104學習

OECD最新報告顯示，全球青少年的深度閱讀力明顯退化，愛用AI寫摘要的學生成績反而更低，這背後原因為何？本文帶你看懂數據，並提供讓深度思考力不退化的具體做法。 文／《104職場力》 本文導覽 閱讀力下降，最麻煩的不是「看不懂」跌得比較多的，不一定是弱勢學生AI不是敵人！但有沒有把「思考」外包出去很關鍵！上班族可以怎麼做？建議從「不急著要答案」開始訓練！ 遇到一份落落長的文件，第一步是「丟給AI幫忙整理」，幾秒後拿到摘要，快速掃過幾行重點後就當完成了閱讀……這個舉動已成學生及上班族的常見習慣。 AI確實能幫忙節省大量時間，但一份最新的OECD報告卻點出一件值得思考的事：當資訊越來越容易被整理成重點，人還能不能靜下來把一件複雜的事情讀懂？ OECD近期發布了一份涵蓋91個國家與經濟體、超過76萬名15歲學生的研究報告《PISA 2025》，結果顯示，閱讀是3大核心學科中表現下降最明顯的一項；而從2018年至2025年，有可比較資料的教育體系中，約4分之3的閱讀表現都出現下滑。 這個現象不只教育工作者要關心，也提醒每天都在讀Email、報告、簡報和資料的上班族：AI工具可以幫忙處理資訊，但「理解資訊」這件事不能全部交出去。 閱讀力下降，最麻煩的不是「看不懂」 先看最直接的數字。 2015年至2025年，OECD國家的平均閱讀分數從489分下降到461分，少了28分，是3大學科中下降幅度最大的項目；到了2025年，平均20%的15歲學生在閱讀、數學、科學等科目上都沒有達到基本程度。 另外，OECD還在這幾年的數據中觀察到，那些作答很快，但容易答錯的「急躁型讀者」（Hasty Readers）顯著增加；且越到測驗後段，學生的表現下滑得越厲害。 這反映出當前的核心危機，恐怕不只是「閱讀能力變差」，還有在面對複雜、長篇的內容時，大家越來越難保持耐心與注意力。 跌得比較多的，不一定是弱勢學生 如果把閱讀力下降直接歸因於「教育資源不足」，其實不完全符合這次的研究發現！數據顯示，2018到2025年間，來自富裕家庭的學生分數下滑幅度反而比弱勢家庭更加劇烈，這說明比起社經地位，問題的根源可能更接近PISA資料所呈現的另一個點：全體學生接觸文字的習慣徹底改變。 大家越來越少翻開小說、紙本雜誌或報紙，轉而在社群與通訊軟體上打字聊天，整個社會接收資訊的模式被訓練成「快速搜尋、快速瀏覽、快速下滑，然後快速拿到答案」，當「速食資訊」變成生活日常，學生對閱讀的樂趣自然顯著下滑。 面對一份需要靜下心、花時間梳理的長篇大論時，還能不能耐著性子讀完？這不僅是教育課題，也是所有人共同要面臨的挑戰。 AI不是敵人！但有沒有把「思考」外包出去很關鍵！ 報告中有一項值得注意的數據：習慣用AI做摘要的學生，平均成績低於完全不使用的學生。 但OECD並沒有把AI污名化為「成績殺手」，報告特別強調，AI與學習表現之間的關係十分複雜，關鍵在於「怎麼用它」！適度運用數位工具，對學習其實是大有裨益的；真正造成負面影響的，是過度依賴和注意力分散。 如果AI扮演的是引導者，適度給予提示、整理框架、提供回饋，讓大家更有方向思考，它就是最好的輔具。 但如果每次遇到難題，都直接讓AI把最耗腦力的步驟做完，那也同時省掉自己大腦升級的機會。 有些知識，我們必須親自卡關、親自思考過，才會真正變成自己的，就像看再多健身影片都不會長出肌肉一樣，只看AI整理好的懶人包，絕不等於真正理解議題。 