別當AI的傳令兵：從「一問三不知」看使用斷層與機率迷思

很多人以為導入工具就是「把事情丟給機器」。當成果被主管、客戶或指導教授退件質疑時，當事人兩手一攤，把所有的責任推給螢幕那頭的模型。

這種看似擁抱科技的姿態，本質上不是協作，而是棄守。當你跳過了大腦的思考與理解，單純充當AI的傳令兵時，你其實正在親手消解自己的職場存在感。

一、 傳令兵的悲歌：當你放棄理解，你也交出了不可替代性

如果一份報告從發想、數據清洗、圖表繪製到結論撰寫，當事人都不知道因果邏輯，那麼這份產出就沒有任何「人」的重量。

傳令兵的角色是極其脆弱的：

• 無法解釋： 說不出數據的背後脈絡，無法為結論背書。
• 無法除錯： 遇到邏輯破綻或語意矛盾，只能慌張地回對話框貼上錯誤訊息。
• 隨時可被繞過： 既然你的每一次回應都只是「我再去問AI」，那麼提問者直接打開瀏覽器自己問就好了，為什麼還需要花預算聘請你站在中間當傳話筒？

真正的協作，是帶著問題意識去調度。你可以讓AI幫你寫出Python腳本跑出統計圖表，但你必須親自看懂那張圖表代表的實務意義；你可以讓模型幫你草擬企劃架構，但你必須有能力向質疑者清楚交代：為什麼第一階段要先做這項測試，而不是另一個方案。

把理解的苦工省掉，留下來的就只剩隨時會被取代的空殼。

二、 世代斷層的形成：摸索先驅與系統協作者的兩極化

現在社會在AI的接納度上，存在著一條非常清晰的斷層線。

這條斷層是「接觸路徑」與「使用心態」造成的：

[第一類：直接摸索的先驅者] ──> 肉身撞工具 (ChatGPT/Copilot/Bard) ──> 體驗分化 ──> (起飛 vs. 拒絕往來)
                                   ▼
[第二類：系統培養的協作者] ──> 掌握運算思維與架構分流 ──> 了解邊界與機制 ──> 穩定落地為常駐技能

1. 肉身撞工具的早期摸索者

這批人最早接觸大眾版通用工具（如初期的ChatGPT、Microsoft Copilot、或是早期的Google Bard）。當時沒有成熟的方法論，大家沒有方向，全憑個人直覺在對話框裡盲測。

盲測的結果必然帶來極端的分化：

• 體驗好的一路起飛： 碰巧手邊的任務適合語言模型處理，或者直覺提問剛好切中模型的上下文權重，嚐到了效率爆發的甜頭，成為死忠支持者。
• 體驗差的直接成為拒絕往來戶： 輸入了含糊的情緒或複雜的未清洗資料，換來了一堆看似頭頭是道卻漏洞百出的廢話（模型幻覺）。被騙過兩次之後，憤而判定「這東西根本不實用」，從此關上大門。

2. 經過系統化培養的協作者

另一群人則比較幸運。他們在接觸工具時，先建立了「運算思維」的底座：

• 他們知道怎麼將大任務拆解成資料層、邏輯層與互動層；
• 他們學會了用System Instructions替模型設定邊界與行為約束；
• 他們懂得利用RAG架構掛載已驗證的文獻，強制模型根據事實作答；
• 他們甚至能像調度樂高積木一樣，把GAS、試算表與不同專屬Skill串成輕量工作流。

對這群人來說，AI不是神仙，也不是廢物，是一個需要給予清晰規格書、需要明確分工的「實習專員」。

三、 傳統科技迷思：誤把「機率接龍」當成「確定性計算機」

為什麼那麼多人會對AI產生嚴重的挫折感？

核心根源在於大家帶著舊有的「傳統科技認知」，來要求全新範式的「大語言模型」：

1. 以為「科技產物一定都是對的」： 過去我們使用計算機，按1 + 1，螢幕永遠顯示2；我們在Excel下公式SUM(A1:A10)，結果絕對不可能出錯。大家習慣了機器的「確定性（Determinism）」，誤以為AI既然是電腦程式，講出來的話就該具備絕對真理的地位。
2. 要求「每次回答都要一模一樣」： 很多人問完一個問題，換個視窗再問一次，發現回答的字句或論點有些微不同，就驚慌失措地認為系統壞了。

但這根本不是大語言模型（LLMs）的運作邏輯。

LLMs的本質是高維度空間的「機率接龍（Token Probability Prediction）」。

它所做的事，是根據你上一段輸入的文字脈絡，去預測下一個最合理的字元。它沒有實體的常識邏輯，更沒有對真實世界物理規律的敬畏。如果你沒有給予邊界、沒有給予參考資料，它就會順著你的語氣，在機率概率海中隨機游弋，編造出看似完美的答案。

這不是過去那種寫死條件判斷（if/else）的專家系統。用看計算機的眼光去看待生成式AI，你得到的一定是巨大的認知幻滅。

四、 跨越斷層：知道、認識、活用，化焦慮為生活常駐技能

面對這道斷層，我們不需要退縮，更不需要神化工具。

坊間做基礎分享的前輩先進非常多，許多技巧平易近人且受用無窮。身為教學者與研究者，後學自己也始終在動手除錯的過程中持續摸索。

要擺脫傳令兵的宿命，跨過這層斷層，其實只需要踏實走好三步：

• 1. 知道工具（看清全貌）： 不要只盯著一個對話框。知道市面上有專門用來檢索的RAG工具（如NotebookLM）、有負責雲端串接的自動化腳本（如GAS）、有專注於視覺化的介面、也有負責意圖分類的輕量模組。知道每一種工具擅長什麼、不擅長什麼。
• 2. 認識工具（摸清邊界與脾氣）： 接受模型會有幻覺、理解情緒字眼會造成雜訊、承認免費用量與付費額度的物理限制。摸清它的防線在哪裡，不再奢求它能一次給出一百分的最終成品。
• 3. 活用工具（在自己的架構裡做主）： 把重點放回自己的專業本位。先釐清你要解決的現實問題是什麼，用白話文把規格想透，再把瑣碎的格式轉換與打字工作派發給AI。

當你清楚知道這份資料的來源是哪張試算表、這張圖表的X軸與Y軸代表什麼業務指標、系統的函式遇到異常該在哪一行設中斷點時，你就徹底擺脫了「AI傳令」的被動。

結語：在科技面前，做一個清醒的當事人

工具的迭代永不停歇。今天叫大語言模型，明天可能換成另一批令人眼花撩亂的新名詞。

但不管技術怎麼變，解決真實問題的責任永遠在人身上。

別再當那個只會轉寄AI回覆的傳令兵了。沉下心來，把每一份經過你手的資料看懂、摸透。當資訊焦慮轉化為日常裡隨手可調度的扎實技能，你在這個時代裡展現出來的從容與專業，才是任何演算法都無法掠奪的底氣。

本文為作者於高等教育教學現場、人機互動行為分析與系統整合實務之觀察反思。保持理解，方能自主。