用 AI 自動化資料輸入：把雜亂資料整理進表格、自動分類與去重

每天上班，是不是有一段時間都耗在「複製、貼上、切欄位、再貼上」？收到一疊名片要建客戶名單、把報名 Email 一封封整理進 Google Sheet、把廠商寄來格式不一的報價表統一成一張總表——這些工作沒有技術含量，卻吃掉大把時間，還很容易 key 錯。其實這正是 AI 最擅長接手的事。

這篇要解決的問題：教你怎麼用 AI 把雜亂、格式不一的原始資料，自動整理成乾淨表格，並完成欄位切分、分類打標籤與重複資料去除。 適合誰讀：每天要手動建檔的行政、業務助理、客服、人資、電商小編、會計，以及任何想把「資料整理」這件苦差事自動化的人。 讀完你會得到：一套「定義欄位→丟原始資料→拿到乾淨表格」的標準流程、可直接複製的 Prompt 範本、Workflow 流程圖，以及一個台灣中小企業導入前後的實際成果數據。

為什麼資料輸入總是又慢又容易錯？

手動輸入資料的痛點，不是「打字慢」，而是大腦要同時做三件事：閱讀原始資料、判斷每個欄位該放什麼、再小心翼翼地貼到正確的格子。資料來源越雜，這三件事就越累人。

一份名片有公司、職稱、姓名、手機、市話、Email、地址，排版每張都不同；一封報名信裡，姓名混在問候語中、電話寫在最後、需求散落整段文字。人腦在這種「非結構化轉結構化」的工作上特別容易疲勞，做久了就會看錯行、漏一欄、把兩個人的資料 key 在同一列。

更麻煩的是後段的分類與去重。同一個客戶可能用不同 Email 報名兩次，公司名一個寫「台積電」一個寫「台灣積體電路」，人工要逐筆比對幾乎不可能。AI 的價值就在這裡：它能一次接住雜亂的輸入，依你的規則切欄位、貼標籤、抓出可疑的重複，把你從機械性的勞動裡解放出來，讓你只專注在「確認」這件真正需要人判斷的事。

核心概念：把「整理資料」拆成三道工序

很多人以為用 AI 整理資料就是「丟進去、跑出來」，其實把它拆成三道工序，品質會穩定很多。可以用「整理一個亂掉的衣櫃」來比喻：

三道工序最好分階段下指令、分階段檢查，而不是一次要求 AI 全部做完。原因很簡單：當某一步出錯，分階段時你一眼就知道是切欄位錯還是去重錯；如果全部混在一起，你很難找出問題在哪。先把每一道做穩，再串成自動流程，才是可靠的做法。

實際教學：五步驟把雜亂資料變乾淨表格

Step 1：先定義你要的目標欄位

不要急著貼資料。先在腦中把最終表格畫出來：要哪幾欄？每欄放什麼？某欄空白時要填「無」還是留空？把這份「表頭規格」先告訴 AI，等於先給它一個模子，後面所有資料都會被倒進同一個模子，格式自然統一。

例如客戶名單你可能要：公司名稱、聯絡人、職稱、手機、Email、需求摘要、資料來源。欄位定義得越清楚，AI 猜錯的機會越低。

Step 2：原封不動貼上原始資料

定義好欄位後，把原始資料原封不動貼給 AI——名片 OCR 出來的雜亂文字、整封 Email 內文、從網頁複製下來的清單都可以，不用自己先整理。你越是「先幫它整理過」，反而越容易在手動整理時就出錯。讓 AI 去面對混亂，這正是它的強項。

Step 3：明確指定輸出格式

這一步決定你後續好不好用。如果你要貼回 Google Sheet 或 Excel，請 AI 輸出 CSV 或 Markdown 表格；如果要餵給其他程式或自動化工具，就要 JSON。同時提醒它：「只輸出表格，不要任何說明文字」，這樣你才能直接全選貼上，不用再手動刪掉前後廢話。

Step 4：加上分類與去重規則

乾淨表格出來後，再下第二道指令：分類與去重。分類例如「依需求摘要把客戶分成『詢價中／已成交／售後』」；去重例如「Email 相同視為同一人，保留資料較完整那筆，並把兩筆的需求摘要合併」。關鍵是請 AI 把它判斷為重複的列、以及合併動作列出來，讓你看得到它做了什麼，而不是默默刪掉資料。

Step 5：只抽查不確定的列，再正式入庫

最後一步是品管，但你不需要逐筆檢查。在前面的 Prompt 裡加一句：「對於你不確定的欄位或無法判斷的列，在最後加一欄『需人工確認』並標 Y」。這樣你只要篩出標 Y 的列重點看，省下九成檢查時間。確認無誤後，再匯入正式的 CRM 或資料庫。

範例：Prompt 與 Workflow

下面這組 Prompt 把三道工序整合在一起，可直接複製修改。把 【】 換成你的內容即可：

你是一位資料整理助手。我會貼上一批雜亂的原始資料，請依下列規則整理成乾淨表格。

【目標欄位】公司名稱、聯絡人、職稱、手機、Email、需求摘要、資料來源

【結構化規則】
- 從雜亂文字中抽出對應欄位；無法判斷的欄位填「（缺）」。
- 電話統一成 09xx-xxx-xxx 格式；Email 一律轉小寫。

【分類規則】
- 依「需求摘要」在最後加一欄「狀態」，值為：詢價中／已成交／售後。

【去重規則】
- 以 Email 相同視為同一人；保留資料較完整的那一筆，
  並將兩筆的「需求摘要」用、號合併。
- 在輸出最後另列一段「合併紀錄」，說明你合併了哪幾列。