上班族可以怎麼做？建議從「不急著要答案」開始訓練！ 雖然這份報告研究的是15歲學生，但也可以映射到職場，工作上有太多關鍵事項絕不能只看3行摘要，比如合約、市場分析、數據，甚至只是一封字數較多的Email，因為魔鬼真的會藏在那些「很麻煩、很長、很想跳過」的細節當中。 平時我們可以透過這些方式訓練自己的大腦： 有問題先自己想，再請AI補 遇到問題時，先花幾分鐘整理自己的想法，哪怕只是粗略的猜測也無妨，接著再讓AI幫忙補充、尋找盲點，避免全面「外包思考」。 就算有摘要，也要知道原文在說什麼 日常資訊快速掃過摘要當然沒問題，但面對關鍵報告、決策依據時，別只停留在AI整理出的幾行文字，至少要回頭確認原文上下文與原始數據，才不會把「AI消化後的版本」誤當成「事實本身」。 偶爾留一點時間，自己「啃」難題 時間要花在刀口上，不必每件事都親力親為，但我們可以刻意保留一些需要深層閱讀、梳理與推理的工作，因為許多高階的決策與洞察力，就是在這些「有點慢、有點卡」的認知掙扎中鍛鍊出來的。 AI讓工作與學習變快當然是巨大的進步，只是不當應用衍生的後果已經浮現，透過這份報告，職場人更該謹慎運用手邊工具，畢竟在資訊爆量的時代，能否「讀懂、判斷、連結，並形成自己的想法」才是核心競爭力。 （參考資料：OECD (2026), PISA 2025 Results (Volume I): Future-Ready Students, PISA, OECD Publishing, Paris. https://doi.org/10.1787/73451bc5-en） 延伸閱讀： ChatGPT也開始「管」孩子怎麼用AI？青少年版上線：防沉迷、防抄作業！ AI也能用來經營人脈！從零碎資訊看懂對方，找出溝通切入點

當AI成為每個人都能用的外掛，獲取專業能力的成本就發生了斷崖式下跌。台灣大哥大總經理林之晨與資訊長蔡祈岩指出，生成式AI終結傳統分工邏輯，唯有翻轉晶體智力、全面轉向流體智力，才能不讓自己變成被組織埋葬的零件。本文節錄自《逆分工》。 文／林之晨、蔡祈岩 本文目錄（點擊可快速前往） AI為什麼是那個「破牆者」？AI帶來的改變：專業能力邊界消失硬知識貶值了，活腦袋才是王道 既然分工早就開始出問題了，為什麼我們以前不談逆分工？為什麼個人電腦和網路都發明了，人類也登上月球了，公司裡的分工卻還是愈切愈細？ 原因很簡單：過去做不到。 過去所有科技發明，像是電腦、網路、雲端、協作軟體，其實大多只是延伸了我們的手腳、記憶或通訊能力。它們幫我們算得更快、存得更多、傳得更遠，但它們沒有真正擴展我們的大腦容量。 你的大腦裝不下所有知識，一個人不可能精通所有專業。所以，隨著人類知識體系愈來愈大、每個學科愈來愈深，每個人從求學到職場，只能愈來愈專；公司的部門也只能愈來愈多，職能體系愈來愈膨脹。 直到生成式AI出現，情況才徹底改變。它像是一個能夠擴展我們大腦容量的底層引擎，讓我們第一次有力量打破不同專業之間的壁壘。 AI為什麼是那個「破牆者」？ 要理解逆分工為何在此刻爆發，我們得先面對一個現實：人的大腦容量是有限的。 根據常被引用的一萬小時定律，你要花大量時間，才能成為某個領域的專家。你花10年學寫程式，就很難再精通商業法律；你把青春奉獻給視覺設計，可能就對財務會計一竅不通；你長期做業務，就很難同時成為資料科學家。 我們需要部門和專才，說到底，就是因為一個人的大腦裝不下所有知識，但大型語言模型改變了這個遊戲規則。 