小樹職涯紫微

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...

課程基本資訊 建議時數：24 小時（4 天，每天 6 小時） 適合對象：一般同仁、行政人員、主管、跨部門團隊  課程彈性：每一模組皆可單獨安排為 6 小時獨立課程，企業可依訓練需求自行組合 一句話核心價值 從數位基礎到 AI 協作，建立員工使用 AI 工具的完整能力地圖，讓學習不停留在「會用」，而是真正轉化為日常工作的效率與判斷力。 為什麼需要這堂課？ 這系列的課程設計，著重於建立學員「任務對應工具」的判斷邏輯，而不只是單一工具的操作記憶。我們引導學員理解不同 AI 工具的特性，學會如何根據工作任務靈活挑選與整合，讓 AI 真正落地於日常工作流程中。 導入 AI 後，員工仍回到原本工作方式，效率沒有實質提升 每位員工各自摸索，缺乏共同的 AI 工作流程與語言 工具越買越多，但沒有人知道哪個工具該用在哪個任務 學了提示詞技巧與眾多的 AI 工具，卻不知道如何與實際工作結合 把 AI 當成單向工具，還沒發展成真正的協作夥伴 完成後可以帶走什麼？ 每一個模組都有實作練習，學員當天就能產出成果，不只是聽懂，而是真的做出來帶走。 會使用：掌握提示詞結構與多款 AI 工具的基礎操作 會判斷：依任務挑選最適合的 AI 工具，而非只依賴單一平台 會協作：串接多工具分工，提高工作品質與效率 會累積：建立個人知識庫，讓每一次工作都能成為下一次的資產 會整合：打造屬於自己的 AI 工作流程，讓 AI 從工具進化為協思夥伴 職能強化搭配課程 本課程以 AI 工具實務為核心，可與以下課程搭配，組成更完整的職能提升培訓計畫： 心智圖法職場應用 ：強化結構化思維，讓 AI 工作流更有邏輯骨架 NotebookLM 知識管理進階 ：深化個人知識庫的建置與應用 Google Workspace 雲端協作 ：強化跨部門協同作業能力 依企業需求，可規劃 12 小時至 48 小時的完整培訓方案。 課程搭配建議 不確定從哪個模組開始？以下是幾種常見的企業需求組合： 員工普遍對 AI 陌生：模組一 ＋ 模組二 已有基礎，想解決實際工作問題：模組二 ＋ 模組三 主管或核心團隊培訓：模組三 ＋ 模組四 完整能力培訓：模組一至四，共 24 小時 完整課程大綱 課程設計主軸：數位基礎 → 工具熟悉 → 工作流整合 → 協思夥伴 課程順序：AI 初體驗（建立信心）→ 多工具實務（擴展能力）→ 工作流整合（解決問...

出自：2026年產業人材投資方案 課程名稱：運用心智圖活化職場思考與資訊整理工作術實務 課程基本資訊 時數：24 小時（4 天，每天 6 小時）  適合對象：一般同仁、行政人員、主管、跨部門團隊  課程彈性：每一模組皆可單獨安排為 6 小時獨立課程，企業可依訓練需求自行組合 一句話核心價值 心智圖法不只是整理工具，而是一套幫助員工將資訊轉化為行動的思維方法。結合 AI 工具後，學員不僅能更快整理資訊、規劃工作，更能在日常職場中真正用起來，而不是上完課就忘。 為什麼需要這堂課？ 許多企業在辦完教育訓練後，常常面臨同樣的困境：員工學了很多，回到工作崗位卻不知道怎麼用。這堂課的設計，就是為了解決這個問題。 員工資訊太多、整理不來，開會討論缺乏結構，溝通效率低 有了 AI 工具，卻不知道如何融入日常工作流程 面對複雜任務或跨部門協作，缺乏有效的規劃與拆解方法 問題發生時只能被動應對，沒有系統性分析根本原因的習慣 學習與閱讀的內容無法有效累積，知識沒有沉澱 完成後可以帶走什麼？ 每一個模組都有實作練習，學員當天就能產出成果，不只是聽懂，而是真的做出來帶走。 一張屬於學員的職場能力地圖，清楚看見優勢與發展方向 可直接套用的職場工作清單與任務拆解計畫表 建立 AI 知識整理工作流，讓學習成果持續累積 一套整合心智圖、甘特圖與雲端工具的職場工作管理系統 職能強化搭配課程 本課程以心智圖法為核心思維工具，可與以下課程搭配，組成更完整的職能提升培訓計畫：AI 工作應用： 深化 AI 工具在職場中的實務操作 NotebookLM 知識管理 ：進階知識庫建置與檢索應用 Google Workspace 雲端協作 ：強化跨部門協同作業能力 資訊圖表應用 ：將分析結果轉化為清晰的視覺化呈現 依企業需求，可規劃 12 小時至 48 小時的完整培訓方案。 課程搭配建議 不確定從哪個模組開始？以下是幾種常見的企業需求組合： 第一次導入思維訓練：模組一 ＋ 模組二 改善工作效率與知識管理：模組一 ＋ 模組三 強化任務執行與問題解決：模組二 ＋ 模組四 主管或跨部門培訓：模組二 ＋ 模組三 完整能力培訓：模組一至四，共 24 小時 完整課程大綱 課程設計主軸 ：視覺化思維 → 結構化分析 → 創意發散 → 工作應用  課程順序 ：心智圖基礎（思維工具）→ 商業架構應用（邏輯分...

