iKala 共同創辦人程世嘉曾描述他的日常：身邊隨時有多個 AI 在不同螢幕上同時運作，例如一個在寫董事會摘要、一個在處理郵件、一個在寫程式。他只負責確認方向、補充情境、做最後判斷。
這個畫面，放在幾年前像是科幻場景。但在 2026 年，這件事已經是日常，而且比多數人意識到的更容易上手。
前四步帶你從「問 AI」走到「派 AI 去做」，代表你已經具備了「製作人（Producer）」的基礎視角。這一步，我們要再往上走一層：不只是派一個 AI 去執行，而是同時指揮多個 AI 協同運作，讓自己從單一執行者，升格為整個工作系統的設計者。
這個畫面讓多數人向往，也讓人不禁疑惑：這不就是多工嗎？
❙ 先釐清誤解：這不是多工
當提到「一個人同時推進多項任務」時，你可能皺起了眉頭：「等等，多工不是壞事嗎？」確實，你自己的多工是個問題，這一點神經科學早有定論。
神經科學研究早已確認：大腦無法做到絕對的同時處理兩件需要思考的事，你以為的「同時」，其實是高速切換。而每一次切換都要支付「認知切換成本（Switching Cost）」。研究估計，每次任務切換平均損耗 15 到 20 分鐘的專注力，長期下來效率損失高達 40%。多工不是高效，是消耗。
但「同時跟多個 AI 協作」，說的不是你在多工。你做的那件事只有一個：指揮。AI 在做的那些事，才是並行的。
想想樂團指揮。
想想樂團指揮。
演出時，舞台上有大提琴、小提琴、銅管、木管、打擊樂同時響起，但指揮沒有同時拉琴、吹號、打鼓。他只專注於：確保所有人在對的時間、做對的事。他的認知負荷不是百人的總和，而是對整體方向的掌握。
這也解釋了文章開頭程世嘉的案例為何不矛盾：他在多個螢幕之間移動視線，切換的是「判斷時機」，不是「親自生產內容」。
這正是多 AI 協作的真實樣貌。
這也解釋了文章開頭程世嘉的案例為何不矛盾：他在多個螢幕之間移動視線，切換的是「判斷時機」，不是「親自生產內容」。
多 AI 協作的祕密，在於你切換的是「判斷」，而不是「生產」。
傳統多工讓效率崩潰，是因為每一次切換，你都必須親自重新載入厚重的資料情境。但在多 AI 協作中，AI 已預先處理了繁瑣細節，把結果整齊呈現在你面前；你大腦的「載入成本」被壓到最低，每次回到任務時，只需做一件事：判斷下一步。這正是多 AI 協作的真實樣貌。
你序列化自己的注意力，並行化 AI 的執行力。
你派出任務、然後離開，轉赴其他需要你在場的任務；AI 在背景獨立運行，完成後你回來驗收。這個模式，有個更準確的說法叫「非同步指揮（Asynchronous Direction）」：你的認知永遠只聚焦在一件事上，但你指揮的成果，是多條線同時推進的。有人可能會問：「但我回來『驗收 AI 結果』時，不是又要切換心智模式？這難道不算多工嗎？」
這其實是常見的盲點。大腦科學所警告的多工，是指在同一個極短的時間內頻繁切換（例如：一邊寫企劃，一邊回覆訊息）。但非同步指揮，是基於「時間區塊」的序列化轉移。
舉個生活化的例子：你把衣服丟進洗衣機，按下啟動鍵後，轉身專心去寫一篇文章；寫完後，再回來把洗好的衣服晾起來。這算是多工嗎？不會，因為你在寫文章時，洗衣的事早已交給機器在跑，你的注意力根本沒有被分走。
同樣的道理，早上你花十分鐘把任務發包給 AI，接著 100% 專心參與重要會議；到了下午，再劃出一段不受打擾的時間，專注扮演「審查者」來調整 AI 的草稿。切換角色本身不會消耗你，最耗費心神的，其實是「在同一個時間點來回切換」。
