文章的內容脈絡

前三天一路把每天早已習慣的工作重新拆開，第一天先看見流程，第二天開始發現，同一件每天重複發生的工作，背後的條件未必每次都一樣。到了第三天，又進一步把那些藏在流程裡、大大小小的判斷找出來。

但如果繼續追問這些判斷為什麼會存在，最後往往會撞上一句很熟悉的話：

「我平常就是這樣做。」

這句話聽起來很普通，卻可能是整個自動化過程裡最難處理的地方。

做久了之後，很多判斷已經不需要被說出口

為什麼這筆資料你會多看一眼？可能因為它看起來怪怪的。為什麼這封信不能按照平常的方式直接回覆？可能因為這個客戶過去發生過一些事情。為什麼這一次必須先詢問另一個人？可能因為以前遇過類似狀況，所以你知道直接往下處理會出問題。

這些回答對每天做這份工作的人來說通常很合理。工作做久了之後，人不會每一次都重新把完整邏輯從頭推演一遍，而是會慢慢把經驗壓縮成某些快速判斷。看到某個訊號、某個人、某種數字，腦中就會自然出現下一步該怎麼做。

這類知識也往往不會完整存在 SOP、流程圖或系統欄位裡。2024 年《Journal of Operations Management》一項研究企業如何利用演算法改善知識工作的研究，就指出只聚焦在 task automation 時，很容易：

“overlooking these nuanced and tacit understandings”

也就是忽略那些細微、隱性，卻真正影響工作結果的理解。

問題也從這裡開始出現。原本只存在人腦中的資訊，在人與人合作時，可以透過長期共事、經驗累積與反覆溝通慢慢補齊，但是當工作準備交給 AI 時，這些從來沒有說出口的前提，很可能直接變成輸入裡缺少的資訊。

AI 有盲點，人其實也有自己的盲點

談到這裡，很容易得到一個過度簡化的結論，就是人懂脈絡，AI 不懂脈絡，所以重要事情還是交給人。這個判斷其實少看了一半。

AI 當然存在限制。它只能根據目前取得的資訊、上下文與過去學到的模式產生結果。如果你沒有告訴它某個客戶過去發生什麼、某個欄位真正代表什麼、某個流程其實存在特殊限制，它不會憑空擁有這些組織背景。

更麻煩的是，它也不一定每一次都會主動告訴你自己少了資訊。2025 年 ACL 一項研究人與 LLM 如何建立共同理解的研究發現，相較於人類對話：

“LLMs were three times less likely to initiate clarification”

換句話說即使 AI 沒有完全掌握你腦中的前提，也可能繼續產生一個看起來非常完整、甚至相當有說服力的答案。

但另一邊，人同樣存在盲點。我們很容易把多年累積下來的工作習慣誤認成必要規則，也可能因為太熟悉某個流程，而沒有察覺自己的判斷其實建立在一些沒有被驗證過的假設上。有些我們認為理所當然的事情，只是因為整個團隊一直這樣做。有些我們非常有信心的判斷，也可能受到過去經驗、近期事件或個人偏好的影響。

所以真正值得注意的風險，不只是 AI 不知道什麼，而是人與 AI 都不知道彼此還有什麼不知道。

人機協作真正需要培養的是邊界感

如果把 AI 放進工作流程，人與 AI 並不會自然形成好的合作關係。2024 年《Nature Human Behaviour》整合 106 項 Human-AI 實驗後得到一個很值得注意的結果：

“human–AI combinations performed significantly worse than the best of humans or AI alone”

這個結果至少提醒了一件事情，把人與 AI 放在一起，本身並不保證效果變好。真正需要培養的，是雙方對彼此能力邊界的理解。

對人來說，需要逐漸知道哪些事情 AI 通常處理得很好，哪些情境一改變，原本建立的信任就不能繼續沿用。也需要知道哪些資訊如果沒有提供，AI 就不應該繼續往下做。

反過來，人也需要重新檢查自己。有些地方可能確實需要人的經驗與判斷，但有些地方也可能只是長期形成的慣性。當 AI 提出不同結果時，人真正需要做的也不只是立刻否定，而是回頭確認，到底是 AI 缺少背景資訊，還是自己原本的判斷其實沒有想像中穩固。

因此，我比較願意把人與 AI 之間的「默契」理解成一種持續校準的過程。雙方慢慢建立共同語境，逐步知道彼此在哪裡可靠、在哪裡容易犯錯，也知道資訊不足、情境改變或彼此答案衝突時，什麼時候應該停下來重新確認。

今天先找出那些你從來沒有說清楚的地方

今天可以再把前三天挑出的那件工作拿回來，找出其中一個你曾經說過「我平常就是這樣做」的地方。先不要急著把它改寫成 Prompt，也不用立刻思考怎麼讓 AI 接手，而是試著把原本壓縮在腦中的判斷重新展開。

可以從三個問題開始：

我會這樣做，是因為我看到了什麼？
如果哪一個條件改變，我就不會再用原本的方法？
AI 如果不知道哪一段背景，我就不希望它直接繼續往下做？

如果寫到某個地方開始卡住，這反而是一個很重要的訊號。它可能代表這段工作真正依賴的知識，從來沒有被正式說清楚，只是一直存在於人的經驗裡。

前三天，我們都在重新學著看見自己的工作。到了第四天，可以再多做一步：開始看見人與 AI 各自容易忽略什麼。

真正的協作是逐漸知道彼此什麼時候值得相信，什麼時候必須停下來確認