小樹職涯紫微

如果AI能幫你生出報告初稿、命盤分析、程式初版，那你還剩下什麼。這個問題我最近想得特別多，因為自己在寫紫微斗數程式的時候，就親身撞上過這個問題的答案。 一開始我以為，只要把規則交代清楚，AI就能把整套排盤邏輯寫出來，剩下的事應該不多。實際做下去才發現，真正花時間的部分，從來不在讓AI寫出程式，而在另外三件事上，這三件事，跟我後來在職涯諮詢跟命理實務上一直在用的能力，其實是同一套。 當AI包辦了初稿，剩下的不是跟它比產出速度，而是三件AI替代不了的事。 領域專業判斷力 、 真實生命經驗 、 大哉問提問力 。 看到這裡，你可能會想，那乾脆不要用AI，不就不會有競爭力被拿走這個問題。但事情不是這樣的。不用AI，你的時間一樣被找資料、打草稿、排格式這些事佔滿，能拿來磨判斷力、累積經驗、練提問的時間，一點都沒有多出來。 AI拿走的，是那些本來就可以被複製的工作，不是拿走你的競爭力，它反而是讓你有時間，把真正值錢的部分磨得更深的工具。而且像我寫紫微斗數程式那次，如果沒有真的跟AI一來一往試過，我也不會發現問題出在格式而不是規則，那個發現，本身就是跟AI互動出來的，不是不碰AI就會自己冒出來的。 領域專業判斷力：格式錯了，AI就跟著算錯 寫紫微斗數程式的時候，我遇到一個難題。 大限、小限本身有它自己的一套特殊規則，我又想要一個特定的排盤格式，這套規則要套進我想要的格式裡，AI一直算錯，怎麼調整提示詞都沒用，同一個地方反覆卡關，卡了好一陣子。 一開始我以為是AI不懂紫微的規則，反覆跟它解釋規則，但問題還是沒解決。試了幾次之後，我開始懷疑問題可能不在規則本身，而是我把資料丟給AI的方式出了問題。後來才發現，真正的問題出在規則跟格式兜不起來，不是規則沒講清楚，是格式的設計方式，讓AI在套用大限小限規則的時候，找不到穩定的參照點。格式沒理順，AI再怎麼算都會卡在同一個地方。 找到問題之後，我建了一個輔助頁，當作運算過程中的過渡，先把資料轉成好算的形式，再交給程式去跑，等於在AI跟原始格式之間，多墊一層緩衝。同時我也用NotebookLM把紫微斗數的規則重新查清楚，把模糊的地方講明白，讓AI在計算的時候有更準確的依據。就算做完這些，我也還是會親自解說、確認每一次跑出來的結果對不對，這一步，我從來沒有省過。 AI能幫我把程式寫出來，但看出問題出在格式而不是規則、知道該建一個輔助頁去過渡、 判...

