我是蔡興正，透過思考、實踐與職涯探索，記錄每一次學習與成長。相信所有的累積，都會化為養分，長成屬於自己的那棵樹。
一個讓人說不清楚的感覺
林副理是一間中型貿易公司的採購主管，負責管理全台超過三百間供應商的詢報價流程。
每週，郵件信箱湧入上百封「款項何時入帳」的重複詢問。每一封，同事都得逐一查帳、逐一回覆。每一份供應商報表，整理完畢需要整整一個工作天。
然後，公司導入了 AI 系統。
重複的詢問，AI 三秒內回覆完畢。那份報表，AI 五分鐘整理完成。
林副理坐在位置上，望著空空如也的待辦信箱，心裡升起一種難以名狀的感覺。
是解脫？還是恐懼？
❙ 問題的核心：努力的方向，決定努力的價值
我想先問你一個問題：你一週裡面，真正在「解決問題」的時間，佔幾成？
根據相關研究，白領工作者每週有三到四成的時間，花在找資料、整理報表、回覆重複詢問、轉發郵件、更新進度表等事務上。這些工作耗費時間，卻幾乎不創造增量價值。做完了，問題依然在原地等你。
問題不在於你不夠勤奮。很多人早到晚退，月報季報一份不缺，但職涯就是停在原地。原因不在努力的程度，而在努力的方向從一開始就瞄準了錯誤的目標。
這件事現在有了一個對照組。
你的競爭對手，有些已經用 AI 處理掉那三四成的重複工作，轉而投入你還沒時間做的事。差距不是一夕形成的，但它正在隨時間悄悄展開。
我自己就是從這裡開始意識到問題的。
身為職業講師，最消耗我的不是備課，而是備課之後：簡報做完了，還要重新整理成學員講義。內容相同，格式、邏輯、篇幅卻要全部重來，每次都是例行消耗。
後來我做了一個「簡報講義生成器」，把簡報結構丟進去，AI 自動轉換成可印出的講義格式。第一次跑完的那個下午，我坐在螢幕前愣了幾秒。
就這樣？就這樣。
那個錯愕不是驚喜，而是一種意識：原來我長年接受的那個消耗，根本不應該存在。
》六個步驟：從消滅瑣事，到成為監工
在說怎麼用之前，先確認一件事：AI 不是來取代你的。
更精確地說，它是來接走那些「消耗時間卻換不到什麼」的工作，把你空出來的心力，留給「只有你的判斷與經驗才能做好」的事。
但有個前提：你得先清楚自己在做什麼，才能辨認出哪些部分適合讓 AI 接手。員工和主管對 AI 的需求，是完全不同的兩件事，搞混了兩邊都做不好。以下先從員工的六步路徑說起，主管篇另有一套邏輯。
員工篇：從消滅瑣事開始，讓 AI 幫你升等
第一步：立刻動手，感受時間被「還回來」
- 第一步不是學技巧，而是先動手，只要真的操作過一次，你會發現它比想像中好上手
- 讓 AI 先做出 60 分版本，你再加工到 90 分，比盯著空白頁苦思快得多
- AI 工具的真正價值，不在功能多寡，而在能否確實解決一個具體的工作問題
第二步：把腦袋裡的隱性知識，變成可複製的機制
- 有一種知識只活在人的腦袋裡。師傅退休，老業務離職，那個眉角就跟著消失了
- 動手型靠感測器萃取；文書型靠 SOP、Prompt 模板、知識庫固化
- 你不是被取代，而是你的經驗，變成一個可以永久留存的機制
第三步：別讓 AI 只當打雜助理，讓它挑戰你
- 用 AI 寫信、整理資料是好的，但這只是入門，真正有價值的，是讓 AI 挑戰你的思考
- AI 遇強則強：你問的問題有深度，它的回應就有深度
- 把 AI 當一個願意說真話的對話夥伴，這不只是省時間，是提升思考品質的過程
✎ 2026 年：AI 的角色正在轉變，從「提供建議」到「直接執行」
前三步都停留在同一個模式：你主動去用 AI，AI 被動回應你。但從 2025 年底開始，這個模式正在被打破。iKala 共同創辦人程世嘉說得很直接：這段時間是 AI 應用真正的轉折點，AI 的角色從「顧問」，正式進化為「執行者」。它不只是給你建議，而是幫你把事情做完。它不只是給你建議，而是幫你把事情做完。
第四步：從「問 AI」到「派 AI 去做」，你變成了發號施令的人
- 實踐現場：這一步可以透過 Google Antigravity 的 SKILL 方法與 Google Script 程式落實，將 AI 封裝成一個個「專業執行者」
