說到生成式 AI，如今大家已經相當熟悉。過去幾年，中小企業對 AI 的認知大多建立在純文字指令上。舉凡撰寫商業文案、翻譯郵件或產出會議記錄、企業提案等，只要簡單地下幾個提示詞，AI 立刻可以信手拈來。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）

說到生成式 AI，如今大家已經相當熟悉。過去幾年，中小企業對 AI 的認知大多建立在純文字指令上。舉凡撰寫商業文案、翻譯郵件或產出會議記錄、企業提案等，只要簡單地下幾個提示詞，AI 立刻可以信手拈來。

[caption id="attachment_252336" align="aligncenter" width="1672"] 過去幾年，中小企業對 AI 的認知大多建立在純文字指令上。舉凡撰寫商業文案、翻譯郵件或產出會議記錄、企業提案等，只要簡單地下幾個提示詞，AI 立刻可以信手拈來。（圖／AI生成）[/caption]

誠然這些應用帶來諸多便利，但時序進入 2026 年下半年，企業開始迎來不同的挑戰，亦即真實商業運作，不只局限於純文字內容，更有多元的資訊展現。好比客戶傳來的語音訊息、現場照片、PDF 格式的估價單、隨手畫下的設計草圖以及 ERP 裡的結構化數據，交織成一幅又一幅職場的日常景象。

多模態 AI（Multimodal AI）的崛起，讓人工智慧正式具備感知文字、語音、影像、視覺佈局與影片的全感知能力。對普遍資源有限、缺乏龐大 IT 團隊的中小企業而言，這無疑是打破資料孤島、倍增人均產值的最強槓桿。

[caption id="attachment_252331" align="aligncenter" width="12800"] AI 從讀懂文字，到看懂整個現場。（圖／鄭緯筌提供）[/caption]

要談到多模態 AI 所造成的影響，我們得先認識何謂多模態？從傳播學的角度來看，多模態本質上就是人類最自然的溝通狀態，因為人類的交流從來都不是單一維度的。傳播學大師克瑞斯（Gunther Kress）與凡留文（Theo van Leeuwen）的社會符號學理論早就指出，人們在傳遞訊息時，往往會同時組合使用文字、圖像、聲音、肢體和空間等兩種以上的符號系統來共同製造意義。

在這種傳播情境中，任何單一符號都是不完整的，不同模態之間會產生一種協同效應，讓最終的整體意義大於個別加總。例如當我們看電影《奧德賽》（The Odyssey）時，主角奧德修斯經歷了特洛伊戰爭與多年海上漂泊，面對殺戮的創傷、神諭與文明毀壞的感嘆令人動容。主角所說出的任何一句對白，必須與他當時的眼神、背景的配樂以及畫面的色調交織在一起，受眾才能理解出最真實的情感與脈絡。

從傳播媒介的演進史來看，人類社會經歷了從純文字的印刷媒介、聲音與影像結合的廣播電視，再到如今充滿短影音與互動模式的社群平臺，這條發展路徑其實就是媒介不斷多模態化的過程，而多模態也就是為了突破單一媒介的傳播限制，讓資訊能更立體、更便捷地在人際之間流動。

[caption id="attachment_252332" align="aligncenter" width="12800"] 媒介史，其實是一部多模態化的歷史。（圖／鄭緯筌提供）[/caption]

當我們把傳播學中多感官協同溝通的觀念放進科技領域，就能理解何謂多模態 AI，以及它為何會成為企業不可或缺的利器。簡單來說，多模態 AI 是指能夠同時接收、理解、並整合文字、圖像、音訊與視訊等兩種以上不同類型數據的人工智慧系統。這項技術本質上是讓機器去適應人類最自然的溝通方式，打破了過去人機互動的冰冷現況。

讓我們回到中小企業的營運場景，最常在職場上看見的瓶頸，不外乎來自資料跨格式造成的轉錄人力成本、現場與後臺資訊異步引發的溝通誤差，以及經驗傳承斷層。多模態 AI 之所以受到業界青睞，在於它能真正看懂複雜表格、流程圖、建築設計圖與發票佈局，精準理解結構意圖；它跳過語音轉文字再丟給語言模型的延遲，直接捕捉說話者的情緒、語調與背景音，迅速做出應答與行政觸發；它還能結合智慧手機或穿戴式裝置，分析現場照片或短影片，比對標準作業程序並即時給予回饋。

