前陣子在一場企業內訓的下課空檔，一位在臺北某保健食品電商擔任行銷企劃的學員 Amy 走到講臺前，苦笑著對我說：「光是這個月，我就學了五、六套 AI 軟體，提示詞收藏夾裡存了三百多筆。可是老闆每週開會只問一句話：轉換率呢？我覺得自己像踩著滾輪的倉鼠，跑得滿身大汗，卻一步也沒往前。」作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

「老師，我每天追新的 AI 工具，追到快崩潰了！」

前陣子在一場企業內訓的下課空檔，一位在臺北某保健食品電商擔任行銷企劃的學員 Amy 走到講臺前，苦笑著對我說：「光是這個月，我就學了五、六套 AI 軟體，提示詞收藏夾裡存了三百多筆。可是老闆每週開會只問一句話：轉換率呢？我覺得自己像踩著滾輪的倉鼠，跑得滿身大汗，卻一步也沒往前。」

[caption id="attachment_226933" align="aligncenter" width="1672"] 我們談 AI 對數位行銷的衝擊時，多數人的焦慮都卡在自己會不會被取代？但 2026 年的行銷戰場，其實已經給了更精準的答案。（圖／AI生成）[/caption]

嗯，這句話大概是這兩年我聽過最真實的職場告白。

我們談 AI 對數位行銷的衝擊時，多數人的焦慮都卡在自己會不會被取代？但 2026 年的行銷戰場，其實已經給了更精準的答案：AI 不會直接取代你，真正在淘汰你的，是那些懂得跟 AI 協作、手上握有一條高效個人 AI 工作流的同行。他們正用十倍速的效率，把轉型緩慢的人遠遠甩在後頭。差別不在誰背了更多提示詞，而在誰先把日常工作改造成一套會自我迭代的系統。

為什麼「先學後做」的線性思維會害了你

Amy 的困境，本質上是一種思維慣性。

過去我們習慣的工作節奏是：先把一套技能學好，再開始產出成果。這在工具穩定的年代沒問題。可是當生成式 AI 以週甚至天為單位更新——你今天剛摸熟一個文案工具，下週它可能就被大模型原生功能整合掉；你還在手動串接 API，隔天意圖導向的 Vibe Coding 就讓非技術人員用一句白話升級了整套系統——這種「學完再用」的線性思維，注定永遠追不上。等你終於覺得自己準備好了，戰場早就換了一輪。

[caption id="attachment_226925" align="aligncenter" width="5120"] 兩種工作地圖。（圖／鄭緯筌提供）[/caption]

唯一站得住腳的方法，是把自己重新定義成一座實驗室。

我跟 Amy 說：別再想著規劃一套能用五年的完美流程了，那是工業時代的思維。身處在技術流沙上，你要做的是高頻率實驗。舉例來說，過去做一次行銷實驗，動輒數週時間、得花不小的預算；現在借助 AI，你可以在半小時內生成八組不同受眾的觀點、十種文案語氣，丟到小社群裡跑 A／B 測試。失敗成本趨近於零，這意味著你可以失敗得又快又便宜——而每一次失敗，都在替你校準對 AI 能力邊界的直覺。

企業內訓結束之後，她真的聽我的建議去做了幾個小實驗。舉例來說，某次主打一款助眠保健品，她過去會憑感覺寫一句標題就送出。這回她改用三種角度各生成一批標題——恐懼訴求（你的睡眠負債正在累積）、情境共鳴（凌晨三點還睜著眼的你）、數據權威（臨床實證的入睡時間）——半小時內挑出各組最強的一句，丟進兩百人的 LINE 社群小範圍測試。結果「情境共鳴」的點擊率幾乎是另外兩組的兩倍。這個發現只花了她一個下午，卻成了她接下來整季文案的定錨。重點不是 AI 幫她寫好商品文案，而是 AI 讓她的工作更有效率。

三個動作，把實驗精神變成可複製的工作流

不過，光有實驗的心態還不夠。真正讓 Amy 脫胎換骨的，是接下來這三個具體動作。

第一，任務顆粒化。把最耗時的工作切到最細。以她每週要寫的電子報為例，過去她腦中只有模糊的想法，於是每次寫文章時都從一張白紙開始痛苦。我請她改成這樣拆解：收集國內外趨勢 → 篩選主題、定義觀點 → 撰寫大綱 → 初稿填肉 → 潤飾語氣 → 生成 A／B 標題 → 轉化社群導流貼文 → 寄出後觀測數據再迭代。一旦顆粒夠細，你才看得清楚每一個微小環節，哪一步適合丟給 AI、哪一步非你親自把關不可？把很多事情顆粒化，還有一個隱藏的好處：當流程卡住時，你能精準定位是哪一個地方出了問題，而不是籠統地覺得「這篇寫不好」，然後就全部打掉重練。

第二，人機協作的定位。這是我多年來最看重的一條原則：人保留判斷、方向與聲音的 70%，AI 承接機械化生產的 30%。落到 Amy 的流程裡，她把收集趨勢、撰寫初稿、多平臺轉化等這些屬於擴展與自動化，交給 AI；至於篩選主題、撰寫大綱和潤飾語氣等涉及過濾與決策、需要商業洞察與情感品味的，都留在自己手上。

[caption id="attachment_226928" align="aligncenter" width="5120"] 人機七三分定律。（圖／鄭緯筌提供）[/caption]

要怎麼判斷一個步驟該不該交給 AI？我教 Amy 用三個問題自我盤問：第一，這一步「做錯了，後果由誰承擔」？如果後果必須由你扛責的，決策權就不能外包。第二，這一步「靠的是體力還是品味」？純體力的搬運、整理和不同版本的生成，可以放心交出去；但凡需要靠品味與分寸拿捏的，你得自己把關。第三，這一步「有沒有你的個人印記」？讀者一眼能認出是你的那種語氣與觀點，正是你不可取代的資產，絕不能讓 AI 抹平成千篇一律的平庸版本。釐清這條界線，焦慮就少了一半，因為你清楚知道：機器再強，那 70% 仍然是你的主場。

第三，模組化與串接。把測試成功的協作模式，固定成 Prompt 範本、存進知識庫，再用自動化工具把這些步驟一鍵串起來。Amy 後來替自己搭了一個趨勢策展工作流：她把訂閱的 RSS、電子報與社群動態，自動匯入同一個收件匣，AI 先依權重過濾掉雜訊，再由摘要 Agent 提煉出核心觀點與商業啟示；她只需要站在這份已經篩選過的高價值情報上做決策、注入自己的觀點，最後再交給 AI 依平臺特性轉成電子報、LinkedIn 貼文與社群草稿。整條流程跑下來，她從一個痛苦的資料搜集工，躍升成了一位坐擁強大外掛大腦的總編輯。

[caption id="attachment_226930" align="aligncenter" width="5120"] 趨勢策展。（圖／鄭緯筌提供）[/caption]

這裡有個容易被大家忽略的關鍵：模組化的價值不在於一次搭建好，而在持續微調。Amy 的範本不是寫死的聖經，而是活的草稿——每跑一輪電子報，她就回頭問自己，這次哪一段 AI 寫得特別到位、哪一句又得手動重改？把好的部分固化進範本，把不好的部分標記起來下次修正。三個月後，她的範本已經迭代到第七版，那七版的累積，才是別人短時間追不上的真正壁壘。

三個月後，她的電子報開信率從 18% 拉到 31%，每週產出從一篇吃力地擠到穩定三篇，最關鍵的是——她每天省下近兩小時，把時間還給了真正需要動腦的選題與洞察。她笑著跟我說：「老師，現在那些 AI 大廠每推出一個新工具，我不再焦慮，反而會想：又有新玩具可以拿來優化我的工作流了。」

警惕「工具達人」這個致命陷阱

不過，我要給所有正在打造工作流的朋友一個誠懇的提醒。

在職場上，我們很常見到一種人：精通各種 AI 繪圖、自動化排程，工作流串得繁複又華麗，產出的內容卻打動不了消費者，廣告轉換率依然趴在地上。我見過一位同業，光是把一則貼文從發想到排程，就串了七個工具、五道自動化流程，每天忙著維護這套機器，內容本身卻空洞得像罐頭。請謹記：工具愈複雜，不等於競爭力愈高，有時候反而是一種逃避。

[caption id="attachment_226932" align="aligncenter" width="5120"] 別當工具達人。（圖／鄭緯筌提供）[/caption]

不論 AI 怎麼變，數位行銷的核心永遠是理解人性的需求，並提供價值的交換。這裡有一道清楚的價值階梯：AI 負責處理資訊（Information），而你必須往上爬，產出洞察（Insight）與情感（Emotion）。愈往上走，就愈難被取代，那才是你真正的護城河。如果你的實驗，只是讓你變成一臺更精密的機器，那你終究會被一臺更便宜的機器取代。Amy 跟其他人最大的差別，不在工具的多寡，而在她始終把工具當成放大器，去放大她自己的判斷與聲音；而不是反過來，被工具牽著鼻子走。

現在就開始你的第一場微型實驗

未來不屬於 AI，而屬於擁有 AI 工作流、又保有獨立思考能力的行銷人。

保持高頻率實驗不只是一種工作方法，更是一種在不確定時代裡，給自己安全感的心態。當你不再害怕工具更新，而是把每次更新都當成一次升級工作流的機會，你就已經立於不敗之地。焦慮的反義詞，從來不是放鬆，而是行動。

別等到計畫完美才動手。現在就打開你最常用的 AI 工具，挑出今天下午你最不想碰的那件瑣事，開始你的第一場微型實驗吧！

這篇文章 別再死背提示詞了！現在開始打造你的 AI 工作流｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

Gartner 預測，到了 2026 年底，將有四成的企業應用程式整合任務型 AI 代理人，而 2025 年這個比例還不到 5%。一年之間，從不到 5% 跳升到 40%，幾乎是八倍的成長。這個數字真正值得注意的地方，不只是 AI 變強了，而是 AI 將不再只是聊天機器人，而會逐步嵌入企業日常使用的 CRM、ERP、客服系統、專案管理、財務報表、HR 平臺與知識管理系統之中。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

Gartner 預測，到了 2026 年底，將有四成的企業應用程式整合任務型 AI 代理人，而 2025 年這個比例還不到 5%。一年之間，從不到 5% 跳升到 40%，幾乎是八倍的成長。這個數字真正值得注意的地方，不只是 AI 變強了，而是 AI 將不再只是聊天機器人，而會逐步嵌入企業日常使用的 CRM、ERP、客服系統、專案管理、財務報表、HR 平臺與知識管理系統之中。

[caption id="attachment_225448" align="aligncenter" width="1536"] AI 代理人不會站在公司門口等你召喚，它會直接搬進公司的工作流程裡，成為你每天打開的系統的一部分。（圖／AI生成）[/caption]

換句話說，AI 代理人不會站在公司門口等你召喚，它會直接搬進公司的工作流程裡，成為你每天打開的系統的一部分。

對所有職場人士而言，這是一個很大的轉折。而且，這不是遙遠的未來。Gartner 描繪了一條清楚的演進曲線：2025 年，幾乎每一套企業軟體都會內建某種 AI 助理；2026 年，這些助理升級為能獨立執行任務的代理人；2027 年，代理人開始在同一套應用內彼此協作；2028 年，代理人網絡跨越不同系統互通；到了 2029 年，企業內部將出現成熟的多代理人生態系。我們現在站的位置，正是從助理過渡到代理人的那道門檻上。

[caption id="attachment_225445" align="aligncenter" width="9600"] 從助理到生態系的五個階段。（圖／鄭緯筌提供）[/caption]

從加速到重組：本質的改變

過去我們談 AI，常常把它想成提高效率的幫手。寫文案的人用它產生初稿，業務用它整理客戶名單，行政人員用它改寫信件，主管用它做簡報大綱。這些應用固然有價值，但本質上仍是人做主、AI 補位。換句話說，也就是人類先想好要做什麼，再請 AI 幫忙加速某個環節。

可是，AI 代理人帶來的變化不只是加速，而是重組。它可以理解目標、拆解任務、調用工具、讀取資料、執行流程，甚至在某些權限內持續回報與修正。這意味著，未來很多工作不再是你一步一步操作系統，而是你定義目標，讓代理人進入系統完成一連串任務。

這不是想像。我們已經可以從幾個全球案例，看見這場重組的雛形。

歐洲金融科技公司 Klarna 在 2024 年初推出由 OpenAI 技術驅動的客服代理人，上線第一個月就處理了 230 萬則對話，相當於 700 名全職客服專員的工作量，並把平均處理時間從 11 分鐘壓縮到 2 分鐘以內，重複詢問率下降約 25%。它能跨 23 個市場、用超過 35 種語言全天候服務，公司估計一年可帶來約 4000 萬美元的利潤改善。

日本的明治安田生命則為旗下三萬六千名業務人員導入名為「MY パレット」的 AI 代理人，協助依客戶需求提供保險商品建議，並把拜訪準備與報告作業的時間，相較過去縮減了約三成。