AI 現在幫我們處理資訊、甚至給建議，都越來越強。但我自己感覺到，有些事它幫不了：這個當下該不該停下來、該往哪個方向走，決策還是得自己下，也只有自己能下。 而這個判斷力，不是憑空出現的， 是靠我一次次把當下的判斷如實記下來，慢慢累積出來的。 這也是為什麼在AI越來越會處理資訊的現在，「如實記錄」這個看起來很土的動作，在我看來反而變得更重要。 兩個場景，同一種當下 上週有一堂課，主題是整理自己的AI資料庫。一般而言，就是直接教工具、教怎麼建置，學員也大多是抱著這個期待來的，我原本大綱也是這樣排的。 但那天一開場，我判斷真正的難題根本不是工具怎麼用，是「要整理什麼、怎麼整理」這件事。如果 沒有先跟自己的能力對接上，資料庫建再多也撐不住 ，最後只是把一堆雜亂的東西塞進一個看起來很厲害的系統，垃圾進去，垃圾出來。 能力盤點本來就在我的大綱裡，只是我原本只想輕輕帶過，當成教工具前的一個前提提醒就好。但那天感覺到學習的氛圍與同學臉部的表情，我覺得應該要談清楚，這班學員的反應，需要的不是輕輕帶過，是說透：哪些是天賦相關的頂尖能力、哪些是現在具備但沒特別厲害的能力、哪些是還沒有、但想要的能力。 資料庫該往哪裡深挖、AI要拿來拆解哪些流程，都是這個盤點先做完才能決定的事，如果順序反過來，先學工具再回頭想能力，很容易學了一堆技巧，卻不知道該用在哪裡。這一段光是討論就講了整整七十分鐘，遠超過我原本規劃的時間。 無獨有偶，創業家布蘭克接手一家瀕臨破產的公司時，也沒有依賴憑空的商業直覺。他注意到茶水間堆著一萬五千張沒人理會的顧客註冊卡，親自打電話一張張問過去，把顧客的產業別、產品用途、願意付的價格如實記下來。 兩個場景表面看起來完全不同，一個是教室裡臨時多講的七十分鐘，一個是茶水間裡沒人想理的舊資料，但當下發生的事其實是同一種：都是先感覺到「這裡不對勁，得先停下來看清楚」，然後真的停下來看，而不是照著原本的計畫往下走。 外人只看得到外在的行為 問題是，非當事人只看得到外在的表現，看不到背後真正的思緒。學員看到的是「這堂課怎麼還沒開始教工具」，布蘭克身邊的人大概也覺得，花時間打電話問一萬五千張舊卡片這種事很沒效率。《精準學習》裡有個說法，如果看不到事情背後的長期規律，就只能對眼前發生的事做本能反應，顧不到更長遠的東西。 學員跟旁觀者當下看不到那個規律，看到的只是「跟預期不一樣」，會有這種反應其...

前陣子準備課程時，我把三份關於AI與職場轉型的研究報告丟進NotebookLM。新增來源、按下筆記本指南，不到幾秒鐘，一份整理好的摘要就出現在畫面上。 老實說，第一眼看到時還有點驚艷。以前可能要花一兩個小時閱讀的內容，現在幾分鐘就能掌握重點。 但看完之後，我卻停了下來。 那一刻我開始思考，如果 AI只是幫我把三十頁濃縮成三頁，它真的有幫助我思考 嗎？ 我重新看了一次摘要，沒有錯，它整理得很好。但問題是，我真正想知道的事情，一件都沒有得到答案。 後來我才發現，問題從來不在NotebookLM，而是我只是隨意點選了重點摘要，沒有主動詢問，只有被動等答案。 當你只問AI重點是什麼，它回答你的，也只會是重點。真正有價值的，往往是那些沒有直接寫在資料裡的問題。 NotebookLM 的底層邏輯 在說提問之前，先把NotebookLM的運作方式講清楚。它跟一般AI有一個很關鍵的差異，它不是憑空生成答案，而是先在你上傳的材料裡找到相關段落，再根據那些段落來回答你。每句回應都附有引用出處，答案有所本，不會憑空捏造。 我在課程裡常說一句話：ChatGPT不用給資料，就給答案。NotebookLM則是，不給資料，不給答案。 正因為如此，它能給你什麼，完全取決於你怎麼問它。你給的方向越清楚，它的回應就越有價值。一句模糊的幫我摘要， 對它來說等同於你覺得什麼重要就說什麼 。 三種提問方向，從不同角度切入 於是我不再請它幫我摘要，除非是學習新知，反而是慢下來，開始問自己：關於這份資料，我真正想知道的是什麼？同一份資料，換個問題，答案完全不同。 找共識 ：這三份報告針對中階主管在AI時代的角色轉型，有沒有共同強調的方向。這個問法讓AI做跨文件的比對工作，不只是摘要單篇，而是幫你找三份資料的交集。交集出現的地方，通常就是最值得關注的趨勢。 找分歧 ：關於AI是否會取代中階管理職，三份報告的立場有什麼不同。這是很多人不會問的角度，但我覺得它最有價值。不同報告對同一問題給出不同答案，背後可能是立場不同、研究方法不同，或產業背景不同。讓AI把各方立場整理出來，閱讀就從接受資訊，升級為評估觀點。 找行動 ：如果我是一家製造業的部門主管，這三份報告中最值得我優先採取行動的是哪一點。這個問法把AI的角色從分析師變成顧問。你給它一個角色條件，它就從報告內容裡篩選最相關的建議，答案不只是摘要，而是針對你的情境做...