對中小企業來說，多模態 AI 的出現之所以重要，首先在於它能大幅提升企業內外部的溝通與營運效率。傳統企業內部充斥著大量結構複雜的非結構化資料，例如包含工程圖紙的技術手冊、附帶產品照片的客訴信件、或是線上會議的錄音錄影。過去，這些資料需要不同部門的人力去分別閱讀、整理與跨部門核對；現在，多模態 AI 能夠迅速理解這些多媒體資料，自動對齊產品照片、客戶的語音抱怨與後臺的文字紀錄，在幾秒鐘內抓出問題核心並給出解決方案，省去了繁瑣的跨系統整合流程。

建議大家在導入多模態 AI 時，應以貴公司實際需求與流程自動化為核心，而不要單純考量技術或預算問題。

[caption id="attachment_252333" align="aligncenter" width="12800"] 三家企業，分別動用了哪幾種感官？（圖／鄭緯筌提供）[/caption]

舉例來說，日本正將多模態 AI 帶入現實世界的實體 AI （Physical AI）之中。如果說多模態 AI 扮演超越單一文字的全感官大腦，能同步看見圖像、聽懂聲音並閱讀文字。那麼，實體 AI 就是賦予AI 具有身體與物理行動力，讓大腦能與機械硬體緊密結合。

近年來，工具機大廠發那科（FANUC）與 Google Gemini Enterprise 展開合作，在工廠機械手臂上導入多模態 AI 代理。手臂上的鏡頭能即時看懂複雜的工程藍圖（圖像），結合感測器的震動異音（音訊），並讀取技術規格手冊（文字）。這讓機器手臂不需要工程師手動編寫繁瑣的自動化程式碼，就能自主理解如何抓取、組裝全新形狀的零件，並在設備發生微小磨損前自動發出預警。

而德國汽車巨頭賓士（Mercedes-Benz），則選擇跳脫傳統指令式語音，與 Liquid AI 合作，將原生多模態大模型直接內嵌至車載晶片中。最新的駕駛輔助系統能夠一邊透過車外與車內相機監控路況與駕駛眼神（視覺），一邊聆聽駕駛說話的語調與用詞（音訊）。這讓車輛不只能做到自動駕駛防撞，還能像一個具備空間感的人類副駕駛，當你轉頭看向窗外某棟建築並問「那是什麼」時，AI 能立即透過空間對齊，辨識出你的視線目標，並透過語音向你導覽該景點的历史。

另外，全球零售龍頭沃爾瑪（Walmart），亦將多模態 AI 佈署於供應鏈與門市端。在物流端，AI 代理結合了氣象衛星雲圖（圖像）、各區域供應鏈報告（文字）與即時運輸感測器數據，在颶風、地震等天災來襲前幾分鐘內，就能自主重新規畫多個配送中心的路徑與庫存。而在零售門市，Walmart 導入了 AI 視覺防竊系統，結帳櫃檯的相機鏡頭能一邊辨識顧客的掃描動作（動態視覺），一邊比對 RFID 標籤與 POS 系統的品項紀錄（文字數據），精準抓出漏掃描或偷竊行為，在保護隱私的同時大幅降低損耗率。值得注意的是，Walmart 並非單純透過科技力量來解決所有問題，而是依照不同場景導入適合的解決方案。

從上述這些國際成功案例可以清楚看出，企業導入多模態 AI 的共同成功心法，絕非只是導入尖端技術而已，而是必須從根本上重新設計數據流與應用場景。唯有透過這樣的策略，AI才能不再只是輔助工具，而是可以真正取代重複且容易出錯的人工環節，大幅提升效率與準確度，進而創造可持續的商業價值。

有鑒於臺灣高達九成以上的企業是中小企業，對於這些資源有限的中小企業，建議在導入多模態 AI 時，切忌盲目投入昂貴的客製化大模型開發，而應採取輕資產、重流程的策略。首先應盤點內部營運，找出那些需要人工將照片、PDF 或語音轉換為打字資料的高頻重複節點。接著，優先選用市面上成熟的商業 API 或已整合 AI 功能的套裝軟體，利用自動化工具將 AI 與現有的系統黏合，迅速進行小規模測試。在推動數位轉型的過程中，企業也必須建立嚴格的資安規範，禁止員工上傳敏感個資或營業秘密，同時將人才培訓的重心從單純的指令撰寫轉向批判性思考與驗證能力，讓員工發揮判斷力，扮演最終的把關者。