AI不是一個簡單的資料庫，它更像是一位真正讀完了全人類各行各業深度知識的「超級博士」──它讀過大量書籍、論文、文件、開源程式碼與各種人類知識材料，能把不同領域的語言翻譯成彼此看得懂的形式。 它不會讓非專家一夜之間變成真正專家，但它能讓非專家第一次跨過專業領域的第一道門檻，取得初步理解、草稿、選項、框架與可討論的成果。 這件事之所以重要，是因為大部分組織內部的卡點，不是每件事都需要世界級專家，而是大量任務連第一版草稿、第一輪分析、第一個可討論版本都生不出來。 AI讓這件事變了。 AI帶來的改變：專業能力邊界消失 當AI成為每個人都能使用的通用外掛，獲取專業能力的成本就發生了斷崖式下跌。 這不是說專業不重要，真正重要的專業，仍然需要人類專家把關。合約最後要法務審，程式最後要工程師看，設計最後要品牌與市場判斷。 但在AI之前，大量工作卡在「我根本不知道怎麼開始」或「進入新的領域時要先花費巨大的學習成本」。 在AI之後，更多人可以先做出第一版，讓事情進入討論與迭代，而且這個第一版是有模有樣、有所依據的。 這就是為什麼像台灣大哥大這樣的公司，會將全員導入AI提升生產力的計畫命名為「超人計畫」。 「超人」不是說每個人都突然變成天才，而是說每個人都應該有機會，把自己原本的能力放大。 硬知識貶值了，活腦袋才是王道 我們接著談智力。 這裡可以挪用心理學家雷蒙德．卡特爾（Raymond Cattell）的概念：晶體智力與流體智力。 我們並不是完全套用原本的心理學理論，只是借這個理論的名詞，而且略微改變其定義，把人的智力粗略分成兩種。 第1種：晶體智力 你可以把它想像成你腦中的硬碟資料庫和肌肉記憶，它指的是運用過去累積的知識、經驗和標準化技能來解決問題的能力。 例如律師背誦法條、醫師根據症狀診斷常見疾病、會計師熟練查帳、資深員工熟悉公司SOP。 這是傳統職場常說「愈老愈吃香」的原因，因為這些知識會隨著年齡與經驗累積。 第2種：流體智力 它更像是你大腦的中央處理器，負責運算速度和靈活性。 它處理的是全新、陌生、混亂，甚至從未見過的情境。它考驗的是邏輯推理、模式識別、問題拆解與適應能力，跟你背了多少書沒有直接關係。 例如創業家在混沌市場中尋找新的商業模式，或是工程師面對一個從未見過的系統故障時，快速找出可能原因。 殘酷的事實是：AI已經是這個星球上最強大的晶體智力載體之一，它讀過大量法典、醫學期刊、財報標準、程式碼範例與商業文件，它不會忘記，也不會疲倦。 如果人類還想在職場上跟AI比記憶力、比誰的知識更廣、比誰操作標準流程更快，那我們完全沒有勝算，而且差距只會愈來愈大。在晶體智力的賽道上，人類已經被超越。所以，人類的戰場必須全面轉向流體智力。 未來的競爭，不再是比誰的腦袋裡裝的知識多，而是比誰能更快釐清混亂局勢；不再是比誰能給出標準答案，而是比誰能向AI提出最一針見血的好問題。 當每個普通員工都能透過AI這個強大引擎，瞬間具備跨越研發、行銷、法務、設計與資料分析的能力，那些原本為了協調他們而存在的經理、總監與各種跨部門會議，也必然會被重新檢視。 節錄自：天下雜誌出版《逆分工：AI 時代的生產力革命，重構組織、市場到經濟的生存新賽局》／林之晨、蔡祈岩 著

