前陣子，去上了尹相志老師開設的 AI 自動化課程。
課程談了 AI 的基本觀念、提示詞、Skill 的建立與調整，也談到怎麼把重複工作變成自動化流程。但是課後一直留在腦中的，反而是更基本的問題：當 AI 可以幫我們做越來越多事情，人類還要負責什麼？
對多數人來說，這個問題離我們並不遠。每天的工作中，有太多時間花在整理報表、比對資料、製作會議紀錄、調整文件格式，以及反覆處理差不多的郵件。這些事情很繁瑣也枯燥，由人執行就會令人崩潰。
AI 就可以成為很強大的幫手。但這堂課老師強調：我們可以把工作交給 AI，卻不能把判斷、監管與責任一起交出去。
上完課後，整理心得如下。
讓 AI 自己寫Prompt，人只要把需求和目標說清楚
用 AI 很多時間都在討論怎麼寫提示詞，讓 AI 回覆出很好的結果。但老師在課程中提出了另一個方向：寫提示詞這件事，其實應該交給 AI ，因為 AI 最清楚怎麼跟 AI 對話。人類而應該做的，把需求、目的、使用情境、參考資料和限制整理清楚，再讓 AI 彙整或拆解成 AI 比較容易執行的提示詞。
建立 Skill 也是一樣，不一定要自己從零開始研究該怎麼寫，而是先告訴 AI：我想解決什麼問題、什麼結果才算成功、哪些事情不能做，以及遇到什麼情況必須停下來。接著讓 AI 建立初版，在實際使用後，再把不理想的結果記錄下來，請它繼續調整。老師在課程中用很簡白的方式說，『AI 完全所謂沒有的思考能力，它只是把訓練過的資料背下來，再像默寫書本一樣產生答案；AI 並不是用人類的方式理解意圖，而是根據資料中的模式，預測接下來比較可能出現的內容。』
而人類的語言本身有高度的規則，所以 AI 產生的句子就是因為憑藉著記憶規則和每一個字的 ID，推測組成一個近似人類的語言的句子，讓我們覺得它好像真的理解人類的需求了。
老師舉例說，老闆只對著員工說：「幫我整理一份客訴報告。」合作多年的同事可能馬上知道，報告要依產品線分類、重大客訴要放前面、過去一季的趨勢要一起比較，最後還要列出需要主管決定的項目。這些都是人與人長期合作累積出的默契，也是弦外之音的背景。
如果沒有把這些事情告訴 AI，它很可能交出一份格式完整、內容很多，看起來也像報告的文件，卻不是老闆真正需要的東西。
同樣地，當我們只叫 AI「寫一篇文章」或「做一支影片」，卻沒有說明受眾、目的、情緒、立場與希望讀者採取的行動，它往往會產生一個四平八穩的平均答案。讀起來沒有大錯，卻也沒有觀點，更沒有所謂『人類溫度』。
所以，不是能不能寫出最複雜完成的提示詞，而是我們學著把需求說清楚，說出本質的問題，所以以後再給AI出任務時，可以先想的下列的問題
- 這內容/文章為什麼要做？
- 最後的成果要給誰看？
- 哪些內容一定要有？
- 哪些錯誤不能發生？
- 遇到什麼情況，AI 必須停下來問人？
讓 AI 去把指令寫完整，人類先定義才是對的結果是有那些。
自動化不是放著不管，要設計檢核和退場機制
課程談到自動化時，老師強調了一個覺得很實用的順序：不要一開始就設定固定排程，而是先讓 AI 完整做一次。第一次完成後，由人檢查結果是不是正確、過程有沒有超出範圍、可能出現哪些例外。確認工作已經穩定，才把它變成定時執行的自動化任務，而且一定要設定停止與退出的條件。
概念其實很像導入一台新設備，新機台進廠後，不會第一天就流水線上，直接全速量產，會先試車、調整參數、檢查成品，確認異常時會停機，才逐步放大產量。AI 自動化也應該經過類似的過程。
所以在自動化之前，要分清楚任務性質。
- 固定常態的任務：例如欄位整理、格式轉換、資料分類，每次產出的結果應該一致，因為規則會應該是一致的。
- 創作型任務：例如文章、簡報概念或影片腳本，可以保留變化，但需要更多人類在編輯編輯。
- 決策型任務：例如使用者會員身份檢核、核准付款、刪除資料或對外發布，不應該直接交給 AI 完成，要人類先確認後，才往下一步走。
老師也分享了一個小技巧：問完問題任務後，可以加上一句 『Let's think step by step』，讓 AI 花更多運算過程處理問題。在某些情況下，這樣的做法，也可以讓小模型做出不輸大模型的結果。這雖不一定適用於所有任務，可當成一個參考實測小技巧。
老師提到的一個方法：直接讓 AI 回顧檢視過去的對話，找出哪些事情已經重複做過很多次，整理出可能自動化的候選項目，再由自己決定哪些值得執行；這樣就可以省下一些自己回想的時間
不過，增加運算時間只能幫助 AI 更完整地處理問題，不能取代最後的查核。真正可靠的工作流程，至少還需要下列限制：
- 工作範圍：AI 可以讀取、整理或修改哪些資料？