多模態 AI 的核心價值從來不在於取代人力，而是為每位員工配備具備全方位感知能力的數位助手。當一家人員編制不到二十人的小公司，能透過這項技術處理相當於百人規模的跨格式數據與客服量時，企業預算與規模將不再是絕對的護城河，營運敏捷度與人均產值才是競爭的勝負關鍵。愈早理解到此一現實，並願意積極盤點自身非結構化資料流程、將多模態技術融入日常營運的中小企業，將愈能以極低的邊際成本實現商業利益。

這篇文章 擁抱多模態AI時代：中小企業如何用全感知能力重塑營運與人均產值｜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。

今年春天，我兩度南下西子灣，走進中山大學中文系的教室。邀請我前往擔任業師的，是中文系副教授吳孟謙老師。他開設的課程叫「傳習錄」，讀的是王陽明，而他要學生交出來的期末作業，不是報告，也不是論文，而是一個可以讓人用滑鼠點進去、真的玩得起來的互動網頁。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）

今年春天，我兩度南下西子灣，走進中山大學中文系的教室。

邀請我前往擔任業師的，是中文系副教授吳孟謙老師。他開設的課程叫「傳習錄」，讀的是王陽明，而他要學生交出來的期末作業，不是報告，也不是論文，而是一個可以讓人用滑鼠點進去、真的玩得起來的互動網頁。

[caption id="attachment_240990" align="aligncenter" width="1536"] 那兩場工作坊的名字取得很有意思：「當 AI 成為王陽明：AI 指令與 Vibe Coding 實作工坊」。（圖／AI生成）[/caption]

那兩場工作坊的名字取得很有意思：「當 AI 成為王陽明：AI 指令與 Vibe Coding 實作工坊」。我的任務，是帶著一群沒寫過程式的中文系學生，從零開始學會怎麼跟 AI 下指令、怎麼把一個模糊的構想長成一個能跑的網頁。

老實說，接到邀請時我是有點好奇的。中文系跟 Vibe Coding，聽起來像是兩個世界。

如今學期結束，四組作品都上線了。吳老師和碩二的教學助理廖婕妤甚至自己用 Vibe Coding 架了一個成果網站（https://yangming-ai.netlify.app/），把學生根據回饋修正過的作品完整呈現出來。回饋問卷顯示，學生對這次專題的整體滿意度高達四點八分（滿分五分）。

🚀 網站來源：https://yangming-ai.netlify.app/

嗯，這件事值得好好談一談。它表面上是一門中文系的課，骨子裡卻是這幾年所有大學與企業都在問的同一個問題：AI 到底能不能讓人學得更好？如果能，要怎麼做？

當技術門檻消失，剩下來的才是真的

讓我先來說說那四組作品。

「致良知．植心田」把課堂上原本的書面作業「致良知日誌」，改造成一款療癒系的植物養成遊戲：你每天做一次覺察與實踐，心田裡的植物就長大一點。「陽明心學知識王」模仿益智對戰遊戲，玩家化身為與盜賊對陣的陽明先生，題目卻不是背誦考題，而是職場誠信、AI 倫理與網路暴力這些現代場景。

「心的冶煉：王陽明的心靈解藥」抓住陽明「成色分兩」的比喻，設計生活情境測驗，讓玩家反求諸己，最後產出一份黃金純度的分析報告。「心學修養明鏡」則結合 MBTI 式的心理測驗，以陽明門下的重要弟子作為人格代表，幫玩家看見自己的習氣，再推薦合適的修養功夫。

你發現了嗎？這四組作品裡，真正有意思的東西是同學們的創意。

寫網頁的部分，AI 全包了。可是把成色分兩轉譯成黃金純度報告、用陽明門下弟子當人格原型、讓答題的對手是盜賊而題目是 AI 倫理，這些 AI 一步也做不了。那是要真的讀過《傳習錄》、真的想過陽明在說什麼、而且真的知道現代人卡在哪裡，才長得出來的東西。

換句話說，當技術門檻被 AI 抹平之後，剩下來、露出來或被看見的，是學生對文本的理解深度。

這正是這門課最有趣的地方。中山大學中文系的師生們沒有把 AI 當成一個高不可攀的技術門檻，而是拿 AI 當一把鑿子，鑿開原本被程式語法擋住的那道牆，讓人文素養本身變成作品的主體。

而這裡藏著一個很多人會忽略的細節，那就是作品必須能執行。一份報告寫得含糊，老師可能看不太出來；一個網頁邏輯不通，使用者三秒鐘就卡住了。當學生必須把致良知這種抽象概念，拆解成使用者點得下去、系統跑得出來的流程，他就被迫面對一個問題：這個概念，具體到底是什麼？