上週的 AI 課結束後，有位學員跟我一起走到捷運站。 他在一家中型企業做業務主管，走著走著，聊起了來報名的原因。 他第一次用 AI 幫他寫週報，修了將近一個小時，最後全刪掉，自己重打。那次之後，他兩個月沒再碰 AI。 「 我其實很想搞清楚：每次用不順，到底是我的問題，還是 AI 的問題？ 這些問號一直卡在心裡，所以我才來的。」 互相說了再見，他刷卡進站，往東月台走去。我則往西。 那些問句，我在回家路上一直沒放下。 過去我們常聽到：AI 不會取代你，是會用 AI 的人取代你。 但我想說的事：AI 不會取代你，忙碌才會。 忙碌，是最難說破的藉口 忙碌，表面上是在質疑工具，但深層裡，其實是在為自己尋找「不改變也沒關係」的合理藉口。 這就是職場裡最難被說破的人性困局：我們常常用「努力工作的外表」，來合理化自己「拒絕改變的內心」。那位學員並不懶，他平日工作量大、回應訊息的速度讓同事都佩服。但也正因為如此，他才能心安理得地說：我已經很拚了，哪還有時間學新東西？ 那份「忙碌感」，成了一種武器。它讓人不必去面對那些問句背後的深層恐懼：如果學了也不一定會用、用了也不一定比現在好，萬一花時間整合之後反而更亂呢？ 所以人就留在熟悉的忙碌裡。在那裡是個英雄；走出去，只是個初學者。 你的忙碌，是動力的引擎，還是逃避的藉口？ AI 用不起來，通常有三道隱形門檻 這到底是 AI 的問題，還是我們自己的問題？ 其實，工具往往是一面鏡子。AI 真正用不起來，通常不是它不夠聰明，而是我們帶進對話框裡的東西出了問題。我觀察到有三道隱形的門檻，也許是將我們阻隔在外的原因。 第一道，是脈絡斷層。 AI 不認識你。它不知道你的工作是什麼、你服務哪種客戶、你重視什麼。你提問，它回答，但那個回答是給「所有人」的，不是給「你」的。 問題出在，我們習慣用大腦扛所有的細節，像是三年的專案記憶、客戶的偏好、上次開會的結論。但大腦不是硬碟，它適合做判斷，不適合做儲存。當你把一堆沒有整理的資訊丟給 AI，它給你的回應自然空洞。 你心裡很清楚來龍去脈，但 AI 收到的只是一個缺乏脈絡的問題。它不知道你是誰、你做過什麼、這件事對你來說為什麼重要。你以為你在對話，但 AI 聽到的只是殘影。 AI 要懂你，前提是你先把自己整理清楚。但我後來發現，多數人連自己都說不清楚。我的工作核心是什麼、我的判斷標準是什麼、我重視的細節在哪裡。這些...

