指令會被學會，但這套判斷習慣不會過時

今天早上看到一篇談企業AI人才轉型的文章，裡面拋出一個問題讓我停下來想了很久：當「會用AI」很快就會變成人人都有的基本能力，真正能拉開差距的能力會是什麼？

讀完我自己的答案是：恐怕不是誰的提示詞寫得更漂亮，而是誰能把自己累積多年的專業經驗，轉化成AI可以直接執行的工作流程。這篇整理的是我這陣子研究 AI 推理框架，也就是 CoT、ToT 這類概念之後的幾個判斷，它們不是目標本身，而是通往這個目標的過程，也藉這篇把思路理清楚。

直接要答案，不如先把邏輯攤開來走一遍

我剛開始接觸 AI 的時候，其實也一直在找那把能讓 AI 點石成金的神奇指令，以為只要找對詞，就能什麼都搞定。後來研究下來才發現，差距不在打了什麼字，而在有沒有把中間的思考步驟先想清楚。這是我這陣子最深的體會。

• CoT，全名 Chain of Thought，中文叫思維鏈，簡單說就是要求 AI 把推理過程一步一步寫出來，不要直接跳答案。
  
  
• ToT，全名 Tree of Thought，中文叫思維樹，比思維鏈再進階一層，是讓 AI 同時展開好幾條不同的推理路線，各自評估可行性，走不通的就放棄，跟我們自己在做重大決定前會同時想幾個方案再篩選，其實是同一個道理。

有一組數字讓我印象很深：同一個任務，直接要答案，成功率只有三成三；但先讓 AI 把中間的推理過程攤開來走一遍，成功率能衝到七成四。我讀到 Google 推理團隊的一句話說得很直接：推理的重點從來不是答案本身，而是中間那一段路。差距不是字面用詞，是有沒有給邏輯一個站得住的地方，這一點讓我自己想了很久。

指令會被學會，能設計判斷路徑的人才難被取代

像 OpenAI o1、DeepSeek R1 這類原生推理模型，已經把這套推理過程內化了。過去那種「請你一步一步想」的指令，現在反而可能干擾模型自己的邏輯，重點轉成要給精確的任務邊界，用對模型還能省下不少不必要的運算成本。

這聽起來是好消息，但也帶出一個麻煩：很多人還是習慣手動重複輸入同一套業務邏輯，每次都重講一遍，出錯的機率自然不低。像 JPMorgan 這類企業的做法，是把驗證過的提示範本當成資產管理，而不是每次重新打字，也讓對話式的 AI 使用，慢慢往能自己調用工具、記得住脈絡的智能體方向走。

業界把這種結構化的做法取了個好記的名字，叫 CHAIN，剛好五個字母對上五個步驟：

• C（Context）背景：先講清楚背景與現況，包含面對的挑戰跟可用的資源邊界。
  
  
• H（Hypothesis）假設：提出一個具體、可以被檢驗的核心假設。
  
  
• A（Analysis）分析：把假設攤開來做正反分析，至少各列幾個支持與反對的理由。
  
  
• I（Inference）推論：基於分析推出結論，同時評估這個結論的風險與代價。
  
  
• N（Narration）敘述：把推論收斂成一份具體、可以直接執行的建議。

拿編列年度預算來做示範最容易懂，假設今年要分配一千萬行銷預算：

• C：先讓 AI 定義清楚市場挑戰跟財務邊界，例如面對電商低價競爭、實體租金上漲。
• H：提出具體假設，例如把四成預算投入短影音能帶動兩成轉換率。
• A：列出支持跟反對這個假設的理由，比較保守維護舊通路跟激進投入新媒體的差別。
• I：基於分析推出結論，算一下如果成效不如預期，財務缺口怎麼補。
• N：收斂成一份可以直接拿去執行的預算分配方案。

整個過程比直接丟一句「幫我分配預算」得到的產出扎實很多。這五步不是要你背下來，而是想提醒一件事：邏輯路徑想清楚了，指令自然會出來，不是反過來先摳字眼。更重要的是，這五步走完一次之後，其實就是把你腦子裡的判斷邏輯，變成一份下次可以直接拿出來重複使用的工作流程。