程式碼是不留情面的，它會逼你把想法想清楚。

AI 賦能學習的三個層次

談 AI 賦能學習，我看過太多場合停在第一層就結束了。

第一層是工具層：AI 幫你做完你本來就會做的事，只是更快。用 AI 整理逐字稿、翻譯文獻、生成投影片，都屬於這一層。效率的提升是真的，但它不會改變你能做出什麼樣的東西。工具層的 AI，讓一個中等的學生變成一個比較快的中等學生。大部分組織導入 AI，第一年就卡死在這裡。

第二層是方法層：AI 讓你做得成你本來做不到的事。中文系學生做出互動網頁，就是方法層。在 Vibe Coding 出現之前，這種作業不可能存在，不是因為學生沒創意，而是因為橫在中間的是一年半載的程式訓練。這道牆一倒，作業的形式就可以重新設計，而形式一改變，學習的深度也跟著改變。

方法層的關鍵字不是更快，是重新設計。它問的問題是：如果那個限制不存在了，這件事本來應該長什麼樣子？絕大多數大學課程和企業內訓真正該投資的是這一層。可惜很多人拿到了方法層的能力，卻只用它來加速工具層的任務，像買了一臺車，只用來在自家院子裡繞圈。

第三層是主體性層：AI 逼你面對你到底是誰、你到底相信什麼？

根據課程的回饋問卷，不少學生坦言，修課前對人文學科是否該使用 AI 抱持疑慮，擔心喪失學習的主體性。這個疑慮完全合理。我甚至覺得，會有這種疑慮的學生，才是真的在思考。

而實作之後，他們的看法轉變了。大四生黃鈺玲說，若能夠妥善運用，AI「其實可以成為我們在轉譯經典的好夥伴」。大三的趙詩亞提到，這種學習方式在成就感很高的同時，「也能夠檢視自己的所學是否融會貫通」。最讓我印象深刻的是大三的張紫芸，她在克服團隊困難的過程中，領悟到「真正需要面對的並非外在環境，而是自己內心的情緒與執著」。

你看，這句話已經不是在講 AI 了。這是陽明學。

一門課教到讓學生在跟 AI 協作的挫折裡，親身體會到心外無物是什麼意思，這已經超過任何評量表能打的分數。AI 在這裡的角色不是老師，也不是助手，而是一面鏡子。它把你思考的模糊、表達的含混、判斷的猶疑，一寸不差地照回來給你看。

知是行之始，行是知之成。這門課真正的教材，是學生跟 AI 反覆磨合的那段過程本身。

大學可以怎麼做：五個可複製的設計支點

我把中山大學中文系這門課成功的關鍵，整理成五個支點。它們跟學科無關，社會系、法律系或醫學系一樣可以用。

支點一：交出一個能跑的東西，而不是一份能讀的報告。作品必須是活的、可互動的、會壞掉的。只有可執行的產出，才會誠實地反映出思考的漏洞。報告可以靠修辭遮掩，網頁不行。

支點二：綁死一條不可妥協的專業標準。中山這門課的四組作品，全部都要兼顧原典根據與互動轉化。如果只要求好玩，學生就會滑向做遊戲；如果只要求引經據典，AI 又幫不上什麼忙。真正的教學設計，是把 AI 幫得上忙的部分（形式、實作、介面）和 AI 幫不上忙的部分（文本、詮釋、判斷）綁在同一份作業裡，讓學生無處可逃。每個學科都找得出自己那條線：法律系是法條與判決依據，醫學系是臨床證據等級，商學系是財務數字的來源。把那條線畫清楚，AI 就從代寫工具變成放大器。

支點三：公開發表，而且開放試玩。吳老師特意在期末辦了成果發表會，讓同學們上臺展示、開放試玩與分組互評。這個安排看起來像儀式，實際上是品質控制。當你知道同學會親手玩你的作品、會當場點壞它，認真的程度就完全不一樣。吳老師和助教更把作品架成公開網站，這一步把作業升級成作品。

支點四：留一輪修正。成果網站上放的，是學生根據教師回饋針對不足之處優化過的版本。AI 的第一版產出通常是及格的或平庸的。真正的學習發生在拿到回饋之後再改一次的那個時刻，因為那一刻學生必須判斷：老師說的哪些要聽，哪些是我自己的堅持。這就是主體性的訓練。

支點五：老師和助教自己要下場。吳老師和廖婕妤自己用 Vibe Coding 架了成果網站，這個細節比什麼都重要。一個沒有親手跟 AI 摔跤過的老師，很難判斷學生交上來的東西是真的想過，還是丟給 AI 隨便生的。教學者的手感，騙不了人。