- 2026 代勞元年：AI 從「顧問」進化為「執行者」，不只給建議，而是幫你把事情做完。
- 你不再和 AI 對話，而是指揮它去執行一件事，然後去處理其他工作，等它回來交差。
- 指令必須精準，這是這個時代的必修技能：指令模糊，AI 會認真地做你「沒預期到」的事。
第五步：同時跟多個 AI 協作，一個人也能推進多項任務
- 進階思維：這就是所謂的「多 Agent 協作（Multi-Agent Workflow）」，讓不同專長的 AI（如：導航員、診斷師、文案師）在同一條流程線上協同工作。
- 同時指揮多個 AI 協作（如連動管線 Pipeline），你只負責確認方向、補充情境、做最後判斷。
- 情境餵得越完整，產出就越接近「你做的」，而不是通用版本。
- 你的領域專業＋AI 的執行編排力，可以做出以前需要一個小團隊才能完成的事。
第六步：當 AI 把初稿都包了，剩下的才是你真正值錢的部分
- 判斷力是槓桿：AI 的輸出是草稿而非定稿，你的批判性思考是把關能力，也是拉開職涯差距的槓桿，決策準確率高出一點，市場價值可能高出好幾倍。
- 一手資訊是護城河：AI 只有二手資料，你的第一線生命經歷與領域專業（Domain expertise）是演算法無法複製的終極價值。
- 角色升級為問題定義者：工作從「怎麼做（How）」轉向「為什麼做（Why）」，人類成為監督 AI 的最終決策者。
- 被淘汰的是業餘人士，不是職業：用 AI 放大專業深度，才能成為替代性低、附加價值高的工作者。
✎主管篇：主管自己用 AI，和「叫員工用」是兩件不同的事
先說一個真實存在、但很少人願意直接講的問題
很多組織現在都有同一個現象：高層宣示「我們要全面導入 AI」，然後交代各部門主管讓員工去學、去用、去產出成效。但請問一個問題：那個宣示的人，自己用 AI 嗎？
通常不太用。
理由大概是這幾種：「我只看結果就好」、「這是執行層的事」、「我的層級不同，不需要親自操作工具」。這些說法聽起來合理，但它藏著一個難以察覺的問題。
你沒有親手用過，你就不知道那個工具的邊界在哪裡。員工拿著 AI 產出的報告交給你，你看不出它是被認真推敲過的成果，還是 AI 一本正經說錯的內容被直接複製貼上。你不知道那個分析框架是員工自己加入的洞察，還是 AI 照問題生成的通用模板。你的判斷力，在這件事上是空轉的。
更深的問題是：當競爭對手的主管已經在用 AI 做策略推演、市場分析、風險預判，你的判斷速度還跟得上嗎？
不是要主管深入工具的每一個操作細節。而是說，自己動手試過，才知道眉角在哪裡。當你稍微實際操作過，你對員工產出的判斷力才有真實的基礎。
主管用 AI，不是為了省事，而是為了「看見你原本看不見的事」
員工用 AI 省的是執行時間；主管用 AI 賺到的是另一種東西：視野。
舉一個例子。悠由數據利用衛星光譜分析，遠端監測農地的缺水、缺肥與病蟲害狀況，準確率超過 98%，管理時間縮短了一半，有效管理面積反而擴大了兩成五。這不是效率工具，而是讓你在辦公室裡就能「看見」幾百公里外田地狀況的能力。
亞東預拌混凝土的案例更為具體。他們在車上配置 GPU，讓 AI 即時分析人車影像，預判潛在碰撞風險，並在危險發生之前對司機提出警示。原本每年平均 30 件的車禍事故，後來降到個位數。這不是靠直覺，也不是靠嚴格管理，而是靠一套能預判你看不到的未來的系統。
主管最大的優勢，是手上握有公司裡最完整的跨部門資訊：人事狀況、財務現況、行銷數據、競爭態勢。這些過去只能靠直覺與經驗消化，現在可以整理成「情境」，交給 AI 進行多情境推演。下年度目標要設多高才合理？競爭對手的某個動作背後是什麼邏輯？你正在評估的新服務，市場真的有這個缺口嗎？這些問題，有了 AI 的輔助，不必再憑感覺猜測。
主管最難但最值得掌握的一件事：拆解任務，而不是分派工作
很多主管在討論「導入 AI」時，思考框架還停在「AI 能不能替代某個職位」。這個問題問錯了。
更精確的問法是：我們部門裡的哪些任務，可以讓 AI 執行？哪些環節，必須要人在場？