這些例子提醒我們：AI 代理人改變的不是某一種職務，而是整個職場的工作分工邏輯。舉例來說，一位業務助理，過去要手動整理客戶資料、更新 CRM、寄出追蹤信、提醒主管回訪；未來，代理人可能會在會議結束後自動讀取逐字稿，判斷客戶意向，更新商機階段，草擬追蹤信件，排入行事曆，甚至提醒團隊哪一位客戶成交可能性最高。一位人資同仁，過去要人工篩選履歷、安排面試、整理紀錄；未來，代理人可以先依職缺條件初步比對，標示候選人的亮點與疑慮，生成面試問題，整理主管回饋，並提醒可能延誤的流程節點。

未來真正有價值的人，不一定是最會操作某套軟體的人，而是最能定義問題、調度代理人、審核結果、做出判斷的人。

因此，當 AI 代理人開始進入企業核心流程，所有職場人士都需要完成三個層次的轉型。

[caption id="attachment_225446" align="aligncenter" width="9600"] 每位職場人都要完成的三維轉型。（圖／鄭緯筌提供）[/caption]

第一個轉型：從任務執行者變成意圖設計者

很多人以為使用 AI 的關鍵是會寫 prompt。這句話只對了一半。真正重要的不是把提示詞寫得很華麗，而是你能不能把模糊的需求，轉換成清楚的工作意圖。

在傳統職場裡，很多工作其實是靠經驗與默契推動的。當主管說：「幫我整理一下這個案子的資料。」同事大概知道要找哪些文件、整理成什麼格式、哪些細節要特別標出來？但 AI 代理人不懂你的職場默契，它需要更明確的目標、邊界、資料來源、判斷標準與輸出格式。

所以，未來的職場人士必須學會要 AI 幫忙寫一份報告，改寫成請根據過去三個月的客戶回饋、銷售紀錄與客服紀錄，整理出前三大流失原因，區分為產品、價格、服務與競品因素，並提出三個可在兩週內執行的改善方案。

這就是意圖設計力。

意圖設計力不是語言遊戲，而是一種工作思考能力。它要求我們先釐清：這件事真正要解決什麼問題？成功的標準是什麼？哪些資料可以使用？哪些資料不能碰？哪些決策需要人工確認？結果要給誰看？對方需要的是細節、結論，還是行動建議？

當 AI 愈會執行，人類愈不能只會交代事情。因為模糊的指令會放大錯誤，清楚的意圖才會放大效能。未來真正厲害的職場人士，不是把 AI 當成許願池，而是能像專案負責人一樣，替代理人設計任務結構、工作規則與交付標準。

第二個轉型：從單兵作業者變成代理協作者

過去我們常說，每個人要有跨部門協作能力。到了 AI 代理人時代，這句話要再往前推進一步：你不只要會跟人協作，還要會跟一群數位代理人協作。

這時候，人類的價值不在於親自完成每個細節，而在於懂得如何設計流程、分派任務、建立交接點，並確認不同代理人之間的資訊不會斷裂。

這很像從自己做菜，變成經營一間廚房。你不一定要親自切菜、煎魚、擺盤和洗碗，但你要知道整體菜單是什麼，哪一道菜先做，哪一道菜要等火候，哪一位廚師負責哪個區塊，最後出餐品質是否一致？

放到職場上也是如此。當代理人可以替我們做很多事情，工作能力的重點會從我會不會做，轉向我會不會設計一套做事系統？這對主管很重要，對基層員工也同樣重要。主管要懂得設計人機協作流程，避免團隊陷入工具混亂、權限不清、責任模糊的狀態；基層員工則要懂得把自己的日常工作拆解成可交付、可檢查、可重複的流程，讓代理人成為自己的數位同事，而不是偶爾拿來問問題的聊天工具。

未來，每個職場人士都該開始問自己三個問題：我現在每天重複做的工作，有哪些可以交給代理人？我有哪些判斷不能交出去？我如何讓代理人產出的結果進入我的工作流程，而不是變成另一堆需要整理的雜訊？

第三個轉型：從結果接收者變成判斷審計者

AI 代理人的能力愈強，風險也愈隱蔽。因為它不只會回答，還可能會行動；不只會生成文字，還可能會修改資料、寄出訊息、觸發流程、影響決策。這時候，職場人士不能只是看到 AI 產出一份漂亮報告就放心。我們需要具備一種新的能力：判斷審計力。

所謂判斷審計力，就是能夠看懂代理人做了什麼、根據什麼資料做、可能漏掉什麼、是否違反規範、結果是否符合組織價值與真實情境？

當 AI 代理人幫業務團隊挑出最值得追蹤的前 20 位客戶，你不能只看名單漂不漂亮，還要問：它的評分標準是什麼？是否過度偏重短期成交率，而忽略長期關係價值？資料是否更新？會不會因為歷史資料的偏誤，排除了某些新興客群？AI 幫人資篩選履歷，你也不能只看它排序了誰，而要問：它是否複製了過去組織的偏見？它看重的關鍵字是否真的等於能力？它是否排除了非典型但有潛力的人才？

這些問題，機器不會自動替我們負責。Gartner 另一份預測甚至指出，到了 2027 年底，將有超過四成的代理型 AI 專案被取消——原因往往不是技術不行，而是成本失控、商業價值不明，或風險控管不足。麥肯錫的研究也呼應這一點：將近三分之二的企業試用過 AI 代理人，但真正規模化、做出可衡量價值的不到一成，而八成企業把資料品質列為最大障礙。換句話說，決定成敗的，從來不是代理人本身，而是部署它的人有沒有想清楚。

所以，未來的職場核心競爭力，不是盲目信任 AI，也不是抗拒 AI，而是能夠建立一套人機共治的判斷機制。哪些任務可以自動化？哪些必須人工批准？哪些資料不能讓代理人讀取？哪些行動需要留下紀錄？發生錯誤時誰負責？這些問題，都會變成職場的基本素養。

這場轉型，會改寫升遷的邏輯

如果說過去的職場分工是人使用工具，那麼未來的職場分工會更像人管理代理系統。工具沒有主動性，代理人有半自主性；工具不會自己跨系統行動，代理人可能會；工具通常等待操作，代理人可能會根據目標展開一連串行動。這就是為什麼，我們不能再用看待 Excel、PowerPoint 或 CRM 的方式，來看待 AI 代理人。

這場轉型，也會改變職場的升遷邏輯。

過去，很多人的價值來自熟練度。你比別人更快整理報表、更會排版簡報、更熟悉內部系統、更懂得跑流程，所以你有價值。但當代理人可以承接大量標準化、流程化、重複性的任務，單純熟練操作的價值會下降。

未來更有價值的，是能把經驗轉換成系統的人。你不只是知道怎麼做，而是能說清楚為什麼這樣做、如何判斷好壞、哪些地方要防錯、怎樣設計流程，可以讓別人與 AI 都能穩定複製。

換言之，未來職場會獎勵三種人。第一種，是能定義問題的人，他們不會被表面任務牽著走，而能看出真正的瓶頸在哪裡。第二種，是能設計流程的人，他們不只完成工作，還能把工作變成可擴充、可交接、可優化的系統。第三種，是能做出判斷的人，他們懂得在數據、經驗、倫理、法規與人性之間取得平衡，不會被 AI 產出的漂亮答案迷惑。

這三種能力，正好對應到 AI 代理人時代的三維轉型：意圖設計力、代理協作力與判斷審計力。

從你的工作現場開始盤點

對一般職場人士來說，現在最務實的做法，不是急著追逐每一個新工具，而是從自己的工作現場開始盤點。

你可以先列出每天、每週、每月重複出現的任務，區分哪些是資料整理、哪些是溝通協調、哪些是分析判斷、哪些是創意產出。接著，再思考哪些任務可以交給 AI 協助，哪些任務需要你保留最後決策權。

未來幾年，職場上會出現一個很有趣的分水嶺。有些人會把 AI 代理人當成更便宜的工讀生，只想叫它做雜事；有些人則會把代理人當成新的工作基礎設施，重新設計自己的工作方法、知識系統與決策流程。前者可能只省下一點時間，後者卻可能放大自己的整體產能與影響力。

真正的問題，從來不是 AI 代理人會不會取代我們，而是當代理人開始進入企業流程，我們是否還停留在手動操作員的自我定位。

如果某個人的價值只建立在重複操作上，他當然會感受到威脅；但如果這個人的價值建立在問題定義、系統設計、人機協作與責任判斷上，AI 代理人反而會成為他的槓桿。

AI 代理人時代淘汰的不是人，而是低層次的工作慣性。它挑戰的不是某一個職業，而是所有職場人士對自己角色的想像。

[caption id="attachment_225447" align="aligncenter" width="9600"] 代理人不會替你承擔後果。（圖／鄭緯筌提供）[/caption]

當四成的企業應用開始嵌入任務型 AI 代理人，我們不能只抱持再學一套工具的心態，而是在學一種新的工作文明。從自己做，到帶著 AI 做；從操作系統，到設計系統；從接收結果，到審計結果；從完成任務，到定義任務的意義。

這才是未來職場真正的護城河。

這篇文章 當 AI 代理人住進企業核心：每一位職場人士都要面對的三維轉型｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

前幾天，我看了一支《商業周刊》MEGA TALK 的訪談，主角是 Google 前臺灣董事總經理簡立峰博士。看完之後，我久久沒辦法把畫面從腦海裡移開。老實說，倒不是因為簡博士講了什麼石破天驚的新觀點，而是因為他說了一句很多人都聽過、卻很少人真正願意實踐的話：「如果老闆不優化自己的工作流程，就沒能力優化組織。」作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

前幾天，我看了一支《商業周刊》MEGA TALK 的訪談，主角是 Google 前臺灣董事總經理簡立峰博士。看完之後，我久久沒辦法把畫面從腦海裡移開。老實說，倒不是因為簡博士講了什麼石破天驚的新觀點，而是因為他說了一句很多人都聽過、卻很少人真正願意實踐的話：「如果老闆不優化自己的工作流程，就沒能力優化組織。」

[caption id="attachment_221831" align="aligncenter" width="1536"] AI 工具的多寡，從來不是企業轉型成功的關鍵；真正的關鍵，是老闆自己有沒有先動起來。（圖／AI生成）[/caption]

對我來說，這句話幾乎可以定義整個 AI 時代的領導課題。

過去這幾年，我接觸過大量中小企業的老闆、自由工作者與創業者，也親自陪伴許多人走過 AI 工具的學習與導入。我得到的結論是：AI 工具的多寡，從來不是企業轉型成功的關鍵；真正的關鍵，是老闆自己有沒有先動起來。

當老闆還沒開始用 AI，員工再怎麼努力，最後都會卡在組織文化的天花板上。但當老闆自己先動了，那種由上而下的滲透力，往往會超出所有人的預期。

所以，本期專欄，我想用五個起手式，談談中小企業老闆可以怎麼開始這場 AI 革命。它不是一份清單，而是一條路徑——從個人，到組織，再到產業。

起手式一：老闆先成為一人公司，再來談組織轉型

矽谷現在流行一種做法：創業者放自己六個月的長假，期間切斷所有人脈與會議，只與 AI 相處，獨自打造一間新公司。乍聽之下像是修行，但我認為，這其實是一種重新開機。

[caption id="attachment_221801" align="aligncenter" width="1200"] 老闆的個人實驗室，是AI革命的真正起點。（圖／鄭緯筌提供）[/caption]

當你不再有秘書、助理、設計師和行銷團隊；當你獨自一人面對所有事情，被迫從寫文案、做簡報、回信件、剪影片、整理會議紀錄、撰寫合約初稿全部親力親為——你會被逼著看清一件事：AI 在哪裡能幫你？哪裡會把你帶歪？哪些工作是你的核心、哪些其實只是浪費你時間的雜訊？

我自己這幾年從寫專欄、出書、開發課程、經營社群和辦活動，幾乎所有環節都試過用 AI 跑一遍。我的體會是，當老闆親自蹲下來、把手弄髒，才會真正知道 AI 的能力邊界與應用節奏在哪裡？我想，這不是任何顧問可以替你做的功課。

我把這個過程，稱為老闆的個人實驗室。中小企業老闆的第一步，不是急著導入企業級 AI 工具、也不是花大錢聘顧問；而是用一兩個月的時間，把自己變成一間最小單位的一人公司，親自走完一輪。

當你能用 AI 完成一份提案、產出一份簡報、處理一段影片、回覆一批客戶訊息、整理一場會議的決議、甚至撰寫合約初稿——這時候，你才有資格回頭看你的組織，問一句真正深刻的問題：「我們公司，到底卡在哪裡？」

起手式二：先選增效，再談降本——中小企業的方向不一樣

簡博士在訪談裡，提到一個很重要的分野：

大企業（員工超過 250 人）導入 AI，主要目的是降本——也就是用 AI 替代部分人力、壓縮成本和提升組織效率。但中小企業如果一味學大公司，反而會走偏路。

[caption id="attachment_221809" align="aligncenter" width="1200"] 中小企業的問題不是「人太多」，而是「老闆一個人扛太多」。（圖／鄭緯筌提供）[/caption]

因為你的問題從來就不是人太多，而是老闆一個人扛了太多的責任。

中小企業老闆最該做的，是增效——用 AI 把自己的戰鬥力放大十倍，讓營收長出來，而不是把成本砍下去。

舉個例子吧！臺灣有許多自營商、工作室或五人以下的小公司。老闆白天跑客戶、晚上做提案、週末還要剪影片、寫貼文、回 LINE。如果這位老闆懂得用 AI 代理人在第一時間回覆潛在客戶，光是不再讓詢問訊息石沉大海這一件事，可能就足以彌補他過去三年累積的業績缺口。

