同一個問題問兩次答案不一樣,AI 到底能不能放進公司流程?
2026-11-13
江江教練
0
在試算表寫好公式,重算多少次結果都一樣。把同一段會議筆記交給 AI 整理兩次,用詞、順序、分段可能不同。很多主管看到這裡就下結論:它不可靠,不能進正式流程。這個結論下得太早。兩種系統決定輸出的方式本來就不同,傳統程式執行預先寫好的規則,生成式 AI 依當下脈絡即時生成;而你以為相同的輸入,系統看到的其實還包含系統指令、前文、檢索到的文件與記憶。答不準的時候,用「關聯性錯位」比用「幻覺」更能幫你判斷該修哪裡。這篇給兩套可以直接用的工具:把「完成」拆成四層驗收,以及把流程拆成三層,再用四個問題決定每一步交給程式還是 AI。第一個問題永遠是:做錯之後能不能復原。
在試算表裡寫好公式,只要資料、公式與設定沒有改變,重算很多次,結果通常都一樣。這種穩定性符合我們過去使用軟體的經驗:把規則寫清楚,電腦照規則執行。
把同一段會議筆記交給 AI,請它整理成三個重點,第二次的用詞、順序或分段方式可能不同。兩份內容也許都合理,甚至都抓到重點,但字句不一定完全相同。
很多主管看到這裡就下結論:它不可靠,不能進正式流程。這篇想講的是,這個差異的重點不在可靠或不可靠,在於兩種系統決定輸出的方式本來就不同,而企業流程要做的是按錯誤代價分工。
這篇在講什麼
AI 輸出會變,主要來自它的生成方式與完整脈絡;提示詞、背景與範例能提高穩定度,但壓不到逐字固定。企業要處理的是:哪些環節必須程式化、哪些可以生成、哪些要複驗、哪些由人拍板。分工的門檻是一句話:做錯之後能不能復原。
適合誰
- 看到 AI 答案不一致、猶豫要不要讓它進正式流程的經營者與主管
- 已經在用 AI,但不確定哪些工作可以放心交出去、哪些不行的部門負責人
- 負責流程設計、品質管理、系統導入的營運與 IT 角色
本篇分享
- 一個比「幻覺」更能幫你判斷的角度:答不準多半是關聯性錯位
- 四層驗收的分法,讓「完成」這兩個字有明確定義
- 規則層、生成層、驗收層三層架構
- 四個拆解問題,拆任何一條流程都能用
真正的差別,在於行為由什麼決定
先講一件事:生成式 AI 本身也是軟體,也要靠程式、伺服器、資料庫與介面才跑得起來。所以要比較的,是兩者的輸出各自由什麼決定。
傳統程式執行預先寫好的規則。開發者先定義邏輯、條件與步驟,當輸入、資料與環境相同,系統設計上追求一致、可重複、可追蹤的結果。生成式 AI 依輸入脈絡即時生成。模型根據訓練中學到的語言與資料關係,結合當下提示、前文與可用資訊,逐步產生下一個字詞或下一段內容,結果可能隨脈絡與設定變動。
我在講 AI 本質的時候,常用一句話概括它的運作方式:詞語關聯性的搜尋、分析、重組。當你問「1+1 等於多少」,一般語言模型在沒有呼叫計算工具時,不是像計算機一樣執行一條算式規則,它比較像在大量語言關係裡找到「1+1」後面最常被接上的回答是「等於 2」。這句話聽起來像在貶低 AI,其實不是。理解它是靠關聯性運作,你才會知道要在哪裡使力:與其期待它每次逐字固定,不如把輸入、範圍、格式與驗收設計清楚。
傳統程式適合有明確規則、固定格式與唯一答案的工作。生成式 AI 能處理文字、圖片與各種格式不一的資料,適合需要整理、轉譯、歸納或產生候選內容的環節。兩種思路各有適用場景,也常常需要放在同一套流程裡配合。
你以為輸入相同,系統看到的可能不同
使用者看到的輸入,常常只有自己剛打出的那一句話。AI 實際收到的內容,還可能包含系統指令、前面的對話、工具傳回的資料、檢索到的文件,以及平台提供的記憶。其中任何一項改變,整體輸入就已經不同。兩次看似相同的提問出現不同答案,部分原因來自脈絡不同。
例如第一次請它整理會議紀錄,前面已經討論過公司的用語習慣;第二次在新對話裡問同一句話,它失去了前面的線索,整理方式自然不同。對 AI 來說,輸入是當下可用的整體脈絡,不只是你剛打出的那一句。這件事對企業流程的意思是:每次交辦時,脈絡要固定供應,不能靠上一次聊過。
答不準的時候,常見原因是關聯性錯位
業界普遍把 AI 講出明顯不對的答案叫做「AI 幻覺」。當作警語很好,它提醒使用者不要全信、要主動驗證。但如果想更精準地處理它,「幻覺」這個比喻會誤導。幻覺隱含「主體出問題」的前提,AI 根本沒有主體,它從頭到尾只是在找關聯性。