資料整理、重複文件、初版草稿，這些交給 AI，沒有問題。跨部門的協調與信任建立、員工輔導與文化塑造、風險判斷與倫理決策，這些無論如何都需要人在場，也不應該假手 AI。
能把任務清楚劃出這條界線的主管，才是真正在「帶組織用 AI」，而不只是在「要求員工用 AI」。這兩件事，差距很大。
還有一個比工具更底層的問題，主管必須面對：資料。AI 是靠資料驅動的，沒有乾淨、完整、集中的資料，就算工具再好，跑出來的東西也是混亂的。很多公司導入 AI 失敗，不是因為選錯工具，而是因為資料還散落在各部門的不同格式裡，無法有效輸入。這個問題不是工程部門能單獨解決的，必須由主管層級推動資料治理，才能真正落地。
故事收尾：林副理後來怎麼了？
林副理沒有被裁員。
更準確地說，他現在的位置，反而比以前更難被取代。
原因不是他多學了什麼技術，而是他做了一個選擇：把原本消耗在整理報表、回覆重複詢問的時間，用來重新設計自己的工作內容與定位。他開始深度經營供應商關係，主動分析採購風險、提前辨識可能斷鏈的品項，也開始在每個月的會議上拿著數據和主管討論策略，而不只是回報進度。
他的主管有一天說：「你現在看問題的角度，和以前不一樣了。」
林副理沒有多說什麼，只是點頭回應。
但他心裡知道另一件事：那份報告他花了一個下午，用 AI 交叉比對了三個資料庫，還讓 AI 扮演採購長挑戰了一遍他的論點。如果他的主管也在用同樣的工具，大概就不會只說「看問題的角度不同」，而是會直接問：「這個結論你有沒有跑過最壞情境？」
他沒有說出口。不是因為顧慮，而是因為他知道：這個時代，等大家都準備好的時候，時機早就過了。
後來，他開始試著用 AI Agent 跑一些自動化任務：讓它在他開會的時候同步整理廠商報告，讓它在他休息的時候跑完數據比對，等他回來只需要做判斷。有時候感覺像在指揮一個小組，有時候又覺得，這才是工作本來應有的樣子：人做人的事，機器做機器的事。
那個坐在空信箱前升起的「說不清楚的感覺」，後來有了答案。
不是解脫，也不是恐懼，而是一種更清晰的定位：不再被動消耗於重複性工作，而是把心力留給真正需要判斷的部分。
❙ AI 時代的職涯能力盤點：五個值得認真想的面向
AI 這件事，說到底不只是「會不會用工具」的問題。
工具一直在換，五年前流行的技能，現在可能已經過時。真正值得問的，是在這個快速變動的環境裡，你身上有哪些東西是不容易被取代的。以下五個面向，不是要你打分數，而是提供一個方向，讓你思考自己的現況。
面向一：你的「提問能力」夠強嗎？
和 AI 對話有一個很快就會體會到的規律：你問什麼，它就給你什麼。問題越精確，輸出越有參考價值；問題模糊，輸出也跟著模糊。
這背後是一種在沒有 AI 的時代也需要、卻長期被忽略的能力：你能不能把一個複雜的問題說清楚？你有沒有習慣在開口之前，先退一步想想「我到底在問什麼」？
「幫我寫一封客戶信」和「對方是中小企業的財務主管，剛砍了今年預算，但老闆還是希望維持服務，請從這個情境寫一封提案信」，這兩個問法，AI 給出的內容差距會讓你懷疑它是不是同一個工具。
提問力，是你在 AI 時代最快看出差距的地方。這不是天生的能力，是可以刻意練習的。
能力盤點：你上一次在提問之前，先想過「我真正想問的是什麼」，是什麼時候？
面向二：你有「領域深度」，還是只有「廣度焦慮」？
這個時代給很多人一種很大的焦慮：感覺什麼都在變、什麼都要學、學了又很快過時。於是有些人的選擇是廣撒，學一點 AI、學一點數據、學一點簡報設計、學一點 Python，每樣都有涉獵，每樣都停在入門。
這種策略短期內看起來很全面，但有一個現實問題：AI 已經能在幾秒內產出跨領域通才的通用回答。廣度本身不再是優勢，深度才是。
真正在某個領域有深度的人，才能問出讓 AI 無法敷衍的問題，也才能判斷 AI 的答案是真有洞見，還是說了一堆漂亮的廢話。深度，是你和 AI 協作的前提。沒有深度，你連它做對做錯都判斷不了。
能力盤點：有沒有一個你比大多數人都更了解的問題領域，深到你能看出別人看不出的細節？
面向三：你會「說自己的故事」嗎？