這就是增效大於降本的真正意義。對中小企業而言，AI 的價值不在於讓你少請一兩個人，而是讓你不再被自己卡住。

我常和學員分享一句話：「中小企業導入 AI，不是為了取代誰，而是為了讓老闆能把時間花在真正重要的決策上。」當你開始這樣思考，AI 才不會變成花錢買來的工具，而是讓營收長出來的槓桿。

起手式三：從數位轉型走向 AI 轉型——從更快變成更聰明

「數位轉型」這個詞，這幾年被講到爛了。但其實絕大多數中小企業根本還沒走完。

簡博士提供了一個非常清晰的對照：數位轉型，追求的是更快（Work Faster）。 把紙本流程變成線上、把手工作業變成自動化、把通訊從電話改成 LINE 或 Slack——這些都是用新方法做舊事情。

[caption id="attachment_221810" align="aligncenter" width="1200"] 如果你做決策還在「憑感覺」，AI轉型其實還沒開始。（圖／鄭緯筌提供）[/caption]

AI 轉型，追求的則是更聰明（Work Smarter）。 它的關鍵不在速度，而在決策的品質。當你的客戶資料、銷售紀錄、客服對話與會計帳務散落在各處，這些資料就像四處流動但沒有被收集的水。AI 轉型的本質，是把這些水導入水管，讓它流通、被看見以及被利用，最後讓組織具備決策智能。

所以，對中小企業老闆來說，AI 轉型的第一步，不是去買多少新工具，而是先問一個更根本的問題：我每天在做的決策，依靠的是什麼資訊？這些資訊夠不夠完整？夠不夠即時？

如果答案是「我憑感覺」、「我看月報表才知道」、「我聽員工說才知道」——那麼貴公司的 AI 轉型，其實還沒開始。

我會建議老闆先根據一張決策資訊地圖來進行盤點：列出你每週、每月需要做的關鍵決策，標出每個決策背後依賴的資訊來源。當你把這張地圖攤開，你就會看見貴公司真正的盲點，也會看見 AI 真正能幫上忙的地方。

起手式四：用個人槓桿帶動組織槓桿

很多老闆會問我：「Vista，我自己會用 AI，但員工不會、不想學、學不會，怎麼辦？」

我的答案永遠是同一句：你先做給他們看。

[caption id="attachment_221815" align="aligncenter" width="1200"] 跳過個人實驗階段，直接推給整個團隊，幾乎注定失敗。（圖／鄭緯筌提供）[/caption]

我看過太多公司花了大錢，買了一整套 AI 工具，最後變成擺設。為什麼？因為老闆自己沒在用。當組織裡所有員工看到的是「老闆自己也不會、也不用」，那再好的工具也只會被當成負擔。

但反過來看，當老闆能在會議上立刻調出一份 AI 整理的市場報告、能用 AI 幫員工腦力激盪、能在客戶面前現場做出視覺化提案——這種示範效應，比任何 AI 課程都更有說服力。員工會自己跟上，因為他們看見了不跟上就會被甩開的後果。

所以，我建議中小企業老闆採取一個簡單的節奏：

• 第一階段（第 1 個月）： 自己用，把日常工作流跑一遍。
• 第二階段（第 2 個月）： 邀請一位副手或重要幹部，把你發現的「黃金流程」教給他。
• 第三階段（第 3 個月）： 以這個小組為核心，把流程擴散到部門。
• 第四階段（第 6 個月後）： 讓每個部門主管成為各自領域的 AI 應用負責人。

這個過程的精神，是先有個人槓桿，再轉成組織槓桿。如果跳過個人實驗階段，直接想推給整個團隊，幾乎注定會失敗。因為沒有經過老闆自己親身踩過坑，你根本不知道哪些工具真的有用、哪些只是花俏的包裝。

起手式五：重新定義 IT 部門——從接水管到當建築師

簡博士提到一個我非常認同的觀察：未來 IT 部門的角色，會徹底改變。

過去的 IT 人員，多半是處理接水管的角色——架伺服器、修電腦、買軟體、處理外包、維護系統。但在 AI 時代，這些工作會被快速自動化，傳統 IT 的價值會被大幅稀釋。

[caption id="attachment_221817" align="aligncenter" width="1200"] 沒有AI翻譯官的公司，老闆就是AI翻譯官。（圖／鄭緯筌提供）[/caption]

未來的 IT 人員，應該成為架構師（Architect）。他們不再只是技術支援者，而是要能引導人資、財務、行銷或業務等部門主管，運用 AI 進行 Vibe coding，把複雜的商業問題拆解成 AI 可以處理的小單位。

對中小企業而言，這代表一件事：貴公司不再需要養一個龐大的 IT 部門，但需要至少一位會思考商業問題的技術人。這個人不一定要是工程師背景，可能是行銷出身、可能是業務出身，但他要對 AI 工具熟悉，更重要的是——他能聽懂業務部門的痛點，並把它翻譯成 AI 可以處理的任務。

這樣的角色，過去叫 PM、產品經理。但在 AI 時代，我會稱他為企業內部的 AI 翻譯官。他是商業語言與技術語言之間的橋樑，是中小企業最該培養、也最被低估的關鍵角色。

如果你的公司現在還沒有這樣的人，那麼老闆自己就是這個人——直到你能找到下一個願意接棒的人為止。

黃金十年，從老闆的革命開始

簡博士在訪談的最後，給了我們一段很重要的提醒：2025 年起，臺灣正式進入超高齡社會，未來這十年是決定臺灣產業向上或向下的關鍵期。少子化的壓力，反而會催生出強大的機器人產業；而中小企業，正是這場結構性轉變中最具彈性、也最需要槓桿的那一群人。

我看完這支影片之後，最大的感受是：AI 革命，從來不是一場科技革命，而是一場領導者的革命。

中小企業的老闆們，如果你還在等員工先學會 AI、等市場成熟、等競爭對手先動⋯⋯嗯，那可能就晚了。真正能讓你脫穎而出的，是在所有人都還在觀望的時候，你已經完成了自己的那一場個人革命。

革自己的命，從來都是最難的事情。但這也是 AI 時代給中小企業老闆最大的禮物：你不需要養一支大軍，只需要一個更聰明的自己。

從今天開始，把你的工作流程攤開來，問自己一個問題：如果這件事，我用 AI 來做，會變成什麼樣子？

這個問題，就是你 AI 革命的第一個起手式。

這篇文章 老闆先革自己的命：中小企業 AI 革命的五個起手式｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

上週在某場 AI 應用工作坊結束之後，一位在科技業擔任業務經理的學員追上來，臉上流露出一種我很熟悉的疲憊。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

上週在某場 AI 應用工作坊結束之後，一位在科技業擔任業務經理的學員追上來，臉上流露出一種我很熟悉的疲憊。

「老師，你說做筆記很重要，這個我理解！但是，我用 Notion 已經超過三年了，像是平時整理會議紀錄、產業報告和客戶訪談⋯⋯隨便加一加，至少有三千多筆資料。」她打開筆電給我看，果然此話不假，上頭顯示著密密麻麻的資料。「但每次老闆問我『去年 Q3 那個客戶為什麼流失？』，我還是沒辦法立刻回答，甚至要花一整個下午查詢。呃，我到底是哪裡做錯了？」

[caption id="attachment_216135" align="aligncenter" width="1536"] 這就是過去十年個人知識管理（PKM）這套典範最大的盲點：我們都默默接受了一件事：資訊是被收集、被分類以及被尋找的對象。（圖／AI生成）[/caption]

我看了她的螢幕兩秒，反問她一句：「嗯，那妳有沒有試過直接問問妳的筆記？」

她整個人愣住了。

說穿了，這位學員不是知識管理沒做好。她做得太好了——好到她變成自己筆記資料庫的圖書館員，每天上班要花很多時間在自己蓋的圖書館裡查資料。簡單來說，這就是過去十年個人知識管理（PKM）這套典範最大的盲點：我們都默默接受了一件事：資訊是被收集、被分類以及被尋找的對象。

但 AI 改寫了這件事。

典範轉移：第二大腦不再是書櫃，是會說話的助理

提亞戈・佛特（Tiago Forte） 在《打造第二大腦》（Building a Second Brain）提出 PARA 架構的時候，是 2022 年——當時，ChatGPT 才剛剛問世，整本書的核心動詞還是儲存、整理、提煉和表達（CODE）。換句話說，那個年代的第二大腦像一個升級版的書櫃，重點是擺得整齊、可以找得到。

到了 2026 年 4 月初，安德烈・卡帕西（Andrej Karpathy）在 X 上分享 LLM wiki 的觀念——把你所有的知識倒進一個 AI 能讀的容器，需要時直接用對話取用。後來，這個概念被許多玩家用 Vibe Coding 的方式真的實作了出來。

而我自己，就是其中之一。我把這套系統叫做 Muse——一個用 AI Agent 串起的個人脈絡引擎。只花了不到一天，就把整個系統順利執行起來了。

整套系統運作起來的那天，我才真正意識到，第二大腦的定義可能已經偷偷改變了：

[caption id="attachment_216130" align="aligncenter" width="539"] 第二大腦的定義可能已經偷偷改變。（表／鄭緯筌提供）[/caption]

嗯，讓我們打個比方！過去十年，我們都在蓋自己的數位圖書館，現在我們需要的是一位住在圖書館裡的全職助理。書還是那些書，差別在你能不能直接問？

那麼，問題來了：到底我們要請哪一位助理？

三大工具的 AI 助理性格：Notion、Obsidian 與 Anytype

我這兩年大量使用這三套工具，也帶過超過五百位學員從零開始建他們的第二大腦。我得說，每一套工具都各有其優點和特性。所以，如果想要這些工具發揮效益的話，首先你得搞清楚自己是哪一型使用者？三套工具的 AI 助理性格差很多，如果硬塞的話會像把個性的內向工程師塞進業務團隊裡。

先看一下以下的總覽表：

接下來，讓我逐一解說：

Notion AI：開箱即用的行政助理

Notion 把 AI 內建得最徹底。簡單來說，你可以隨時呼叫 AI 助理。它的強項在於對結構化資料庫的理解：你的會議紀錄如果有「日期」「參與者」「決議」「待辦」等這幾個欄位，Notion AI 可以直接跨頁回答「上個月所有跟 A 客戶有關的決議是什麼」。

我自己把它用在三件事：客戶提案資料庫、課程學員 CRM、跨案企劃 Wiki——共通點是多人協作 + 結構化欄位。團隊裡的人不需要學任何外掛，付 $10 美金就能用。

但你得知道，它也有些風險。

一個是隱私邊界——舉凡機密會議、客戶個資和未公開營收數字等資料都存在 Notion 雲端，你得自己評估。另一個是視野限制——它的 AI 只能在 Notion 內找答案，若要它跨工具整合（好比接你的 Obsidian 或本地 PDF）就無能為力。

Obsidian + AI 外掛：能客製到底的研究助理

Obsidian 的哲學，從一開始就是秉持「檔案是你的，不是平臺的」——一切都是採用 Markdown 格式，存在你電腦裡。AI 是後來透過社群外掛長出來的能力。

你若有興趣，可以考慮採用三個外掛，組成穩定的組合：

• Smart Connections：用 embedding 做全 vault 語意搜尋，問問題的時候自動拉出相關筆記
• Copilot for Obsidian：對話介面，可以接 Claude、GPT，也可以接本地 Ollama
• Text Generator：寫作時的 AI 自動補完

這套組合的爆發力，在於你可以把 AI 完全本地化。即便網路斷掉，照樣能對 電腦裡的多份產業報告進行語意檢索，機密資料都在本地端。

當然，代價就是設定的門檻稍高。你得要自己選模型、申請 API key、調 chunk size 和處理 embedding。對於非工程背景的朋友來說，一開始會比較辛苦。但跨過去這個門檻之後，這套系統的彈性是值得期待的。

AnyType + API：折衷派的秘書

AnyType 是這三套裡最年輕的，但定位很特別：它擁有類似 Notion 的結構（物件、關聯與資料庫），加上 Obsidian 的本地優先與端對端加密。最近開放的 API，讓 AI 整合如虎添翼。

老實說，目前 AnyType 的 AI 體驗還需要努力提升。它沒有 Notion 那種開箱即用的內建助理，也沒有像 Obsidian 有那麼多好用的外掛程式。不過，它有一個獨特利基：當你想要結構化的物件導向資料庫（不是純 Markdown），又不想資料離開自己的設備時，只有它做得到。

所以，我用它存兩類東西：客戶機密資料（例如：合約、營收資料）、個人健康／財務有關的長期紀錄。前者不能上雲端，後者我不想哪天平臺收掉就跟著消失。

實戰：把會議紀錄與產業報告變成會回答的資料

工具選好了，但第二大腦的真正瓶頸從來不是工具，而是流程。接下來，讓我用三個自己每週都在執行的真實案例來示範。

案例一：週會逐字稿 → 五分鐘變成可問答的決議庫

場景：每週一場 60 分鐘的客戶週會，過去靠人寫紀錄要花上兩小時，事後還沒人回頭看。

新流程：

1. 會議開 Otter.ai 自動錄音 + 逐字稿
2. 逐字稿匯出後丟進 Notion 一個叫「會議紀錄資料庫」的頁面
3. Notion AI 跑一個自訂 prompt：「從這份逐字稿提煉出：(1) 三項以內的關鍵決議 (2) 每位與會者的待辦清單 (3) 需要跟進的開放議題 (4) 一段 100 字以內的摘要」
4. AI 自動填入資料庫的對應欄位