工具都會用，但素材流得起來嗎？ 我用 Evernote 將近十年。 它的收藏功能、圖片辨識、從單向連結到雙向連結，每一次版本更新我都滿心期待，覺得這次應該可以解決資料管理的問題了。 但筆記的數量越來越多，問題其實不是出在「管理」，而是出在「使用」。過去我以為是管理得不夠好，所以試過分類、標籤、資料夾、快速鍵、第三方外掛，每隔一段時間就重整一次，每次都覺得這次終於對了。但要找到我真正想要的資訊，依然很不順暢。 不是 Evernote 不好用。是我從來沒有解決一個根本的問題：素材進得來，但流不動。 正因為有了這十年的經驗，當我重新看待 AI 整理資料時，我變得更加謹慎與小心。 後來開始用 AI 工具時，我沒有盲目跟風。雖然 NotebookLM、Gemini、Antigravity 三個都學會了，但回去使用後我發現：要是沒有解決「流動」的問題，一樣會重蹈覆轍，甚至覺得更忙，而不是更好。因為每個工具各做各的，資料在這邊，整理在那邊，最後要查的時候又要重來一遍。 那個時候我才意識到，問題從來不在工具，而在「有沒有一條讓素材持續流動的路」。 大多數人的 AI 使用方式，都是一次性的 「素材無法流動」這個問題，不只是我遇到，而是大多數 AI 使用者的共同痛點。 我們常常是這樣使用 AI 的：今天整理一本書。明天整理一份 PDF。後天整理一場會議記錄。 每次都重新開始，整理完就結束了。那些素材不是留在對話視窗裡，就是散落在不同的 AI 工具之間。當下看似有效率地完成了工作，但下次要用的時候，又找不到了，只好重新提供素材、重新說明背景，從頭再來一遍。 換句話說，你整理了很多，但什麼都沒留下來。知識沒有累積，AI 也沒有辦法變得更了解你。 資料庫可以是不同的形式。累積大量資訊，需要一個地方；累積個人經驗與工作脈絡，又是另一種作法。我自己用 Claude AI 的 Project 來累積經驗，用 NotebookLM 來管理大量的課程素材與文章。不同的需求，工具的選擇也不一樣。 這篇要談的，是累積大量資訊的那條路。 NotebookLM 最核心的事，不是它有多聰明 現在很多人整理資訊、消化報告，甚至準備簡報素材，都開始離不開 NotebookLM。它能做到的事情確實不少，也難怪用過的人幾乎都會繼續用。不過，大多數人用它的方式，跟用 ChatGPT 沒什麼兩樣：問它問題，期待它直接給出答...

學員常與我分享，參加完培訓、讀完一本書，當下覺得收穫滿滿，但三天後問他們學了什麼，腦袋一片空白。記了筆記，但不知道怎麼用。整理了重點，但兩週後就忘了。這不是他們的問題，是從來沒有人教過他們「怎麼學」。 吉姆·快克在《腦力全開》這本書裡有一句話，說的正是這件事：「學校教我們學什麼，但從來沒有教我們怎麼學。」 這本書的作者吉姆·快克，童年時因為腦部受傷， 一度被老師當眾說「那是個腦袋壞了的男孩」 。他花了大半人生研究大腦與學習，最後成為全球頂尖企業和演藝圈爭相邀請的腦力教練。他寫這本書，不是要你讀完記住他，而是要讓你讀完之後，把學習這件事重新拿回自己手中。 書的核心架構分成三部分：心態、幹勁、方法。這篇我想聚焦在「方法」，因為這是最直接、最可以立刻應用的部分。書中把學習方法整理成五個核心領域，分別是專注、研習、記憶、速讀與思考。 大腦不是硬碟，是肌肉 在談這五個方法之前，有一個底層觀念必須先建立：大腦具有「神經可塑性」。 這個詞聽起來很學術，但意思其實很簡單，每當你學習新東西，大腦就會建立新的神經連結。你練習得愈多，這些連結就愈強固。反過來說，長期不用的連結會逐漸弱化，這就是為什麼「用進廢退」這句話是有神經科學根據的。 書裡有一個倫敦計程車司機的研究，讓我印象很深。 倫敦的計程車駕照考試極難，申請人需要花三到四年，熟悉以查令十字地鐵站為中心、半徑十公里內的兩萬五千條街道。科學家掃描 這些司機的大腦後發現，他們負責記憶的海馬迴比一般人大得多 ，而且開計程車的時間愈長，海馬迴就愈大。大腦，是真的可以被訓練的。不是靠天賦，是靠方法和持續的練習。 五個學習方法 瞭解這個前提，這本書提出五個領域的具體方法。 １.專注，是所有學習的入口。 專注力就像肌肉，愈鍛鍊愈強健，多數人練習的卻是分心。每次拿起手機查一下、轉頭回覆一則訊息，都是在強化分心的習慣。更嚴重的是，「多工作業」會快速消耗大腦前額葉所需的葡萄糖燃料，不只讓人疲勞，還會降低整體認知效能。 吉姆·快克建議一次只做一件事，並且在行事曆上安排明確的「分心時間」，例如下午四點十五分專門處理雜事，讓大腦知道那些事有時間處理，現在可以放心專注。此外，當思緒紊亂難以靜下來時，他還介紹了一個簡單的呼吸法：用鼻子吸氣四秒、憋氣七秒、從嘴巴吐氣八秒，重複四次，幫助大腦重新聚焦。 2.研習，不是再看一遍。 傳統的反覆閱讀是最沒效率的方法之一。研...

