我想講的第一個痛點，就是沒有很好運用人不在電腦前的時間，讓 AI 能自己做點事情。

我覺得自己現在的工作很難做到這一點。

深入思考後，我發現日常工作中需要處理的事情，往往還是需要人類持續提供反饋、進行 review，並用自己的品味驗證最後的 output。

人類需要關注的節點越多，就越難讓 AI 長時間全自動運作。

開發過程很難完全自動化

比如說，我想開發一個運動追蹤 App，過程中絕對有數不清的需求細節需要釐清的。

只憑藉著一個簡單的指令可能只會得到一個 60 分、沒有靈魂、AI感十足的產出。

很多時候，必須靠著過程中不段的輸入、輸出，才有辦法激發出更具體的執行方向。

即便是開發 API，前期也需要花時間確認整個產品流程，才能整理出比較完整的 spec、規格與驗證標準。

像這種開發類的工作，如果一開始沒有定義得足夠明確，我覺得就很難全部自動化。

不過，以下四類任務有相對明確的驗證方式，AI 可以帶來很大的效率提升。

監控類任務

比如說，我每天早上都需要監控某個排程是否正確執行，以及執行完更新的數據是否符合預期。

這類工作可以建立定期排程，把驗證規則寫清楚，再針對不同類型的錯誤，事先定義後續的 follow up 處理。

要檢查什麼、什麼情況算異常、發生異常後要做什麼，都可以事先定義。

這就是一個很具體的自動化 use case。

驗證邏輯明確的優化任務

如果一項工作的驗證邏輯很明確，也很適合交給 AI 長時間執行。

例如 API call 是否成功、response format 是否正確，或 DB 狀態有沒有依照預期輪轉，這些都有非常清楚的驗證標準。

另一種情況是有具體的指標目標，比如說降低 API latency 至 xx 毫秒。

只要先定義要在哪一種機器環境下，從幾毫秒降低到幾毫秒，同時要求過去的 test cases 必須全數通過，而且不得修改，就有機會讓 AI 持續嘗試不同的優化方式。

同樣的方向，也可以拿來優化一些交易策略。

重點是目標與驗證方式都必須足夠明確。

研究類型的任務

研究類型的工作，也很適合讓 AI 先處理大量資料。

我們可以指定 AI 爬取大量 facts，收集足夠的新聞、論文或各類資料來源，再仔細驗證真實性並產出研究結果。

這些研究背後，通常已經有一套相對明確的決策標準。

例如公司技術架構選型方向、長期投資的選股標的。

AI 不需要直接替人做決定，但可以先把大量資料收集、驗證與整理的工作完成。

內部系統開發

內部系統通常沒有那麼講究 UI/UX，也不一定需要非常完整的流程。

但這類系統通常有一個很明確想要解決的問題。

只要 AI 做出來的工具能切實解決這個問題，就會非常有價值。

相較於面向使用者的產品，內部系統需要反覆確認的 UI、流程與體驗可能比較少，也更容易判斷產出到底有沒有用。

從自動化現有工作，到發現更多值得做的事

老實說，我過去比較少專注在這些面向。

因為這些工作大多偏向優化，而平常工作中，優化類型任務的比例其實沒有那麼高。

透過這次思考，我發現自己不應該只 focus 在如何把手頭上現有的事情完全自動化，因為這在現階段仍然比較困難。

我更應該思考的是：還有哪些對工作與生活有價值，而且容易驗證或屬於研究性質的事情，可以交給 AI 自動執行？

這些事情不一定原本就在我的工作清單裡，但可以透過 AI 自動化，為原本的產出加值。

我覺得目前自己最缺少的，是一套「發現優化項目」，以及「管理與執行這些優化項目」的方法。

我也想在這次鐵人賽裡，多發掘這類適合自動化的任務，探討具體的實現方式，並嘗試用更好的方式管理 AI 自動化，好好地優化工作、生活的體驗。

※ 本文架構與觀點由我構思，成稿過程使用生成式 AI 協助整理與潤飾，內容經本人驗證。系列說明見 Day 1。