這正是「非同步指揮」模式的核心邏輯：不是讓你做更多，而是讓你有限的注意力，始終停留在最值得親自在場的判斷上。
❙ 但比多工更重要的，是取捨
釐清「這不是多工」之後，還有更根本的問題需要回答：你打算把那份解放出來的注意力，放在哪裡？
多 AI 協作不是「什麼都接、什麼都跑」的工具。如果只是把更多任務塞進工作清單，不過是換一種更有效率的方式讓自己過勞。問題的本質，在於你得先知道自己的核心是什麼，才能判斷什麼值得留下、什麼可以交出去。
這是主動取捨的過程，不是被動的效率提升。
以講師為例，試著把工作拆成兩類：
只有你能做的（核心，必須留下）：
真正懂得運用多 AI 協作的人，問的不是「AI 能幫我做什麼」，而是：「我願意把哪些事交出去，換回更多能夠深度思考、親自判斷的時間與精力？」 交出去的，是可以被複製的執行；留下來的，是只有你才能帶來的現場判斷與溫度。
這也讓 Step05 和 Step06 形成實質上的連貫：先在這一步定義核心、把非核心清出去；再到下一步，用那份獨屬於你的洞見與經驗，讓 AI 的初稿從「還不錯」變成「只有你做得出來」。
多 AI 協作，不是同時開好幾個分頁、分別問問題這麼簡單。它更像是你在指揮由不同專才組成的小團隊：每個角色有自己的強項，而你是那個看懂全局、決定分工的人。
以一個流程為例：先用 Claude 把主題大綱和邏輯梳理清楚，確認骨架沒問題後，再把這份素材帶進 ChatGPT，請它把語氣調得更有對話感；需要補充數據或案例時，另開一個視窗用 Gemini 去查；最後進 Gemini Canvas 把整份內容整理成可以直接分享的視覺版本。
- 讀懂學員在那個當下的狀態，即時調整節奏
- 在對的時機讓學員說出：原來可這樣啊！！
- 把複雜的東西說得簡單，說得有力
- 與學員建立超越知識傳遞的深層信任
- 判斷「這門課，對這群人，到底要傳遞什麼？」
- 整理資料、產出初稿、格式化講義
- 研究案例、統計數據、建立素材庫
- 課前問卷分析、FAQ 整理、課後補充資源
- 個人品牌文章的第一版草稿
- 這兩張清單，就是你的取捨地圖。
真正懂得運用多 AI 協作的人，問的不是「AI 能幫我做什麼」，而是：「我願意把哪些事交出去，換回更多能夠深度思考、親自判斷的時間與精力？」 交出去的，是可以被複製的執行；留下來的，是只有你才能帶來的現場判斷與溫度。
這也讓 Step05 和 Step06 形成實質上的連貫：先在這一步定義核心、把非核心清出去；再到下一步，用那份獨屬於你的洞見與經驗，讓 AI 的初稿從「還不錯」變成「只有你做得出來」。
❙ 一人團隊的真實面貌：讓每個 AI 各司其職
有了「取捨地圖」，再來設計 AI 的分工，就有了方向感：你知道哪些事是在幫你守住核心，哪些事是在清理執行層的雜訊。多 AI 協作，不是同時開好幾個分頁、分別問問題這麼簡單。它更像是你在指揮由不同專才組成的小團隊：每個角色有自己的強項，而你是那個看懂全局、決定分工的人。
以一個流程為例：先用 Claude 把主題大綱和邏輯梳理清楚，確認骨架沒問題後，再把這份素材帶進 ChatGPT，請它把語氣調得更有對話感；需要補充數據或案例時，另開一個視窗用 Gemini 去查；最後進 Gemini Canvas 把整份內容整理成可以直接分享的視覺版本。
在整個過程中做的，是決定架構、確認方向、砍掉不對的東西，而不是親自生產每一個字。一個人，走完了過去要跨三、四個職能才能跑完的流程。
實作上，這些 AI 之間的中繼者還是你：把一個 AI 的輸出，作為下一個 AI 的 Prompt 背景帶入，或者利用 n8n、Make 等自動化工具串接流程。