面對不符合自己當前職業規劃的面試邀請，選擇婉拒是需要謹慎處理的事情。透過一封寫得好的婉拒面試信件，你可以表達你的尊重與感激之情，同時也保持了未來潛在合作的可能性。本文提供回信範本、拒絕理由，跟撰寫重點，給你參考！ ► 邀約信範本 [面試官的姓名]您好， 感謝您以及 [公司名稱] 團隊給予我參與 [職位名稱] 面試的機會。在仔細考慮後，因為[婉拒理由，可不寫] 很遺憾地決定必須婉拒這次的面試邀請。 我對貴公司的願景及理念相當敬佩，也衷心希望未來能有機會與 [公司名稱] 探索更多可能的合作機會。祝福貴公司一切順心，再次感謝您的理解與支持。 誠摯地感謝， [你的名字] ► 婉拒信撰寫重點 1. 表達感激與尊敬： 首先要感謝對方提供的機會，並表達對公司的尊敬。 2. 清晰婉拒： 清楚且直接地表達你的決定，避免不必要的詳細解釋。 3. 未來合作留白： 保持結束語的正面和開放，留下未來合作的可能。 撰寫婉拒面試的信件時，保持專業和禮貌是關鍵。這不僅體現了你的職業素養，也有助於未來可能的機會。在每一次溝通中，保持良好的形象和關係！ 如果喜歡這篇文章，按下關注~ 一起學習 ( •̀ ω •́ )✧

做了一堆AI工具，卻沒多久就晾在那裡？該如何真正用AI解決工作問題？104資深協理李明倫分享3個實際案例、5類提示詞與7步驟實作法，教非技術職從「非做不可」的工作開始，把工作拆成角色交給不同的AI，打造你的「AI營運團隊」。 文／《104職場力》整理 本文目錄（點擊可快速前往） 新需求不斷增加、系統卻跟不上，工作卡在人工怎麼辦？如何選題：第一個AI專案，不要挑最大的問題讓AI進入工作流程：3個案例看人與AI重新分工非技術職如何和AI協作？把AI當「第一天上班的聰明新人」從問題到落地：非技術職也能採用的7步驟從最想解決的問題開始，打造你的AI營運團隊 公司導入AI後，興沖沖用AI做了一堆工具、Dashboard與Skill，卻過沒多久就晾在那裡，或者做一做就沒有下文……這可能是許多工作者近期的共同經驗和痛點，到底該如何和AI分工協作、真正用AI提升工作效率？ 104人力銀行資深協理李明倫（Will Lee）觀察，生成式AI的出現，讓「先做一個工具看看」變得很容易，而他認為，AI應用能否落地，關鍵不在工具本身，而在一開始挑的問題。因此他認為，導入AI的第一個問題，不是先想「AI可以做什麼」，應該從「我現在最想解決什麼問題？」開始。因為持續存在的問題會帶來足夠的改善動力，團隊才會願意反覆測試、修正，最後把AI放進日常工作。 本文整理自104人力銀行資深協理李明倫於104「AI煙火小聚」分享的主題「如何打造你的AI營運團隊」，他並非技術職主管，過去兩年卻與團隊透過生成式AI、自動化及AI輔助開發（Vibe Coding），逐步改善資料整理、客服追蹤與工作流程，本次分享他與AI的協作心法。以下節錄精華內容。 【開始前的提醒】操作前應確認AI工具權限與資安規範本次分享中，李明倫使用公司提供的Claude企業版來協助盤點工作問題。實務上，工作資料能否提供給AI，仍應依照各公司核准的工具、權限與資安規範來判斷。建議操作前需確認哪些資料可以上傳、哪些內容應先去識別化。 新需求不斷增加、系統卻跟不上，工作卡在人工怎麼辦？ 在成長期的單位，常見的工作狀況是：新的客戶、新的服務與新的流程持續出現，連帶增加新的名單、資料、報表、分析及管理需求；即使工作量倍數成長，但人力卻沒倍數成長，系統建置速度也不一定能跟上，因此耗費大量時間在人工整理資料。 「最好的方法還是系統。」李明倫說：「可是新的單位、新的服務很多流程還不確定，不可能直接建到CRM。」