企業可以怎麼做：三個切點與一個常見的錯誤

把場景換到企業，這五個支點幾乎可以原封不動地搬過去，只是名詞要稍微換一下。

先講那個最常見的錯誤：從導入工具開始。太多企業的 AI 轉型是這樣啟動的：買一批軟體授權、辦一場通識講座、發一份使用手冊，然後宣布公司已經 AI 化了。三個月後檢視，只有 IT 部門和幾個本來就愛玩的同事在用。問題出在這套做法完全停在工具層。你只是給了大家一支更快的筆，卻沒有換掉那張要寫的考卷。

正確的順序是反過來的：先問如果這個限制不存在，這件事應該長什麼樣子，再回頭決定要用什麼工具。以下是最容易切入、也最容易看到成果的三個地方。

切點一：把內部知識做成活的東西，而不是死的文件。每一家公司都有一批沒人看的文件：新人手冊、SOP、產品知識庫、法遵規範。它們的問題從來不是寫得不好，而是形式錯了。沒有人會在需要的當下，跑去翻一份四十頁的 PDF。中山大學的學生把《傳習錄》做成互動測驗、養成遊戲、情境問答；同樣的邏輯，你的法遵規範可以做成情境判斷小工具，新人手冊可以做成帶著新人跑一輪真實流程的互動導覽。而現在，做這些東西的成本已經低到一個有耐心的資深員工加上一個週末就能做出雛形。

切點二：讓最懂業務的人，自己做出他需要的小工具。企業裡最痛的落差，永遠是最懂問題的人不會做工具，會做工具的人不懂問題。IT 的排程排到明年，業務單位只好繼續用 Excel 硬撐。Vibe Coding 真正的顛覆，是把做一個小工具的門檻，從一年的程式訓練壓縮到一個下午的耐心。中文系的學生做得出網頁，你的業務主管當然做得出報價試算器、客訴分類看板、排班衝突檢查表。前提是分清楚界線：這類工具是內部的、輔助性的、可拋棄的，涉及客戶資料、金流、對外服務的系統，該走正規開發流程就得走。

切點三：把內訓的產出，從上完課改成交作品。一場口碑好的內訓，跟一場有用的內訓，中間隔著一份作品。如果你要辦 AI 內訓，我的建議是不要教工具，改成讓每個人帶著自己手上真實的、卡住的工作來。上課的時間拿來做，下課時每個人交出一個能跑的東西，並且讓同事點開來玩，然後留一輪修正。差別只在於，學生交的是網頁，員工交的是那個困擾了他三個月的流程解方。

至於那條不可妥協的專業標準，在企業裡對應的是你們的業務底線：資安紅線、法遵要求、品牌語調或數字來源。把它明確寫下來，成為每一份 AI 產出的驗收條件。而支點五只有一句話：如果主管自己沒用過，就不要指望團隊會用。

關於界線：賦能不等於外包

最後，我必須把話題拉回那個學生最初的疑慮：使用 AI，會不會喪失學習的主體性？

我的答案是：會，而且非常容易。分界線只有一條，卻異常清楚。AI 用來擴大你的表達半徑，是賦能；AI 用來取代你的判斷過程，是外包。

當一個學生用 AI 把自己讀懂的陽明學做成網頁，他的理解沒有變少，只是找到了新的出口。另一個學生請 AI 幫他總結陽明學再包裝成網頁，成品看起來可能差不多，但他的腦子裡什麼也沒留下。這兩者從外觀上難以分辨，正是 AI 時代所有教學者和管理者共同的難題。

唯一有效的辦法，是把評量的重心從產出移到過程與答辯。作品完成之後，讓他解釋：為什麼選這個概念？為什麼是這個互動形式？AI 給你的第一版長什麼樣，你改了哪裡，為什麼要改？真正想過的人，這幾題答得出來；外包出去的人，答不出來。

主體性不是靠拒絕使用 AI 來保存的，那只是把問題延後。它是在每一次「我要不要接受 AI 這個建議」的決定裡，一次一次累積起來的。用得越多，決定得越多，主體性反而越強壯。前提是你真的在決定，而不是在點頭。

回到那句話

成果網站的首頁上，有這麼一句話：「無心外之理，無心外之物。知是行之始，行是知之成。今以 AI 為具，融經典於網頁，知行合一。」

我很喜歡「今以 AI 為具」這四個字。具，是工具、是器具，不是主人，也不是對手。

這兩年關於 AI 的討論，多半糾結在它會不會取代我。可是在西子灣的那間教室裡，我看到的畫面完全不同：一群不會寫程式的中文系學生，正把一個五百年前的思想家，重新翻譯給這個時代的人聽。他們用的方法是 AI，但翻譯的人是他們自己。

