何第三方（包括本文）對某家工具授權細節的轉述。

環節六到八：校對、交付、售後

校對是 AI 最沒有爭議的用途。找錯字、抓前後不一致的稱謂、檢查編號有沒有跳號、確認每個小標的層級一致——這些機械性比對，機器做得比人穩定。唯一要注意的是不要把「AI 掃過一遍」當成品管完成。它抓得到「客戶名稱前面寫甲公司後面寫乙公司」，抓不到「這個功能其實做不出來」。校對通過只代表形式沒問題，不代表內容正確。

交付環節的 AI 用途是整理交付清單、寫交付說明信、把散落的檔案結構整理成客戶看得懂的說明。這裡最常見的意外是「殘留物」——AI 生成的草稿裡常有佔位性的內容，例如「此處請填入客戶名稱」「以下數據為示意」，如果沒清乾淨就打包交出去，殺傷力極大。我的做法是交付前一定用純文字搜尋一次幾個固定關鍵詞，確認沒有任何佔位字串留在檔案裡。

售後的常見問題回覆，AI 可以生草稿，但有一個硬規則：任何涉及承諾的句子都必須由你重寫。模型為了讓回覆聽起來友善，很容易寫出「我們會盡快在今天內處理完成」「後續調整不另外收費」這種你根本沒打算給的承諾。這些話一旦寄出去，在客戶眼裡就是你說的。

三條紅線：踩到就不是效率問題，是信任問題

紅線一：把客戶機密資料丟進公開模型

這是最常被無意間踩到的一條。你收到客戶的內部簡報、未公開的財報草稿、含有終端客戶姓名電話的名單、還沒發布的產品規格，為了讓 AI 幫你理解脈絡，整份貼進去。動作只花三秒，但你已經把不屬於你的資料交給了第三方服務。

問題有三層。第一層是合約：很多接案合約都有保密條款，明訂資料不得提供給第三方，而「把資料輸入到某個線上服務」在法律解釋上很可能就是提供給第三方。第二層是法律：如果資料裡含有可識別特定個人的資訊，在接案這種營業活動的脈絡下，通常就會落入個人資料保護法的規範範圍；如果是客戶的營業秘密，還可能牽涉營業秘密法。第三層是實務信任：就算法律上沒事，客戶知道你這樣做，下一個案子還會不會給你，是另一回事。

比較常被忽略的是，資安風險並不只有「資料被拿去訓練」這一種。針對大型語言模型應用的常見風險，OWASP 針對 LLM 應用整理的風險清單列出了包括提示注入、敏感資訊外洩、供應鏈風險等多種類型，值得花時間讀一次，你會對「把東西貼進對話框」這個動作有更立體的認識。

紅線二：AI 產出未經查證直接交付

這條紅線的本質是：事實錯誤的成本由你承擔，不由工具承擔。模型生成的內容裡出現不存在的法條、對不上的數字、根本沒發表過的研究、拼湊出來的引用來源，這些狀況在實務上不是偶發而是常態。而當這些東西出現在你交付的檔案裡，客戶追究的對象是你。

更麻煩的是，這類錯誤往往不會在交付當下被抓到。客戶收下、付款、上線，三個月後有人發現引用的數據是假的，這時候的損害已經不只是重做，而是客戶對外的公信力受損。你要面對的可能是賠償、也可能是合作關係直接結束。

務實的做法是建立一個「查證門檻」：凡是數字、法規、日期、人名、機構名、引用來源，一律要有你自己確認過的一手出處，找不到就整段刪掉重寫。這個規則聽起來很嚴，但實際執行下來你會發現，需要查證的內容其實佔比不高，而且一旦養成習慣，速度損失遠小於出事一次的成本。

紅線三：拿 AI 生成內容冒充原創研究

第三條紅線比較細緻，也最容易被合理化。客戶要的是「產業趨勢分析」「競品調查」「使用者訪談整理」，這些交付項目的價值來自於「有人真的去做了調查」。如果你用 AI 生成一份看起來像模像樣的分析報告，然後以原創研究的名義交付，那已經不是工具使用的問題，而是交付內容與承諾不符。

這裡的界線很清楚：AI 幫你整理你自己蒐集來的資料，沒問題；AI 幫你生成「你宣稱有做但其實沒做」的研究結果，就是問題。同樣的邏輯也適用於作品集——把 AI 生成的作品放進作品集，讓客戶以為那是你的手工產出，會直接影響到後續合作的信任基礎，而且這種事被發現的機率遠比想像中高。

