KEY POINTS
本文重點
- 「人人要會 AI」的「會」,要依部門、職能和目標分別定義,不是一句口號就能說清楚。
- 改報表、加工具之前,先問清楚誰在用、為什麼不好用、這個問題會持續多久。
- 把 AI 當思考陪練:先用文字或語音把想法說清楚,再反問它的前提和漏掉的角度。
- 工作流需要韌性(出狀況能修復),也需要彈性(不用同一套做法套在所有人身上)。
AI 出現之後,每個人的工作開始有很不一樣的樣貌。有的人養著自己的 AI,像我;有的人使用企業提供的工具;也有人還在旁邊看著,想知道 AI 跟自己的工作到底有什麼關係。
工具其實不缺,難的是怎麼把工具和工作接起來。因為我們當下看到的,往往只是一個點。這讓我想到小時候用的參考書「點線面」:一個知識點要連成線,線再展開成面,才比較看得完整。看待工作也一樣,要有維度、廣度和深度。

有時候看到別人已經把 AI 用得很順,我也會忌妒。這時我會多問自己一句:我羨慕的是他的工具、他的產出,還是他已經找到適合自己的工作方式?想清楚之後,我才知道自己真正想學的是什麼,也不用急著照抄別人的做法。
這篇想從「點線面」出發,聊聊 AI 時代的工作流、韌性與彈性,以及到最後,什麼才是真正重要的事。
一、「人人要會 AI」,「會」到底是什麼?
很多公司開始倡議「人人要會 AI」。方向沒有錯,但不同部門、不同職能、不同目標,需要的「會」不會完全一樣。業務用 AI 整理客戶需求,和工程師用 AI 協助寫程式,是兩種不同的工作情境。如果只有一句口號,卻沒有說清楚要會到什麼程度,很容易變成看見一個問題,就急著加工具或辦課程。
再舉一個日常的例子。有人覺得一份報表不好用,第一個反應可能是立刻改報表。但在動手之前,我會想先問:
- 使用者通常在什麼情境下覺得不好用?他們想從報表裡看見什麼、做出什麼決定?
- 「不好用」可能和哪些地方有關?是介面、參數、呈現方式,還是使用報表的流程?
- 如果報表變好用了,使用者的工作會有哪些不同?我們可以從哪裡看出改變?
- 這次要解決的問題會持續多久?現在的調整,能不能回應接下來的需要?
把問題寫下來盤點,常常會發現要改的不是報表,而是使用報表的流程,或是大家對這份報表的期待。先把問題問清楚,才知道 AI 能不能幫上忙、適合從哪裡開始。
所以對我來說,「會 AI」是能說清楚自己要處理的工作問題,和 AI 來回討論,檢查它的回答,再把答案放回工作裡。它不是會多少工具,也不是每個人都要用同一套方法。不同職能需要的能力和學習路徑不一樣,但大家可以一起討論:什麼樣的使用方式,才真的對工作有幫助?
標準化很重要,它讓團隊有共同的語言和基本做法;但在共同標準之下,還是要保留人的判斷和彈性。好的工作流不是把每個點都換成 AI,而是先問好問題,再決定哪些點值得連成線。
二、AI 怎麼幫我想?我讓它當陪練
對我來說,AI 不是替我下結論,而是陪我把還沒理清楚的想法慢慢攤開。我打字時常常一邊想、一邊寫,AI 會接著問;有時候我也會用 ChatGPT 語音聊天,把還沒成形的想法先說出來,或用 speech-to-text 把腦中的念頭轉成文字,再回頭整理。
我一直很看重文字力和語言表達力。工具能接住想法,但想法還是得由人整理。當我能把心裡的問題說得越清楚,就越能和 AI 來回,也越容易發現自己真正想問的是什麼。
我會請 AI 陪我多看幾個方向:
- 你聽見我真正想處理的是什麼?
- 這件事還可以從哪些角度理解?
- 如果站在客戶、同事或使用者的立場,他們可能會怎麼看?
- 我現在的想法裡,藏著哪些還沒說出來的假設?
- 這個問題還有哪些地方值得我再想一想?
AI 的回答常常很完整、很流暢,但我不會因為它說得完整,就覺得事情已經想完了。我會接著問:這個回答還可以怎麼看?有沒有重要的角度被漏掉?如果換一個前提,結論會不會不同?
把問題交給 AI 很快;讓問題帶著自己多走幾步,才是我想要的思考陪練。判斷力與決策力,也是在這樣一次次的反問裡慢慢養成的。
三、工作流需要韌性,也需要彈性
這兩個詞常常一起出現,但我覺得它們說的是不同的事。
韌性,是工作流程遇到狀況後,還能修復並繼續運作。如果某個工具暫時不能用,工作可以怎麼接下去?有沒有人能接手?有沒有另一種做法?這些都是團隊設計工作流程時可以想一想的問題。
彈性,是不把同一套做法套在所有人身上。每個職能的工作不同,需要的工具、學習方式和熟練程度也可能不同。如果公司只訂一個標準,卻沒有回頭看大家實際要完成什麼,很容易讓標準變成另一種限制。
買衣服時常看到的 free size 就是一個例子。它不代表每個人都穿得下,而是在某個範圍內,讓多數人有調整的空間。台語說「伸縮」;我也想到日文的 asobi(遊び),在這裡借用它「留有餘裕」的意思,讓東西有活動和調整的空間。

用 equality 和 equity 來看 AI 推動,也能看見兩種不同的安排:
| Equality | Equity | |
|---|---|---|
| 意思 | 每個人接受相同的安排 | 依不同需求提供不同支持,追求公平的機會 |
| 放在 AI 推動上 | 每個人上同一堂課、用同一種工具、達到同一套標準 | 依職能與目標定義需要的能力,提供不同的起點和學習路徑 |
共同標準讓團隊知道方向,彈性則讓不同的人能在方向之下找到適合自己的做法。兩者可以一起存在,關鍵是願不願意多問一句:這套安排對誰有幫助?又有誰需要不同的支持?
結語:What really matters?
這題很難,因為每個人都帶著自己的想法、背景和經驗。我覺得真正有價值的工作流,除了能落地,也要讓實際使用的人理解、願意使用。再完整的設計,如果沒有人使用,最後也只是一張好看的圖。
要做到這件事,決策者需要傾聽,不是為了讓每個人都滿意,而是要理解大家遇到的困難和真正在意的事。聽完之後,也要把決定說清楚:我們為什麼這樣做?哪些地方已經有共識?哪些地方還留著調整的空間?
回到點線面。AI 讓許多工作中的點變快了,但把點連成線、把線展開成面的,還是人。有時候,對別人的忌妒能讓我們看見自己想學什麼;接下來要怎麼走,仍要回到自己的工作、目標和判斷。
先問好問題,用 AI 陪自己練習思考,讓工作流遇到狀況時還能修復,也為不同的工作方式留一點餘裕。我想,這就是 AI 時代裡,真正重要的事。
常見問題
公司要求「人人會 AI」,第一步該做什麼?
先依部門、職能和工作目標,討論「會 AI」在各自的工作裡代表什麼,再決定要學哪些工具、練習哪些能力。
工作流的韌性與彈性差在哪裡?
韌性是流程遇到狀況後能修復並繼續運作;彈性是依不同工作情境與需求調整做法,不要求所有人都用同一套方式。
忌妒別人更會用 AI,可以帶來什麼?
先問問自己羨慕的是什麼:對方使用的工具、做出的成果,還是他已經找到適合自己的工作方式。這份忌妒或許能讓我們看見自己真正想學的地方。