尤其是新服務剛開始運作時，流程與規格可能仍在調整。若此時投入大量工程資源建正式系統，一旦作業方式改變，系統都得跟著改。他形容，這階段急著要求PM與工程建系統，「其實只是在丟另外一個炸彈給他們」。 這種情況下，許多團隊會先用Excel試算表來因應過渡期。「結果就是我很會用Excel，包括寫各式函數。」他說，資料不多時，這種方式快速又有彈性；但隨著檔案、函數與使用者增加，Excel的極限逐漸浮現，例如檔案跑不動、多人共用時可能誤改、資料散落在不同檔案，或是主管需待人工彙整才能掌握進度，都是可能發生的問題。 而本次分享的AI輔助開發工具，李明倫將它定位為「過渡方案」。它不取代正式後台，也沒有直接串接所有系統；用途是讓尚未定型的流程先被實際使用、驗證和修正。等規格逐漸穩定，團隊再把真正需要的功能移入正式系統。這段過渡期也像一場低成本的使用者測試，幫助更快確認規格與使用方式。 如何選題：第一個AI專案，不要挑最大的問題 首先要注意的是，不是所有工作都值得投入時間打造工具，李明倫建議，優先挑「高頻、重複、可標準化、成效可驗證」的問題： 高頻：經常或定期發生。 重複：大量步驟相同，人工反覆複製、整理或確認。 可標準化：狀態、判斷條件、處理順序或截止時間能說清楚。 可驗證：能用時間、錯誤率、處理量、採用率或其他KPI比較改善前後。 選定之後，他建議先問5個問題，把答案寫下來當作「改善前」的基準：這件事多久做一次？每次花多少時間？有幾個人參與？哪裡最容易出錯？成功後要看哪個KPI？ 另外，第一個專案不必挑全公司最大的痛點。規模越大，利害關係人、資料來源與例外情況通常越多。從最常重複、最容易驗證價值的工作著手，更容易做出第一個真的有人使用的版本。 讓AI進入工作流程：3個案例看人與AI重新分工 案例1：客服案件量大，進度仍靠Excel管理 把Excel搬上網頁只是表面，真正的改變是工作方式 某個客服團隊每天要處理大量資料，一筆筆聯絡、確認、做紀錄。曾經客服為了不掉球，發展出「把資料複製到Excel」的整理方式，記下當天聯絡狀況與下次聯絡日期，也方便主管查看進度及數據。為了改善工作流程，團隊起初嘗試增加試算表的函數和提醒，檔案卻隨資料累積變得更龐大、跑不動。李明倫接著把工作群組中的大量溝通訊息、現有流程規則、團隊成員口頭反映的問題彙整，交給AI協助標出流程中明確與仍在變動的部分，以及可能的斷點。 關鍵在於，AI蒸餾出可能的問題之後，還要跟現場同仁確認。「AI畢竟不在這個單位裡面，整理完以後我們還是會跟同事討論，哪些是大家認同的、哪些是AI想像的。與實際狀況不符合的，就剔除掉。」 問題收斂後，他們以Vibe Coding建立網頁工具來快速驗證。客服仍然處理同一批案件，但操作方式改變了： 所有案件集中處理，減少在不同資訊之間來回切換 網頁化操作，多人可同時查詢及填寫，資料不會互相覆蓋 可依案件屬性、時間與處理狀態等條件搜尋及排序 優先顯示當天必須處理案件，急件也能調整優先序 主管可直接查看處理量及相關數據，省去另行整理 【案例1】管理工具介面示意圖（圖／104職場力小編使用AI製作） 這項工具的重點不只是幫忙整理資料，還改變了客服每天如何工作。客服能把注意力放在聯絡與服務，資料搜尋、排序、提醒與統計則交由工具承接。流程還在變動時，團隊也可以快速修改規則，持續確認哪些功能值得進入正式後台。 