如果你的交付物涉及著作權歸屬的約定，還要多想一層。著作權法對於著作的定義與權利歸屬有明確規範，而 AI 生成內容算不算「著作」，關鍵在於有沒有人類的精神創作投入。經濟部智慧財產局曾以函釋公開說明過這個區分：把 AI 當成輔助工具、創作過程中有人類實際投入創意，完成的成果仍可能受著作權法保護，權利歸屬於投入創意的自然人；反之，若內容完全由模型獨立運算生成、利用人只是單純下指令而未投入精神創作，該產出原則上不受著作權法保護。要提醒的是，這是行政機關的解釋而非法院判決，著作權屬於私權，個案是否成立仍須由司法機關就具體事實認定，各國的處理方式也不一致。實務上更重要的是：你在合約裡承諾「將交付物的著作權讓與客戶」時，你必須確定自己真的擁有那份權利可以讓與。這一點在接案合約的著作權歸屬條款裡有更完整的討論。

為什麼「AI 產出的東西看起來都對」才是最大的風險

如果 AI 產出的內容一眼就看得出是錯的，它其實沒什麼殺傷力——你會直接刪掉重寫。真正危險的是它產出的東西語氣篤定、格式工整、邏輯自洽，唯獨事實是錯的。人在審閱一份看起來很專業的文件時，警覺心會自然下降，這是認知上的常態，不是你不夠仔細。

這個現象在幾種情境下特別致命。第一種是你不熟悉的領域：客戶委託你寫一份醫療器材的產品說明，你不是這行的，AI 給你一段講得頭頭是道的技術描述，你沒有能力判斷對錯，只能相信。第二種是時間壓力：截稿前兩小時，AI 產出的內容看起來可以直接用，這時候「先交再說」的誘惑非常大。第三種是重複性工作：同一類文件做了二十份，第二十一份你就會開始略讀。

應對這三種情境的方法不一樣。不熟悉的領域，正確做法是不要接，或是接了就把查證時間算進報價裡；時間壓力，正確做法是提前跟客戶談延期，而不是賭一把；重複性工作，正確做法是設計一份固定的檢查清單，用清單取代注意力。

值得一提的是，這種「輸出看起來可信但可能出錯」的風險，在國際上已經被當成正式的治理議題在處理。美國國家標準暨技術研究院發布的 AI 風險管理框架就把可信度與風險評估放在核心位置；歐盟通過的 AI 法規正式文本則對不同風險等級的 AI 應用設定了不同的義務。你不是在做企業級 AI 治理，但這些框架背後的思路——依風險分級、要求可追溯、明確責任歸屬——正好就是接案者該用的判斷邏輯。

要不要告訴客戶你用了 AI

這題沒有一體適用的答案，但有一個明確的判斷順序：先看合約，再看行業慣例，最後才看你自己的偏好。

第一順位是合約。有些客戶的委任契約或供應商規範裡，明文限制或禁止使用生成式 AI 工具，常見的寫法包括「不得將本專案相關資料輸入任何第三方人工智慧服務」「交付物須為受託人原創，不得使用自動化生成工具產製」。這類條款是有法律效力的約定，違反了就是違約，跟你覺得合不合理無關。所以簽約前一定要把這一段讀完，如果你的工作流程確實會用到 AI，該做的是在簽約階段就談，而不是簽完了偷偷用。

第二順位是行業慣例與客戶類型。翻譯、法務文件、學術寫作、新聞內容這幾類，對於 AI 參與的敏感度通常比較高，有些客戶會直接要求聲明。企業客戶，特別是有法遵部門的大公司，越來越常在採購流程裡要求供應商說明 AI 使用情形。相對地，設計發想、行銷素材、程式開發這類工作，用工具加速被視為理所當然，主動聲明反而顯得奇怪。

第三順位才是你的判斷。我自己的原則是：如果 AI 只是加速我的工作流程，最終判斷與品質都由我負責，我不會特別聲明；如果 AI 實質產出了交付物的主體，我會說。這條線的邏輯是，客戶買的是「你的專業判斷」，工具怎麼用是你的作業方式；但當交付物本身主要不是你做的，那就影響到客戶對於「他買到什麼」的認知了。

還有一種折衷做法值得參考：不主動聲明，但在被問到時據實以告，而且事先想好怎麼講。「這份初稿我用工具加速產出架構，內容與判斷都是我重寫過的，事實部分我逐條查證過出處」——這樣的回答通常比含糊帶過更能建立信任。最糟的處理是被問到時否認，而後來被發現。