AI 越可靠，人越該扮演審核者而非執行者

以前讀到有人預測，日常知識工作有相當大一部分會被自動化，當時覺得這是個威脅，但研究下來我的想法剛好相反：人類審核者的價值不會消失，反而會被凸顯出來。原因很直接，AI 的推論常常是從某個產業脈絡長出來的，換一個品項、換一群客戶，同一套邏輯不見得適用，能不能看出這個落差，正是我們累積出來的辨識力，也是每個人、每家企業真正拉開差距的地方。

AI 擅長的是邏輯運算，但碰到沒有標準答案的任務，像是美感判斷、目標願景設定、對客戶心理的深層觀察，它的驗證機制常常失靈，這正是我們該花更多心力站住的位置，而不是去跟它拚邏輯精細度。

這裡還有一個現實的取捨：思維樹這種讓 AI 多方推演的做法，運算成本可以是直接輸出的十到五十倍。什麼任務值得花這個成本、什麼任務直接要答案就好，這個判斷本身就是一道門檻。

如果換成「速度」與「百分之百準確」二選一，我的答案會看情況：如果企業要的就是速度，那寧可先有產出，準確率有落差再靠參數微調補上；如果導入 AI 之後速度跟人工打平，那乾脆不用，這才是真正該問的問題。這也代表「審核者」這個角色不是一個固定答案，而是每次都要重新衡量，這次的任務值不值得付出那個核實的成本。

把工作拆成可以回溯的路徑

把這套邏輯簡化成四步，拿供應鏈斷貨當示範最清楚：

1. 思維分解：先把「缺料」這個問題拆開，看是原料短缺、產能不足，還是物流卡關。
   
   
2. 候選生成：同時列出三條路徑，找有相似認證的替代供應商、調整全球庫存優先供應高毛利產品、改採較貴但快的空運。
   
   
3. 狀態評估：分別評估這三條路徑的可行性，例如替代供應商的認證時間要多久、空運的額外成本划不划算。
   
   
4. 搜尋與回溯：假設替代供應商認證要拖三個月走不通，就回溯放棄，把資源加碼到庫存調度或空運那條路。

這套思路換到 HR 也一樣通。與其主管憑印象評斷一個人這季表現退步，不如把去識別化後的行為紀錄拆成技能缺口、溝通斷層、生活上的變動三種可能原因，分別推演各自站不站得住腳，再挑最合理的那個當結論，能少掉不少主觀偏誤的爭議。

年度行銷預算的分配是最容易上手的例子。

不要直接問 AI「該選哪個平台」，而是讓它針對 LinkedIn、Instagram、TikTok 各自產出一份完整計畫，先不選；再幫每份計畫打分數，寫下背後的假設，例如這群受眾對影片的耐受度有多高；等到發現某個平台的預算明顯超支、或假設站不住腳，就直接放棄那條路徑，把資源挪回還站得住的那一份。展開幾條路、逐一檢查、走不通就回頭，不要一路走到黑才發現方向錯了。

留下來的不是工具，是判斷的習慣

真正能留下來的資產，是把驗證過的邏輯跟用語整理成一份可以重複使用的清單，而不是每次重新想。針對真正重要的任務，可以讓 AI 在後台先寫、再挑毛病、再修正，跑個幾輪，避免看起來很順但其實邏輯早就跳掉的錯誤。至於評估與剪枝的判斷力，就是前面說的那件事：展開幾條路、打分數、該回頭就回頭。

有些企業會刻意培養一小群「提示詞冠軍」，讓這群人先把好用的邏輯與用語沉澱下來，再帶著其他同事一起用，省下的是整個團隊重複摸索的時間，不是只有自己方便。真正判斷這套資產庫有沒有做好，也不是看用了多少次，而是看團隊拿同一份提示範本，產出的品質跟一致性夠不夠穩定。

工具的名字會一直換，CHAIN 框架、思維樹，再過兩年可能就換了新名字。CoT、ToT 這些框架終究只是過程，不是終點；真正的目標，是能不能把自己的專業經驗跟判斷邏輯，變成一套AI可以直接照著走的工作流程。

真正該問的問題，也不是 AI 邏輯比人嚴密之後，人還憑什麼審核它；而是回到自己身上，盤點清楚自己的天賦跟經驗組合，落在哪裡最值錢，再決定要往哪個方向補強。不是每個人都該去補 AI 不擅長的項目，那要先問自己天生適合站在哪個位置，這個問題，我現在還在問自己。

小樹108・No.014｜AI心態

．．．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