After 20 Days of AI: Moving from Knowing How to Use It to Knowing How to Judge It
內容目錄
你可能已經知道怎麼問問題、怎麼請 AI 寫文章、整理會議、比較工具、分析資料，也知道不能隨便把敏感文件丟進去，更不能看到一段說得很漂亮的回答就直接相信。
但這樣算學會 AI 了嗎？
老實說，還不完全算。
因為「會用」一個工具，和「知道什麼時候該用、什麼時候不該用」，中間其實差很遠。
會用的人，知道怎麼讓 AI 生出一份看起來完整的內容。會判斷的人，則會先想：這份內容真正要解決什麼？手上的資料夠不夠？哪些地方需要自己確認？這個答案如果錯了，代價會是什麼？
前 19 天談了很多工具、提示詞、資料、免費與付費方案、本機模型，也談了 AI 可能犯錯的地方。這些內容最後不是要把每個人變成 AI 專家，而是希望你慢慢建立一種習慣：在 AI 很快給出答案之前，自己還能保留判斷。
AI 讓產出變快了，但「快」從來不是唯一的標準。
有些工作需要速度，有些工作需要準確；有些工作適合先讓 AI 打草稿，有些工作則連資料能不能輸入都要先停下來想。真正拉開差距的，不是誰用了最多工具，而是誰知道自己正在把什麼交給 AI，又保留了什麼在自己手上。
AI 不是幫你少思考，而是讓你有更多地方需要思考
剛開始接觸 AI 時，很容易有一種感覺：原本要花兩小時的事情，現在十分鐘就有初稿；原本不知道怎麼開始的文件，AI 幫你列出架構；原本要慢慢整理的筆記，也能很快變成重點和待辦事項。
這些都是真的。
但用久了會發現，AI 省下來的時間，不會自動變成更好的工作成果。有人把時間拿去確認資料、理解使用者、補足細節；也有人只是更快產出更多沒有被想清楚的內容。
AI 最容易放大的，其實是原本的工作方式。
如果原本就知道問題在哪裡、能分辨資料品質，也願意回頭確認，AI 會讓這個流程更快。如果原本習慣把模糊需求丟給別人、看到完整答案就放心，AI 也會讓錯誤更快被複製、轉貼和送出去。
所以，學 AI 不只是學會下指令，知道判斷AI是知道要檢查自己的工作流程。
| 常見想法 | 更值得問的問題 |
|---|---|
| AI 可以幫我做什麼？ | 這件事裡，哪些步驟真的適合交給 AI？ |
| 哪個工具最強？ | 這個工具是否符合我的資料、工作情境與預算？ |
| 怎麼寫提示詞才厲害？ | 我是否已經把問題、目標與限制說清楚？ |
| AI 的答案能不能直接用？ | 哪些內容是草稿，哪些內容必須回到原始資料確認？ |
| 免費版夠不夠？ | 我省下的月費，會不會換來更多等待、重工或資料風險？ |
| AI 能不能幫我決定？ | 這個決定的責任、風險與代價，最後由誰承擔？ |
這些問題不會讓 AI 用起來比較慢，反而會讓你少走很多表面上很有效率、實際上一直重做的路。
從會用到會判斷AI，差別在哪裡？
「會用」通常很快就能學到。
你可以學會建立帳號、選模型、輸入提示詞、上傳檔案，也可以請 AI 幫你翻譯、摘要、改寫、做表格、列提案大綱。這些能力很實用，而且本來就該先學。
但「會判斷AI」不是多背幾個提示詞模板，而是開始在每一次使用前後，多看幾件事。
| 使用階段 | 只求會用時的反應 | 開始會判斷時的反應 |
|---|---|---|
| 接到任務時 | 立刻問 AI 怎麼做 | 先確認目標、對象、交付內容與限制 |
| 準備輸入資料時 | 有什麼就貼什麼 | 先分辨公開資料、工作資料、個資與敏感資訊 |
| 拿到 AI 回答時 | 看起來完整就先採用 | 分開看事實、推測、建議與未確認資訊 |
| 發現回答不好時 | 一直換提示詞或換工具 | 回頭檢查問題是否定義清楚、背景是否不足 |
| 面對工具限制時 | 只想找免費替代品 | 比較月費、時間成本、資料政策與工作中斷風險 |
| 準備送出成果時 | 覺得 AI 已經整理好了 | 確認數字、日期、來源、規格、承諾與語氣 |
| 做重大決定時 | 問 AI 該選哪個 | 用 AI 整理選項與盲點，但保留自己的決策責任 |
這張表看起來很基本，但真正能做到的人並不多。因為 AI 的回答太快、太順，也太容易讓人省略中間那些原本需要停下來確認的步驟。
你不需要每一次都做完整查核。改寫一封內部信、整理自己的筆記、幫文章想幾個標題，和處理合約、客戶資料、預算或產品規格，本來就該用不同標準。
重點不是變得過度謹慎，而是知道風險在哪裡。
你不必記住所有工具，但要記得幾個基本原則
AI 工具會一直變。