四點八分的滿意度，不是因為 AI 有多神奇，而是因為他們終於能把腦子裡想的東西做出來，而且真的有人願意玩。那種感覺，每一個曾經在深夜按下執行、看著自己的東西跑起來的人，都不難理解。

所以，無論你是大學教師、企業主管，還是正在猶豫要不要碰 AI 的上班族，我想留給你的問題只有一個：如果程式、設計、剪輯或翻譯這些門檻，明天全部消失了，你想做出來的，到底是什麼？

想清楚這個問題，AI 才有用武之地。想不清楚，再強的工具，也只是讓你更快地抵達一個你並不想去的地方。

這篇文章 當中文系學生用 AI 重寫王陽明：AI 賦能學習的三個層次，以及大學與企業的實作切入點｜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。

過去二十年，行銷人最在意的一件事，是怎麼搶到人的注意力。我們研究消費者在哪個時段滑手機、什麼樣的標題會被點開、哪一種縮圖能讓人停下三秒？整個數位廣告產業，本質上就是一場爭奪眼球的戰爭。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）

過去二十年，行銷人最在意的一件事，是怎麼搶到人的注意力。我們研究消費者在哪個時段滑手機、什麼樣的標題會被點開、哪一種縮圖能讓人停下三秒？整個數位廣告產業，本質上就是一場爭奪眼球的戰爭。

但有一個正在發生的轉變，可能正在改寫這場戰爭的規則：愈來愈多的購買決策，將不再由人親自完成，而是交給一個替你辦事的 AI 代理人。

[caption id="attachment_240916" align="aligncenter" width="1536"] 愈來愈多的購買決策，將不再由人親自完成，而是交給一個替你辦事的 AI 代理人。（圖／AI生成）[/caption]

這個趨勢的規模，比多數人想像的更大。Gartner 在 2025 年底的 IT Symposium/Xpo 大會上的預測指出，到了 2028 年，AI 代理人將中介超過 15 兆美元的 B2B 採購支出，屆時九成的企業採購將由代理人經手。McKinsey 則估計，到 2030 年，由代理人協作完成的零售交易，每年可創造 3 兆到 5 兆美元的營收。這已經不是一個小眾的科技實驗，而是一場結構性的位移。

更具體的場景是這樣的：當 OpenAI、Google 與 Amazon 這些公司陸續把能直接下單結帳的能力裝進它們的助理，消費者要買一條登山褲時，可能不再打開五個購物網站逐一比價，而是對著助理說一句：幫我找一條兩千元以內、防水、評價好、能在週五前到貨的登山褲，然後直接下單。接下來，挑選、比價和結帳的整段流程，都由代理人在背後完成。

這意味著，品牌行銷的第一線觀眾，正在從人悄悄換成機器。

從搶眼球，到被機器讀懂

過去，品牌的曝光邏輯是設計給人看的。漂亮的主視覺、會勾人的文案、精心鋪陳的品牌故事，目的都是在零點幾秒內打動一個有情緒、會衝動、容易被氛圍感染的人。

可是，代理人不吃這一套。它不會被一張美照打動，也不會因為你的品牌故事而熱淚盈眶。它要的是結構化、可被讀取與可被比較的資訊：價格、規格、庫存、到貨時間、退換貨條件和真實評價的統計分布。

[caption id="attachment_239110" align="aligncenter" width="6400"] 從搶眼球到被機器讀懂。（圖／鄭緯筌提供）[/caption]

換句話說，當顧客變成代理人，行銷的戰場就從感性說服，往結構化可信度移動。一個沒有清楚規格、評價稀薄、資料散亂的品牌，在人類顧客面前也許還能靠一張好看的形象照矇混過關；但在代理人面前，它會直接從候選清單裡被刪掉，連被考慮的機會都沒有。

這不是抽象的推論。根據 Adobe Digital Insights（ADI）發布的數據顯示，從 2024 下半年到 2025 年初，美國由 AI 帶來的轉介流量成長超過十倍，零售類甚至成長十二倍，而且大約每兩到三個月就翻一倍。一項由 Semrush 與數位行銷機構共同追蹤的研究發現，透過 AI 工具（如 ChatGPT、Perplexity、Google AI Overviews）推薦進站的訪客，其平均轉換率是一般傳統自然搜尋訪客的 4.4 倍。

