AI 時代,你該想清楚的 10 件事
2026-11-16
韋哥科技教室
14
AI 讓我做到了更多,也讓我開始懷疑自己的判斷 從實際使用經驗出發,我認為 AI 時代值得思考的十件事 🔹 讓 AI 懂你,但更重要的是,你要有東西能讓它理解 🔹 要知道什麼時候該由人介入,別等出問題才接手 🔹 持續跨領域學習,才能看見不同的解決方式 🔹 與其研究華麗的提示詞,不如學會具體描述問題 🔹 要有野心,別只讓 AI 解決眼前的小問題 🔹 要肯投資,但不要以為花錢就能買到能力 🔹 要敢於質疑 AI,也要勇敢承認自己不懂 🔹 要夠懶,但不能把責任一起交給 AI 🔹 保持好奇,勇敢試錯,但必須知道安全界線 🔹 知道自己為什麼使用 AI,以及什麼時候不需要它 做得出來,是
從生成式AI開始爆發的這幾年,我利用 AI 做了很多事情。
雖然不像網路很多大神們的驚天動地,但對於一個資訊小白來說,從寫程式、開發課堂互動工具、設計教學活動、整理講義、製作教學影片,到分析資料、處理工作流程,甚至嘗試過去根本不熟悉的技術領域。
有些事情原本就會做,只是 AI 讓我做得更快;有些事情則是以前想做,卻因為時間、技術或能力限制而遲遲無法實現。
隨著 AI 的能力不斷提升,我也從一開始的好奇、嘗試,逐漸走向更深入的應用。現在的我,不只是請 AI 回答問題,更經常讓它協助規劃、執行與完成工作。
然而,使用得越多,我反而開始思考一些問題。
當 AI 越來越強,我們真正需要提升的,究竟是操作 AI 的能力,還是自己面對問題的能力?
AI 可以做的事情越來越多,我們又該如何判斷哪些事情應該交給它,哪些事情必須由自己負責?以下十個觀點,是我從實際使用 AI 的過程中,逐漸形成的一些想法。它們未必適用於所有人,甚至有些觀點,我自己仍在修正。
但我認為,這些問題值得持續思考。
一、讓 AI 懂你,但更重要的是你要有東西能讓它理解
我最近一直在分享中提到,未來 AI 模型的能力當然重要,但我認為,如何讓 AI 理解自己的需求、專業背景與判斷標準,同樣重要。
當我們覺得 AI 的回應不夠理想時,有時不完全是模型能力不足,而是它根本不了解我們真正想解決什麼問題。例如,當我請 AI 協助設計教學活動,如果只提供年級、科目與課程主題,它確實能產出一份看起來完整的教案。但它未必知道我的學生具備哪些先備知識、教室有哪些設備、課程希望培養哪些能力,甚至不知道哪些設計雖然理論上可行,實際上卻很難在教學現場執行。
這些背景,往往才是決定成果能否使用的關鍵。
因此,我越來越重視累積自己的專業知識、工作紀錄、判斷標準,以及可以持續整理的「第二大腦」。
不過,這不代表把所有資料丟給 AI,它就會自動理解我們。Liu 等人(2024)在《Lost in the Middle》研究中指出,當時受測的語言模型即使具有長上下文處理能力,也可能因重要資訊所在位置不同而影響表現。這提醒我們:能夠提供大量資料,不等於 AI 就能有效運用這些資料。所以,除了累積知識,我們還必須思考如何整理、更新、檢索與驗證資訊。
更重要的是,不能因為希望 AI 更了解自己,就忽略資料的隱私與權限問題。不是所有個人資訊、學生資料或工作文件,都適合直接交給 AI。
模型決定 AI 能做到什麼程度,而我們累積的專業、知識與判斷標準,則影響它能否真正為我們所用。
二、要知道什麼時候該由人介入,而不是等出問題才接手
當 AI 能夠自行規劃工作、使用工具、操作電腦,甚至連續執行多個任務時,我們很容易產生一種想法:既然它能自己完成,為什麼還需要我?