成果：以往要花兩小時，現在只需要五分鐘。

案例二：30 份產業報告 → AI 找出我自己沒看出的趨勢

場景：去年我在研究生成式 AI 對教育產業的衝擊，一口氣下載了包括 Gartner、Deloitte、麥肯錫、IDC 與 HolonIQ 在內的 30 份報告。那些加起來總共一千多頁的報告，自然沒時間全部讀完。

新流程：

1. PDF 全部丟進 Obsidian 的 research/ 資料夾
2. 開 Smart Connections，跑全 vault embedding
3. 在 Copilot 對話框裡問：「這 30 份報告中，哪些觀點互相矛盾？最常被三家以上機構同時提到的趨勢有哪些？」
4. AI 拉出證據段落，附上來源檔名

成果：以往花三個下午可能還讀不完，現在只需要 40 分鐘。AI 還幫我點出一件單看任何一份都看不出來的事，那就是所有報告都在談生成式 AI 取代教師，但沒人談教師如何用 AI 設計新型評量。這個研究缺口，後來變成我那年最常被邀請去講的主題。

案例三：機密客戶資料 → 完全離線的問答系統

場景：某次企業內訓，客戶提供了內部營收與客戶結構資料，但是合約規定所有檔案不得上雲。

新流程：

1. 資料存進 Anytype（本地 + 加密）
2. 用本地 Ollama 跑 Llama 3 8B 模型
3. 透過 API 串接，做最簡單的語意檢索

對隱私敏感的工作者來說，重點是要在安全合規的前提之下完成任務。

從囤積到對話的四步驟工作流

讀到這裡，你可能會想：好，我懂了，但我該從哪一步開始？我幫五百多位學員轉型的經驗裡，以下四個步驟值得參考：

第一步：選一個高頻場景，不要貪多

不要一次重整你五年來的所有筆記，因為那很顯然是焦慮，而不是理想的解決方案。挑一個你每週至少做三次的資料生產場景，可以從會議紀錄、客戶訪談、研報閱讀或學員提問中，先選一個開始就好。

第二步：建立一個進場閘門

所有屬於這個場景的素材，都從同一個入口進來。舉例來說，可以在 Notion 開一個資料庫、Obsidian 開一個資料夾或 Anytype 開一個物件型別。形式不重要，重點是有閘門。這是因為沒有閘門的系統，三個月後很可能又會變回資料夾大亂鬥。

第三步：設計 AI 處理模板

每筆資料進來，自動執行一個固定 prompt，重點是要能處理摘要、抽取重點、自動設定標籤和找關聯。這個 prompt 是你的第二大腦的 SOP，所以愈具體愈好。我會建議寫成三段式，包括：給 AI 的角色 + 要它做的具體任務 + 你想要的輸出格式。

第四步：每週一次對話檢視

每週固定 30 分鐘，問你的第二大腦三個問題：

1. 這週我做的決定，有沒有用上資料庫裡的舊資料？
2. 有什麼問題我問了 AI 但它答不出來？（這是你下次該補的脈絡）
3. 哪一筆素材這週被引用超過一次？（這是高價值資產，要強化）

我自己每週五下午做這件事，先泡一杯咖啡一杯，然後打開檔案進行檢視。半年下來，這 30 分鐘的投資可以得到偌大的效益。

看到這裡，也許你還是會感到疑惑：到底該選 Notion、Obsidian，還是 Anytype？其實，這是個假議題。真正的議題是你願不願意把自己從圖書館員的角色，升級成提問者？前者看起來很勞碌，後者卻顯得輕盈；前者比的是誰的資料收得多齊，後者比的卻是想得有多深。

所以，你的筆記到底會不會回答你？這個問題的答案，藏在你下一次打開它的那一刻——你是要繼續存，還是準備開口問？

從這週開始，挑一個高頻場景。只需要花 30 分鐘，設定好你的進場閘門。剩下的，就讓 AI 跟你接力協作吧！

這篇文章 你的筆記會回答你嗎？從資訊囤積到知識對話的第二大腦設計｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

嘿，請問你用過幾套 AI 工具？你的電腦裡，現在存了幾個 AI 工具的書籤呢？作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

嘿，請問你用過幾套 AI 工具？你的電腦裡，現在存了幾個 AI 工具的書籤呢？

[caption id="attachment_213391" align="aligncenter" width="2384"] 你的電腦裡，現在存了幾個 AI 工具的書籤呢？（圖／AI生成）[/caption]

如果你忘記的話，可以偷偷看一眼——ChatGPT、Claude、Gemini、Perplexity、Notion AI——還有一堆你也不太記得是做什麼的？再滑到 Notion 或 Google Docs，你應該還有一些叫做「必收藏的 100 個 Prompt 模板」或「2026 最強 AI 工具清單」之類的文件吧？

除了上述這些，你可能還訂閱了 20 個 YouTube 頻道和 10 份電子報。但我猜，你可能忙得沒看過幾次。說到這裡，你有沒有發現一件很詭異的事：這兩年各種 AI 工具如雨後春筍般地出現，但大家的工具愈收集愈多，工作量卻沒有變少。

嗯，這就是我今天想跟大家聊聊的：多數人並不是 AI 用得不夠，而是把注意力放在了錯的地方。

首先，很多人可能得了一種叫做工具成癮的病。先承認吧，我自己以前也曾得過。

還記得在 2023 年，也就是 ChatGPT 剛爆紅的那一年，我一週收藏 20 個新工具、訂閱 10 份 AI 電子報，另外還試過 30 套 prompt 模板。那陣子，我的筆記軟體裡裝滿了各式各樣的 AI 情報。但是，才不過一年的光景，那些資料夾變成一座工具墳場。

我認識一位行銷主管，手機上就裝了 14 個 AI 軟體。我問她上個禮拜真的有用到的是哪幾個，她想了很久才回答：「呃⋯⋯就 ChatGPT 吧。其他 13 個，有點像健身房會員卡。」

你同意嗎？很多時候我們收藏 AI 工具，跟辦健身房會員卡的行為有點雷同。意思是下載（或刷卡）那個動作本身，就已經給了你立即的回報。多巴胺不是在你練出肌肉那一天給你的，是在你刷卡當下給你的。AI 工具也一樣：下載、收藏和試用五分鐘，大腦就以為你「升級」了。但是並沒有！我們只是換了一種方式，繼續逃避真正的工作。

嗯，為什麼收藏比設計更容易讓人上癮？這裡面隱藏三個心理機制。

如果想要戒掉工具成癮，你得先理解它為什麼這麼難戒？我觀察過自己的使用行為，也問過上百位學員，整理出以下三個心理機制：

第一，收藏有立即回報，但設計沒有。

心理學上有個名詞叫「時間折扣」（temporal discounting）——簡單來說，人類大腦對現在的小獎勵的敏感度，遠高於未來的大獎勵。收藏一個 AI 工具，顯然就是典型的現在小獎勵：一鍵搞定、立刻感覺自己變強了。反觀設計流程，則是未來大獎勵：要先投入 30 分鐘觀察、寫下、試錯，獎勵要等兩週後才出現。

大腦會自動選前者，不是因為你懶，是演化留下來的偏好。

第二，收藏是社交貨幣，設計是私人功課。

那些你所收藏的工具，可以拿出來說嘴、可以在聚會時亮給朋友看、可以在 LinkedIn 貼文寫「我最近在用 XXX」換取幾十個讚。但設計流程這件事，卻很難跟人炫耀，因為它看起來既無聊又沒什麼成果可展示。

誠然，在社交媒體時代，缺乏展示性的活動就像在黑暗裡跳舞。

第三，收藏等於我在學習的錯覺。

你收藏一個 prompt 模板，大腦會告訴你：「我學到了一件事。」但其實並沒有，充其量你只是知道有這件事存在而已。

嗯，這兩件事的差距有多大？就像「我知道臺北市民生社區有家好吃的小籠包」跟「我已經吃過並知道怎麼點才最好吃」的差距一樣大。

無奈多數人活在前者，卻以為自己是後者。

「收藏是消費行為，設計是生產行為。」這是我這兩年做企業內訓，最常用來敲醒學員的一句話。

收藏工具是消費行為，意即你在接收別人做好的東西。有人幫你選、替你整理、告訴你這個很強，你只要點下儲存鍵就好。這個動作容易、快速、有立即回饋。老實說，本質上它跟追劇、網購或滑 Instagram 是同一類。

反觀設計流程，則是生產行為：你在創造屬於自己的東西。你要觀察自己的工作、決定哪裡該插入 AI、試錯、修正、留下可重用的版本。這個動作慢、有摩擦、沒有立即回饋——但它在累積。

讓我們打個比方：收藏工具像是你去五金行看各種工具覺得好漂亮，設計流程則像是你拿這些工具真的蓋出一間房。毫無疑問，兩件事都跟工具有關，但一個是消費者的眼光，一個卻是創造者的眼光。

再打個更讓人容易理解的比方：這兩年，我看過太多人收藏了一整個工具軍火庫，卻打不贏一場簡單的工作戰。

道理很簡單，真正在用 AI 得到成果的人，都不盲目追逐工具。

我長期觀察過二十幾位用 AI 用得很好的朋友，他們的身份很多元，像是創業者、顧問、設計師、記者或工程師。有一個共同點，讓我印象很深：他們各忙各的，卻沒一個人在盲目追最新工具。

不是他們不知道新工具，是他們對追工具這件事完全不焦慮。用的來來去去就是 ChatGPT、Claude 或 Perplexity 那幾個，用了半年、一年，沒換過。但他們卻很有耐心地試過了一組又一組流程——每條都經過幾次迭代、每條都跟他們的日常緊密綁在一起。

我的第一個朋友文孝，是做 B2B 業務的。他有一條叫做給陌生客戶寫第一封信的流程。輸入是客戶的 LinkedIn 連結、公司網站、任何他能找到的背景資料；處理環節用 Perplexity 搜集產業動態、Claude 寫個人化的開場白；判斷環節他自己花 2 分鐘檢查名字、公司、數字；輸出是一封 250 字內、結尾帶兩個可選時段的電子郵件。

只需四個步驟，15 分鐘就可以搞定。他一週跑 20 次這條流程，一年 1,000 次。

他跟我說，這條流程的第一版是 2024 年底寫的，到現在已經改到第五版。每次改都是因為某個客戶的反應給了他靈感——例如第三版開始在開頭加一句「我上週看您在 LinkedIn 分享⋯⋯」，回覆率從 32% 跳到 51%。

第二個朋友米雅，是一位獨立顧問。她給自己建立了一條客戶會議後整理的工作流程。會議中她開著錄音筆錄音，會議一結束，她把逐字稿丟進 Claude Projects 裡的一個固定空間，那個空間已經預設好她的結構化模板。AI 會自動產出五段式會議紀錄：討論重點、決定事項、待辦（含負責人與截止日）、未解問題、下次議程。

她人工檢查 5 分鐘，確認名字、數字、承諾事項沒寫錯，就直接轉成 PDF 寄給客戶。只需短短的 10 分鐘就可以完成，以前做這件事卻要花上 90 分鐘。如今，她每個客戶會議都跑這條流程，一個月多達 40 次以上。

第三個朋友熊哥，是一位資深工程師。他的流程很簡單，叫 AI 在開會前自動整理背景資料。每次行事曆上出現新會議，一個他自己寫的 Zapier 自動化就會啟動：抓會議主題與參與者名字，用 Perplexity 查每位參與者的近期動態，用 Claude 整理成一份會前簡報，告訴他會議相關的上下文、每位參與者的最近關注點與可能的議題方向。

這份簡報在會議開始前 30 分鐘，會自動寄到他的信箱。從此，他開會前不用準備，但每次開會都比別人多一層觀察。

他們三個人，職務完全不同，所使用的工具組合也略有差異。但有一件事是一樣的——他們不盲目追逐工具，他們在乎的是自己的這條流程，這週能再優化什麼？

是的，要能做到這樣，才是真正在用 AI 的人。

看到這裡，我想問問：你是收藏者，還是設計者？我幫你設計了四題自我檢測，有興趣的朋友可以自己測看看！

一、你有沒有一組閉著眼睛都能跑的 AI 工作流程？不是「我會用 ChatGPT」這種模糊的回答，而是具體到你能說出「我每週三下午用這個流程處理週報，輸入是什麼、輸出是什麼、花幾分鐘」。

二、你平時用的 prompt，有固定的儲存地嗎？上次用得很順手的那個提示詞，你三個月後還找得回來嗎？還是它散落在對話歷史裡，隨著版本更新一起消失？

三、針對同一個工作任務，你有沒有設計過 v1、v2、v3 的版本更新？還是每次都從零開始、想到哪裡寫到哪裡？

四、你上次明確感受到「今天因為用 AI，我早下班 X 分鐘」是什麼時候？如果這個答案你要想超過 10 秒——那你用 AI 大概還沒真的發揮價值。

如果上述四題之中，有兩題以上回答不出來的話⋯⋯嗯，沒關係，你並不是孤單。但那確實意味著：你現在還只是 AI 工具的收藏者，還不是設計者。

回想 2023–2024 年期間，當時 AI 工具的紅利屬於少數早知道、早就搶先用的人。只要會下 prompt、知道怎麼問、能用它完成單一任務——這些人就已經領先了一般上班族。但從 2025 年開始，這個紅利快速被拉平。

