原來AI省下的時間，藏在管理這一塊

有一次下課後，一個學員留下來跟我聊。他說自己天天都離不開AI：Claude寫企劃、ChatGPT換語氣、Gemini生示意圖、NotebookLM整理資料。這個情況並不特別，因每個AI各有特性，加上費用考量，用好幾套很正常，這是整合AI必經的過程。

但他接著說，上禮拜要找一張前幾天生成的圖，翻遍每個視窗、越找越心慌，長到覺得乾脆重畫一張比較快，還自嘲：「我是不是該幫每個AI貼張標籤，免得自己搞混。」聽完，我們有默契地互相看了一眼，因為這根本不是他一個人的狀況。

卡住的不是工具，是心態

聽他講完，我想起自己也不是一直都這麼有條理。近年AI工具一個接一個冒出來，我也曾有過說不清楚的不踏實感：每天都在整理、都在產出，但東西是變多還是變好，自己也說不準。

我的目標其實是產出，不是用更多工具，但費用考量跟對每種AI特性的熟悉度，讓我得好好想清楚什麼情境該用哪一種。這個念頭，讓我重新想了一次「效率」到底是什麼意思。用越多工具看起來越忙、越認真，但東西產出後找不回來，那些工具幫的忙算不算數？

我想起前陣子去一家企業上課，一位總經理直接說：「員工不需要學那麼多套AI，六、七種就夠了，重點是要摸熟。」當下我只是點頭，直到遇見這位學員，這句話才真正敲醒我。

先盤點，再開始管理

於是我做了一個決定：先停下來，放慢學新工具的腳步，把手上的AI盤點一輪，順便想清楚每一套的角色：

• 生成式主力（Claude、Gemini）：都是付費訂閱，Gemini搭Google Workspace順手，Claude的推理是我喜歡的
  
  
• 生成式輔助（ChatGPT）：除了付費，也考量軟體適配性，主要用來增加不同視角，輔助就夠了
  
  
• 檢索式（NotebookLM）：擅長資料整理與檢索，網路相關檢索則用Perplexity AI
  
  
• 視覺整理（Napkin AI）：視覺化呈現時使用，甘特圖與圖表則搭配Claude AI

盤點只解決了「用哪一個」的問題。角色想清楚後，我發現真正卡住我的更深一層：不是工具不夠好，是我一直停在「助理模式」，請AI幫我寫、幫我畫、幫我整理，卻沒有走到「一起想」的層次。

後來我才想通，這跟AI的底層邏輯有關：不管寫文字或畫圖，AI本來就是不斷「生成」，你丟給它什麼，它就吐出什麼，不主動管理，產出只會越堆越多。光盤點工具還不夠，真正要處理的是管理的問題。

從助理，走到協思夥伴

這個分野，是我讀《職場人的生成式AI工作法》時看到的說法，叫從Co-Pilot（助理）走向Co-Thinker（協思夥伴）：

• 助理模式：你交代它做事，做完就結束，東西堆著等你自己收拾
  
  
• 協思夥伴模式：把判斷過程攤開來，讓AI陪你釐清盲點、對比選項

我卡住的地方，一直停在助理模式。這不能怪自己不長進，助理模式求快，符合職場大量工作要立刻交出去的需求；協思夥伴模式要慢下來，卻能想得更深遠。一般人遇到事情，通常先求快、先救急，等到想換檔進協思模式，反而被養成的速度習慣跟效率考量卡住。過去我只顧著用AI持續產出，沒花時間整理、儲存，難怪東西越堆越亂，根本沒地方放。

後來我才想清楚，真正讓AI變成協思夥伴的，不只是它會不會回答，而是我有沒有把自己的判斷、流程跟知識整理成可以反覆使用的系統。沒有管理，再好的AI也只能停在助理這一層。

❙ 把管理這件事做出來

要往協思夥伴走，得先給AI足夠的上下文，這也是「語境工程」提到的關鍵。我整理這幾個資料庫，除了梳理自己的想法，更重要的是想讓AI也能接得住我的脈絡。我開始建六個資料庫：

1. 提示詞資料庫
2. 工作站資料庫
3. 時間排程資料庫
4. 簡報清單資料庫
5. 媒材管理資料庫
6. 寫作SOP流程

這六個資料庫，說穿了就是把腦中說不清楚的判斷習慣，寫成可以重複使用的資產。大家常說用AI省時，多半只算到「產出」那一塊，但真正大量的省時，其實藏在管理這一塊：降低找資料、管資料的難度。

