把內容教給他，還是把工作交給AI？在突發過載與新人培訓之間的兩難抉擇

把內容教他，跟把工作交給他。你是否開始意識到，在AI工具出來之後，緊急、突發、一時無法培訓的狀況，原本可能分派給人的工作，會直接交給AI而不是人？這裡的前提是：自身有能力處理並審核全部的事，只是工作量一時超出負擔。當習慣了這種高效之後，後續你會選擇持續培訓真人，還是繼續外包給AI？或許這就是工具革新必出現的現象：專業與專業間的跨域越來越緊密，而性質相同的比較也越來越明顯。

在大學研究室帶領專題研究生、在學校處理跨處室評鑑，或是受邀走進企業診斷業務流程時，我常看見許多資深主管與專案負責人臉上閃過的一絲猶豫。

桌上突然砸下來一批明天清晨就要交出去的跨校數據清洗任務，或是一段必須在兩小時內修復的自動化腳本。

在過去沒有生成式AI的年代，身為主導者的你即便知道教新人很累，也只能硬著頭皮把旁邊的助理或研究生叫過來：「來，坐我旁邊，我教你這個欄位怎麼對齊、這行函式怎麼寫。」你花了一個小時口沫橫飛地講解背景，剩下的時間還得提心吊膽盯著對方的螢幕，深怕對方在半夜按錯一個鍵。

那時候，「交派任務」被迫與「教學培訓」綁定在一起。因為一個人的雙手產能有限，為了把事情做完，你只能用時間換取未來的幫手。

但到了今天，當大型語言模型（LLMs）與各類數位代理人（AI Agent）隨手可得時，面對同樣的突發重擔，許多人的反射神經徹底改變了。

大家不再轉頭叫新人，而是安靜地打開視窗，將資料結構、限制條件與Schema指令送進模型。十分鐘內產出初稿，自己花二十分鐘做關鍵事實查核，半小時收工結案。

「把內容教會一個人」與「把工作交派出去」，在這場工具革新中，被乾淨俐落地切成了兩件事。

一、 突發任務的分流：時間窗口下的「零摩擦外包」

為什麼在突發、緊急、無暇進行人員培訓的時刻，工作會自然而然流向AI，而不是身邊的同仁或學生？

答案在於「認知溝通成本」的巨大落差。

突發緊急任務的處置路徑分流

• 過去 (無AI時代)
• 工作量超出負荷 ➔ 緊急找新人支援 ➔ 耗費心力口語解說 ➔ 事後反覆挑錯修補
• 現在 (AI協作期)
• 工作量超出負荷 ➔ 規格化指令下達 ➔ 模型秒級產出雛形 ➔ 主導者親自畫押定案

向一位完全沒有該領域先備知識的新人交派任務，你必須承擔龐大的溝通摩擦：

• 你要從最基礎的業務術語開始解釋
• 你要照顧對方的挫折情緒，不能表現得太過急躁
• 你要承受對方因為理解偏差而把方向做反的沉沒成本

而面對生成式AI，情況完全不同。

它擁有全網的通俗常識，它不需要你安撫情緒，更不會在深夜十一點抱怨加班。只要身為主導者的你具備清晰的運算思維，能把需求拆解成「背景、任務、限制、輸出格式」四個維度，AI能在極短時間內接住那團暴增的工作量。

在分秒必爭的救火時刻，選擇把繁雜的執行工作交給AI，是任何理性實踐者為了對成果時效負責所做出的必然決策。

二、 成立的唯一前提：你自己必須能「獨立處理並審核全貌」

但我們必須把這項模式的底線劃得極其嚴格：

「跳過新人、直接把緊急工作交派給AI的前提，是委派者自身完全有能力獨立處理、除錯並審核全部的事情；當下純粹只是因為工作量一時超出了個人的生理時間負擔。」

這直接呼應了我先前在〈AI是神獸寶可夢，你的徽章夠駕馭它嗎？〉與〈別當AI的傳令兵〉裡反覆強調的原則。

分不清模型幻覺與真知灼見，遇到例外狀況完全無力排查，對產出內容一問三不知。

災難性翻車： 將看似工整但邏輯荒謬的成果呈報上去，在會議現場被質疑時信用破產。

如果一個人自己根本不會做數據分析、看不懂試算表的資料關聯、不清楚公文法規的紅線在哪裡，卻妄想在緊急時刻靠著AI把工作交差了事，那不叫委派，那叫賭博。

唯有當你原本就具備百分之百的手感——你知道這份報表的資料卡點在哪裡、知道這個演算法的極端邊界是什麼，你只是物理上分身乏術，沒辦法在兩小時內敲完五千行文字或整理數百筆紀錄。

這時候，AI才是你最忠實的高科技建造者。你把體力活交給它，而你依然牢牢握著最後一關的「畫押責任」。

三、 習慣高效之後的靈魂拷問：我們還會回頭培訓真人嗎？

當緊急的警報解除、專案順利交付，真正的考驗才剛要浮出水面。

當一位主管、資深工程師或大學教授，嚐過了「自己定規格 ➔ AI三分鐘搞定 ➔ 自己微調交卷」的極致順暢後，大腦會本能地對「溝通摩擦」產生抗拒。這時，每個人都會在心底撞上那個尖銳的叩問：