但我認為,真正重要的不是讓 AI 做得越多越好,而是知道什麼時候該讓它自主執行,什麼時候必須由人介入。
這必須從自己的需求開始思考。
我在意的是什麼?最擔心的是什麼?哪些錯誤可以接受?哪些錯誤一旦發生,就可能造成無法挽回的後果?例如,AI 幫我整理一份私人筆記,與替我刪除大量檔案、修改重要資料或公開發布網站,所需要的監督程度應該完全不同。
不過,我也必須承認:我根本不一定知道所有風險。
尤其當 AI 進入自己不熟悉的專業領域時,我甚至可能不知道有哪些問題需要注意。因此,不能只靠個人的直覺決定是否介入,還需要建立明確的規則,但這真的很困難。對我而言,人類介入不應只是發現異常後的補救措施,更應該是工作開始前就規劃好的機制。
哪些工作可以授權、哪些節點需要確認、哪些結果必須經過驗證,應該由人事先決定,而這也會呼應到我接下來說第三點要說的。
三、持續跨領域學習,才能看見不同的解決方式
AI 讓跨領域合作變得容易許多。
以前面對不熟悉的問題,我們可能需要花大量時間查找資料、學習工具,甚至尋求其他專業人員協助。現在,我們可以先請 AI 從不同領域的角度分析問題。
例如,我想讓更多人願意瀏覽自己製作的網頁。如果只把問題定義成「如何優化網站」,AI 可能主要從網頁設計、SEO(搜尋引擎最佳化)或 AEO(答案引擎最佳化)等方向提出建議。但我的真正目的,不是單純讓網站符合搜尋規則,而是希望更多人願意接觸、閱讀及使用其中的內容。這時候,問題可能同時涉及內容策略、使用者體驗、資訊架構、視覺設計、行為心理學,甚至是傳播與品牌經營。
Google Search Central 的官方指南也指出,創造對使用者有幫助、可靠且具獨特性的內容,是網站能否提供長期價值的重要因素。
我不一定需要精通所有專業,但至少必須知道,可以從哪些不同角度重新理解問題。
不過,跨領域不代表沒有專業基礎就能做出正確判斷。當 AI 提出不同領域的建議時,我仍然需要理解其基本原理、適用條件與限制,必要時尋求相關專家的協助。
跨領域學習的目的,不是讓自己什麼都會,而是讓自己能夠提出更好的問題、連結不同知識,並辨識哪些專業真正有助於解決問題。
四、與其研究華麗的提示詞,不如學會具體描述問題
我曾經花不少時間研究如何撰寫 Prompt(提示詞)。但隨著 AI 模型的進步,我越來越認為,比起記住各種提示詞公式,更重要的是能不能清楚描述自己的需求。
你想解決什麼問題?為什麼要做?有哪些條件限制?希望得到什麼樣的結果?
這些資訊往往比要求 AI 扮演某個角色,或使用特定的提示詞格式更重要。
從技術角度來看,語言模型會將輸入轉換為 Token,再透過神經網路運算處理上下文並生成回應。但這不代表只要堆疊關鍵字,模型就一定能理解我們真正的意圖。
關鍵字可以協助聚焦,卻無法取代完整的需求描述。例如,當我希望 AI 設計一個互動式教學網頁,與其只要求「做一個漂亮的網站」,不如清楚說明使用者是誰、必須具備哪些功能、使用情境為何,以及如何判斷成果是否成功。
另外,我也逐漸發現,清楚說明「不要什麼」同樣重要,因為模型越來越強,也越來越會自己腦補。
我們不一定需要變成提示詞工程專家,但必須練習把腦海中的想法具體表達出來。而這項能力,其實不只適用於 AI。能夠清楚描述問題的人,往往也更有機會真正理解自己正在處理的問題。
五、要有野心,不要只讓 AI 解決眼前的小問題
我記得在2026 年 10 月Anthropic 工程經理 Felix Rieseberg 發表的文章《How to be more ambitious: A tutorial for humans with models》中,分享了一個讓我印象深刻的例子。
過去,他會要求 Claude 逐一修復程式當機的問題;後來,他改變了提問的層次,不再只是要求 AI 修復個別錯誤,而是希望它協助維持整個應用程式的穩定運作。
他將這種思考方式稱為 Altitude,也就是提高思考的抽象層次,從執行個別任務轉向追求最終目標。
這讓我重新思考,我們是不是太習慣用過去的工作方式來指揮 AI?當程式出問題時,我們要求 AI 修復程式;當工作太繁瑣時,我們要求 AI 加快速度。
但如果換個角度思考呢?
為什麼不讓 AI 協助找出問題的根本原因?為什麼不要求它重新檢視工作流程?甚至,為什麼不讓它提出一套與原本完全不同的解決方法?
