不是 AI 不夠聰明，是你從來沒把規則講清楚

我的第一集，錄了五次才敢上架

我的節目，2022 年 1 月上架第一集。

這個念頭我想了超過半年，本來想等封面設計好、錄音練熟、文案寫好才開始，

結果半年過去，什麼都還沒開始。

後來我逼自己開始錄。

第一次，忘記開麥克風，整段是空的。

第二次，看著簡報稿唸，贅詞一堆，聽起來像在開會，不像在說話。

第三次，照著逐字稿唸，更糟，像在背書。

第四次，說不上來哪裡不對，就是不喜歡。

錄到第五次，晚上十一點多，我只想結束這一切，錄完就上架了。

那時候沒有 AI，沒有人陪我想腳本、看結構，我就是很笨拙地，把想法一集一集記錄下來，錯的地方，全部靠自己一次一次摸出來。

那一晚錄一集，前後加上寫稿、剪輯、寫上架資訊，花了 4 到 5 個小時，

而且不只那一晚，往後很長一段時間，每一集都是這樣，靠意志力硬撐過去。

四年過去，累積了 300 多集，同樣做完一集，我現在花 1 個小時。

而這個轉變，是這一年才發生的事。

省下的時間，是我把「怎麼做」變成了規則

網路上很容易看到「神級 prompt」的貼文，

好像只要下對一句指令，AI 就能幫你把事情做好。

但這近一年，AI 大爆發，也連帶帶動 Podcast 製作的速度快速往前，

我真正把 AI 用進工作流程，也是這一年的事。

合作下來，我很確定一件事：這根本不是一句指令能解決的。

「幫我剪輯」：剪成什麼樣，才是你要的？

「幫我填寫節目資訊欄」：你要的格式、規則，要長什麼樣子？

這些問題，如果連我自己都答不出來，AI 也給不出我要的答案。

我後來才想通，卡住我的不是 AI 不夠聰明，

是我自己從來沒有把心裡的規則講清楚過。

於是我開始做一件事：把過去四年累積在直覺裡的經驗，一條一條寫下來，

這才是省下三、四個小時的真正原因，不是因為我變快了，

是因為我把「經驗」變成了「規則」。

以前錄一集，草稿自己打、錄音自己錄、剪輯自己剪、節目資訊欄自己寫、上架自己上，五件事，五個小時，全部靠當下的手感，而且常常要反覆對齊，

錄音錄錯了就想從頭來過，剪輯要一句一句聽出贅詞。

回到現在，草稿跟錄音，我沒有交給 AI，是因為經驗讓我把路徑走短了。

草稿以前是寫一份逐字稿式的稿子照著唸，現在我只抓大綱，

知道自己要講什麼就好，不用把每句話都寫死。

錄音也是，以前錄錯就想砍掉重錄，現在我知道一次錄到底、靠後製處理更快；

最明顯的改變是贅詞變少了「知道」「那個」「嗯」的這些口頭禪，

是因為我現在對自己要講什麼，有意識得多。

而剪輯這一塊，我會先讓 AI 跑一輪逐字稿，標出贅詞、標出合作夥伴的習慣性口頭禪，

但真正怎麼剪、剪掉哪一段留哪一段，還是我自己判斷。

AI 幫我做的是前置分析，不是幫我做決定。

發想、錄音、剪輯這三塊，現在還是佔了 1 小時裡的三分之二，因為這些需要一步一步對齊、需要人的判斷，沒辦法完全外包。

真正大幅交給 AI 的，是節目資訊欄跟上架整理這剩下的三分之一，

我把心裡那套原則整理成規範，教給 AI 助理，像訓練一個新人一樣，

告訴它我要的欄位是什麼、哪些東西不誇張、哪些數字要保留、哪些內容一定要校正。

這兩件事，現在是 AI 先做一版，我再確認。

怎麼把經驗變成 AI 能執行的規則

具體的做法，其實沒有什麼秘密，就是把我心裡「怎麼寫、怎麼說、要有什麼原則」的東西，一條一條列出來。

以節目資訊欄為例，我會先定義四件事：

1. 要哪些欄位：標題、簡介、重點摘要、時間軸
2. 語氣要留什麼：不誇張、不用空泛形容詞
3. 什麼一定要保留：具體數字、真實引用
4. 什麼一定要校對：人名、專有名詞