會不會用 AI ，已經不再是關鍵的差異！道理很簡單，因為大家都會用了。工具免費或極度便宜、介面愈來愈簡單、學習門檻愈來愈低。根據 Gartner 2025 年的調查顯示，全球 60% 的白領工作者至少每週使用一次 AI 工具。回想 2023 年，當時只有 18%。

換句話說，兩年之內，會用 AI 從領先者的標記變成基本配備。

那接下來的差距會差在哪裡？答案顯而易見，就在於你能不能設計流程？當工具大家都有、能力大家都接近，唯一能做出差距的，只剩下誰能把工具接進自己的工作裡，變成可重複運作的系統？

其實，這件事在歷史上發生過很多次。

1990 年代，會用 Microsoft Word 是競爭力；2000 年代變成很基本的事；2010 年代的差距差別在誰會用 Word 樣式、快速鍵和範本，省下 80% 排版時間。

2000 年代會，用 Excel 是競爭力；2010 年代變成基本；2020 年代的差距在於誰會用樞紐分析、Power Query、VBA 自動化。

每一次工具民主化之後，差距都從會不會用，轉移到會不會設計流程？誠然，AI 不會例外，只是這次的週期比前面兩次都短。

從今天開始，做一個動作就好！選一個你每週做 3 次以上的工作——寫電子郵件、整理會議紀錄、寫週報、回覆客戶——然後，把它拆成四個環節寫下來：

- 輸入：這個任務通常需要什麼資料？

- 處理：AI 在哪一步能幫忙？

- 判斷：人工要在哪裡檢查？

- 輸出：最後產物是什麼格式、給誰？

只需把這四件事在一張 A4 紙上寫清楚，你就已經從收藏者跨出了設計者的第一步。別小看這 30 分鐘，你投資的不是時間，是身份的切換。

你發現了嗎？第一波紅利已經結束。前陣子有一位記者朋友跟我說過一句話：「2024 年的時候，我覺得會用 ChatGPT 就是我的競爭力。2026 年的現在，我發現連小學生都會用 ChatGPT，已經沒什麼稀奇了。」

嗯，他說的是實話。AI 工具的紅利來得快、退得也快，2023 年會用的人贏一步，2026 年會用的人只能勉強跟上。

話說回來，第二波紅利在哪裡？不在下一個更酷炫的工具，也不在下一套更神的 prompt，而是在流程設計這件看似比較慢、比較沒聲量與比較累的事情上。說穿了，這就是 AI 時代的基本功與招式之別。要知道，招式會過時，但基本功會留下。

現在開始，還不晚！我們一起加油吧！

這篇文章 別再只收藏 AI 工具 開始設計你的工作流｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

前陣子在一場金融業的企業內訓結束後，某位資深副理攔住我。他猶豫了一下，然後問：「顧問，如果 AI 什麼都能做，那我們還能做什麼？」作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

前陣子在一場金融業的企業內訓結束後，某位資深副理攔住我。他猶豫了一下，然後問：「顧問，如果 AI 什麼都能做，那我們還能做什麼？」

[caption id="attachment_214942" align="aligncenter" width="1672"] 如果 AI 什麼都能做，那我們還能做什麼？（圖／鄭緯筌提供）[/caption]

我沉默了幾秒。不是想不到答案，是因為這個問題我在過去半年聽到不下二十次了——包括在政治大學 EMA 的課堂上、在中山大學的演講後、在各種產業的工作坊裡。每一次問的人不同，但他們的眼神都一樣，顯露出真正的焦慮。

那位副理告訴我，他的團隊剛導入 AI 工具不到三個月，已經有兩個初階職位被重新定義——說得直白一點，就是那兩個人的日常工作被 AI 接管了大半。

想當然耳，這種焦慮不是個案。根據世界經濟論壇（WEF）2025 年的《未來就業報告》，到 2030 年之前，全球約有 9,200 萬個職位會被 AI 和自動化淘汰。McKinsey 在 2025 年的調查更顯示，88% 的企業已經在至少一個業務功能中導入 AI。

但同一份 WEF 報告，也指出了另一個數字：AI 會創造約 1.7 億個新職位，淨增 7,800 萬個。

換句話說，問題從來不是 AI 會不會搶走你的工作？問題是：你準備好接住那 1.7 億個新機會了嗎？

LinkedIn CEO Ryan Roslansky 和首席經濟機會長 Aneesh Raman 在 2026 年 3 月底出版了一本新書《Open to Work: How to Get Ahead in the Age of AI》，給了一個很清楚的答案。他們訪談了神經科學家、組織心理學家、行為經濟學家和人才領導者之後，歸納出五項 AI 無法取代的人類能力——他們稱之為 5C 框架：

• Curiosity（好奇心）
• Courage（勇氣）
• Creativity（創造力）
• Compassion（同理心）
• Communication（溝通力）

Aneesh Raman 在書中說了一句話，我覺得值得細細咀嚼：「害怕是完全可以理解的，但害怕是完全沒有幫助的。」

今天我想逐一拆解這五個 C，並且告訴各位讀者：這不是五個空泛的口號，而是五種你今天就能開始練習的具體能力。

第一個 C：好奇心——AI 能分析答案，但你決定問什麼問題

大家都知道，AI 擅長在現有數據中找到模式。你給它一百萬筆銷售紀錄，它能在幾秒內告訴你哪個產品在哪一季賣得最好？

但是，它不會追問：「為什麼我們只販售這些產品？」

這就是好奇心的本質——不是找答案，是問對的問題。

Greg Dyke 是 BBC 的第 13 任總裁。他在走馬上任之前，做了一件讓所有人感到意外的事：他花了五個月的時間，走訪了全英國的 BBC 辦公室，直接跟基層員工聊天。不是巡視，也不是考核，而是真的在問問題。「你覺得 BBC 最大的問題是什麼？」「如果你是老闆，你會先改什麼？」結果，他上任第一年，BBC1 和 BBC2 的收視率雙雙上升。

老實說，即便是現在，也沒有任何企業顧問或數據分析工具，會建議一位新任執行長花五個月去跟員工聊天。但，人類的好奇心會。

Deloitte 在 2025 年的一項調查中發現，高績效團隊成員願意探索不熟悉的想法、持續學習新技能的比例，是低績效團隊的 2.5 倍。WEF 2025 年的報告也指出，50% 的雇主已將好奇心和終身學習列為核心職場能力。

你可以怎麼練習？養成第二層提問的習慣。當你拿到一份 AI 生成的分析報告時，不要只看結論。先問自己：

• 這份報告的前提假設是什麼？如果前提錯了呢？
• 它沒有分析到的面向是什麼？
• 如果我是客戶，我會問什麼不一樣的問題？

好奇心不是天賦，是習慣。它是一種你可以刻意訓練的肌肉。

第二個 C：勇氣——AI 能計算風險，但你決定要不要跳

AI 可以告訴你一項投資有 63% 的成功機率和 37% 的失敗機率，但它不會替你決定要不要投。

因為值不值得是一個人類判斷，從來不是一道數學題。

2006 年，黃仁勳做了一個當時幾乎所有人認為很蠢的決定：推出 CUDA，一個讓 GPU 可以做通用運算的平臺。這個決策讓 NVIDIA 的成本增加了 50%，市值從 120 億美元跌到 20 到 30 億。投資人質疑，媒體看衰。

但他看到的是一個 AI 還不存在的世界裡，GPU 運算可能成為基礎設施的未來。十八年後，ChatGPT 運行在大約 30,000 張 NVIDIA GPU 上。NVIDIA 的市值超過 3 兆美元。

另一個例子是 Satya Nadella。2014 年接任微軟 CEO 時，他面對的是一家文化僵化、手機策略失敗、市場信心低落的公司。他做了一個大膽的決定：放棄手機，全押雲端和 AI，後來更投資了 OpenAI。他說過一句話：「We needed courage in the face of opportunity.」如今，微軟市值從約 3,000 億成長到超過 3 兆美元。

McKinsey 的分析指出，超過 70% 雇主看重的技能，同時適用於可自動化和不可自動化的工作。差別不在技能本身，而在於人類何時判斷該冒險走一條新路。

你可以怎麼練習？從安全的冒險開始。

• 在下一次會議中，提出那個你一直想說但不敢說的觀點
• 主動爭取一個你還沒有百分之百準備好的專案
• 當 AI 給你三個安全的方案時，問自己：有沒有第四個更大膽的可能？

勇氣不是不害怕，是害怕了還能行動。就像 Raman 說的——害怕是可以理解的，但害怕是沒有幫助的。

第三個 C：創造力——AI 重組舊素材，你想像新世界

嗯，這可能是五個 C 裡面被誤解最深的一個。很多人看到 AI 能畫圖、寫詩和作曲時，就覺得連創造力都被取代了。

其實並沒有。

2023 年發表在《Nature》期刊的某項研究顯示：在發散性思考測試中，AI 的平均表現確實優於一般人——但最有創意的人類，仍然超越最先進的 AI。

為什麼？因為 AI 的「創造」，在本質上是一種重組，它不過是從訓練資料中提取模式，然後以新的方式排列組合。但人類的創造力包含直覺、文化脈絡、情感共鳴，以及想像從未存在過的東西的能力。

2025 年 Frontiers 期刊的研究也發現了一個有趣的現象：在人機協作的設計專案中，資深設計師始終保持對創意流程的主導權。AI 最擅長的是後期的執行和精修，而不是前期的概念發想。

我常在課堂上打一個比方：AI 是一個超強的廚房助手，備料、調味、按照食譜炒菜，它都行。但如果要發明一道從來沒有人做過的菜，那需要主廚的直覺、經驗和膽量。

Deloitte 的調查也呼應了這一點：高績效團隊從失敗中學習而非追究責任的比例是 50%，低績效團隊只有 21%。創造力需要容錯的空間，而這個空間是人類的文化建構，不是演算法能提供的。

你可以怎麼練習？刻意進行跨領域連結。

• 每個月讀一本你專業之外的書
• 當你面對一個行銷問題，問自己：如果一個醫生來看這個問題，他會怎麼想？
• 把 AI 當作你的創意研究助理，讓它幫你蒐集素材，但你來決定如何連結這些素材

創造力的核心不是產出的量，而是連結的品質。

第四個 C：同理心——AI 模擬關心，你真的在乎

這可能是五個 C 中最被低估的一個。

很多人覺得「同理心」聽起來很心靈雞湯，跟職場競爭力無關。但數據告訴我們完全相反的故事。

根據 CCL（Center for Creative Leadership）的研究：

• 擁有同理心主管的員工，敬業度高出 76%
• 員工感到被理解時，留任意願提升 4.5 倍
• 同理心環境中的團隊，創造力提升 2.5 倍
• 95% 的員工表示更願意留在展現同理心的組織

這不是軟實力，這是硬數據。

最好的案例可能還是 Satya Nadella。他接任微軟 CEO 之後做的第一件事，不是調整產品策略，而是改變文化。他要求所有高階主管讀一本書——《非暴力溝通》——然後在公司內推動「成長心態」，取代 Steve Ballmer 時代那種內部競爭、互相攻擊的文化。

很多商業分析師認為，微軟從失落的十年重返巔峰，核心因素不是雲端策略，而是文化轉型。而文化轉型的起點，是一位 CEO 的同理心。

AI 可以用禮貌的語氣寫一封安慰信，但它不會在你加班到凌晨三點時，真的擔心你的身體健康。它可以分析員工滿意度數據，但它不會在一對一面談中感受到你話語背後的疲憊。

這種真的在乎的能力，是建立信任的基礎。而信任，是所有商業關係的核心。

你可以怎麼練習？在每一次重要對話前，花三十秒問自己：「對方現在最需要的是什麼？」

• 不是你想說什麼——是對方需要聽什麼
• 不是急著給建議——是先理解他為什麼焦慮
• 不是用 AI 分析他的績效數據——是坐下來問他「最近還好嗎？」

同理心不是討好，是理解。而理解，是所有有效行動的前提。

第五個 C：溝通力——AI 翻譯文字，你傳達意義

我把溝通力放在最後，不是因為它最不重要，而是因為它是放大器。

你的好奇心、勇氣、創造力、同理心⋯⋯如果說不清楚，就只存在你的腦子裡。說穿了，沒有被傳達出去的想法，等於不存在。

有一個數據我覺得非常有說服力：用統計數據溝通，聽眾只記住 5-10% 的內容；用故事溝通，記憶率躍升到 65-70%。

AI 可以幫你把一份中文的報告翻譯成英文，它可以幫你整理出結構清晰的簡報大綱。但它無法幫你在董事會上說故事，讓所有人理解為什麼這個專案值得投資？它也無法幫你在一對一面談中，找到那個讓部屬眼睛亮起來的關鍵字。

LinkedIn 2026 年的技能趨勢報告，也印證了這一點：跨部門協調、領導溝通、利害關係人管理、公開演講，全部都是快速成長的技能。而且，45% 的職缺現在優先看技能而非學歷。換句話說，溝通力就是那個最容易被看見、也最快產生差異的技能。

