本案例涉及人工智慧（Artificial Intelligence, AI）、生成式人工智慧（Generative Artificial Intelligence, GenAI）與大型語言模型（Large Language Model, LLM）。從商業問題判斷規則、傳統機器學習或生成式方案。
本案例依原書第 8 章的最佳實務、範例或情境重組，並非原書正式案例研究。
原書提醒不要把 LLM 強行套入傳統機器學習或規則系統已足夠的問題。例子是從標準化發票擷取發票號碼、日期與金額；決定性規則解析器或傳統機器學習（Machine Learning, ML）模型，可能比 LLM 以更低成本提供更高準確度。評估時還要考慮推論成本、幻覺、記憶限制、效能、能源與維護。
| 方案 | 原書情境中的判斷 |
|---|---|
| 規則解析器 | 適合固定、標準化欄位 |
| 傳統機器學習 | 可能以較低成本提供良好準確度 |
| 大型語言模型 | 適合確實需要語言理解、文件解析或摘要的工作 |
| 共同評估 | 成本、幻覺、記憶、效能、能源、維護 |
在 Excel 記錄任務規則性、資料變異、準確需求、成本、延遲與維護負擔；AI 可協助整理方案比較，但不能先假設 LLM 必然較佳。
原書沒有提供可直接計算的數據，因此不補造結果。
正確起點是問題與結果，不是模型。對固定欄位擷取，生成能力可能增加不必要的成本與不確定性。
請依任務規則性、資料變異、準確、成本與維護比較規則、傳統機器學習和大型語言模型；不要預設生成式方案勝出。