資料庫怎麼放，我參考《打造第二大腦》的PARA分類法：依資料能不能直接用，分成專案、領域、資源、檔案庫四類。工作站、時間排程接近進行中的專案，媒材管理則像長期累積的資源庫，分開放才不會越找越亂。

這六個資料庫裡，對一般職場最有價值的，是提示詞資料庫跟媒材管理資料庫，接下來用這兩個具體說明。

提示詞資料庫：先分流，再決定要不要存

用生成式AI，第一個要面對的問題就是給提示詞。提示詞不只要寫得完整，還要驗證過有效，整理也就格外重要，不然每次都要重新想、重新寫，浪費時間，也影響產出品質。

這裡最花時間的不是分類，是把腦中說不清楚的直覺寫下來：我怎麼判斷一個提示詞好不好用、什麼樣的圖要交給Napkin AI而不是Gemini，這些眉角過去只存在經驗裡，別人問我也只能說「感覺就是這樣」。後來我把這個判斷習慣拆解出一套依任務屬性分流的邏輯：

1. 單項、單一目標的日常任務：直接處理，用Google試算表記一筆就好，不用找模板
   
   
2. 高頻次、標準化的重複工作：先整理成固定工作模板，熟了再進階寫成專屬SKILL.md
   
   
3. 複雜事務：動用Claude的Project功能，搭配大師提示詞處理較難的任務

這套分流邏輯，就是提示詞資料庫真正的判斷依據：不是全部存進去，而是先判斷屬於哪一種，再決定要不要存、存成什麼形式。能存進去的，也是驗證過有效的提示詞，寫進資料庫跟SKILL.md後，下次遇到類似情況可以直接拿出來用，不用重新想、重新驗證。這件事做起來很慢，比直接請AI生成一篇文章慢得多，但寫過一次就不用再想一遍，等於把判斷力存下來，也保住了產出品質。

媒材管理資料庫：把素材變成能重複用的組件

為何需要媒材管理？不是找生成式AI即可以了嗎？

後來我想通：AI是被別人的資料訓練出來的，如果一直用生成式AI卻不給自己的素材，說到底只是在借用別人訓練出的東西。反過來想，我能不能把自己的素材餵給AI？人不擅長記憶，但跟AI對話時，只要主軸用自己的資料，就能不斷熟悉、變化出不同版本，這反而變成一種記憶練習。

什麼樣的內容要給AI？我的做法是先列清單，再依清單建立資料，電子化這些瑣碎的事交給AI完成，這是我理想的人機協作方式。整理好的素材最後匯入NotebookLM，它是媒材管理資料庫實際的容器：檢索式，回答根據我匯入的資料，不用擔心幻覺。

現在，NotebookLM是整個流程的最後一步，不再是隨手丟資料進去就結束。原始素材先進固定的進貨資料夾，圖片文件用程式做OCR轉成純文字檔，一次抓二十五頁左右分組，免得超過傳輸限制。轉出來的文字檔登記主題分類，讓程式自動給每個檔案一個固定ID並重新命名，做完才匯入NotebookLM。這個ID是關鍵，之後不管檔名怎麼改、資料夾怎麼搬，都能靠它一路追蹤回去。

這段時間，我花的力氣不是在「多產出內容」，而是建立流程、寫程式，讓資料庫真正能被管理，同時持續寫下自己的SOP流程。這跟一直生成新文字、新圖片是完全不同的兩件事，一個往外丟東西，一個往內收整齊。

從最小的地方開始

如果你也覺得被AI產出的東西淹沒，我建議先別急著從最複雜的地方開始，不用一開始就想六個資料庫，這是我花時間慢慢長出來的樣子。真正好的起點，可以是最生活化的小事：管理菜單、整理檔案存放位置、統一命名方式。就算一開始做錯，也不會動到核心工作，反而是最安全的練習場。

回頭看那位學員的困擾：工具用得越多，東西到底是幫上忙，還是更多了？現在我可以清楚回答這個問題。不一樣的地方，不是我用了更聰明的工具，是我開始把自己的素材餵給AI，而不是伸手跟AI要現成答案。進貨、辨識、歸檔、匯入，四個步驟走完，NotebookLM接手的是已分類、有ID可追蹤的東西，回答也不用擔心幻覺。

流程刻意做得簡單，繁瑣重複的部分交給程式處理，免得步驟一多半途而廢。真正的效率，從來不是用了幾種AI，而是工具有沒有接得住我的脈絡。管理不是一次做完的事，是持續在做的事，跟學新工具一樣，需要時間累積。

小樹108・No.013｜AI工作流

．．．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