你可以怎麼練習？練習用一句話說清楚。

• 每次發出郵件之前，先用一句話寫出核心訊息，然後問自己：刪掉其他所有內容，這句話夠不夠？
• 開會前準備電梯簡報——如果你只有三十秒，你會怎麼說？
• 把 AI 當作你的初稿產生器，但最後的潤飾和故事化，永遠由你來做

溝通力的本質不是文字能力，是讓想法產生行動的能力。

Harvard 和 BCG 在 2023 年的聯合研究，已經證明了這個差距：使用 GPT-4 的顧問，工作品質提升了 40%，速度快了 25%。但盲目依賴 AI 的人，在需要判斷力的複雜任務中，表現反而下降了 23%。

這就是為什麼會用 AI 是基本門檻，但具備 5C 才是競爭優勢。

話說回來，那位在金融業內訓後攔住我的資深副理，他的問題其實問錯了方向。

他問「AI 什麼都能做，我們還能做什麼？」但真正的問題應該是：「AI 什麼都能做，我們更應該做什麼？」答案就是這五件事。好奇地提問、勇敢地決策、創造性地思考、同理地理解他人、清楚地傳達想法。

Anthropic 的 CEO Dario Amodei 說過一句我很喜歡的話：「AI 最強大的用途不是取代人類，而是賦予人類超能力。」

但超能力需要一個前提，也就是你得先知道自己的超能力是什麼？

這五個 C，就是你的起點。不需要等到完美才開始。明天上班時，多問一個「為什麼」。

是的，一切就從那裡開始。

這篇文章 AI 做不到的五件事：LinkedIn CEO 教你在人工智慧時代脫穎而出｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

2026 年 2 月 13 日，美國勞工部正式發布《AI 素養框架》。這不只是一份政策文件，更是一面照見全球職場未來的鏡子。身為長期投入 AI 教育與企業培訓的實踐者，我認為這份框架裡藏著許多值得臺灣借鏡的智慧。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

從素養到精通：設計可持續的學習路徑

《AI 素養框架》的第五條交付原則，建立持續學習路徑（Create Pathways for Continued Learning）提出了一個關鍵觀念：基礎 AI 素養只是起點，而非終點。隨著 AI 工具持續演進並深入嵌入工作場景，工作者需要清晰的機會來深化技能、追求專業化培訓，或轉型進入 AI 相關職業。

[caption id="attachment_209797" align="aligncenter" width="1536"] 當 AI 素養成為全民標配——深讀美國勞工部 AI 素養框架的七個啟示。（圖／AI生成）[/caption]

《AI 素養框架》描繪了一條從素養（Literacy）到精通（Proficiency）再到「建造」（Builder）的進階路徑，並特別提出了可堆疊學習模式（stackable learning models）的概念，也就是將培訓設計成一層一層疊加的模組，從基礎素養逐步深入到資料處理、AI 工具設定、提示工程等更專精的技能。每一層都建立在前一層的基礎上，學習者可以依照自己的節奏和需求逐步推進。

我認為這個設計概念，對臺灣的教育和培訓系統有著重要的啟示。目前臺灣市面上的 AI 課程大多是一次性活動，通常上完一堂三小時或六小時的課就結束了。但 AI 素養的養成不可能靠一次活動完成，它需要的是持續的練習、回饋和深化。《AI 素養框架》所提出的可堆疊概念，給了我們一個很好的設計思路：與其設計一堂包山包海的超級大課，不如設計一系列環環相扣的模組，讓學習者可以按照自己的步調前進。

[caption id="attachment_209841" align="aligncenter" width="3600"] 從素養到精通：AI 能力的進階之路。（圖／鄭緯筌提供）[/caption]

特別值得一提的是，《AI 素養框架》還提到了鼓勵建造者與創業路徑（Encourage builder and entrepreneurship pathways），支持那些想要從使用 AI 工具進階到建造自己的 AI 解決方案的工作者。這一點，與我目前大力推廣的 Vibe Coding 和無代碼開發平臺的理念高度呼應。道理很簡單，因為在 AI 時代，每一個人都有機會從使用者變成創造者，前提是要有一條清晰的學習路徑引導他們前進。

對臺灣的啟示：我們的 AI 素養藍圖在哪裡？

讀完這份框架，我不禁要問一個問題：臺灣的 AI 素養框架在哪裡？

誠然，臺灣在半導體和 AI 硬體供應鏈上的實力毋庸置疑，我們也有不少優秀的 AI 研究人才和技術團隊。但在全民 AI 素養的系統性推動上，我們似乎還停留在零散的或各做各的的狀態。教育部有教育部的做法，勞動部有勞動部的計畫，數位發展部有數位發展部的專案，但缺乏一份像美國這樣跨部會整合的、有清晰架構和行動指引的國家級框架。

美國的《AI 素養框架》，提供了我們幾個具體的參考方向。第一，建立跨部會的 AI 人才發展策略，讓數發部、教育部、勞動部和經濟部的資源能夠協同運作。第二，定義臺灣版的 AI 素養能力指標，納入我們自己的產業特性和文化脈絡。第三，善用既有的職業訓練體系和產業人才培育計畫，將 AI 素養課程系統性地嵌入而非另起爐灶。第四，將體驗式學習真正落實到每一場培訓活動中，把聽演講改成工作坊實作。第五，不要只關注都會區的科技從業者，偏鄉地區的工作者、中高齡的轉職者或新住民等群體，同樣需要 AI 素養的支持。

[caption id="attachment_209843" align="aligncenter" width="3600"] 對臺灣的啟示：我們準備好了嗎？。（圖／鄭緯筌提供）[/caption]

此外，《AI 素養框架》特別提到的解決先決條件（Address Prerequisites to AI Literacy）原則，在臺灣的脈絡下也格外重要。畢竟不是每一個人都擁有穩定的網路連線、足夠的硬體設備或基本的數位操作能力。如果我們在推動 AI 素養的同時忽略了這些基礎門檻，那麼 AI 帶來的機會紅利就只會流向本來就佔有優勢的族群，反而加劇了數位落差。

從知道到做到：你現在就該開始的行動

一份政策框架即便再好，如果只是停留在文件層面，就毫無意義。在這篇文章的尾聲，我想提供一些你讀完之後立刻就能動手的行動建議。

第一，盤點你的工作流程。花 30 分鐘列出你每天重複做的 10 件事，標記其中哪些可以讓 AI 協助。這就是你個人的 AI 應用機會清單。請謹記，不是所有任務都適合交給 AI：請從低風險、高頻率的任務開始，這才是最聰明的切入點。

第二，每天動手用 30 分鐘。選一個 AI 工具，不管是 ChatGPT、Claude 還是 Gemini，運用你真實的工作任務來練習，而不是隨便聊聊天。體驗式學習的精髓，就在於輸入真實問題，觀察真實產出，培養真實的判斷力。

第三，建立你的 AI 產出審核習慣。每次在使用 AI 工具產出之前，至少問自己三個問題：事實正確嗎？邏輯通順嗎？符合我的目的嗎？AI 不是最終權威，你才是。養成信任但驗證的工作紀律，才是負責任使用 AI 的基礎。

第四，強化你的人類技能護城河。在我看來，批判思考、創意發想、溝通表達與領域專業——這些能力不會被 AI 取代，反而是讓 AI 發揮最大價值的基礎。投資在這些能力上的時間和精力，回報率只會愈來愈高。

第五，設計你的持續學習路徑。AI 素養不是上完一堂課就結束的事，而是一個需要持續演進的能力。為自己設定季度學習目標，追蹤新工具和新功能的發展，定期重新評估自己的 AI 使用效率。《AI 素養框架》的敏捷原則，正提醒我們：技術在變，你的學習也必須持續適應。

[caption id="attachment_209845" align="aligncenter" width="3600"] 讀完框架後，你現在就該做的五件事。（圖／鄭緯筌提供）[/caption]

AI 素養的真正核心，不在於你會使用幾種 AI 工具，而在於你是否具備與 AI 共同思考、共同創造、共同負責的能力。這份框架給了我們方向，但走這條路的，終究是每一個人自己。

這篇文章 當 AI 素養成為全民標配——深讀美國勞工部 AI 素養框架的七個啟示（下）｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

2026 年 2 月 13 日，美國勞工部正式發布《AI 素養框架》。這不只是一份政策文件，更是一面照見全球職場未來的鏡子。身為長期投入 AI 教育與企業培訓的實踐者，我認為這份框架裡藏著許多值得臺灣借鏡的智慧。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

2026 年 2 月 13 日，美國勞工部就業與訓練管理局（ETA）正式公布了一份名為《AI 素養框架》（AI Literacy Framework）的文件。乍看之下，這似乎只是美國聯邦政府例行的政策指引，但如果你仔細閱讀其中的內容、理解它背後的脈絡與意圖，你會發現這份框架所傳遞的訊息遠比表面所見來得深刻。它宣告的不只是一項教育政策，而是一個時代的共識：在 AI 驅動的經濟體系中，AI 素養已經不再是少數技術菁英的特權，而是每一位工作者都必須具備的基本能力。

[caption id="attachment_209797" align="aligncenter" width="1536"] 當 AI 素養成為全民標配——深讀美國勞工部 AI 素養框架的七個啟示。（圖／AI生成）[/caption]

身為一名長期投入 AI 應用教學與企業培訓的工作者，同時也在進行 AI 生成內容相關議題的學術研究，我對這份框架的出現有一種相見恨晚的感覺。過去幾年，我在大學課堂、企業內訓和公開演講中反覆強調的觀念，竟然被一個國家級的政策框架完整而系統地呈現出來，這不僅讓我感到欣慰，更讓我確信：全球對於 AI 素養的認知，正在快速從要不要學轉向怎麼學、怎麼教？

這份框架為什麼值得你認真看待？

首先，讓我說明一下背景。這份框架並非憑空出現，而是美國政府一系列 AI 政策佈局的重要一環。從 2025 年 4 月的行政命令 14277（推動美國青年 AI 教育），到 7 月發布的《AI 行動計畫》，再到 8 月由勞工部、商務部和教育部聯合發布的《美國人才策略：打造黃金時代的勞動力》，一條清晰的政策邏輯線浮現出來：美國政府已經將 AI 素養，提升到國家人才戰略的核心位置。

值得注意的是，這份框架是自願性（voluntary）的指引，而非強制性法規。它不規定具體課程內容，不設統一考試標準，而是提供一套可以靈活適應不同產業、職務和教育環境的共同語言與設計原則。這一點非常聰明——因為 AI 技術的演進速度，讓任何試圖「一刀切」的課程標準都注定會很快過時。框架選擇了提供方向而非答案，提供骨架而非血肉，讓各地方、各機構和各企業可以根據自己的需求去填充細節。

這份框架最精妙的設計，就是它的彈性。它不是一份死板的教學大綱，而是一面可以映照出不同需求的鏡子。無論你是一間工廠的基層主管，還是社區大學的課程設計者，都能從中找到適合自己切入的角度。這種設計思維，其實也是我在規劃企業 AI 培訓課程時最重視的原則。

五大內容領域：一條從認知到當責的學習階梯

《AI 素養框架》的核心是五大基礎內容領域（Foundational Content Areas），依序是：理解 AI 原理（Understand AI Principles）、探索 AI 應用（Explore AI Uses）、有效指導 AI（Direct AI Effectively）、評估 AI 產出（Evaluate AI Outputs）、負責任使用 AI（Use AI Responsibly）。

這五個領域的排列順序並非隨意，它呈現了一條極其清晰的學習邏輯：先建立正確的認知基礎（什麼是 AI、它能做什麼、不能做什麼），然後拓展應用視野（在不同場景中看見 AI 的可能性），接著掌握互動技巧（學會如何下好指令），再來培養審核能力（對產出進行批判性評估），最終內化責任意識（確保使用過程合乎倫理與規範）。這條路徑的精妙之處在於：它不是從技術出發，而是從人的認知與行動出發。

理解原理：去神秘化是第一步

《AI 素養框架》強調，工作者不需要成為 AI 專家，但必須具備足夠的詞彙和心智模型來理解 AI 系統的運作方式。這包括了解 AI 是基於統計模式辨識來產生回應（因此同樣的輸入可能得到不同的輸出）、認識 AI 可能產生看似自信卻完全錯誤的「幻覺」（hallucination），以及理解每一個 AI 系統背後都反映了人類在資料、目標和參數上的設計決策。

我在企業培訓中經常遇到兩種極端的態度：一種是把 AI 當成無所不能的神器，另一種是把 AI 當成不可信任的黑箱。這兩種態度都源自對 AI 運作原理的不理解。當你知道 AI 的產出本質上是「機率最大化」的結果，而不是「確定性」的答案時，你自然就會知道什麼時候可以信任它、什麼時候需要再三驗證。《AI 素養框架》把這種去神秘化放在第一位，我認為非常正確。

有效指揮：提示工程不只是技巧，而是一種思維方式

《AI 素養框架》的第三個內容領域「有效指揮 AI」特別值得深入探討。它涵蓋了情境框定（提供背景、受眾、語調和目標）、提示結構化（使用步驟拆解和格式指定）、提供相關輸入資料、迭代優化產出，以及避免模糊或誤導性的提示。