「下一次，當時間不再那麼緊迫時，你還會願意花三倍的時間與耐性，回頭去培訓一位的真人新人，還是乾脆繼續外包給AI？」

從短期效益來看，繼續交給AI幾乎是無可挑剔的選擇：

• 培訓一個剛進實驗室的學生寫出合格的文獻綜述，你可能要改退五次、面談三次，而且兩年後他就畢業離開了；
• 調校一組專屬的System Instructions或封裝成一個Skill，你只要花一個下午，接下來兩年它都能以完全一致的標準為你輸出。

這正是當前教育現場與企業組織正在發生的隱性危機：初階人才的「實戰練功房」正在被快速推平。

長期組織傳承的潛在斷層

• 短期極致效率 (全數外包AI) ➔
• 資深者一手包辦 ➔ 新人失去從雜務中試錯的機會 ➔ 未來出現無人能接棒的斷層
• 雙軌韌性傳承 (切割任務目的) ➔
• 緊急救火交給AI ➔ 平時耐性陪伴新人 ➔ 培養下一代具備審核底氣的建築師

過去的新人，正是靠著在那些繁瑣、重複、緊急的庶務（如整理問卷數據、手動比對報表、寫基礎測試代碼）中反覆踩坑、被前輩退件修改，才一點一滴磨練出對專業的直覺與肌肉記憶。

如果資深者因為貪圖一時的省事，把所有基礎任務全數轉交給AI，短期內帳面上的產出效率確實非常好看；但三年、五年過去，當資深者想要交棒時，回頭一看，身後卻沒有任何一個真人真正摸透那套底層邏輯。

身為一名站在講台上的教育工作者，我給自己的劃分原則非常純粹：不要把「交派任務的手段」與「人才培育的目的」混為一談。

• 如果是為了解決「突發的危機、追趕不可延誤的進度」，我會果斷調度AI處理，不拿無謂的熬夜去折磨學生；
• 但如果是為了「傳承思維、培養學生的專業手感」，哪怕我知道自己用AI做只要十分鐘，我也會把任務交給學生，耐心地坐在他身邊，陪他看懂每一行報錯訊息。

因為AI只能幫我們把今天的仗打完；而把人教會，明天的陣地才有人守得住。

四、 工具革新的必然：跨域前所未有緊密，同質比較無比赤裸

隨筆的最後兩句話，精準點出了這場科技浪潮背後最精彩、也最殘酷的時代全景：

「專業與專業間的跨域越來越緊密，而性質相同的比較越來越明顯。」

當AI將各學門的基礎認知門檻一口氣壓到地表時，整個知識社會的板塊正在發生兩場劇烈的位移：

1. 跨領域的距離，被工具縮短到了極限

過去，一個文學院的老師想做數位人文文本分析，他必須先去資工系尋求合作，光是對齊「詞頻統計」與「文學語境」的定義就要耗費數個月； 現在，文科研究者可以直接把自身深厚的文學感測力，透過自然語言轉譯為給AI的結構化分析規格。工程師開始理解教學法，醫護人員開始搭建自己的衛教推播Bot，不同專業之間的銜接不再需要繁複的公文往返。跨領域的合作不再是一句口號，而是每天在對話框裡自然發生的碰撞。

2. 同質性工作的高下立判，變得前所未有地殘酷

這是硬幣最冷酷的反面。 在沒有AI的年代，兩個做著同性質行政或分析工作的人，一個能力八十分、一個能力五十分，因為兩個人每天都被大量的手工打字、排版與資料謄抄給拖住，表面上產出的落差看起來並不明顯。 但今天，把相同的AI工具同時交給這兩個人：

• 那位具備八十分專業底蘊與運算思維的人，懂得拆解問題、懂得設定精確邊界、能一眼抓出AI的邏輯漏洞，他的產能瞬間被放大成三百分；
• 而那位平時只會複製貼上、缺乏獨立思考的傳令兵，他的空洞與盲目，在AI幾秒鐘生成的公版對照下，瞬間暴露得一覽無遺。

當基礎工具不再是藉口，同質工作者之間的競爭，就徹底從「體力與速度的消耗」轉向了「問題定義能力、審核眼界與責任承擔」的正面肉搏。

結語：救急靠工具，育人靠初心

回到最初的那個提問：當習慣了AI的高效之後，後續你會選擇持續培訓真人，還是繼續外包給AI？

在分秒必爭的戰場上，把繁重的工作交給AI，那是身為實踐者對結果負責的清醒果決； 但在風平浪靜的日常裡，願意停下腳步，把時間與耐心留給身邊還在摸索的後輩，那是身為師者與前輩，對未來最溫暖的承諾。

科技的大浪只會越推越高。跨學門的邊界會越來越模糊，同業之間的檢驗也會越來越直接。

先把自己鍛造成那位「有能力處理並審核全部事情」的清醒掌舵人。當你手中既有隨時調度AI滅火的能力，心中又始終保有願意回頭拉人一把的教學溫度時，無論時代的工具如何更迭，你都能在效率與傳承之間，走出最坦然、也最自洽的步伐。