我把這個情況叫做「關聯性錯位」。AI 依照你的提問找出最有關聯的詞語,重組回給你;有時候它找到的關聯性,跟你要的不一樣,或跟事實不一樣。理解這件事之後,幾件事會變得好判斷:有些問題它回答得很穩,是因為那個問題的關聯性很清楚、常見資料裡有大量一致答案;有些回答得不穩,是因為資料裡缺少清楚線索,或相近但錯誤的關聯太多;把問題問清楚、補上背景、給出範例與格式,答案通常會改善,因為你提供了更多關聯線索。
所以有機率性,不等於毫無控制。工作流程需要控制的重點,是輸入邊界與驗收關卡。
流暢度與正確度,要分開驗收
語句流暢,無法證明內容正確。模型可能少處理幾筆資料、混淆來源,或用很肯定的語氣說出未經查證的內容。閱讀時覺得順,不等於結果已經通過驗收。
我自己在工作流裡的做法,是把「完成」拆成四個層次,因為 AI 很容易回報一句「完成」就結束。

所以我現在要求 AI 回報時補上驗收證據,講清楚哪些項目是機器驗收、哪些是人工檢查、哪些仍需要我確認。工作流會開始留下可追蹤的證據,而不是只收到一句「完成」。驗收方式越具體,越能放心借重 AI 產出的彈性;標準寫不清楚,它就會一直交半成品給你。
一套可用的 AI 工作流程,至少有三層
]
規則層交給傳統程式處理明確、可計算、需要重複一致的步驟,例如日期換算、固定欄位、數量計算、格式驗證。生成層交給 AI 處理格式不一、需要依脈絡整理或產生內容的工作,例如整理雜亂筆記、摘要文件、分類文字、調整語氣。驗收層由程式與人共同檢查輸出,決定通過、重試或退回,例如對帳來源、檢查欄位、確認名單、人工核可。
驗收層讓生成結果有明確出口。AI 先提出候選內容,程式負責檢查格式與數字,人負責高風險、對外或不可逆的決定。這樣設計可以避免把所有事情都丟給 AI,也避免只把 AI 當成聊天工具。
拆流程時,先問四個問題
- 做錯之後,結果能不能復原?牽涉付款、刪除、公開送出或其他不可逆動作,不論這步最後交給程式或 AI,都要保留人工核可。
- 答案是否唯一,而且能寫成清楚規則?可以的話,優先使用傳統程式處理。
- 輸出能不能用數量、欄位、格式或清單檢查?能檢查時,可以讓 AI 產生,再用固定的檢查清單核對;有程式的話可以自動驗收。
- 每次進來的資料格式是否都不一樣?格式變化大時,可以讓 AI 先整理成規則層能處理的結構。
這四題不用一次判斷整份工作。先把工作拆成一個個步驟,再逐步判斷。很多流程最後會同時使用傳統程式、AI 與人工確認。
先動的第一步
挑一條部門裡每週重複三次以上的流程,把它拆成步驟,逐一套用上面四個問題。你可能會發現,有些步驟用固定規則處理更穩,有些步驟適合交給 AI,還有一些步驟需要補上清楚的驗收與人工核可。重複發生的工作,才值得花時間鋪路。哪一條先拆,由你看錯誤代價決定。
想找人陪你們拆第一條流程?
我在做企業 AI 陪跑。公司想把流程拆成程式、AI、人工三種分工,或想從一條流程開始把 AI 用起來,可以先看企業陪跑怎麼進行,再決定要不要聊:
- 企業陪跑怎麼進行:https://jiangyude.com/#home-team
- 公司請 AI 顧問來陪跑,要叫全部人一起來學嗎?:https://jiangyude.com/articles/ai-adoption-start-with-one-workflow/
延伸閱讀
- 本文的官網完整版:https://jiangyude.com/articles/same-question-different-answers/
- 有標準答案的交給程式,沒標準答案的才輪到 AI:https://jiangyude.com/articles/program-vs-ai-skill-library/
- 用我寫一篇文章的工作流,講清楚什麼是迴圈工程:https://jiangyude.com/articles/what-is-loop-engineering/
- 怎麼設計讓兩個 AI 互審?三種不同程度的審查機制設計:https://jiangyude.com/articles/three-levels-of-cross-review/