當然,這不是要求 AI 保證程式永遠不會當機,也不是每個小工具都需要發展成大型系統。
Rieseberg 在文章中也提到,要實現更高層次的自動化,必須先讓 AI 能夠取得錯誤紀錄、重現問題,並驗證修復結果。
換句話說,宏大的目標仍然需要相應的工具、資料與驗證機制。
Anthropic 在《Building Effective Agents》中也提醒,只有當增加系統複雜度確實能改善成果時,才值得採用更複雜的代理式設計。
這兩種觀點其實並不衝突。
我們可以對目標更有野心,但對實作仍然保持務實。
AI 最值得期待的,不只是幫我們完成原本就會做的事情,而是讓我們有機會挑戰過去受到能力、時間或經驗限制而不敢嘗試的事情。
六、要肯投資,但不要以為花錢就能買到能力
使用 AI,我認為還需要具備一種現實的態度:要有投資意識。
許多 AI 平台是由商業公司經營,模型訓練、運算資源、產品開發與服務維護都需要成本。
我們不應該理所當然地認為,所有功能都必須免費提供。
如果一項付費工具確實能節省大量工作時間、改善成果,或幫助我完成原本無法執行的工作,我願意為它付費。但這不代表付費一定比較好,更不代表使用免費工具的人就比較不專業。
我認為更重要的是評估效益。訂閱費用只是其中一部分,學習成本、維護成本、資料安全、平台依賴程度,以及後續可能產生的費用,都應該納入考量。
有時候,真正值得投資的不是更高級的 AI 訂閱,而是自己的專業知識、相關設備、實際測試,或向其他專家學習的機會。
願意花錢是一種選擇,但知道為什麼值得花錢,才是能力。
畢竟,訂閱方案可以升級,人的判斷能力可沒有一鍵升級的按鈕。
七、要敢於質疑 AI,也要勇敢承認自己不懂
我越來越習慣質疑 AI 的回應。
當 AI 告訴我某個方法很安全,我會問它:為什麼安全?有哪些潛在風險?如果發生問題,最可能出現在哪個環節?
當它說某件事情有風險,我也不會因此立刻放棄,而是繼續追問:有哪些方式可以降低風險?是否存在替代方案?
有時候,我甚至會像個「巨嬰」一樣,持續要求 AI 想辦法解決問題。但這不代表我會毫無保留地相信它。
我們不能因為 AI 能夠提出看似合理的解釋,就認為它已經完成驗證。如果涉及程式安全,就應該有實際測試;如果涉及專業知識,就應該查核可靠資料;如果涉及重大決策,就不能只依賴 AI 自己的判斷。我也認為,沒有必要對所有輸出採取相同程度的檢查,而應依照錯誤可能造成的影響決定驗證深度。
另外,我想特別強調:不懂就應該勇敢承認不懂。
有時候,AI 提供了非常專業的術語或解決方法,我不一定能立即理解。
但這有什麼關係?
我可以要求它換個方式解釋、提供例子,甚至一步一步帶著我釐清問題。
最多就是多花一些時間和 Token。
只要最後真的理解了,這些知識就有機會成為自己未來可以運用的能力。
真正需要避免的,不是不懂,而是明明不懂,卻因為 AI 已經提供答案,就假裝自己懂了。
八、要夠懶,但不能把責任一起交給 AI
我承認,自己越來越願意把工作交給 AI,其中一個原因就是「懶」。
當 AI 告訴我某個步驟需要自己操作,我有時會反問它:為什麼不能由你完成?
例如,當它要求我打開某個檔案、執行指令或檢查結果時,如果系統具備適當的工具與權限,我會希望它先嘗試自行處理。
但我所說的懶,不是什麼事情都不想管。
相反地,當 AI 第一次執行新的工作流程時,我通常更需要觀察它如何操作。
它使用了哪些工具?讀取了哪些資料?修改了什麼內容?遇到錯誤時如何處理?