我特別注意到《AI 素養框架》用了「Direct」這個詞，而不是更常見的「Prompt」。這個用字選擇透露了一個重要觀念：與 AI 互動不只是寫一段提示詞這麼簡單，而是一個需要策略思維的指導過程。就像一位指揮家不只是揮揮手、打打拍子，而是需要理解每一個樂器的特性、掌握整首曲目的結構、在每一個段落做出恰當的詮釋。同樣地，要讓 AI 產出高品質的結果，你需要的不是背誦幾個提示詞模板，而是發展一套如何將自己的意圖精準轉化為 AI 可理解的指令的思維模式。

[caption id="attachment_209788" align="aligncenter" width="3600"] 有效指揮 AI：不只是會打字這麼簡單。（圖／鄭緯筌提供）[/caption]

在我的教學實踐中，我發現最大的瓶頸往往不在技術操作，而在於使用者無法清楚地「定義自己要什麼」。很多人對 AI 的不滿其實源自於他們自己都不知道自己想要什麼樣的結果。框架提到的「避免模糊或誤導性的提示」，正是在提醒我們：提示工程的核心能力，其實是清楚思考和精準表達的能力。

人機協作的核心哲學：AI 是放大器，不是替代品

在《AI 素養框架》的七大交付原則中，培養互補的人類技能（Build Complementary Human Skills）這一條格外重要。AI 工具是人類輸入的放大器，它的效能高度依賴於設計、管理和與之互動的人所具備的技能、知識和判斷力。

這個觀點與我長期以來倡導的「AI 是人類能力的乘數」完全一致。如果你的判斷力是 10 分，AI 可以幫你放大到 100 分的成果；但如果你的判斷力只有 2 分，AI 再強也只能把你放大到 20 分。更危險的是，如果你缺乏基本的批判思考能力，AI 的「放大效果」可能會讓你更快、更有自信地犯下更大的錯誤。

《AI 素養框架》因此強調，AI 素養的培訓不應該只聚焦在如何操作 AI 工具，更應該同步強化人類的批判思考、創造力、溝通表達和領域專業。這些所謂的軟技能，在 AI 時代非但沒有貶值，反而成為了決定你能否真正駕馭 AI 的關鍵因素。

我常在演講中這樣說：「不是 AI 會取代你，而是『會用 AI 且有判斷力的人』會取代『不會用 AI 的人』。」但這句話需要一個重要的補充——那個「判斷力」三個字，才是整句話的靈魂。沒有判斷力的 AI 使用者，充其量只是一個快速生產低品質內容的機器。該框架把人類技能和 AI 技能擺在同等重要的位置，這一點我高度認同。

[caption id="attachment_209790" align="aligncenter" width="3600"] AI 是人類能力的放大器，而非替代品。（圖／鄭緯筌提供）[/caption]

體驗式學習：別再只辦各種 AI 觀念講座了

《AI 素養框架》的第一條交付原則，就是啟用體驗式學習（Enable Experiential Learning），它明確指出：AI 素養最有效的培養方式，不是讓人在教室裡聽抽象的理論，而是讓人在真實場景中動手操作。工作者透過實際使用 AI 來解決真實任務，才能建立信心和理解——看見自己的輸入如何影響產出、透過反覆試錯來磨練直覺、建構出如何與 AI 高效協作的心智模型。

這一點對我來說，可謂心有戚戚焉。過去一年多，我在企業內訓中最常遇到的問題就是：許多公司花了大量預算請名師來暢談 AI 趨勢，員工聽完覺得很興奮、很有道理，但回到工作崗位之後，卻完全不知道該怎麼開始？原因很簡單，他們從頭到尾都沒有打開過任何一個 AI 工具、沒有輸入過任何一個提示、沒有看過任何一次 AI 的回應。不是他們不認真，而是找不到使用場景與需求、動機。

美國勞工部所發布的《AI 素養框架》，提出了幾個我非常認同的具體做法：將 AI 工具嵌入日常任務（像是寫信、研究或排程），提供互動式的提示練習（包括刻意設計「壞的」提示範例讓學員體驗差異），安排即時回饋與迭代環節，以及讓學員比較 AI 產出與人類作品的差異。這些做法的共同特點是：讓學習者在做的過程中，自然地發展出判斷力和使用直覺，而不是靠記憶規則和背誦操作步驟。

我特別欣賞這份框架提到的漸進難度設計（progressive difficulty levels），它從簡單的案例開始，逐步推進到更複雜的工作流。這與我在設計培訓課程時採用的「螺旋式學習」理念完全吻合。畢竟，AI 素養不大可能只上一堂課就學會，它需要的是持續的實踐和逐步的深化。

四類受眾，各有各的行動起點

《AI 素養框架》另一個值得讚賞的設計，是它明確區分了四類受眾的不同需求：工作者（Workers）、雇主（Employers）、教育培訓機構（Education and Training Providers），以及州與地方政府機構（State and Local Agencies）。每一類受眾都有各自不同的出發點、關注重點和行動建議。

對工作者來說，框架建議從辨識日常工作中可以讓 AI 協助的任務開始——例如草擬郵件、彙整報告、整理數據——然後比較 AI 的產出與自己慣常的做法，觀察 AI 在哪些地方節省了時間、在哪些地方仍然需要人類的監督和判斷？隨著信心增長，工作者可以進一步探索所屬產業的特定 AI 工具，觀察職缺描述中愈來愈多出現的 AI 技能要求，主動尋求進階訓練機會。

對雇主來說，《AI 素養框架》建議從審視目前哪些工作流程中已經出現 AI 工具開始，評估不同職位角色所需的 AI 素養層級，建立清楚的內部 AI 使用政策，並為不同角色設計適切的培訓內容。對教育培訓機構來說，重點在於將 AI 素養融入現有課程而非另設獨立科目，與在地企業合作以確保教學內容回應真實的勞動市場需求，以及建立從基礎素養到進階精通的清晰學習路徑。對政府機構來說，則需要評估區域內的 AI 採用趨勢，將 AI 素養整合進現有的就業服務和培訓計畫中。

[caption id="attachment_209794" align="aligncenter" width="2000"] 框架的四大受眾：各角色的行動指引。（圖／鄭緯筌提供）[/caption]

在我看來，這種分眾思維非常重要。在臺灣，我觀察到許多 AI 培訓活動犯了一概而論的錯誤，也就是把企業主管、基層員工、學校老師和公務人員都放在同一間教室裡，用同樣的內容和節奏來教學。結果主管覺得內容太淺、員工覺得太抽象、老師覺得缺乏教學應用、公務人員覺得與自己的工作無關。《AI 素養框架》提醒我們：有效的 AI 素養培訓，必須從受眾的真實需求和真實場景出發。

這篇文章 當 AI 素養成為全民標配——深讀美國勞工部 AI 素養框架的七個啟示（上）｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

如果你最近有在關注科技圈的動態，可能會注意到一隻紅色的「龍蝦」正在網路上瘋傳。這隻龍蝦不是什麼新的迷因，而是一款名為 OpenClaw 的開源 AI 代理專案，因為其吉祥物是一隻可愛的龍蝦（暱稱 Molty），在短短幾個月內就在 GitHub 上累積了超過 136,000 顆星星（截至2月1日下午四點半），成為 2025 年底至 2026 年初最受矚目的 AI 專案之一。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

如果你最近有在關注科技圈的動態，可能會注意到一隻紅色的「龍蝦」正在網路上瘋傳。這隻龍蝦不是什麼新的迷因，而是一款名為 OpenClaw 的開源 AI 代理專案，因為其吉祥物是一隻可愛的龍蝦（暱稱 Molty），在短短幾個月內就在 GitHub 上累積了超過 136,000 顆星星（截至2月1日下午四點半），成為 2025 年底至 2026 年初最受矚目的 AI 專案之一。

OpenClaw 的爆紅，標誌著一個重要的轉折點：AI 不再只是能夠回答我們問題的工具，而是開始成為能夠自主執行多步驟任務的數位同事。這個轉變，正是我今天想要跟大家深入探討的主題。

什麼是 AI Agent？為何此刻成為焦點？

在過去兩年，我們已經習慣使用 ChatGPT、Claude 或 Gemini 等生成式 AI 工具。我們隨意輸入一個問題，AI 立刻給我們一個答案；我們請它寫一篇文章，它也不廢話，旋即就產出一篇文章。這種互動模式自然也很好，但本質上仍是一問一答的工具使用方式。

但是，AI Agent（AI 代理人）不一樣。它不只是回答問題，而是能夠理解你的目標、規劃執行步驟、調用各種工具與 API，並且自主完成整個任務流程。用一個簡單的比喻來說：過去的 AI 像是一位隨時待命的顧問，你問什麼它就答什麼；而 AI Agent 則像是一位主動的執行者，當你告訴它目標，它會自己想辦法完成任務。

以 OpenClaw 為例，它的設計理念就是讓使用者透過 Telegram、WhatsApp 或 Slack 等通訊軟體下達指令，然後由 AI 代理自動執行任務。例如，你可以說：「幫我查看行事曆，找出未來兩週內的空檔，然後發出一封會議邀請函給研發部的王經理，並把會議資訊加到我的 Google 日曆。」AI Agent 會自動串接你的行事曆、郵件系統，一步一步完成這個多步驟的任務。

這種能力的突破，讓 AI Agent 在 2026 年成為企業數位轉型的核心議題。根據 Gartner 的最新預測，企業應用程式中嵌入 AI Agent 的比例，將從 2025 年的不到 5%，躍升至 2026 年底的 40%。這個八倍的成長幅度，意味著 AI Agent 正在從實驗室走向生產環境，從少數先驅者的玩具變成企業的標準配備。

龍蝦風暴：OpenClaw 教會我們什麼？

OpenClaw 的故事，本身就是一個精彩的案例。這個專案最初由知名軟體工程師 Peter Steinberger 在 2025 年底以 Clawdbot 的名字發布，後來因為收到 Anthropic 的律師函而改名為 Moltbot，最後定名為 OpenClaw。簡單來說，這個名字結合了開源（Open）與龍蝦爪（Claw）的意象。

為什麼這隻龍蝦能夠在短時間內，引起如此大的關注？我認為有幾個關鍵因素：

首先，開源的力量不可小覷。OpenClaw 完全免費開源，任何人都可以下載、安裝與修改。這不僅降低了入門門檻，讓更多人有機會實際體驗 AI Agent 的威力。

其次是本地部署的安全性考量，也值得關注。OpenClaw 可以在使用者自己的電腦或私有伺服器上運行，所有任務都在 Docker 容器中執行，即使 AI 產生幻覺想要刪除重要檔案，也不會影響到主系統。這種設計大幅降低了人們對 AI 失控的恐懼。

第三是跨平臺整合的便利性。透過 Telegram、WhatsApp 或 Slack 等日常使用的通訊軟體，使用者可以隨時隨地與 AI Agent 互動，不需要學習新的介面。這種無縫融入日常工作流的設計理念，讓 AI Agent 真正成為你的數位同事，而不是另一個需要額外操作的系統。

當然，OpenClaw 的爆紅也帶來一些警訊。由於 AI Agent 需要存取使用者的郵件、行事曆或檔案系統等敏感資料，資安專家已經發現許多使用者在設定時疏忽了安全性，導致 API 金鑰外洩、伺服器端口暴露等風險。這個焦點新聞，也提醒我們：在擁抱 AI Agent 的同時，也必須建立相應的治理與安全機制。

AI Agent 的企業應用場景

從我過去兩年在企業授課與顧問的經驗來看，AI Agent 最有價值的應用場景，通常集中在以下幾個領域：

第一是數據分析與報表生成。過去，企業要產出一份市場分析報告，可能需要分析師花費數天時間搜集資料、整理數據和製作圖表。現在，AI Agent 可以自動從多個資料來源擷取數據，進行分析，並生成視覺化報告，大幅縮短報告產出的時間。

第二是客戶服務與支援。傳統的聊天機器人只能處理預設的問答，但 AI Agent 可以理解更複雜的客戶需求，主動查詢訂單狀態、處理退換貨流程、甚至協調跨部門的問題解決。這不僅提升了客戶滿意度，也讓客服團隊能夠專注於真正需要人類判斷的案件。

第三是文件處理與知識管理。企業每天產生大量的文件，像是：合約、報告、會議紀錄或郵件往來。AI Agent 可以自動分類、摘要與歸檔這些文件，並在需要時快速檢索相關資訊。

第四是流程自動化與系統整合。話說回來，這其實是 AI Agent 最擅長的領域。過去需要人工在不同系統之間複製貼上、核對資料的工作，現在可以由 AI Agent 自動完成。

第五是決策支援。AI Agent 可以持續監控市場動態、競爭對手資訊、內部營運數據，並在發現異常或機會時主動提醒決策者。這種主動式的決策支援，與過去被動查詢的商業智慧系統形成鮮明對比。

人機協作的新模式

有些人可能會擔心：AI Agent 這麼厲害，是不是要取代人類了？我的觀察恰恰相反。AI Agent 的出現，其實是在重新定義人機協作的模式，而不是取代人類。

在這個新模式中，人類的角色從執行者轉變為指揮官。過去我們親自撰寫報告、整理資料、發送郵件；未來我們設計工作流程、審核 AI 輸出、做最終決策。

這種人機協作模式的成功關鍵，在於人類能否有效地指揮 AI Agent。這需要我們培養新的技能：設計清晰的任務指令、拆解複雜的工作流程、評估 AI 輸出的品質、在必要時提供修正指引。這些技能，將成為 2026 年職場人士的核心競爭力。