- 停止條件：資料不足、結果異常或超出範圍時，什麼情況必須停下來？
- 人工檢視：哪些結果一定要經過人確認，才能寄出、發布或正式執行？
AI 越強大，人類越要掌握權限邊界與最終決策
在這堂課中，老師對於對權限和風險的提醒，是覺得很重要的。
很多時候我們都只是把風險指向到「AI 會不會刪掉檔案」，這類的事務；但實際上，風險不只發生在修改資料而已。即使 AI 只有讀取權限，比如只是讓AI唯讀金鑰，仍會造成無法完全收回的資訊風險。
因此，權限不應該一開始就全部打開，而是要從最小、最嚴格的範圍開始，確定真的有需要，再一層一層增加。規則也不能只寫「最好注意一下」「可以的話先詢問」或「應該不要發布」。這些模糊的偏好說法，AI 執行任務時，就會直接忽略，所以規則頁要寫很明確就是 Yes/No（True/False） 的概念
更好的規則應該清楚到可以回答 Yes 或 No：
- 未經人工確認，禁止對外發布。
- 涉及客戶資料時，禁止傳送到工作範圍之外。
- 找不到指定來源時，停止任務並回報。
- 需要刪除、付款或做出承諾時，必須由人批准。
課程中提到的「韓國星巴克坦克日爭議」，讓這個案例就是一個非常變得非常具體，AI 提出，人類卻沒有好好檢視的事件。
2026 年 5 月 18 日，韓國星巴克在光州民主化運動紀念日推出「Tank Day」促銷，宣傳內容中的日期、活動名稱與「在桌上啪的一聲」等文案，被認為碰觸韓國社會高度敏感的歷史記憶。依公開資料彙整，相關員工表示爭議文案曾參考生成式 AI；活動雖然經過多層審批，部分簽核者卻沒有打開設計稿附件，原本的法務檢視也被省略，最後引發大規模爭議與抵制，最後是星巴克韓國則解除執行長孫正鉉（又譯孫貞賢）及多名相關主管職務，爭議亦對集團營運造成影響。根據統計，事件發生後首週，星巴克儲值卡結算金額較前一週減少84億7千萬韓圓（約台幣1.9億)，跌幅達26.3%。事件資料來源：韓國星巴克坦克日爭議
這個案例真正值得注意的，不是流程裡沒有人，而是每一個環節都有人，卻沒有人真正完成監管。
簽核只剩下一個形式上的按鈕，人類沒有實際閱讀、提問、測試和攔截，那麼「有人批准」並不代表「有人了解並負責」。AI 可以生成內容，但它不知道這段文字在特定社會、歷史與情感脈絡中會造成什麼傷害，這就是人類仍必須在流程之中(Human-in-the-loop)，而這也會是慢慢變成一個難題，現在 AI 產出的速度已經可以高過人類可以理解的範疇了，因為產出速度快，就可以快速達成目標，增加利潤效率，但是人類如果沒有介入，那就會造成不可逆的風險。
老師把制度化的限制比喻成安全氣囊，覺得很貼切。平常我們不一定感覺得到它的存在，但真正發生意外時，這個防禦制度必須自動出現，保護人類或體制，而不能只期待每個人臨場反應。
所以，AI 的安全不能只依靠人的自律，而要被寫進權限、規則與流程：先區分低、中、高風險，再決定 AI 可以做到哪一步，以及哪一步一定要把決定權交還給人。
結語：要交給 AI 的是工作摩擦煩躁，不是工作主導權
上完這堂課後，對 AI 的期待並沒有降低，反而變得更具體了。
還是會用 AI 幫整理會議紀錄、比對文件版本、彙整例行報表、轉換格式，以及先完成郵件或文章的初稿。這些枯燥、繁複、消耗大腦注意力的工作，本來就很適合交給不會疲倦的AI。
但 AI 替我們省下時間之後，人類並不是從工作中消失，而是把力氣放回更重要的地方：找出問題的本質、情感的營造、理解沒有被說出口的需求、判斷例外、設定邊界，並為最後的結果負責。
老師在課程中提到，未來跨領域能力會越來越重要，但更有價值的，是能不能從不同領域的問題中找到共同的本質，再把它抽象成可以重複應用的解法。
AI 可以快速整理全世界常見的答案，卻不能替我們決定眼前真正值得解決的是哪一個問題；它可以依照規則執行，卻不能替我們承擔一個決定進入真實世界後的後果。
對於實際應用上，不需要一開始就把整個工作全部自動化，先挑一件重複、低風險、容易檢查的小事，讓 AI 做一次，自己仔細看一次，再把發現的問題寫進下一版規則，一步一步把瑣事交出去，也一步一步把監管建立起來。
AI 最適合接手的是工作的煩躁，不是工作的主導權。
有價值的事，不一定是最會下提示詞，而是判斷該把什麼交給 AI、該如何驗收，以及什麼事情絕對不能交出去的能力。
以上，是這期的電子報，
也歡迎你來信或留言，你的知識管理方法。我們下期見！
有任何想法或建議都請不吝跟我說，會持續迭代優化。
如內容覺得不錯，也請多多分享給您親朋好友
下期見~
祝大家一切
順風💨順水🌊順浪🏄♂️順滑🏂順心💕!!
老布