這些都是我必須了解的事情。
因為,AI 能替我操作,卻不能替我承擔所有後果。
OWASP 2025 年的大型語言模型應用安全風險清單,將「過度代理權限」(Excessive Agency)列為重要風險之一。當 AI 被賦予過多功能、過大的權限或過高的自主性時,即使只是一次錯誤判斷,也可能造成資料外洩、檔案遭到修改或其他損害。
我認為 AI 自動化應該循序漸進。從低風險任務開始,觀察執行過程,建立必要的紀錄、測試與審核機制,再逐步擴大授權。我當時,在接觸Agent時,真的就是每一筆的允許,都要截圖到另一個AI上去詢問,問到後面,我才敢逐步開放權限,才敢開啟自動。
而且,即使 AI 已經成功執行很多次,也不代表未來就不需要監督。
真正理想的狀態,不是完全不管它,而是透過完善的機制,讓自己不必事事親自操作,卻仍然能掌握關鍵風險。
要懂得偷懶,但要懶得有方法,而不是懶得負責。
九、保持好奇,勇敢試錯,但必須知道安全界線
我一直認為,好奇心是讓自己持續學習 AI 的重要動力。
很多時候,我開始使用某個工具,並不是因為工作上非用不可,而是單純想知道:這件事情真的做得到嗎?接著,就會忍不住想試試看。
AI 的出現,確實降低了許多嘗試的門檻。
以前想寫一個應用程式,可能需要先學會程式語言、熟悉開發工具,才能逐漸實現想法。
現在,即使不是專業程式設計師,也有機會運用 AI 完成初步的程式與作品。
但我也開始意識到一件事情:AI 降低的是嘗試的門檻,不是錯誤的代價。
我可以在自己的電腦上測試程式,甚至不斷修改、刪除與重來。
但如果要把程式部署到公開網路,讓學生、家長或其他使用者使用,情況就完全不同。
這時候,就必須考量帳號權限、資料保護、系統安全、異常處理與後續維護。
同樣地,利用 AI 製作出一套看起來完整的工具,也不代表它已經具備正式上線的條件。
所以,我仍然鼓勵自己持續嘗試,但會提醒自己:哪些錯誤可以在安全環境裡承擔,哪些錯誤則可能影響其他人?
AI 能夠很快讓想法變成原型,但我們仍然需要測試與驗證。
我很俗辣,但我也感謝我的俗辣,讓我學到一件事,那就是做得出來,是一種技術能力;能不能讓別人安心使用,考驗的則是專業責任。
十、最重要的,是知道自己為什麼使用 AI,以及何時不需要它
這可能是我最想強調的一點。
當 AI 能夠協助完成越來越多工作時,我們很容易開始思考:這件事情可以怎麼使用 AI?
但或許更應該先問的是:為什麼要做這件事?真正想解決什麼問題?使用 AI 是為了什麼?
有些工作適合交給 AI,因為它能減少重複勞動,讓人把時間投入更重要的事情。
但有些工作,過程本身就是學習的目的。
例如,在教學現場,如果學生需要練習分析問題、提出構想、驗證假設或反思設計,直接讓 AI 完成所有工作,反而可能讓學生失去原本應該經歷的學習歷程。
因此,我不認為 AI 應該無所不在。
記得聯合國教科文組織(UNESCO)於 2024 年發布的《AI Competency Framework for Teachers》,也將以人為本的思維、AI 倫理與專業發展列為教師 AI 能力的重要面向。
這提醒我,AI 素養不應只停留在工具操作,而是要進一步思考人在整個過程中的角色。
此外,當我們越來越相信 AI,是否也可能逐漸減少自己的思考?
由 Vaccaro 等人(2024)發表於《Nature Human Behaviour》的統合分析,更指出人與 AI 合作並不必然產生加乘效果。在研究涵蓋的實驗中,人機合作的平均表現雖優於單獨由人完成,卻沒有平均超越人或 AI 之中表現較好的一方。
換句話說,AI 的加入不保證結果一定更好。
這也讓我重新思考,使用 AI 的目的究竟是什麼。
不是所有事情都需要 AI,也不是 AI 做得出來,就代表應該交給 AI。
寫到這裡,我想提出一個自己至今仍沒有答案的問題。
當 AI 完成了我做不到的事,我真的有能力判斷它做得好不好嗎?
AI 讓我完成了很多以前做不到的事情。
有時候,當我看到 AI 產出的程式、網頁或其他作品,確實會感到驚喜,甚至忍不住讚嘆:原來這件事情真的可以做到!
但我也開始懷疑自己。
我之所以認同 AI 的成果,究竟是因為它真的符合我的期待,還是因為它完成了我原本做不到的事情,所以我就認同了?
這兩件事其實不一樣。
更進一步來說,即使 AI 完全依照我的構想完成作品,也不代表這個作品一定是好的。
因為我的構想本身,也可能存在問題。
我認為,至少需要區分三件事情:
第一,AI 是否完成了任務。
第二,AI 的成果是否符合原本的需求。
第三,這個成果是否真正具有品質、價值,而且經得起檢驗。
過去,我可能因為技術不足而無法實現某個想法。
現在,AI 幫我跨越了這道門檻。
但如果我連某個領域的基本知識都不具備,又該如何判斷 AI 的成果是否真的合理?