實作上，這些 AI 之間的中繼者還是你：把一個 AI 的輸出，作為下一個 AI 的 Prompt 背景帶入，或者利用 n8n、Make 等自動化工具串接流程。
工序拆得越清楚，這條任務鏈跨越不同 AI 的遣路就跑得越順。
這正是人機協作最高階「造（Design）」的實踐：你不再只是使用工具，而是在設計工作系統，並扮演其中的「總經理」角色。
你把背景資料、問題框架、判斷邏輯餵得越完整，AI 做出來的東西就越接近「你的版本」，而不是那種放諸四海皆準的通用答案。實戰中的這句話說得很精準：「提示詞（Prompt），就是你思考的顯化。」
很多人覺得 AI 給的答案不到位，第一反應是「這工具不夠強」。但真正的原因，往往是問題本身沒說清楚，例如沒有背景、沒有限制條件、沒有人事時地物。需求不清楚，Prompt 再漂亮，也只會生出一堆「看起來像答案的廢話」。
學習如何使用 AI，不是在死背指令、收集模板。拉開差距的關鍵，是你知不知道自己要什麼結果。你願不願意花時間把情境交代清楚，決定了 AI 能幫你到什麼程度。AI 不是用來讓你逃避思考的，它是逼著你把思維具象化的鏡子。
這正是人機協作最高階「造（Design）」的實踐：你不再只是使用工具，而是在設計工作系統，並扮演其中的「總經理」角色。
❙ 「情境」是協作的關鍵：AI 是逼你把思考說清楚的鏡子
多 AI 協作能否成功，關鍵不在你用了幾個工具，而在你有沒有把「情境」交代清楚。你把背景資料、問題框架、判斷邏輯餵得越完整，AI 做出來的東西就越接近「你的版本」，而不是那種放諸四海皆準的通用答案。實戰中的這句話說得很精準：「提示詞（Prompt），就是你思考的顯化。」
很多人覺得 AI 給的答案不到位，第一反應是「這工具不夠強」。但真正的原因，往往是問題本身沒說清楚，例如沒有背景、沒有限制條件、沒有人事時地物。需求不清楚，Prompt 再漂亮，也只會生出一堆「看起來像答案的廢話」。
學習如何使用 AI，不是在死背指令、收集模板。拉開差距的關鍵，是你知不知道自己要什麼結果。你願不願意花時間把情境交代清楚，決定了 AI 能幫你到什麼程度。AI 不是用來讓你逃避思考的，它是逼著你把思維具象化的鏡子。
❙ 從「整合」到「自動化」：用拆解工序打通工作流
當你學會讓多個 AI 分工協作，接下來自然會想到的問題是：能不能讓這些流程串起來、自動跑？答案是可以的，而且門檻比你想的低。程式，正在變成通識。你不需要是工程師，必須掌握的核心能力只有一項，叫做「拆解工序」：把一件複雜的工作分解成若干步驟，明確知道哪一步交給 AI、哪一步自己判斷、哪一步需要反覆修正。
追求的不是「一鍵完成」，而是讓整條處理流程變得順暢。只要把步驟界定得越精確，AI 代理工具就能幫你用自然語言完成操作、撰寫程式、甚至串接不同系統。
我自己有過切身體會：講師的行程管理﹙程式化﹚。
每場課有日期、地點、簡報連結、課前提醒事項，散落在試算表不同欄位裡。一個人在忙的時候，細節經常會被遺漏。
後來我請 AI 幫忙解決：把試算表裡的課程資訊，自動串接到 Google 日曆，附上對應的簡報連結與提醒通知。我花了一個下午交代完需求、讓 AI 寫完。但從那天起，這件事我再也不需要手動追了。這就是「拆解工序」帶來的長期效益：把流程徹底梳理過一次，往後就不必一再重複處理同樣的問題。
AI 放大的是你的問題意識。如果你原本條理分明，AI 會讓你更快；如果你原本思路混亂，AI 只會讓你更卡。學會定義問題、拆解工作，比追逐最新 AI 功能更重要。