這些原則寫清楚之後，AI 才有辦法真的幫上忙，

而不是生出一堆看起來對，但用不了的內容。

這跟訓練一個新同事，其實是同一件事：

你自己先想清楚原則，才有辦法教別人做。

差別只是，這次教的對象是 AI。

一個能被記住的鷹架：主角、事件、結果

「把經驗變成規則」這件事，不只用在流程上，也用在內容本身。

除了教 AI 怎麼寫節目資訊欄，這四年我也在練另一件事，怎麼把一件事講到讓人記得住。

而且這件事，同樣可以變成一條規則，

不只是我自己用，也可以檢查 AI 生成的內容夠不夠具體。

我後來發現，一個好用的方法，

其實是心理學家布魯納（Jerome Bruner）提出的敘事思維：

任何一件事，只要能回答三個問題：主角是誰、發生了什麼事、最後怎麼了。聽的人就會記得住。

這個框架不是拿來寫財報或進度清單的，那類報告要的是資訊密度跟準確性，

硬套敘事結構反而顯得幼稚；

它真正適合的，是任何你想讓對方「記住重點、產生行動」的場合：

跟主管、客戶彙報案例成果，提案開場先給畫面再進數據，

跨部門溝通要說服人時先讓人理解「為什麼這件事重要」。

這邊具體做法是，在丟出數據跟結論之前，先花三句話，

讓聽的人知道「這件事跟誰有關、發生了什麼、結果怎樣」，

剩下的數據，才會有人認真聽進去，

這件事我在三個完全不同的場合都驗證過。

第一個，是教孩子說故事。

我在營隊裡問孩子，「你想像中的畫面感覺怎麼樣？」多數孩子只會說「很好」，

再問「很好是什麼」，答不出來。

但有一個孩子說他以後想當賽車設計師，我問他「什麼叫很炫」，他說：顏色是銀色跟紫色搭配、線條沒有斷掉、加速從零到三百只要三秒。

同一個問題，一個人只能給形容詞，一個人給了畫面、數字、細節，差別不是誰比較會講話，是有沒有主角、有沒有具體發生的事。

第二個，是我自己做募款的經驗。

過去我們講募款訴求，常常是「我們很辛苦，幫助那些家暴受害者」，這句話沒有人會記住。後來我講了一個真實的故事：一位越南外配，嫁到台灣後在婆家幫忙，沒拿過薪水，先生家暴後她進了安置中心，我們單位幫她接了手工活（剝龍眼殼），她慢慢有了自己的收入。

有一天她很開心地跟我們說，她終於能買一件自己想要的衣服，399 元，

過去她穿的都是婆婆不要的舊衣。

這個故事講出去之後，捐款者第一次真正知道，他們的錢實際上到了哪裡。

第三個，是把抽象的使命，變成市場聽得懂的產品。

我執行過一個募資專案叫《秘密派對》，主題是幼兒性別教育，

但「性別教育很重要」這句話，沒辦法讓消費者買單。

我們把它產品化成一本互動翻翻書，

用「生日派對」當故事背景，設計一個角色叫「圈圈」代表孩子，

在派對情境裡練習辨別好秘密與壞秘密、學會表達感覺、尋求幫助。

同一個訴求，從一句口號，變成一個有主角、有情境、有結局的產品，

市場才聽得懂，也才願意買單。

這三件事發生的場域完全不同：教育現場、非營利募款、商業產品，

但用的是同一套底層邏輯：先讓對方知道「誰、發生了什麼、結果怎樣」，

抽象的道理跟數據，才有地方安放。

AI 是放大器，不是替代者

這篇文章其實在講兩件事，聽起來不一樣，底層是同一件事：把藏在直覺裡的經驗，變成講得出來、教得走的規則：一套用在流程上（怎麼寫節目資訊欄的 SOP），一套用在內容上（主角、事件、結果的敘事鷹架）。

AI 可以幫我看見我自己沒注意到的連結，可以幫我把一份規範真的落地執行。

但那些規範，是我四年累積出來的判斷，不是 AI 給我的，

它放大的是我原本就有的東西，不是憑空生出一個新的我。

如果你也在想「哪些工作可以交給 AI」，我的建議是：

不要從「AI 能做什麼」開始想，

先從「我自己重複在做、但每次都靠直覺完成的事」開始想。

把你心裡那個原則寫下來，那就是你可以教給 AI 的第一份 SOP。