我最近在跟一些企業和學員交流時，常聽到類似的困惑：上課聽講師介紹各種好用的 Prompt 時，總覺得這些方法能立刻解決手邊的難題。但隔天回到辦公室，面對雜亂的客戶資料和 Excel，卻不知道該從哪裡下手。 最後，大部分人還是默默按下了 Ctrl + C 和 Ctrl + V，回到原來的作業方式。 其實我自己當員工時也有過這種經驗。課程上的案例永遠乾淨漂亮，但真實工作卻充滿了各種手動的雜訊。我私下戲稱，此為「放煙火」﹙沒對講師不敬的意思，自己也是講師啊！﹚，當下覺得很震撼、很有希望，但散場之後只留下一地灰燼。 知道怎麼做，和真正做到，是兩回事 我自己也有在公司內推動專案的經驗。那時候才發現，光是自己學會還不夠，更難的是讓它真正融入日常工作流程。課堂上的案例條件設定清楚，出錯機率低；但職場的情境複雜得多，變數也多。 一旦 AI 在 實際作業中給出錯誤結果，學員往往不知道如何判斷、如何修正 ，整個應用就此中斷。這不是學員的問題，而是課程與工作流之間，本來就存在一道沒人幫你接起來的斷層。 這也是「諮詢」與「進入工作流」最本質的差別：AI 只是告訴你流程該怎麼走，這叫諮詢，但距離真正動起來，還差最後一哩路；只有當 AI 直接進入系統、幫你把事情做完，才叫真正的落地。 我在實際授課後發現，學員在課堂上能操作單一工具，但回到職場後，卻很難自行把工具串連成完整的工作流。舉個例子：用 NotebookLM 把三萬則 Line 群組訊息摘要成三百則重點，這個動作學員在課堂上做得到；但摘要好之後，這份內容要怎麼進到下一個環節、怎麼變成一封報告信或一份會議紀錄？這個「接續」的動作，沒有人示範過，學員就卡在那裡了。 比起「教 AI」，不如直接在第一線「共作」 員工原本有一套跑順了的工作流程，導入 AI 之後，必須建立一套新流程。但新流程在初期不會馬上節省時間，反而帶來額外的摩擦與壓力。舊的做法熟悉、快速、不容易出錯；新的做法陌生、需要摸索，偶爾還會卡住。 這個過渡期，才是 AI 導入最容易失敗的地方。 沒有人陪著走過這一段，員工很自然地就退回原來的做法。這正是我想參與的原因。 為了解決這個斷點，我最近開始嘗試一種新的合作模式，我稱之為「共作（Co-working）」。 我選擇回到自己最熟悉的角色，直接成為那間公司的專案成員之一，進到客戶的辦公室，跟著同仁在日常的業務流程裡一起摸索、一起解決問...