這也是為什麼我越來越認為,即使 AI 能夠完成工作,我們還是需要持續學習。
至少,應該具備理解問題、提出標準、辨識風險與檢驗成果的基本能力。
而當任務已經超出自身專業範圍時,也應該知道如何尋求外部驗證,而不是一味相信 AI 的回應。
我想,也許未來自己可以嘗試先練習一件事:在看到 AI 的成果之前,先寫下判斷成果好壞的標準。
例如,當我請 AI 製作教學工具時,先想清楚希望解決哪些教學問題、學生可能遇到哪些困難,以及哪些情況代表設計失敗。等作品完成後,再用這些標準檢查,而不是因為成果超乎想像,就直接給予肯定。
但即便如此,我感覺這仍然沒有完全回答到我剛剛的問題,反而又讓我思考到另一個更深層的問題:當我長期依賴 AI,自己的專業判斷能力,會不會也在不知不覺中逐漸弱化?
坦白說,對這個問題,我目前更沒有答案。
我不能保證自己不會受到影響,也不敢認為,只要持續提醒自己保持批判思考,就一定能避免這件事情發生。
或許未來,我需要的不只是學會如何使用 AI,還要定期確認:哪些能力是自己真正理解與掌握的?哪些事情只是因為 AI 的協助,才讓我看起來能夠完成?
我不希望因為 AI 變得強大,就誤以為自己也擁有同樣的能力。
但我同樣不希望因為害怕依賴 AI,就拒絕利用它探索新的可能。
這中間的平衡,可能需要長時間的實踐、觀察與修正。
結語:AI 可以讓我們走得更遠,但方向仍需要自己決定
回顧這些年的 AI 使用經驗,我最大的改變,或許不只是工作效率提高,也不只是能夠完成更多事情。
而是我開始習慣從不同的角度思考問題。
當一件事情做不到時,我會想,有沒有其他方式?
當 AI 提出解決方案時,我會想,還有沒有更好的可能?
當 AI 可以自行完成工作時,我會想,自己究竟需要保留哪些判斷與責任?
我仍然認為,使用 AI 應該有野心、保持好奇、勇敢試錯,甚至要懂得適度偷懶。
但這些事情的前提,是我們必須持續累積專業、理解風險、建立判斷標準,並且知道自己真正想做的是什麼。
AI 可以協助我們跨越原本的能力限制,卻不代表我們可以因此停止學習。
AI 可以替我們執行工作,卻不代表我們可以把所有責任交出去。
AI 可以提出不同的答案,卻不代表我們不再需要思考問題。
我不知道未來的 AI 還能做到什麼程度,也不知道自己會因此完成多少過去不曾想像的事情。
但至少,我希望能持續提醒自己:
不要因為 AI 能做到,就認為自己已經懂了。
不要因為 AI 做得出來,就認為成果一定是好的。
更不要因為 AI 越來越強,就忘了自己為什麼要做這件事。
或許,AI 時代真正值得培養的,不只是讓 AI 更懂我們的能力。
還包括當 AI 越來越懂我們、越來越能替我們完成事情時,我們是否仍然清楚知道,自己在做什麼、為什麼而做,以及什麼事情應該由自己決定。
把這篇長文和AI協作出來,不單單想要分享觀念,更是提醒自己。感謝願意看到這裡的你,期待在AI時代的我們,都能持續成長。
參考文獻
以下列出本文引用的研究論文、專業框架及產業實務觀點。研究文獻與實務指南性質不同,使用時不應視為相同層級的實證證據。
- Liu, N. F., et al. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. https://doi.org/10.1162/tacl_a_00638
- Rieseberg, F. (2026, October 13). How to be more ambitious: A tutorial for humans with models. https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/
- Anthropic. (2024). Building effective agents. https://www.anthropic.com/research/building-effective-agents
- Google Search Central. (n.d.). SEO Starter Guide. https://developers.google.com/search/docs/fundamentals/seo-starter-guide
- OWASP. (2025). LLM06:2025 Excessive Agency. OWASP Top 10 for LLM Applications. https://genai.owasp.org/llmrisk/llm062025-excessive-agency/
- UNESCO. (2024). AI Competency Framework for Teachers. https://www.unesco.org/en/articles/ai-competency-framework-teachers
- Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1










