在工地，
施工廠商發現圖說有矛盾，
會發一張單子去問設計單位，
那張單子叫 RFI。

2013 年，
一家美國顧問公司做了一份研究，
調查了 1,362 個專案，
超過 100 萬張 RFI，
最後算出一個數字。

一張，
1,080 美元。

平均每張 RFI，
行政處理加上技術審查，
大約會花掉 8 個工時。

一個案子平均 796 張，
換算下來，
光處理這些問題，
就超過 6,000 個工時。

這份研究已經十多年了。

但最近在看美國營建 AI 的發展時，
我更好奇的是：
為什麼這種東西，他們算得出來？

因為在他們的工程管理系統裡，
RFI 是一件有名字的工作。

有編號，
有提出日期，
有負責人，
有處理狀態，
也有回復日期。

所以一個案子發了幾張，
平均等幾天，
處理一張花多少時間，
都可以慢慢累積成數據。

到了現在，
這些累積下來的資料，
剛好就是 AI 用得上的東西。

2026 年 7 月，
營建管理平台 Procore 把
AI Agent 擴充到 20 支。

有人管 RFI，
有人管送審，
有人看契約，
有人處理施工日誌、進度與安全。

AI 開始從單純回答問題，
進到原本就存在的工程流程裡。

McKinsey 最近談 AEC 產業的 AI 發展，
重點放在重新設計工作流程、
改善資料運用這兩件事。

看完這些，
我開始回頭想台灣的工地。

其實我們每天也在處理很多類似的事情。

圖說對不起來，
打電話問一下設計單位。

尺寸不確定，
丟到 LINE 群組。

現場有疑義，
開會的時候順便提出來。

有時候在工地走廊遇到設計人員，
站著討論幾分鐘，
問題就解決了。

你可能會想，
這樣處理有什麼不對？

這些事情當然都有價值。

而且很多時候，
這樣處理真的比較快。

問題是，
事情處理完以後，
留下了什麼？

有些有正式發函，
有些有釋疑單。

但也有很多，
就停在那通電話、
那幾則 LINE 訊息，
或那場會議裡。

事情做了，
時間也花了，
可是三個月之後回頭問：

這個案子到底發生過多少次圖說疑義？
平均一件等多久？
哪一種問題最常發生？
工程師一個月花多少時間在追這些答案？
可能沒有人說得出來。

你發現了嗎？

那些工作做完了，
卻沒有變成可以統計的資料。

這件事，
在以前可能沒有那麼重要。

反正工程照做，
問題有解決就好。

但到了大家都在談 AI 的現在，
很多公司都在想：

要不要買 ChatGPT？
要不要導入企業版 AI？
要不要買新的工程管理平台？
要不要找老師來上課？

這些事情當然都可以做。

但我覺得，
前面還少了一個問題：
我們到底想改善哪一項工作？

更麻煩的是，
就算知道想改善什麼，
你可能還說不出它現在到底花了多少時間。

假設公司今年導入 AI，
希望改善工程文件的處理效率。

半年後老闆問：
「所以快了多少？」

原本一份送審要多久？
不知道。

一張釋疑單平均往返幾次？
不知道。

工程師每天花多少時間查圖、
翻規範、找舊函文？
不知道。

那導入 AI 之後，
最後很容易只剩一句：
「大家覺得比較方便。」

這樣很難判斷，
花下去的錢到底有沒有用。

所以我現在反而覺得，
營造公司在買一堆工具、
上一堆 AI 課之前，
有一件很基本的事可以先做。

先把那些散落在電話、LINE 群組、
會議和工地走廊裡的工作，
變成看得見的數字。

先挑一件最常發生的工作就好。

例如 RFI，
或我們更熟悉的工詢單、釋疑單。

先定義：
什麼情況算一件？
什麼時候提出？
誰負責處理？
什麼時候回答？
中間往返幾次？
總共花多少時間？

先記三個月，
你就會看到一些以前看不到的東西。

可能某一類圖說問題特別多。
可能寫釋疑單本身沒花多少時間，
時間都花在等人回答。
也可能大家一直以為很麻煩的工作，
其實一個月根本只有幾件。

到了這個時候，
再來談 AI，
問題就會完全不同。

你不再問：
「AI 可以幫我們做什麼？」

你會開始問：
「這一段每個月花了 120 個工時，
有了 AI 協助，能不能降到 80 個？」

「平均要等五天的釋疑，
能不能把資料整理時間先縮短一天？」

「同樣的問題每個案子都會重問，
能不能把過去的回答找出來？」

這時候，
工具才有比較的基準。

AI 到底有沒有用，
也不用靠感覺。

所以最近看到美國那份 RFI 研究時，
真正讓我在意的，
已經不是那一張 1,080 美元。

而是：
他們連這件事都算得出來。

我們的工程人每天也很忙。
電話一直響，
LINE 一直跳，
會議一場接一場，
現場每天都有新的問題。

只是這些忙碌裡，
有多少已經變成公司可以分析的資料？

又有多少事情做完以後，
就跟著消失了？

有了數字，
我們才知道現在在哪裡。

幾個月後，
也才知道 AI 到底改變了多少。