今天大家討論的模型，幾個月後可能有新版本；現在免費的功能，之後可能限額；你剛習慣的介面，也可能突然改掉。若把學 AI 理解成「記住每一個工具名稱和功能」，很快就會覺得跟不上。
比較長久的方式，是記住一些不太會過期的原則。
第一，先定義問題，再要求答案。AI 能幫你整理，但不能替你自動補上真正的目標。
第二，資料先分級，再決定能不能輸入。方便不能排在資料安全前面。
第三，把 AI 回答當成工作材料，不是最終結論。它可以幫你起草、整理、比較，也可以提出你沒想到的角度，但重要內容仍要確認。
第四，選工具時不要只看模型能力。你還要看價格、資料政策、額度、整合方式、團隊是否用得起來，以及它會不會讓流程變得更複雜。
第五，保留自己的原始資料、提示詞和工作方法。不要把所有內容、脈絡和習慣都鎖在單一平台裡。
這些原則聽起來沒有哪一條很酷，卻比追著每個新功能跑更有用。因為它們處理的不是某個工具，而是你和工具之間的關係。
AI 會改變工作，但不會替你決定什麼值得做
很多人談 AI 時，喜歡把問題放在「哪些工作會被取代」。
這個問題當然重要，但它有時會讓人忽略更靠近眼前的事情：當一些重複工作變快後，我們會把省下來的時間放在哪裡？
是多寫十篇差不多的內容？多做幾份沒有人會看的報表？還是有機會回頭理解使用者真正的問題、整理混亂的流程、確認資料品質，或把原本一直被擱著的事情做得更完整？
AI 可以幫你產出內容，卻不會知道這份內容是不是值得做；它可以幫你分析回饋，卻不會真正感受使用者在哪個環節感到挫折；它可以列出十種策略，卻不會替你承擔選錯方向後的成本。
這些事情還是需要人。
而且不是因為人比較浪漫，也不是因為 AI 永遠做不到，而是因為工作裡真正重要的東西，常常不只存在於文字和資料裡。它也存在於關係、責任、時機、現場限制，以及你願不願意對一個決定負責。
所以，AI 使用能力不該只被理解成「能做更多」。有時候，它也讓你更清楚看見：哪些事情不能只追求更多，哪些地方需要慢一點。
20 天後，可以留下的不是一堆工具，而是一套自己的做法
這 20 天裡，你不一定每一篇都馬上用得上。
有些人會先從聊天、摘要、寫作開始；有人更在意文件整理和研究；有人會遇到資料安全、公司規範或工具費用的問題；也有人對 Local LLM、有沒有必要訂閱、不同模型怎麼選比較好奇。
這都沒關係。
你不需要同時把所有 AI 工具裝好，也不用逼自己每天都要追新消息。比起建立一個看起來很完整的工具清單，更實際的是先選一兩件日常工作，慢慢找出 AI 真正幫得上忙的地方。
可以是每週整理一次會議紀錄；可以是把零散想法變成文章架構；可以是協助比較公開資料；也可以是先讓 AI 幫你找出一份文件中，哪些地方還不夠清楚。
使用一段時間後，再回頭問自己幾件事：
- 哪些工作真的變快了？
- 哪些地方反而讓我花更多時間修正？
- 我有沒有把不該輸入的資料放進工具裡？
- 我有沒有因為 AI 寫得很順，就少做了原本該做的確認？
- 哪個工具值得留下，哪個其實沒有進入我的工作流程？
- 如果這個工具明天不能用，我還有沒有其他做法？
這些問題能幫你慢慢形成自己的 AI 使用方式，而不是永遠照著別人的推薦清單走。
今天可以做的小練習
把這 20 天裡最有感的一個觀念寫下來，不必很正式。可能是「資料不能亂貼」、「先定義問題」、「AI 的答案要查核」，也可能是你發現免費工具其實有時間成本，或自己並不需要一直追最新模型。
接著，替自己選一個接下來一週真的會用到的情境。不要選太大，也不要訂成「我要全面導入 AI」。就挑一件具體的小事，像是整理一場會議、修改一篇文章、比較幾份公開資料，或先請 AI 協助把一個模糊問題拆開。
使用後花五分鐘記錄三件事：
- AI 幫我省下了什麼？
- 我仍然需要自己確認什麼？
- 下次我會怎麼問得更清楚？
這個小記錄，比再收藏十個提示詞模板更有用。因為你開始累積的，不是別人的工作方法，而是自己的判斷。
20 天不是 AI 學習的終點。
它比較像一個開始：你已經知道 AI 可以做很多事，也開始知道它不該替你做所有事。接下來真正重要的，不是你能不能比別人更快生成內容，而是你能不能在工具越來越快的時候，仍然清楚知道自己為什麼這樣做。
更多文章…
20 天學 AI｜Day 19｜AI 說得很漂亮，不代表它是對的：如何驗證 AI 的結果？
我和我的 AI 們：我讓AI說感想
我和我的AI們~數位謊言與「沒記憶的承諾」
我和我的 AI 們：我的 AI 團隊與那個「有錢渣男」Grok
AI 不會取代決策者，但會改變企業的決策方式
發表迴響