年度檢討前夜：用ChatGPT把一年份的工地延誤紀錄整理成一張說得清的清單

年度檢討會議前一晚,工程處經理阿德盯著電腦裡三個資料夾發呆:監工日誌、業主往來信件、還有工班LINE群組的對話紀錄。老闆明天要問「去年三個工地為什麼都延誤,原因是什麼」,他手上卻只有一堆零散的紀錄,沒有一張整理好的清單。這種場景,大概是每個營建專案經理年底都會遇到的惡夢——延誤原因明明每天都在發生,卻從來沒有人即時歸類,等到要交代的時候,只能靠記憶硬拼,常常拼到一半才發現漏了某個工地兩個月前的異常紀錄。

2024年初,ChatGPT已經能處理長文字貼上並做基本歸納整理,這件事其實不需要熬夜手動分類。你可以把監工日誌裡的文字內容整段複製貼上,請它先抓出「哪幾天有紀錄到延誤或工期異常」,再進一步歸類原因類型。這不是要AI幫你捏造答案,而是先幫你把雜亂的原始紀錄變成一份「初步分類清單」,你再用現場經驗補上AI看不出來的脈絡,例如「這筆缺工其實是因為工班同時接了隔壁工地的案子」。

先分類、再補充,順序不能顛倒

很多主管會犯一個順序上的錯誤:想直接叫ChatGPT「幫我寫延誤原因分析報告」,結果拿到一份看起來很完整、但內容空泛的官方八股文。正確的用法是反過來——先把你手邊零散的原始文字(日誌摘要、信件內容、群組對話重點)貼給它,讓它做「資料分類」而不是「內容創作」。分類完之後,你再用自己對現場的理解,對每一類補上具體細節與數字。這樣產出的清單,才經得起明天會議上老闆追問「這個原因你確定嗎」。舉例來說,阿德把去年A工地一到三月的監工日誌貼進去之後,AI在十分鐘內就抓出了六段跟延誤有關的文字,比他自己翻資料夾快得多,但阿德還是花了半小時逐條核對,才確定其中一段其實是重複記錄,不能算成兩筆延誤。

把原因粗分成幾大類,老闆聽得懂

過去這一年,工地延誤原因通常逃不出幾個大類:天候(雨季超出預期天數)、缺工(工班人力被分散或臨時抽走)、材料(進料延遲或規格不符)、發包協調(分包銜接空窗)、圖說變更(業主中途改設計)。與其把三個工地、十幾筆延誤紀錄逐條念給老闆聽,不如先分好類,再各舉一兩個具體案例佐證。以阿德手上三個工地全年十七筆延誤紀錄為例,經過AI初步分類再由他確認後,天候類七筆、缺工類四筆、材料類三筆、發包協調類兩筆、圖說變更類一筆,一眼就能看出天候是最大宗,值得在明年排工時多留緩衝。這種結構,ChatGPT可以幫你打底,把散落的文字先歸進這幾類,你再確認分類是否合理、有沒有漏掉的類別。

跨工地比對,才看得出模式

單一工地看延誤原因,很容易被個案迷惑,以為每次都是「運氣不好」。但把三個工地的分類清單並排放在一起看,阿德才發現「缺工」這個原因在三個工地都出現,而且集中在農曆年前後那幾週——這代表問題不是單一工班的問題,而是整個公司在特定時段的人力調度需要提前規劃。這種跨工地、跨時間的比對,靠人工翻紙本紀錄很難做到,但只要把三個工地的分類清單都整理成同樣格式,自己拿來對照,就能看出單一工地看不出來的規律,這也是為什麼一開始就用一致的分類架構很重要。

AI整理的是骨架,你補的是責任

要特別提醒:ChatGPT不會知道「這個延誤到底該算誰的責任」,它只能根據你提供的文字內容做表面歸類。如果日誌裡寫「材料延遲三天」,它可能歸進「材料類」,但實際上根本原因或許是「你自己晚了兩天才下訂單」。這種責任歸屬與根本原因的判斷,一定要靠你自己補上,絕不能讓AI的分類清單直接變成年度檢討的定案結論,那等於把自己的判斷權讓出去。

🔧 AI 動手做:延誤原因初步分類清單

把監工日誌或會議紀錄的文字段落貼進去,讓ChatGPT幫你先抓出延誤相關內容並分類,你再逐項補充現場細節與責任歸屬。

你是一位協助整理工地紀錄的助理。以下是我某工地監工日誌與會議紀錄的部分文字內容(貼在下方),請你:
1. 找出所有提到「延誤」「進度落後」「暫停施工」「等料」「缺工」等相關的段落
2. 把找到的內容依原因性質初步分成幾類(例如:天候、缺工、材料、發包協調、圖說變更、其他)
3. 每一類列出對應的原始紀錄摘要與大約日期
4. 在清單最後列出「無法判斷分類、需要我補充說明」的段落

請注意:你只做初步分類整理,不要自行推測責任歸屬或延誤的根本原因,那部分我會自己補充。

[在此貼上監工日誌/會議紀錄文字]

本週就能做的一步

把去年任一個工地的監工日誌,挑三個月份的內容複製貼上,請ChatGPT先抓出裡面提到延誤或進度落後的段落,並試著分成幾個原因類別。你不用一次做完整年,先練這一小段,看看分類方式合不合用,再決定要不要把剩下九個月也整理進去。