【品管】
- 對你不確定或推測的列，加一欄「需人工確認」標 Y。

【輸出格式】
- 只輸出 CSV，第一列為表頭，不要任何額外說明文字（合併紀錄除外）。

以下是原始資料：
【貼上你的雜亂資料】

對應的 Workflow 文字版流程圖如下：

原始雜亂資料（名片／Email／清單）
        ↓
定義目標欄位（表頭規格）
        ↓
AI 結構化：切欄位、補缺值、統一格式
        ↓
AI 分類：依規則打狀態標籤
        ↓
AI 去重：找重複 → 合併 → 輸出合併紀錄
        ↓
標記「需人工確認」的列
        ↓
人工抽查標 Y 的列 → 修正
        ↓
匯入 CRM／資料庫（完成）

這個流程的精神是：讓 AI 做機械性的重活，把人留在最後做判斷。一旦這套 Prompt 跑順了，你也可以把它接到自動化工具（如表單觸發後自動整理），形成不用手動的常態流程。

常見錯誤

• 一次貼幾千筆：超過長度限制會被截斷，AI 還可能「偷懶」只處理前面幾十筆。應分批，每批數十到一兩百筆。
• 沒先定義欄位就丟資料：AI 會自己猜表頭，每次猜的不一樣，導致多批資料欄位對不齊。一定要先給固定表頭。
• 要求一次做完三道工序又不檢查：切欄位、分類、去重全混在一起時，一旦出錯很難追是哪一步。建議分階段，或至少要求 AI 列出去重的合併紀錄。
• 盲目相信去重結果：AI 可能把「林志明」和「林志銘」誤判成同一人而合併，造成資料遺失。務必保留合併紀錄供人工覆核。
• 直接貼真實個資：客戶姓名、電話、Email 屬個資，未經處理就丟給公開 AI 有外洩與法遵風險。

最佳實務

• 建立你自己的「欄位規格 + Prompt」範本：固定下來重複使用，每次只換原始資料，輸出就會穩定一致。
• 去識別化再處理：能用代號、只貼結構不貼真值就盡量做；非用真值不可時，改用企業版、可關閉訓練的 AI 服務。
• 永遠保留原始檔：整理是「另存新檔」，不要覆蓋原始資料，萬一 AI 整錯還能回溯。
• 用「需人工確認」欄做風險分流：把檢查力氣集中在高風險列，而不是平均分散。
• 小量試跑再放大：先用 10 筆驗證 Prompt 規則對不對，確定無誤再分批跑完整批。

實際案例：台中一家貿易公司的客戶建檔

台中一家做五金外銷的中小貿易商，業務每次參展回來都帶回上百張名片，加上展場詢價 Email，過去由一位行政人員手動建進 Excel 再轉進 CRM。

導入前：一位行政人員處理一場展會約 300 筆名片與 Email，平均要花 2 個工作天（約 16 小時），且常見問題是同一個客戶用展場名片和後續 Email 各建了一筆，CRM 裡重複客戶高達一成多，業務追單時常打錯人。

導入後：他們把名片用手機 OCR 轉成文字，連同 Email 內文分批（每批 50 筆）貼進固定的整理 Prompt，由 AI 切欄位、標「詢價中／已成交」狀態、並以 Email 與手機雙條件去重，輸出 CSV 後只抽查標「需人工確認」的列，再匯入 CRM。

成果數據：同樣 300 筆的建檔，從 16 小時縮短到約 3 小時（含抽查），工時減少約 8 成；重複客戶比例從一成多降到 2% 以下；業務反映名單品質提升後，展後跟進的回覆率也明顯變好。這家公司的心得是：AI 不是取代行政，而是把行政從「打字機」變成「品管員」。

免責聲明：本文涉及客戶名單、聯絡方式等個人資料的處理，僅為流程教學。實務上請遵循《個人資料保護法》與貴公司的資料治理政策，必要時諮詢法遵或法律專業意見；案例數據為示意，實際成效因產業與資料品質而異。

結論

資料輸入之所以累，是因為人腦被迫做機器最該做的事。把流程拆成「定義欄位→結構化→分類→去重→人工抽查」五步，再用一套固定的 Prompt 串起來，你就能把每天耗在複製貼上的時間，轉去做更需要判斷力的工作。記住兩個原則：讓 AI 做重活、讓人做確認，以及永遠保留原始資料與合併紀錄。從今天的一小批名單開始試跑，你會很快發現，那座「複製貼上地獄」其實是可以走出來的。

❓ 常見問題 FAQ

🔗 延伸閱讀

• 用 AI 做資料分析：從清洗到洞察
• ChatGPT Prompt 寫法完整教學
• 什麼是 MCP：讓 AI 連上你的資料
• 任務食譜書：現成的 AI 工作流
• 自動化工作流範本