換句話說，流量正在重新分配，而且 AI 帶來的客人還更值錢。對品牌來說，這句話的另一面是：沒有被 AI 看見、沒有被 AI 引用，就等於正在從一個快速長大的入口消失。

巨頭們已經把基礎設施鋪好了

如果你以為這一切還很遙遠，看看過去一年這些公司的動作，就會知道地基已經在灌漿。

2025 年 9 月，OpenAI 推出 Instant Checkout，和 Stripe 共同開發了一套開源的代理商務協定，讓 ChatGPT 每週超過七億的使用者，能在對話框裡直接向商家下單。Shopify 上超過百萬的商家，以及 Glossier、SKIMS、Spanx 等品牌陸續加入。緊接著，2026 年 5 月的 Google I/O，Google 端出「全域購物車」（Universal Cart），讓使用者能跨 Search、Gemini、YouTube 甚至 Gmail 把商品加進同一個購物車，背後串接的商品圖譜涵蓋超過六百億筆商品，首批支援代理結帳的品牌包括 Nike、Sephora、Target、Walmart。同月，Amazon 整併原本的購物助理，推出 Alexa for Shopping，能代使用者查詢、比價和下單，甚至排程在價格到位時自動購買。

光有助理還不夠，付款這一關也有人補上了。Mastercard 在 2025 年 4 月發表 Agent Pay，推出綁定特定代理人、商家與授權政策的代幣，讓經過驗證的 AI 代理人能代消費者付款；Visa 也推出對應的智慧商務方案。換句話說，從找商品、加購物車到刷卡結帳，這些支付巨頭正積極建構一整條由機器代行的快速道路，正在被這些巨頭一段一段鋪起來。

以 Amazon 的購物助理 Rufus 為例，2025 年有超過三億顧客使用，含 Rufus 的購物流程，轉換率是一般流程的三倍以上，Amazon 估計它帶動了約 120 億美元的增量銷售。當機器導購真的能把轉換率拉高三倍，沒有任何一家平臺會踩煞車。把鏡頭拉遠看，根據 Salesforce 的假日購物數據顯示，2025 年的假期檔期，AI 代理人已經悄悄參與下了全球約兩成的線上訂單、金額以千億美元計。換句話說，機器幫人買東西，已經是從去年聖誕節開始就在你我身邊發生的事。

被 AI 引用，正在變成新的訂單

對行銷人來說，這幾年最熟悉的詞是 SEO：怎麼讓 Google 把你排到第一頁？但當愈來愈多人透過 AI 助理而不是搜尋引擎找答案，問題就從怎麼被搜尋引擎排名，變成怎麼被 AI 引用與推薦？

這不是兩件事，而是同一個趨勢的兩個階段。先是內容要被 AI 讀到、信任、引用，也就是這一兩年開始被討論的 GEO，生成式引擎優化；接著，當 AI 不只回答、還能直接幫你買，被引用就會進一步變成被購買。Similarweb 的觀察是，透過 ChatGPT 轉介而來的電商流量，轉換率約是自然搜尋的兩倍。一個品牌如果在 AI 的推薦清單裡長期缺席，失去的將不只是流量，而是訂單本身。

對中小企業與一人公司來說，這其實是一個被低估的機會。過去要在 Google 搶排名，往往拚的是預算與內容軍備競賽，小品牌很難贏過大公司。但代理人在意的是資訊是否清楚、規格是否完整、評價是否真實，這些恰恰是靈活的小品牌可以做得又快又紮實的地方。代理商務有機會把競爭重新拉回到誰把基本功做得更乾淨，而不是誰的行銷預算更大。

別急著歡呼，小心三盆冷水

講到這裡，你可能已經準備全力擁抱代理商務了。但一個有判斷力的觀察者，這時候反而要往反方向多看兩眼。因為這條路上，最近接連被潑了幾盆冷水。

[caption id="attachment_239112" align="aligncenter" width="6400"] 三盆值得喝下去的冷水。（圖／鄭緯筌提供）[/caption]

第一盆冷水來自領頭羊自己。2026 年 3 月，正是代理商務的領先者 OpenAI，悄悄撤回了在 ChatGPT 內直接結帳的功能，改回把使用者導向商家的網站或 App，形同退回到單純的轉介流量模式。研究機構 Forrester 的分析一針見血：結帳是最難被代理人複製的一段，因為下單其實是一個情緒性的動作，牽涉信任、合規與最後一刻的猶豫，很容易在完成前就失去顧客的耐心。它的調查也顯示，即使在最願意嘗鮮的 Z 世代裡，會用 AI 助理一路完成購買的，仍是所有使用情境中最少的一種。