他分享，工具導入後，即使曾有人力較吃緊的時期，團隊單人每日處理量仍能較過去平均提升一倍以上，工作量的波動也有所下降。不過他也補充，還有各種因素可能影響成果，因此不能將改善幅度完全歸因於工具。 案例2：開發名單持續增加，需在多份Excel不斷切換 從「整理排序」到「開發優先順序建議」 另一個團隊會接到多種來源的開發名單，例如講座名單、不同月份的專案名單、AI推薦名單，每種檔案格式、欄位和產生時間不同，累積一段時間後，客服可能需要在多份試算表之間切換與比對；多人共用時，同樣可能不小心覆蓋資料。 為了改善工作模式，本例也以AI輔助開發製作管理工具，將不同批次的名單集中到同一個工具，客服可依人員、批次或開發狀態篩選，主管也能看到整體進度。同時，工具內不會直接顯示敏感的聯絡資訊，沿用內部原有的權限控管。 【案例2】管理工具介面示意圖（圖／104職場力小編使用AI製作） 這個案例不同之處，是「名單整理排序」還多了一道AI與人工的來回協作：以AI參考過去成功案例的特徵，提出新名單的開發優先順序建議，並交由人工審查註記。人工複核被安排在關鍵判斷和防呆節點，大量整理與初步排序則交給AI。 案例三：公用客服信箱大量來信，回覆、紀錄、管理都費時 Power Automate與AI接力分類處理 公用信箱的回覆與管理也是許多團隊的痛點。信件數量少時，大家可以直接分工處理；但隨著業務成長，短時間內累積數百封來信，便可能出現重複處理、漏回或無法掌握處理進度等問題。 團隊原本把每封信登記到Excel試算表，再手動註記分類及處理狀態，管理雖有改善，行政負擔卻很重。 李明倫和AI討論解決方案，說明來信量、人工步驟與管理困難，最後決定採用Power Automate自動化工具，將Outlook收到的郵件定期匯入試算表，不必再花時間備份，收到即同步；再由AI協助分類，最後上傳至前例開發的客服處理工具，集中查看信件類別與處理進度。另外，Power Automate是AI提出的第2個建議。原先想的解法不可行，討論來回幾次才定案。  【案例3】信件管理流程示意圖（圖／104職場力小編使用AI製作） 共通點：沒有預設解法、讓AI從工具變營運夥伴 3個案例看下來，第一個共通點是都沒有預設既定解法。他們把團隊工作現況與遇到的困難交給AI盤點、討論，再從幾個解決方案裡比較選擇、來回修正，最後採用的做法有時可能與最初想像相差很遠。這些工具也都由團隊共同討論、實際使用並調整修正。 第二個共通點，是工作被重新拆解過。李明倫用「AI營運團隊」來形容，核心主張是把工作重新解構，拆解能力、角色，再看哪些可以交給AI。以名單案例為例，一套流程內其實有好幾種職責，例如整理與比對資料（助理、分析）、釐清規格與流程（PM）、開發工具（工程）、產出主管要看的數字（Dashboard管理），最後才是實際聯絡客戶的客服。現在其中好幾段交給AI，角色之間會互相接力，人只留在需要判斷的節點。讓AI從工具，真正變成「共同營運夥伴」。 非技術職如何和AI協作？把AI當「第一天上班的聰明新人」 「AI不是通靈。即便他非常聰明，你沒有跟他講清楚，他的回答當然不會精準。」 李明倫把AI視為第一天上班、能力很強的新同事。不過，AI能快速分析與建立原型，卻不了解部門情境，也不會讀心。若提供的背景越模糊，來回修正的次數通常越多。 