幾年前大家擔心工作被 AI 拿走，後來說法變成會用 AI 的人會取代不會用的人。現在公司開了帳號、排了課，多數人也用了起來，「會用」到底包含哪些事卻一直沒有被說清楚。
同一個部門裡兩位同事都說自己會用 AI。一位請 AI 整理會議紀錄，看過改兩句就寄出。另一位做了一條流程，讓 AI 讀每一封客戶來信、分類、擬好回覆，一天跑八百多次。前者只要確認紀錄沒寫錯，後者得知道錯了幾封、錯在哪一類、一個月用掉多少資源。工具可能是同一套，跑一次和跑一千次要回答的問題卻完全不同。
把「會用 AI」攤開來看，大致可以分成五個階段。前三階和操作有關，多數課程也停在這裡，後兩階要練的是判斷。
| 階段 | 用 AI 時心裡最常想的問題 | 已經做得到的事 | 還停在這一階的訊號 |
|---|---|---|---|
| 1 會問 | 它能回答我嗎 | 把 AI 當成查資料、聊天的對象 | 答案不滿意就一直換句話重問 |
| 2 會交代 | 怎麼讓它答得更好 | 寫得出背景、格式和限制都清楚的 Prompt | 同一段 Prompt 換一件工作就不靈 |
| 3 會串接 | 能不能讓它自己跑 | 把 AI 接進固定流程，信一進來就開始做事 | 說不出這條流程一個月跑幾次、錯過幾次 |
| 4 會判斷 | 這次值得用 AI 嗎 | 啟動前先看卡點、頻率和出錯的後果 | 判斷只放在自己腦袋裡，別人接不住 |
| 5 會經營 | 它還在解原本的問題嗎 | 定期看品質、用量與成本，該縮就縮、該停就停 | 流程越建越多，卻從來沒停掉過任何一條 |
對照時看第二欄最準。平常打開 AI 時最先冒出來的是哪個問題，大致就落在那一階。導入現場最常見的是停在第三階，流程接得起來，判斷的習慣還沒養成。
第四階的判斷落到日常，就是啟動前多問幾題。
第二題最常被低估。AI 十分鐘寫好的報告，如果要有人花一小時查證、再花半小時跟主管解釋，跟自己兩小時寫完相比，省下的時間就沒有表面上那麼多。
AI 每讀一段文字、寫一段回覆，都會消耗一種叫 Token 的單位，很多 AI 服務就照這個用量計價，Token 經濟講的就是這筆帳。它像影印機上的計數器，自己印兩頁講義沒人在意，一條流程每天自動印三百份報表，總務很快就會來問。
同樣是用 AI，規模一變，用量和風險跟著換一個量級。
| 情境 | 使用者看到的 | 背後累積的 |
|---|---|---|
| 請 AI 整理一份會議紀錄 | 一頁摘要 | 用量小到可以忽略，錯了一個人多花五分鐘修改 |
| 每天讓 AI 處理上千封郵件 | 每封信都分好類、擬好草稿 | 每封一點點，乘上一千封再乘上一個月，就成了帳單上固定的一筆，分錯一封可能讓客戶多等三天 |
| 請 agent 做一份競品整理 | 一份三頁報告 | 搜尋、讀文件、比對、起草，發現數字對不上再重查，前後呼叫了好幾十次模型 |
兩個公開的數字可以當作參考。
聽到成本很多人會想能省就省，讓 AI 少讀幾份資料、拿掉檢查那一輪。帳單變好看了，品質常常跟著掉。同一份 Anthropic 的數據裡，在一項上網查找資料的測試中，表現差異有八成可以用 Token 用量解釋，他們也因此把多個 agent 分工的做法，留給價值高到付得起這些用量的任務。
Token 經濟要練的是看懂每一次投入換回了什麼，再決定這件工作值得花多少。 不同任務該花在哪裡，差別很大。
| 任務類型 | 最優先的考量 | 值得多花在 | 可以省下 |
|---|---|---|---|
| 內部活動通知 | 速度與方便 | 核對時間地點 | 反覆潤飾措辭 |