第二盆冷水來自學界。德國漢堡大學及法蘭克福金融管理學院針對全球 973 個電商網站、超過五萬筆 ChatGPT 轉介交易的研究發現，從實際成交來看，ChatGPT 帶來的轉換表現，目前其實還輸給傳統的自然搜尋。換句話說，AI 導購的聲量很大，但真正落到訂單的貢獻，現階段仍然很小，且高度集中在少數需要仔細考慮的品類。把代理商務當成明天就會吃掉一切的海嘯，是危險的誤判。

第三盆冷水，關於控制權。當交易這一段交給代理人，品牌換到的是效率，賠上的卻可能是與顧客的直接關係。McKinsey 把這個兩難稱為代理商務的悖論：更有效率，卻更少掌控。BCG 也提醒，過度依賴第三方代理人平臺的品牌，會逐漸失去能見度、相關性，以及最珍貴的、與消費者直接對話的機會。再往下看，代理人天生傾向把流量導向最符合條件的最低價選項，這會壓縮利潤，業界估計每一筆由代理人完成的訂單，毛利可能比人工完成的低上好幾百個基點。把顧客關係與訂價權整段讓渡出去，從來都不是一筆划算的交易。

更別說還有信任與安全。2026 年 3 月，舊金山一位聯邦法官核發禁制令，禁止 Perplexity 的瀏覽器代理人代消費者登入並在 Amazon 上購物，關鍵爭點是：有使用者的授權，卻沒有平臺的授權。當機器開始替人行動，誰有權代理誰、邊界在哪，會是接下來幾年都吵不完的問題。

那麼，品牌現在該做什麼

把這些冷水一起喝下去之後，結論其實很清楚。代理商務不會在一夜之間取代所有的人類購物，就像當年電商沒有讓實體店全部消失一樣。它更像是在既有的消費版圖上，長出一條新的、由機器代行的快速道路。聰明的品牌不會孤注一擲，但也絕不會假裝沒看見。具體來說，有三件事值得現在就開始做。

第一，把基本功做到讓機器願意讀。檢查你的商品資訊是否結構化、規格是否完整、評價是否真實而豐富、庫存與到貨資訊是否即時準確。這些過去被當成後勤瑣事的東西，在代理人時代會直接決定你有沒有被放進候選清單。這是門檻，不是加分題。

第二，從經營能見度，升級為經營被引用。別只想著怎麼被人看見，要開始研究怎麼被機器讀懂與推薦。讓你的內容、你的觀點、你的產品，成為 AI 在回答相關問題時會主動引用的對象。對資源有限的小品牌而言，這可能是十年來最公平的一次競爭重設。

第三，也是最重要的，把資源往兩端集中，守住代理人給不了的那一段。代理人很會處理明確需求：我要一條符合這些條件的登山褲。但它不擅長處理模糊渴望：我想找一個能讓週末山林之旅變得更有儀式感的品牌。前者是規格題，後者是情感題與認同題。當交易層被代理人接管，品牌真正的護城河會往兩端集中：一端是乾淨到讓機器願意推薦你的結構化基本功，另一端是濃烈到讓人類願意指名你的情感與意義。夾在中間、既不夠清楚也不夠動人的品牌，會是這場轉變裡最危險的一群。這也呼應了我先前談過的：當機器接走了標準化的交易，人就更需要被一個有溫度的社群與真實的體驗接住。

[caption id="attachment_239111" align="aligncenter" width="6400"] 把資源往兩端集中。（圖／鄭緯筌提供）[/caption]

三個值得現在自問的問題

所以，與其焦慮顧客會不會變成機器，不如現在就誠實地問自己三個問題。

第一，如果我的下一個顧客是一個 AI 代理人，它能不能在三秒內讀懂我是誰、賣什麼、為什麼值得被選？

第二，當別人都還在拚怎麼被人看見，我有沒有開始經營怎麼被機器讀懂與引用？

第三，當交易這一段遲早會被代理人接走，我有沒有把資源往兩端集中：一端做到讓機器信任，一端做到讓人類眷戀？

當我們想清楚這三個問題的品牌，就不會害怕顧客變成機器。因為它早就準備好，同時被機器看見，也被人記得。

這篇文章 你的下一個顧客不是人類：當 AI 代理人開始替消費者購物，品牌要重新學會被機器看見｜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。