當程式與技術成為通識，人類無可取代的稀缺價值，反而愈發清晰：看懂大局、整合判斷的能力。技術愈容易取得，能夠領導與整合技術的人，反而愈難得。
第四步我們介紹過格羅夫斯將軍的故事：完全不懂物理的他，就是靠著全局視野，帶著一群天才科學家完成了曼哈頓計畫。這個邏輯，放在 AI 時代依然成立：你的價值不在於自己能執行多少，而在於你能整合多少、決策多少。
技術專家（或 AI）往往對細節有追求完美的執念。
後來我請 AI 幫忙解決：把試算表裡的課程資訊，自動串接到 Google 日曆，附上對應的簡報連結與提醒通知。我花了一個下午交代完需求、讓 AI 寫完。但從那天起，這件事我再也不需要手動追了。這就是「拆解工序」帶來的長期效益：把流程徹底梳理過一次，往後就不必一再重複處理同樣的問題。
AI 放大的是你的問題意識。如果你原本條理分明，AI 會讓你更快；如果你原本思路混亂，AI 只會讓你更卡。學會定義問題、拆解工作，比追逐最新 AI 功能更重要。
》 你的終極價值：不懂技術也無妨，關鍵是「看懂局」
聽到「自動化工作流」，很多人浮現的第一個疑慮是：技術不夠好的人，是不是越來越沒有立足之地？這個直覺，其實恰恰搞反了方向。當程式與技術成為通識，人類無可取代的稀缺價值，反而愈發清晰：看懂大局、整合判斷的能力。技術愈容易取得，能夠領導與整合技術的人，反而愈難得。
第四步我們介紹過格羅夫斯將軍的故事：完全不懂物理的他，就是靠著全局視野，帶著一群天才科學家完成了曼哈頓計畫。這個邏輯，放在 AI 時代依然成立：你的價值不在於自己能執行多少，而在於你能整合多少、決策多少。
技術專家（或 AI）往往對細節有追求完美的執念。
身為發號施令的「製作人」，你的核心能力反而是「對抗完美主義」：用戰略目標管控進度，知道什麼時候 80 分就夠了、可以先上線，什麼時候必須打掉重練。把不可能的項目推進為必然的現實，這就是外行領導內行的藝術，也是這個時代最難被 AI 複製的能力。
← 上一篇：第四步 ｜ 下一篇：第六步 →
❙ 本篇重點
- 這不是多工，是非同步指揮：你的專注力永遠只在一件事上；並行的是 AI，不是你。序列化注意力＋並行化執行力，才是真正的效率槓桿。
- 切換的是「判斷」，不是「生產」：AI 已預先處理繁瑣細節，每次回到任務時，你的大腦不需要重新載入全部情境，只需要做一件事：判斷下一步。
- 取捨才是最底層的核心能力：多 AI 協作不是什麼都接，而是先定義你的核心，再主動把非核心清出去。交出去的是可複製的執行，留下的是只有你才能帶來的現場。
- 多 AI 分工，你是總指揮：將不同 AI 視為各有專才的團隊成員，進入人機協作最高境界「造（Design）」。
- 情境決定成效：提示詞是思考的顯化，把背景與限制條件說清楚，比死記任何模板都更有效。 拆解工序是核心能力：打通自動化工作流的關鍵不是「讓 AI 一次全包」，而是把工序拆清楚、讓流程跑順。AI 放大的永遠是你的問題意識。
- 看懂全局才是稀缺價值：技術愈普及，整合與決策能力愈值錢。80 分先上線的判斷力，是 AI 無法替代的。
💬 行動問句
在你的工作清單裡，哪些事是「只有你能做」的核心？哪些事其實可以交出去、讓 AI 在背景跑著？試著各寫三件，光是把這兩張清單分開，你就已經開始在做取捨了。← 上一篇：第四步 ｜ 下一篇：第六步 →
．．．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
留言
張貼留言