因此盤點型提示詞可以包含5類資訊： 背景現況（Existing）：工作現狀、流程如何運作 規則與判斷邏輯（Rules）：工作實務上的詳細規則，包括決策規則、狀態定義、操作模式 佐證資料（Evidence）：實際工作檔案、畫面與案例說明 問題與落差（Problem）：目前看到的問題，哪裡耗時、容易出錯、缺少SOP 明確任務要求（Ask）：希望AI最後產出什麼、給誰用，例如建立SOP、待確認資訊、問題及建議 他也分享，「盤點型」和「工具型」的prompt不太一樣：盤點型要把問題和資料給足，和AI討論出卡點；而工具型比較單純，就是把功能講清楚。 AI「專業新人」交辦模板 想請AI先協助盤點問題，可以使用以下格式： 我目前要處理的工作是＿＿。現在由＿＿負責，使用＿＿工具。這件事大約每＿＿執行一次，每次花費＿＿。目前最耗時或容易出錯的環節是＿＿。現有資料包括＿＿。必須遵守的規則是＿＿。我希望改善的結果是＿＿。請先幫我整理目前的工作流程、主要痛點與可能解法，暫時不製作工具。請同時標出適合由AI協助的步驟，以及仍應由人判斷的步驟；如果資訊不足，請先向我提問。 實作心得1：一次只加一個功能，做完立刻驗證 直言自己並非技術職，李明倫打造工具時，會先和AI討論方案是否可行，確認後再逐步增加功能。他曾一次要求多項調整，結果自己和AI都容易混亂；後來改成一次處理一個小功能，完成後立刻驗證。此外，正式讓同事使用工具後，後續修改則要區分測試版與正式版（Staging／Production），避免調整功能時讓現場工具直接停擺。 實作心得2：AI說「很簡單」，不代表真能做出來 AI提出可行方案後仍要實測。李明倫坦言，有些AI口中的「很簡單」，最後仍可能做不出來；第一版範圍越小，團隊越能及早發現限制。遇到看不懂的技術問題時，他也會直接請AI換一種方式解釋，確認自己理解後再做選擇，避免盲目操作讓後續修改變得更複雜。 實作心得3：把專案知識建立在MD檔 每個主要專案也會建立MD檔，記錄規則、步驟與使用方式，避免重要脈絡散落在長對話中。至於是否進一步做成可重複調用的Skill，則要看流程的共通性。李明倫提到，許多工具的規則非常細，只適用特定單位；若跨團隊無法直接套用，保留成專案MD檔更實際。 實作心得4：文字講不清楚，就截圖給AI看 李明倫提到，和AI來回修正時，他大量使用截圖：把畫面截下來、圈起要改的地方，比打一長串文字精準得多。若要說明幾份檔案之間的關聯，他甚至會用PowerPoint畫成一頁示意圖。部署失敗時也是同樣做法：平台上會顯示錯誤訊息，截圖給AI就會自行修正，讓錯誤不再是障礙。 從問題到落地：非技術職也能採用的7步驟 想從0開始一個AI專案，必須涵蓋選題、盤點、測試與持續營運。綜合李明倫分享的實務做法，整理為以下7個步驟： Choose 選題：選一個值得解決的問題，優先挑「高頻、重複、可標準化、成效可驗證」。寫下發生頻率、每次花費時間、參與人數、常見錯誤與成功指標。 Define 定義：用EPSP梳理現況（Existing）、問題（Problem）、AI解法（Solution）、標準流程（SOP）與預期影響（Business Impact）。 Discover 盤點：蒐集現有試算表、文件、SOP、工作討論、操作畫面，訪談真正執行工作的人（使用者痛點），再請AI整理流程、痛點與可能機會。整理完務必回到實務現場逐項確認。  Prototype 原型：只解決一條核心流程，第一版先求能用、能測，不急著做成完整系統。 Test 實測：找一位真實使用者放入真資料，實際使用一段時間（一天／一週），記錄錯誤與新需求，反覆修正。 