為決定 AI 該先落在哪裡的執行長與總經理。
探索範疇於啟動前確立。費用於探索通話中議定。
多數失敗的 AI 導入，在起點就走錯了路線。挑平台的團隊不是做工作的團隊。試辦啟動的工作流，不是最值得改變的工作流。工作流探索的目的，就是把順序修正回來：在做平台決策之前，先盤點團隊實際的工作。
購買 AI 與使用 AI 並不是同一件事。一份針對擁有 Microsoft 365 Copilot 使用權的員工的獨立調查發現，只有 35.8% 實際在使用。1 探索會揭示誰真的在用、哪些工作流適合他們，以及哪些需要不同的工具或不同的變革支援。
1 Microsoft 365 Copilot 工作場所轉換率：擁有工作場所使用權、實際使用的員工比例。來源：Recon Analytics，AI Choice 2026: Why Licenses Don't Equal Adoption（2026 年 2 月），針對 15 萬以上美國受訪者的獨立調查。
Microsoft Research 自己的 GitHub Copilot 隨機對照試驗（n=200+，隨機分派）發現工程師自陳的時間節省，並未在遙測資料中得到佐證。6 探索量測的是真正交付工作的工作流，而非廠商的生產力宣稱。
兩種規格
Founder's Edition
1 週，單一職能。為想要對單一工作流得到清楚答案的中小企業與創辦人設計。
1 週 · 單一職能
Standard
2 週，跨職能。為要評估 AI 在兩個以上職能落地的組織設計。
2 週 · 跨職能
你會獲得什麼
一張工作流地圖。每一項任務歸入三種分類（吸收、輔助、迴避），每一項附上變革工作量估算。
所用框架
AI 風險標準——NIST AI RMF 與 ISO/IEC 42001 為每一項任務提供風險判讀，標出受法規約束的資料、客戶決策，或關鍵合規流程在哪裡會改變答案。
工作流分析方法——AI-Workflow-Fit Diagnostic 把每一項任務歸入吸收、輔助或迴避三類，並以 Lean Six Sigma DMAIC 與 Value Stream Mapping 原則作為流程重型工作流盤點的底層支撐。
Cynefin Framework——三類歸納底下的意義建構層。Clear 與 Complicated 的任務適合 AI 吸收、Complex 適合 AI 輔助、Chaotic 與高利害的 Complex 應該由 AI 迴避。
Jobs to Be Done——把工作流判讀鎖在一個問題上：工作者實際在「雇用」AI 做什麼工作？這阻止追風潮式的自動化，並讓人們真正在意、卻很少明說的工作浮上來。
6Microsoft Research, GitHub Copilot randomized controlled trial — n=200+ engineers, randomized. Telemetry showed no measurable productivity improvement, despite engineers self-reporting time savings (2024).