臺灣中小企業的機會

對於臺灣 171.5 萬家中小企業來說，AI Agent 的崛起是一個難得的機會。過去，大型企業可以投入鉅資建置自己的 AI 系統，中小企業只能望塵莫及。但如今伴隨 OpenClaw 這類開源方案的出現，大幅降低了入門門檻。

我建議臺灣的中小企業，可以採取以下的導入策略：

第一步，盤點痛點。先找出公司內部最耗費人力、最具重複性與最容易出錯的工作流程。這些地方，通常是 AI Agent 可以快速見效的切入點。例如：每週例行的報表整理、客戶詢問的標準化回覆和內部文件的分類歸檔等。

第二步，小規模測試。選擇一個明確的任務，用開源或低成本的 AI Agent 方案進行測試。不需要一開始就追求完美，重點是讓團隊實際體驗 AI Agent 的能力與限制，累積經驗。

第三步，擴大應用。在測試成功的基礎上，逐步將 AI Agent 擴展到其他業務流程。同時，建立相應的治理機制，確保資料安全與品質管控。

職場人士的因應之道

對於個人而言，AI Agent 時代的來臨意味著我們需要培養新的技能組合。根據 IDC 的預測，到了 2030 年時，全球有 45% 的組織將大規模協調 AI 代理，並將其嵌入於各業務職能，Agentic AI將從孤立的試點演變成企業層面的協調，徹底改變全球經濟各領域的決策、營運與競爭力。

綜觀全球的 AI 發展趨勢，我認為職場人士需要培養以下四種核心能力：

第一，提示詞設計能力。這不只是寫出讓 AI 理解的指令，而是要能夠精準描述需求、拆解多步驟任務、設計 Agent 的工作流程與決策邏輯。好的提示詞設計，可以讓 AI Agent 的輸出品質提升數倍。

第二，系統思維能力。AI Agent 的價值在於串接不同系統、自動化端到端的流程。要發揮這個價值，我們需要理解整體業務流程，找出自動化的機會，設計不同 Agent 之間的協作方式。

第三，品質審核能力。AI Agent 並非完美的，它可能會產生錯誤、遺漏重要資訊，甚至出現幻覺。我們需要能夠快速評估 AI 輸出的正確性與適當性，識別問題，並提供有效的修正指引。

第四，持續學習心態。AI 技術的演進速度極快，今天最先進的工具可能明天就被超越。唯有保持好奇心、願意實驗新工具以及從實踐中累積經驗，才是這個時代最重要的競爭力。

展望：2026 年的關鍵布局

回顧過去兩年生成式 AI 的發展，我們可以清楚看到一條軌跡：從文字生成到多模態、從單次對話到持續記憶、從回答問題到自主執行。AI Agent 的應運而生，其實是這條軌跡的自然延伸，也是下一階段的主戰場。

對於臺灣眾多的中小企業而言，2026 年是關鍵的布局年。那些現在開始實驗、累積經驗與建立治理框架的企業，將在未來幾年取得領先優勢。反之，那些仍在觀望、猶豫不決的企業，可能會發現自己愈來愈難以追趕。

對於個人來說，現在是最好的學習時機。AI Agent 的工具愈來愈容易使用，學習資源也愈來愈豐富。與其等到 AI Agent 成為職場標準配備才被迫學習，不如現在就主動出擊，成為這個領域的先行者。

那隻紅色的龍蝦，已經敲響了 AI Agent 時代的大門。你，準備好迎接這位新同事了嗎？

這篇文章 AI Agent 來了！從工具到數位同事的職場革命｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

身為一名大學講師，我知道很多研究生每天都在與時間賽跑。諸如論文進度、文獻閱讀、實驗數據以及與指導教授開會的會議記錄⋯⋯這些資訊，散落在不同的應用程式中：待辦事項用 Notion，筆記用 Heptabase，文獻管理用 Zotero，時間追蹤用番茄鐘 App。我看到很多人，每天光是在這些工具之間切換，就耗費了大量的認知負荷。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

Debug 之旅：當測試成為最好的老師

環境變數的隱形殺手

在本地測試時，一切運作正常。但當用戶回報「新增筆記失敗」時，我陷入了困惑。後端日誌顯示沒有收到任何 POST 請求，前端卻顯示「保存失敗，請稍後再試」。老實說，這種「幽靈錯誤」最難除錯，因為你不知道問題出在哪一個環節？

經過 Claude Code 仔細地檢查，發現前端開啟了兩個 Vite 開發伺服器實例，而且它們使用的環境變數可能不一致。問題的根源在於我在不同的終端視窗中多次執行 npm run dev，而 Vite 的熱重載機制讓我誤以為服務已經更新。

經過與 Claude Code 的討論，解決方法很直接：關閉所有 Vite 進程，重新啟動單一實例。但這個經驗讓我學會了使用 ps aux | grep vite 來檢查執行中的進程，以及在啟動服務前先確認沒有殘留的進程。更重要的是，我在專案中加入了 .env.example 檔案，明確記錄所有需要的環境變數，避免團隊成員（或未來的自己）踩到同樣的坑。

資料庫初始化的暗黑時刻

在準備部署時，我發現一個更嚴重的問題：本地測試用的 SQLite 資料庫檔案是 0 位元組。這意味著資料庫從未真正初始化成功，我一直在測試的是某個未知位置的資料庫檔案。

原來，Flask 的資料庫初始化邏輯預設會在 instance 目錄下創建資料庫檔案，而我的 app.py 中使用了相對路徑 sqlite:///gradpilot.db，這導致 Flask 在預期的位置找不到資料庫。更糟的是，我在 app.py 中實作了一個簡單的初始化機制：只有在第一次請求時才創建資料表。如果這個機制失敗，所有後續的請求都會失敗，但錯誤訊息卻不明確。

修復這個問題，需要手動執行資料庫初始化：進入 Python shell，匯入 app 和 db，然後執行 db.create_all()。從那之後，我學會了在專案的 README.md 中明確記錄初始化步驟，並在部署腳本中加入資料庫初始化指令。這個教訓告訴我，部署前的環境驗證絕對不能省略。

測試驅動的品質保證

當所有功能都實作完成後，我面臨一個問題：如何確保所有功能都能正常運作？手動測試既耗時，又容易遺漏細節。於是，我請 Claude Code 創建了一份詳盡的測試清單 TESTING_CHECKLIST.md，涵蓋 12 個主要功能模組、超過 300 個測試項目。

這份清單不僅僅是一個核取清單，它更像是一份互動式的測試指南。每個測試項目都包含明確的操作步驟和預期結果，讓任何人都能按圖索驥地完成測試。在測試過程中，我發現了前面提到的所有 bug，也驗證了修復的正確性。

在測試的過程中，也讓我重新審視了使用者體驗。例如，我發現番茄鐘的提示文字寫著「保持專注 25 分鐘」，但這個數字應該根據使用者設定動態改變。這種細節很容易在開發過程中被忽略，但對使用者體驗卻有顯著影響。

部署的最後一哩路

在本地端的程式順利執行之後，接下來會遇到另一個問題，就是不知要部署到哪個主機？得花多少錢？

經過 Claude Code 的建議，最後選擇了 Render 作為部署平臺。相比於 Heroku（已取消免費方案）和 AWS（對新手不友善），Render 提供了簡單易用的介面和慷慨的免費額度。更重要的是，它原生支援從 Git 倉庫自動部署，這讓 CI/CD 流程變得極其簡單。

此外，部署配置檔 render.yaml 很重要，它定義了整個應用的架構：PostgreSQL 資料庫、Python 後端服務與靜態前端網站。Render 會自動讀取這個檔案，創建所有必要的資源，並設定正確的環境變數。唯一需要手動處理的是敏感資訊如 SECRET_KEY 和 JWT_SECRET_KEY，Render 提供了自動生成功能，確保每個部署環境都有獨立的密鑰。

第一次部署時，我遇到了 CORS 錯誤。前端部署在 gradpilot-frontend.onrender.com，後端部署在 gradpilot-backend.onrender.com，瀏覽器的同源政策阻止了跨域請求。解決方法是在後端配置 CORS 白名單，允許來自前端域名的請求。這個問題提醒我，本地開發環境和生產環境的差異永遠存在，必須在實際部署後進行完整測試。

效能優化：在免費方案的限制中求生存

值得注意的是，Render 的免費方案有一個顯著的限制：服務閒置 15 分鐘後會進入休眠狀態，下次訪問時需要 30-60 秒的喚醒時間。這對使用者體驗是個挑戰，但也促使我思考如何在前端層面進行優化。

在 Claude Code 的協助之下，我實作了一個簡單但有效的載入狀態管理系統。當使用者首次訪問時，如果後端還在喚醒，前端會顯示友善的載入動畫和提示訊息，而不是讓使用者面對一片空白。這個小小的改變大幅提升了使用者的容忍度。

另一個優化是實作資料快取。用戶的基本資訊在登入後會存放在 localStorage，避免每次頁面刷新都需要重新從後端獲取。這不僅加快了載入速度，也減少了後端的負擔。當然，敏感資訊如 JWT token 需要謹慎處理，我設定了合理的過期時間，並在登出時清除所有快取資料。

從 MVP 到產品：使用者回饋的力量

當 GradPilot 2.0 上線後，我邀請了幾位研究生朋友試用。他們的回饋既有鼓勵也有批評，但都極具價值。有人反映番茄鐘的預設時間太長，有人希望能在筆記中插入圖片，有人建議增加資料匯出功能以防資料遺失。

這些回饋，促使我重新思考產品的定位。GradPilot 不應該是一個功能完整的工具，而應該是一個恰到好處的工具。畢竟，研究生已經有太多複雜的工具需要學習，他們需要的是一個簡單、直覺又能專注於核心需求的平臺。

基於這個認知，我實作了資料匯出功能，支援 JSON、CSV 與 Markdown 等多種格式。這不僅解決了資料備份的需求，也讓使用者能自由地將資料遷移到其他工具。這種不鎖定使用者的設計哲學，反而增加了使用者的信任和忠誠度。

技術債與重構的永恆輪迴

隨著功能的增加，技術債也在累積。有些程式碼寫得匆忙，有些設計不夠優雅，有些測試覆蓋不足。但作為一個新手開發者，我必須在完美和完成之間取得平衡。

Claude Code 教會我採用漸進式重構的策略，也就是每次新增功能時，順帶重構相關的舊程式碼。例如，在實作文獻管理功能時，我發現待辦事項和筆記的標籤處理邏輯幾乎相同，於是我抽取了一個共用的 formatTags 函數。這種遇到問題就修改的策略，讓程式碼品質在不知不覺中持續提升。

當然，有些技術債必須專門騰出時間來處理。例如，前端的狀態管理一度變得非常混亂，有些狀態存在 Context，有些存在組件內部，有些存在 localStorage。我花了一個晚上梳理問題，統一了狀態管理的模式，大幅降低 bug 的發生率。

開源與社群：站在巨人的肩膀上

這個專案能取得初步的成功，很大程度上歸功於開源社群。Flask、React、Vite、TailwindCSS⋯⋯每一個工具都凝聚了無數開發者的心血。當我遇到問題時，往往能在 Stack Overflow、GitHub Issues 或官方文件中找到答案。

作為回饋，我選擇將 GradPilot 2.0 的完整原始碼開源在 GitHub 上，並撰寫了詳盡的文件和部署指南。我希望這個專案能幫助其他有類似需求的研究生，也希望它能成為初學者學習全端開發的參考案例。

開源不僅僅是分享程式碼，更是分享知識和經驗。在撰寫文件的過程中，我重新審視了自己的設計決策，發現了許多可以改進的地方。教學相長，這個過程本身就是一種學習。

展望未來：永不停歇的迭代

GradPilot 2.0 目前已經滿足了我的基本需求，但這只是開始。我已經在規劃 3.0 版本，計劃加入更多進階功能：與文獻資料庫的 API 整合、基於機器學習的文獻推薦或多人協作的研究筆記等。

但在追求新功能之前，我會先確保現有功能的穩定性和使用者體驗。這是我在這次開發中學到的最重要的一課：好的產品不是功能最多的產品，而是最能解決使用者問題的產品。

回顧這 30 個小時的開發旅程，在 Claude Code 的協助之下，我不僅建立了一個實用的工具，更重要的是培養了一種系統化的思考方式。面對複雜的問題，如何拆解成可管理的小任務？遇到 bug 時，如何有條理地排查？在資源有限的情況下，如何做出明智的技術選擇？

我覺得，這些能力遠比寫出漂亮的程式碼更重要。技術會過時，工具會更迭，但解決問題的思維方式是永恆的。GradPilot 2.0 對我來說不只是一個專案，它是一次完整的學習歷程，一次從想法到產品的實踐，一次對自己能力的挑戰和證明。

無論你是一位上班族或研究生，如果你也有想要解決的問題，我鼓勵你動手去做。不要被技術的複雜性嚇倒，不要等到準備好了才開始。正如我的經驗所示，最好的學習往往發生在實作的過程中，最大的成長往往來自於克服困難的時刻。

現在，就開始和 AI 共創你的第一行程式碼吧。你的作品正在呼喚你！

這篇文章 Vibe Coding 從零到部署： 30 個小時寫出一套學習儀表板（下）｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。