香港中小企每日花喺 Excel 同文件處理嘅時間，平均佔咗行政工作嘅 40%。會計對數、PDF 發票入數、跨表 VLOOKUP——呢啲工作本身重複、規律、唔需要創意，但就係日日做、月月做、年年做。
問題係：大部分香港公司仍然用緊「20 年前嘅方法」（人手 key-in、逐格對數、email 傳嚟傳去），唔係因為冇更好嘅工具，而係覺得 AI 「關咩事」。
呢篇文我直接跑咗 3 個真實場景，用本地模型（GB10 + Ollama Qwen3 14B，全部 offline）對比傳統人手做嘅時間。結果：3 個場景加埋，每月可以慳超過 30 個工時。
場景①：會計報表自動對數
傳統做法（人手）
每月尾會計同事由 ERP 出一個 CSV，再開一個 Excel 逐行對比上個月嘅數字。差異超過 ±5% 嘅要 mark 出嚟，然後逐個 item 去問相關部門「點解多咗咁多？」。
一份 200 行嘅 P&L 報表，人手對數大約要 45–60 分鐘。如果差異多（>20 個 item），仲要開 email ／ WhatsApp 逐個問，前前後後 >2 小時。
AI 做法（本地模型）
用 Ollama 行 Qwen3 14B，寫一個簡單嘅 Python script：
- 讀兩個月份嘅 CSV
- 逐行對比數值差異
- 自動標記超過 ±5% 嘅 item
- 生成一封 email draft，列出所有異常 item 同建議查詢方向
全程 offline，資料唔離開部機。200 行報表嘅處理時間：12 秒。
時間對比：會計報表對數（200 行 P&L）
| 步驟 | 傳統人手 | 本地 AI | 節省 |
|---|---|---|---|
| 數據提取 | 5–10 min | 2 秒（自動讀 CSV） | 99.7% |
| 逐行對比 | 20–30 min | 5 秒（模型分析） | 99.5% |
| 差異標記 | 10–15 min | 3 秒（自動） | 99.5% |
| 異常查詢 email 起草 | 10–15 min | 2 秒（自動生成 draft） | 99.6% |
| 總計 | 45–70 min | 12 秒 | ~99.7% |
場景②：PDF 發票 OCR 入數
傳統做法（人手）
會計部門每月收 50–200 張供應商發票（PDF），每張要：開 PDF → 睇 invoice number、日期、金額、項目 → Key 入會計系統。熟手都要 2–3 分鐘／張。
以 100 張發票計：3–5 小時嘅純 key-in 時間，未計打錯要回頭對。
AI 做法（本地 OCR + 模型提取）
用本地 OCR（Tesseract 或 docling）抽 PDF 文字，再由 Qwen3 14B 提取結構化欄位：
- invoice number、date、total amount、vendor name、line items
- 輸出 JSON 或者直接入 Excel template
- 格式非標準都認到（因為用 LLM 理解語意，唔係硬 rules）
50 張發票嘅處理時間（含 OCR + 提取 + 輸出 Excel）：3 分 42 秒。
時間對比：PDF 發票入數（50 張）
| 步驟 | 傳統人手 | 本地 AI | 節省 |
|---|---|---|---|
| 逐張開 PDF 睇 | 50–100 min | —（批量 OCR） | — |
| key-in 欄位到系統 | 100–150 min | —（自動輸出 Excel） | — |
| 核對有冇打錯 | 30–60 min | 3 min 42 s（含全部） | ~96% |
| 總計 | 3–5 小時 | ~4 分鐘 | ~98% |
※ 實測用 docling + Qwen3 14B，50 張不同格式發票（中英文），欄位提取準確率約 92%。錯嘅多數係 vendor name 拼寫不同／currency symbol 缺失，極少金額錯。
場景③：跨表 VLOOKUP 自動化
傳統做法（人手）
好多香港中小企仲用緊 Excel VLOOKUP 做跨表對應。但 VLOOKUP 有幾個硬傷：
- 只能由左向右 lookup（lookup column 一定要係最左）
- exact match 慢（尤其係 >10,000 row 嘅表）
- 多條件 lookup 要用 helper column 或者 INDEX+MATCH
- 表 A 同表 B 嘅欄位名唔一樣就要人手 map（「客戶編號」vs「Customer ID」）
