TWELF2026 從心盲到心流：運算思維在生成式 AI 互動中的認知補償與效益

【摘要】 生成式 AI 與「氛圍編碼」 （Vibe Coding ）的興起，使提示工程成為核心素 養。然而缺乏內在心像的「心盲症」 （Aphantasia）使用者構成了隱性門檻。

結果顯示： (1) 心盲傾向者將抽象概念轉譯為提示詞時 有顯著較高的認知負荷 (t=2.38,p<.05 )；(2) 運算思維對 AI 使用滿意度具有顯著的正向影響 (β=0.20,p<.01 )。研 究顯示高運算思維能有效抵銷視覺想像不足的劣勢，提升互動滿意度。結論指出運算 思維是與 AI 互動過程中能跨越感官限制，建議未來 AI 教育應從「感官描述」 結合 「邏輯結構」訓練，以落實 AI 應用教育。

一、這篇研究真正回答了什麼問題

研究關注運算思維如何補償個體差異，並提升與生成式 AI 互動的品質。

對企業最有價值的啟示是：真正拉開 AI 使用差距的是員工能否把模糊需求拆成可以與 AI 共同處理的問題。

同一套 AI 工具在不同員工身上產生完全不同的結果。差異在提問能力、問題拆解能力與輸出驗證能力。這就是運算思維進入 AI 素養訓練的理由。

把運算思維與認知補償觀點轉譯成企業 AI 素養培訓邏輯，研究本身雖然來自教育或學習情境，但它揭露的是更普遍的人機互動與制度設計原理。

企業的 AI 教育若還停留在提示詞技巧，很快就會遇到上限；下一步必須轉向思考能力培養。

二、為什麼這個議題對企業現在特別重要

·        有助於建立 AI 提問能力，而非停留在單次下指令。

·        適合用在策略分析、問題診斷、資料探索與知識工作。

·        可降低『人人都有 AI，但只有少數人真的用出價值』的落差。

若進一步拆解，這些企業價值並不是抽象好處，而是會直接反映在制度運作與部門協作上的管理成果。

三、企業可以如何把研究結果轉成實際做法

1.     在 AI 培訓中加入問題拆解、條件界定與輸出驗證練習。

2.     要求員工提交提示詞草稿與修正紀錄，而非只交最終答案。

3.     建立部門最佳提問案例庫，形成可複製的互動模式。

這三個步驟之所以值得依序執行，在於它們分別對應了導入的起點、執行的中段與穩定運轉後的校正機制。

四、導入時最容易忽略的風險

·        避免把 AI 訓練做成一堆技巧清單，卻沒有思考訓練。

·        避免員工過度依賴一次性輸出，缺乏驗證與迭代習慣。

·        避免主管只看結果，不看問題定義過程，導致能力無法傳承。

五、如果企業現在就要開始，建議先從哪裡下手

多數企業其實不需要等到所有制度一次到位才開始，先從一個高頻、可衡量、利害關係人相對明確的場景啟動。 例如先從某個內訓評量、一條客服回應流程、一種知識文件導讀或一項主管評核活動做起，利用 4 到 8 週建立最小可行運作模式。

在這段試行期間，觀察組織是否願意配合、資料與權限是否跑得順、AI的建議是否能被採納，以及主管是否願意用相同語言討論成效。後續擴張通常就會容易許多。

六、管理層可以如何判斷這篇研究值不值得採用

最簡單的判斷方式，是看它能不能回答你眼前的管理問題。如果企業正面臨導入停滯、主管評分不一、員工學不會、知識吸收差、流程重工高、服務回覆慢或風險治理不足，這篇研究可以轉成制度與操作方案的管理資產。

七、對經理人與部門主管的實際提醒

AI 可以提升速度、降低重工、改善回饋品質，但它不會自動替企業完成治理。主管真正需要做的，是決定先從哪個場景試行、定義怎樣算成功、誰負責看指標，以及當結果不如預期時要如何調整。

對中階主管與第一線主管而言，則要特別注意示範作用。很多員工會透過主管的反應來判斷 AI 到底是正式工具、實驗工具，還是可有可無的附屬品。 如果主管能在會議、審查、回饋或培訓現場示範如何正確使用、如何判讀 AI 建議、如何指出不足並要求修正，員工通常會更快理解 AI 的定位，也更容易把它視為日常工作的一部分。換句話說，AI 在組織內的成熟度，往往不是由模型能力決定，而是由管理者是否真的把它帶進管理行為決定。