AI 讓交付變快之後，報價要不要跟著降

這是接案圈近兩年吵得最兇的一題，我的立場很明確：定價應該依價值而不是依工時，所以交付變快本身不構成降價的理由——但你可能需要重談範圍。

先說為什麼不該直接降。客戶付錢買的是結果：一份能用的文案、一個能跑的功能、一套能上線的網站。這個結果對客戶的價值，不會因為你用了效率更高的工具而變低。如果一份文案能帶來的轉換效益是固定的，你花八小時寫或兩小時寫，對客戶的價值是一樣的。按工時計價的邏輯在這裡會反過來懲罰效率——你越熟練、工具越好，賺得越少，這顯然不合理。

但這個論點有兩個現實的限制，不能假裝看不見。第一，市場價格是比較出來的，不是你單方面決定的。當同業普遍能用更低的價格交出可接受的品質時，你的報價會受到壓力，這是市場機制，講價值論也擋不住。第二，如果你原本就是按小時報價，而且客戶知道你的時數，那麼交付時間大幅縮短會直接引發客戶質疑，這時候硬撐原價會傷害關係。

比較務實的做法是調整報價的結構，而不是調整數字：

• 從計時改為計件或計專案：把報價的基礎從「我花多少時間」換成「我交付什麼」，一次解決效率與收入脫鉤的問題。
• 把省下的時間換成範圍或品質：同樣的價格，多給一輪修改、多做一版備案、多附一份使用說明。客戶感受到的是價值提升，你不用降價。
• 把速度本身變成賣點：能三天交付的人，本來就該比要三週的人有議價空間，急件加價也更站得住腳。
• 重新定義收費項目：如果生產環節確實變快了，可以把重心移到「策略建議」「查證與品管」「後續維護」這些 AI 取代不了的項目上，並且明確列進報價單。

順帶一提，如果你主要透過外包平台接案，平台的抽成結構與計價方式會直接影響這套調整能不能執行，這部分可以參考接案平台的抽成與金流比較再決定要在哪個渠道推行新的報價結構。

資料保密的實務做法

第一層：去識別化，讓資料離開你的手之前就沒有敏感性

最有效也最被低估的做法，是在資料輸入任何工具之前先處理過。這不是什麼高深技術，就是把可識別的部分換掉：客戶公司名換成「A 公司」，人名換成「窗口甲」，具體金額改成量級或比例，日期改成相對時間（「第三季」而不是「9 月 15 日」），地址與聯絡方式整段刪除。

對絕大多數接案情境來說，你需要 AI 幫忙處理的是結構和邏輯，不是那些具體的識別資訊。一份簡報的邏輯順不順、一段文案的節奏對不對，跟客戶叫什麼名字完全無關。養成「先脫敏再輸入」的習慣之後，你會發現這幾乎不影響工作效率，卻能擋掉絕大部分的風險。

要注意的是，去識別化不是把公司名刪掉就好。如果剩下的內容裡還有「台灣唯一取得某項認證的中部機械廠商」這種描述，任何懂行的人都還原得出來。判斷標準是：把處理後的內容拿給一個不認識這個客戶的同業看，他能不能猜出是誰。

第二層：搞清楚你用的工具怎麼處理你的資料

不同的服務、不同的方案層級、不同的設定，對於輸入資料的處理方式可能完全不同——包括資料保存期間、是否用於改善模型、儲存在哪個地區、企業方案與一般方案的差異等等。這些條款會隨版本更新而改變，而且各家寫法差異很大。

請務必自己去讀你實際使用的那個服務的官方隱私權政策與使用條款，不要相信任何第三方（包括本文、包括論壇上的討論、包括另一個 AI 的回答）對某家工具資料政策的轉述。這件事沒有捷徑，因為條款會改，而轉述永遠落後。閱讀時建議至少確認以下幾點：

• 輸入的內容會不會被用於訓練或改善模型？是預設開啟還是預設關閉？可不可以關掉、在哪裡關？
• 對話紀錄保存多久？能不能主動刪除？刪除後是否真的從系統移除？
• 資料儲存與處理的地理位置在哪裡？這會影響適用哪一套資料保護規範。
• 企業／團隊方案與一般個人方案在資料處理上的條款差異是什麼？
• 服務商有沒有提供資料處理協議之類的正式文件？如果你的客戶是企業，他們的法遵部門可能會問。

如果你需要理解台灣本地的個資規範脈絡，官方公開資訊是比較可靠的起點，但要找對機關。個資法已明定主管機關為個人資料保護委員會，不過該委員會的組織法尚未完成立法程序，目前實際運作、發布法規解釋與子法預告的是個人資料保護委員會籌備處。另外，數位發展部並不是個資法的主管機關，它發布的資安與 AI 應用相關指引可以當成補充參考，但不要拿來當個資法的依據。