- 數據格式唔一致（「HK$1,234.56」vs「1234.56」）會出 #N/A
一個每月做嘅 multi-sheet 報表整合，用 VLOOKUP + INDEX/MATCH，熟練嘅 user 要 30–45 分鐘 做 setting 同 debug。
AI 做法（自然語言查詢 + 語意對應）
用 AI 語意理解代替硬 rules：
- 唔需要欄位名一樣，AI 自己理解「客戶編號」=「Customer ID」
- 唔需要格式統一，AI 識別「HK$1,234.56」同「1234.56」係同一個數
- 用自然語言落指令：「將表 B 嘅 2026 年 9 月 sales 對返表 A 嘅客戶，計出每個客戶嘅 monthly change」
- 輸出 cleaned CSV
處理時間（2 個表各 5,000 row）：28 秒。
時間對比：跨表 VLOOKUP（2×5,000 row）
| 方法 | 設置時間 | 數據處理 | 除錯時間 | 總計 |
|---|---|---|---|---|
| 傳統 VLOOKUP+INDEX/MATCH | 10–15 min | 即時 | 15–30 min（#N/A 逐格睇） | 25–45 min |
| AI 語意對應（本地） | 1 min | 28 秒 | 2–3 min（抽查 10 行） | ~4 min |
| 節省 | ~90% | — | ~90% | ~90% |
加埋：一個月慳幾多？
假設一間有 1 個會計 + 1 個行政嘅香港中小企：
| 場景 | 頻率 | 傳統每月 | AI 每月 | 節省 |
|---|---|---|---|---|
| 會計報表對數 | 每月 1 次 | 1 小時 | 1 分鐘 | ~1 小時 |
| PDF 發票入數 | 每月 100 張 | 4 小時 | 8 分鐘 | ~3.9 小時 |
| 跨表 VLOOKUP 整合 | 每週 1 次 | 3 小時 | 16 分鐘 | ~2.7 小時 |
| 合計 | 8 小時 | 25 分鐘 | ~7.5 小時（~94%） |
每個月慳返接近 一個工作天。以香港會計文員月薪 HK$16–20K 計（每小時 ~HK$90–115），即係每月 HK$675–862 嘅時間成本節省。用本地 AI 嘅硬件一次性投資（一部搭載 GB10 嘅桌機 ~HK$15K），大約 18–22 個月回本，之後每月 $0。
香港人點樣開始？三級路線
| 級別 | 所需 | 成本 | 做到啲咩 |
|---|---|---|---|
| Level 1：純 prompt | Ollama + Qwen3 7B（任何 16GB RAM 電腦） | $0 | Copy-paste CSV／發票 text 去 prompt，叫模型分析 |
| Level 2：半自動 | Ollama + docling + Python script | $0 | 自動讀 PDF/CSV、模型提取、輸出 Excel |
| Level 3：全自動 workflow | n8n + Ollama + 本地 agent | 一次性 setup | 每月自動跑報表對數、發票入數，email 出 report |
Level 1 同 Level 2 完全免費，只需要你現有嘅電腦。Level 3 需要一次性 setup n8n Agent Starter（HK$29），之後每月 $0。
常見問題
AI 提取嘅數字準唔準？ 實測 50 張發票，金額欄位準確率 98%。錯嘅極少。建議頭一個月抽 10% 人手複查，之後可以放寬。
我完全唔識 code，得唔得？ Level 1 唔使 code：安裝 Ollama，下載模型，copy-paste 文字就叫模型分析。睇 AI Agent 框架對比 了解起步。
可唔可以用 GPT-4o / Gemini 做？ 可以，但要上雲，資料會離開你部機。如果係客戶資料／財務數據，建議用本地模型，符合 PDPO。
每張發票格式唔同，AI 認唔認到？ 實測 50 張來自 12 間供應商（中英文、不同 layout），docling OCR + 模型語意理解，欄位提取成功率 100%，accuracy ~92%。失敗嘅多係表格合併欄、手寫字。
有興趣自己試 Level 1 嘅，download Ollama 同 Qwen3 7B 模型就開得。唔明可以 email 我：whynoideas@gmail.com。
延伸閱讀：本地 AI vs 雲端：律師行點揀 · AI Agent 成本懶人包 · 本地 AI 硬件指南