大家之所以在起跑點就卡關，並非因為技術能力不足，而是從第一秒起就踩進了認知的盲區：你依然用過去三十年面對「搜尋引擎」或「計算機軟體」的舊思維，在與一個具備語義理解能力的智慧體互動。
要打破這道高牆，跨越非技術人員對科技的恐懼，第一把關鍵鑰匙就是這句看似極度平凡、卻顛覆無數人認知的原則：
心法一：把 AI 當人看待。
這不是一句感性的擬人化修辭，而是一套嚴謹的人機互動心理表徵重構。
範式轉移：從「操作機器的控制狂」到「與人共事的協作者」
回顧我們過去熟悉的數位工具——無論是 Google 搜尋、Excel 公式、還是公司的 ERP 系統——它們全都是「決定論（Deterministic）」的產物。在這種邏輯下，系統只認精確的關鍵字、固定格式的指令、或是嚴苛的語法規則。漏了一個半形分號，整段代碼直接報錯；少輸入一個特定欄位，系統便拒絕執行。
久而久之，人類被這套軟體邏輯深度馴化，養成了一種「操作恐懼症」：生怕自己講錯術語、給錯格式，工具就會當機。
然而，大型語言模型（LLM）的底層架構是機率分佈與語義空間的關聯。它不是計算機，它本質上是一個透過閱讀數以兆計的人類文字，進而學會了「人類思維與表達方式」的超級智慧網絡。
史丹佛大學傳播學學者拜倫・李維斯（Byron Reeves）與克利福德・納斯（Clifford Nass）在 1996 年出版的《媒體方程式》中提出：人類大腦並未演化出專門辨別「具備社交反饋的無生命機器」之機制，因此面對能進行語言互動的媒介，人類的社交心理機制會自動觸發。
將這項理論帶入當代大語言模型的互動場景中，學者與實務界多主張：比起單向輸入結構化機器指令，發揮人類日常的對話直覺更能調動模型的深層上下文理解。華頓商學院教授伊森・莫里克（Ethan Mollick）在《共智》中將此策略歸納為核心協作法則之一：「像對待人一樣對待 AI，但要告訴它該扮演什麼樣的人」（Treat AI like a person (but tell it what kind of person it should be)）。
當你把它當成冰冷的軟體，你給出的就是零碎的關鍵字，期待它像自動販賣機一樣掉出完美商品；但當你把它當人看待，你的溝通姿勢會立刻發生質的飛躍：你不再追求死記硬背的 Prompt 範本，而是調用你每天在辦公室裡都在使用的「常識與協作能力」。
把 AI 當人看待的三個對話支點
當我們把對象視為夥伴而非工具，溝通方式會自然演繹出三個關鍵支點：
在職場中，優秀的主管交代任務時絕不只丟一句命令，一定會說明背後的商業目標與受眾痛點。告訴 AI 這是要給董事會看的、還是要給第一線產線人員看的；是為了爭取預算、還是為了安撫客戶。有了目標意識，AI 才能在龐大的語義庫中自動對齊最精準的表達頻率。
你絕不會期待跟同事講一句話，對方就能一秒交付出無懈可擊的百萬專案。人與人的協作，本來就是在來回反饋、釐清盲點中逐步成形。面對 AI，請放下「我必須寫出完美提示詞讓它一次答對」的焦慮，把它當成一場雙向的會議：它給出草案，你指出偏離的方向，彼此迭代推敲。
著名 AI 學者安德烈・卡帕斯（Andrej Karpathy）曾一針見血地指出：「現在最熱門的新程式語言，是英文。」這句話所揭示的，並不只是程式設計方式的改變，而是人機互動介面的重新定義：當大型語言模型能夠理解自然語言，人類不再必須先學會機器的語言，才能指揮機器完成工作；我們日常使用的自然語言，本身就開始具有「程式」的功能。
在 Vibe Coding 的情境下，這句話的含金量更加巨大。你不需要知道迴圈怎麼寫、資料結構怎麼定義；你只需要像交代下屬一樣，把業務邏輯用清晰、有層次的白話文講清楚，底層的語法轉換，它自然會替你搞定。
非本科系使用者的真正優勢
這也是為什麼在我的跨部門工作坊中，當財務、後勤等同仁掌握這套溝通心法後，即使毫無程式背景，也能如同指揮得力助理般從容駕馭 AI，交出令人驚豔的成果。
這甚至形成了一種耐人尋味的對比：過去習慣編譯器明確規則的工程師，在面對非確定性的機率模型時，說不定反而會因為難以精確掌控而感到適應不良；相反地，習慣與人協作的文科與管理同仁，只要放下「懂技術才能用科技」的心智包袱，其敏銳的情境感知、同理心與引導能力，反而成了駕馭 AI 最強大的槓桿。
把 AI 當人看待，是所有架構思維的起點。它徹底瓦解了技術恐懼，把你從一名焦慮的軟體操作者，扶正為從容的專案指揮官。
然而，一旦我們把它當成人，一個全新的挑戰隨即浮現：如果他是個人，他到底是一個「什麼樣的人」？他的能力極限在哪裡？他身上又帶著什麼致命的弱點？
這就引出了我們的下一道關卡——摸透這位合作夥伴的真實畫像。明天，我們來聊聊第二條核心心法：全科博士與金魚腦助理。
iThome鐵人賽
看影片追技術