第三層：把規則寫進你的作業流程與合約

光靠自律不夠，因為出事的時候通常都是趕件、疲勞、判斷力最差的時候。比較穩的做法是把規則變成流程的一部分：資料進來先分級（可公開／內部參考／機密），機密等級的檔案直接不進入任何 AI 工具；建立一個固定的脫敏檢查步驟，貼上去之前先跑一次；同一台工作機上，把「處理客戶原始檔」和「用 AI 輔助」在資料夾層級分開，減少手滑整份貼上去的機會。

另外，如果你經常處理敏感資料，可以考慮在自己的合約或報價單裡主動加一段關於工具使用與資料處理的說明。這聽起來像是給自己找麻煩，實際上是保護：白紙黑字寫清楚你會怎麼處理資料、會不會使用輔助工具，等於事先取得客戶的認知與同意，而不是事後解釋。工作環境本身的資安也是同一件事的延伸，尤其是在外面工作的時候，這部分可以看公共 Wi-Fi 與共享空間的資安注意事項。

「這個環節能不能用 AI」的自我提問清單

真正實用的判斷工具不是一張分類表，而是一組你每次都問自己的問題。下面這七題，我建議在任何新的工作環節第一次考慮用 AI 的時候，逐題回答一次。只要有任何一題答不出來或答案讓你不安，就先不要用。

• 資料是誰的？我要輸入的內容裡，有沒有任何一部分不屬於我？如果有，我有沒有得到授權把它交給第三方服務？
• 合約怎麼寫？這個案子的合約或客戶的供應商規範，有沒有任何一條限制使用第三方工具或限制資料流向？我確定我讀過那一段嗎？
• 我驗得出來嗎？如果 AI 在這裡產出錯誤內容，我有沒有能力、有沒有時間發現？如果答案是「不一定」，那這個環節就不該讓 AI 產出主體。
• 錯了誰買單？這個環節出錯的後果是「我重做一次」還是「客戶對外損失公信力」？後者一律降級處理。
• 有沒有下一道關卡？這段產出後面還有沒有測試、審稿、客戶確認之類的攔截機制？沒有的話，我自己就是最後一道關，標準要拉高。
• 客戶買的是這個嗎？客戶委託我的核心價值，是不是正好就在這個環節？如果是（例如他買的就是我的原創研究、我的獨特風格），那就不該外包。
• 被問起我講得出來嗎？如果客戶明天直接問「這份東西你怎麼做的」，我能不能坦然說明流程而不心虛？如果不能，答案已經很清楚了。

這七題裡我認為最關鍵的是第三題和第七題。第三題管的是能力邊界——你只能用 AI 加速你本來就會做的事，不能用它來假裝你會做你不會的事。第七題管的是誠信邊界，而且它是一個很好的直覺檢驗：那種「說出來會有點尷尬」的感覺，通常都不是多慮。

收尾：交付前的最後檢查清單

把上面所有討論濃縮成一份可以貼在螢幕旁的清單。每次按下「寄出」之前跑一次，時間成本大概三到五分鐘，但它能擋掉的意外遠超過這個代價。

• 這個案子的合約裡關於保密與第三方工具的條款，我在開工前確認過了。
• 所有輸入到 AI 工具的內容都經過去識別化，或本來就是公開資訊。
• 交付物裡的每一個數字、法規、日期、機構名、引用來源，我都自己找到過一手出處。
• 交付檔案裡沒有殘留任何佔位字串、示意數據或未完成的草稿段落。
• 所有對客戶的承諾（時程、次數、範圍、費用）都是我親自寫的，不是工具生成後直接沿用的。
• 如果這份交付物被客戶當面問「你怎麼做的」，我能完整說明流程。
• 如果案子性質屬於原創研究、獨家調查或署名創作，交付內容的主體確實是我自己產出的。
• 我使用的工具，其官方資料政策我在最近一次改版後重新讀過。

回到開頭那個問題。AI 對接案者的意義，不在於它能不能取代你，而在於它把「你到底靠什麼賺錢」這件事逼到檯面上。當產出速度不再是稀缺的，判斷力、責任感、跟客戶把事情談清楚的能力，還有出事時願意扛的態度，反而變成更值錢的東西。工具會一直換，這幾樣不會。把界線畫清楚，AI 是你最好的助手；界線模糊，它就是幫你把招牌砸得更快的那個。