AI 能寫文章、能做簡報、能生成各種看起來完整的內容，但它有一個永遠填不上的缺口：它沒有過生活。
它不知道你那次客戶突然取消合約是什麼感受，不知道你在轉型最艱難的那個季度怎麼帶著一個心裡動搖的團隊撐過去，不知道那個讓你夜裡反覆在腦袋裡算的職涯決定，最後是怎麼落地的。
這些東西，任何工具都生成不出來。因為它沒有發生在它身上過。
說故事的能力，在 AI 把「通用內容」成本拉到接近零的時代，反而成了最難被取代的東西。你說的不只是技巧或觀點，而是只有你走過這段路才能說出來的那個東西。它真實，它有重量，它讓人記得你，而不只是記得那篇文章。
能力盤點：你手上有幾個「只有你的人生才能說出來」的真實故事？它們現在藏在哪裡？
面向四：你有「批判性思考」，還是在偷懶地相信 AI？
AI 有一個很具體的特點：它說話的口氣，永遠很篤定。
它不會在回答時說「我不確定這個對不對」，它會直接給你一個看起來完整、有邏輯、有數據支撐的答案。問題是，那個答案有時候是錯的。不是小小的不精確，而是根本方向就錯、卻包裝得無懈可擊的那種錯。
如果你拿著 AI 整理的市場分析去做決策，但那份分析裡有一個關鍵假設是 AI「幻覺」出來的，你的決策就是建立在沙子上的。更麻煩的是，那份文件上蓋的是你的名字，不是 AI 的。
批判性思考在這個時代不是高深的能力，基本面只有這幾個習慣：不要因為看起來很完整就相信它。看完之後問一句「這個結論是怎麼來的」、「這裡的數字我能驗證嗎」、「如果前提不成立，這個建議還有效嗎」。這幾個習慣，是你在 AI 時代保住判斷力最基本的方法。
能力盤點：你上一次對 AI 給的答案說「我不採用這個，因為……」，是什麼時候？你說得出那個「因為」嗎？
面向五（主管專屬）：你還在「叫員工用」，還是你自己也在用？
這個問題沒有針對誰的意思，但它確實是很多組織正在發生的現象：高層支持導入 AI、中層負責推動員工學習，但主管這一層，實際上用得很少，甚至幾乎沒用。
這通常不是態度問題，而是沒有人清楚地對這個層級說明「你為什麼需要用」。但結果就是，主管在這件事上的判斷力是空的。你不知道員工交出來的 AI 報告是認真思考過的，還是隨便跑出來的；你也不知道你要求的「用 AI 做分析」，對方到底是在做分析，還是在做複製貼上。
更實際的問題是：你的競爭對手中，有些主管已經在用 AI 模擬不同的市場情境、做戰略推演。如果你完全不碰，那個差距是會慢慢拉開的。
從一件小事開始就好。下次開策略會議之前，把你的市場判斷和幾個關鍵情境輸入 AI，讓它給你一個挑戰你假設的視角。不一定要採用，只是讓自己看看它怎麼分析。有時候那個「不對，它說的和我的直覺不一樣」，才是最有價值的那一刻。
能力盤點：你上一週，有沒有親手用 AI 做過任何一件事，而不是持續交代別人做，是你自己動手做的？
最後，一件比學工具更重要的事
你不需要成為 AI 專家，不需要把所有新工具都試過一輪，也不需要強迫自己讀遍每一份技術報告。這個領域的演變速度很快，路線也還在持續調整中。
真正能讓你在這個環境裡持續往前的，不是某個技術，而是一種狀態：好奇心。
好奇，是讓你願意打開一個不確定有沒有用的工具試試看的動力。是讓你在聽到某個案例時，心裡升起「這和我的工作有什麼關聯」這個念頭。是讓你不把 AI 當作威脅或萬能解方，而是把它當作一個你想搞清楚它到底能走多遠的工具夥伴。
從第一步到第六步，每一步背後都指向同一個問題：在你的工作裡，什麼是真正只有你能做的事？
林副理坐在空信箱前的那個下午，後來找到了自己的答案，而且那個答案還在持續調整中。
你的崗位，加上 AI，可以做到什麼？
不同的人會有不同的答案，但這個問題本身已經很具體，就看你願不願意認真想一下。
．．．關於分享者．．．
※連繫：FB 蔡興正
※電郵：jason@cpfs.com.tw
※證照：孫易新心智圖講師班﹙2014﹚ | GCDF全球職涯發展師 | Google全球教育家
※專長：心智圖法 | 數位工作 | 職涯紫微
本文整合《今周刊》千行百業 AI 實務案例、iKala 程世嘉 AI 轉折點觀察，以及講師現場實作經驗整理而成。
留言
張貼留言