| 給管理階層的決策報告 | 品質與依據 | 多讀資料、由人對過數字 | 排版與修飾 |
| 每天大量執行的流程 | 單次成本乘上次數 | 抽查與異常紀錄 | 每次都讀完全部附件 |
| 涉及客戶、財務、法規或機密資料 | 風險與責任 | 人工核准、留下紀錄 | 幾乎沒有可以省的 |
同一家公司裡這四種工作每天同時在跑。用同一套標準管它們，某些地方會花得太多，另一些地方則冒了不該冒的險。
AI 接手的部分越多，人直接動手的事確實少了，旁邊卻多出一圈以前很少被注意的責任，而且一條工作流走到不同階段，冒出來的事也不一樣。
| 工作流走到哪裡 | 多出來的工作 |
|---|---|
| 導入之前 | 挑出適合的情境，把「我平常就是這樣做」拆成 AI 看得懂的步驟，分好人和 AI 各自負責的部分，設定人工檢查點 |
| 開始跑之後 | 留意品質、用量和成本有沒有走樣，處理資料不足、判斷失準、流程中斷這些例外 |
| 跑了一陣子 | 回頭確認流程還在解原本的問題，沒有價值的縮小或停掉，向同事說明 AI 能做到哪裡 |
這些事很少一開始就變成新的職稱，多半先塞進原本的工作裡。
這幾種角色做的是同一件事，在 AI 啟動前後做判斷。打開對話框、套一段 Prompt，很快就學得會，能看著一件工作說出這次值不值得用 AI、還講得出理由的人，增加得慢很多。往後幾年企業不會缺會呼叫 AI 的人，難找的是能判斷這次值不值得呼叫的人。
企業開放生成式 AI 工具之後，第一步通常是操作教學和 Prompt 課程。這些課教的是怎麼讓 AI 答得更好，至於該不該交給 AI、用完值不值得，很少有課程碰到。
補上判斷能力的課，可以照這個順序排。
前四堂是把人從第三階帶到第四階，最後兩堂是第五階的基本功。
先對照前面的階段表，看看自己平常最常冒出的那個問題落在第幾階。再挑一件已經交給 AI，或打算交給 AI 的工作，填這三格。
這件工作一個月大約跑＿＿次，每次人還要花＿＿分鐘檢查或修正，萬一出錯，最壞的結果是＿＿＿。
想更完整地評估，可以把工作內容交給 AI，請它先幫忙判斷，暫時不要動手做。
下面是一件我打算交給 AI 處理的工作。請先不要幫我執行，先幫我判斷值不值得用 AI，以及要用到多深。
請依序回答
1. 這件工作目前最可能卡在哪裡，AI 能改善的是速度、品質，還是資訊整理的負擔
2. 不用 AI 時大概需要多少時間與人力，用了 AI 之後還要花多少時間檢查、修正和跟別人說明
3. 這是偶爾發生的任務，還是會大量重複執行的流程，如果是後者，請指出哪些步驟的用量會隨次數放大
4. 結果出錯時最壞的影響是什麼，是否牽涉客戶、財務、法規或機密資料
5. 建議在哪一個階段交回人處理，以及出現什麼情況就該停下來
判斷規則
- 結論只能是「值得用」「部分值得用」「先不要用」其中一種，並寫出理由
- 不要為了降低用量而建議省略必要的資料查核
- 資訊不足時列出需要我補充的地方，不要自行假設
工作內容
<填入這件工作的目標、多久做一次、會讀到哪些資料，以及產出要交給誰>
「會使用 AI」的意思還會繼續往外擴。操作工具是基本功，後面要加上的是看懂情境、設計流程、對成本有感覺、檢查品質和判斷價值，這些能力會先滲進每個人的日常工作，也會成為企業推動 AI 時得花心力培養的能力。
企業的目標不能停在讓更多人用 AI。 比較值得看的是，同仁在每一次使用之前知不知道自己想解決什麼問題，用完之後有沒有能力判斷投入的資源換回了合理的成果。
這些判斷如果只留在少數人的腦袋裡，換了人之後流程就會跟著失去方向。每個人做過的判斷，要怎麼累積下來，變成組織裡其他人也接得住的東西？
iThome鐵人賽
看影片追技術