Standardize 標準化：把有效做法整理成固定輸入、固定流程與固定輸出，並定義負責人、更新頻率、SOP及檢核標準。 Review 檢討：定期檢查時間、品質、KPI、使用率與可擴充性；若規則或現場需求改變，再回到下一輪選題與定義。 李明倫認為，真正可複製的不是Prompt，而是「Problem → Solution → SOP → Review」的方法，重新拆解工作，讓工作流程持續進化。 從最想解決的問題開始，打造你的AI營運團隊 而在工具導入後，李明倫建議AI專案的成效不要只看「做出幾個工具」，應追蹤使用者是否持續使用、人工時間是否下降、錯誤或遺漏是否減少、工作品質和核心指標是否改善，以及這套流程能否被交接與持續調整等。 他也強調，雖然本次分享是使用Claude，但不同AI工具都能協助盤點流程與建立原型，介面設計、功能穩定度和使用習慣可能各有差異，選擇自己和團隊用得順手的工具即可。真正決定專案能否落地的，仍是問題是否值得解、規則是否講得清楚，以及使用者是否參與驗證。 從「非做不可」的工作開始，AI才會進入每天與每週的真實流程。當團隊持續經歷「發現問題、建立解法、形成SOP、檢視成效、再修正」的循環，累積下來的成果會超過零散的提示詞或單一工具，逐漸形成一套可運作、可交接、可改進的人機協作系統。 [course_plugin api_type='course_id' title='測你的AI素養' id='e9e13d08-2c6f-49b2-bae8-1e9418588041']

AI代理人時代開跑，為何有些企業空有工具卻跑不動？台灣大哥大總經理林之晨與資訊長蔡祈岩指出，AI代理人時代，真正拉開差距的不是AI多聰明，而是組織重塑制度、消除落地摩擦力的速度，並點名企業該推動的5大戰略。本文節錄自《逆分工》。 文／林之晨、蔡祈岩 本文目錄（點擊可快速前往） 代理人時代：螢幕工作的無限重組企業消滅摩擦的5大戰略 市面上關於AI與工作的流行預言，往往充滿了表面合理卻彼此打架的矛盾。例如，黃仁勳曾指寫程式不再是必備技能，引發「軟體工程師最快失業」的焦慮；但同時，社群又盛傳「水電工、木工等藍領最安全」的建議；工具商更天天高喊「不會用AI的人將被會用AI的人取代」。這不免讓人質疑：如果工程師是最會用AI的群體，為何會最先受衝擊？水電工不碰AI，憑什麼最安全？ 這3句話都沒有錯，矛盾的鑰匙在於「時間維度」。這就像3個人站在同一座山的不同高度，山頂下雪、山腰下雨、山腳出太陽，切入的都是不同的層次。 第一個10年（2026～2035）「代理人時代」： 軟體工程師首當其衝。因為他們的工作最純粹地發生在螢幕之內的數位世界，這正是AI代理人最先重組的範圍。 第二個10年： 水電工的藍領工作暫時安全，是因為AI的實體「身體」還沒長齊，修水管等任務高度依賴現場經驗。但當具身AI機器人成熟，實體工作在第二階段同樣會迎來重組。 「會用AI的人取代不會用AI的人」： 這並非特定職業，而是每個階段內部的競爭規則。第一階段是會用AI的工程師取代不會用的；第二階段則是會指揮機器人的技師取代舊技師。 工作並非一次性消失，而是經歷錯位、重組到重新定義的過程。如果將未來30年的不同階段全部壓縮進「現在」，就會陷入無謂的爭論。拉開時間軸，才能看清在不同階段中，資源與能力究竟該往哪裡放。 代理人時代：螢幕工作的無限重組 在第一個10年，AI將從對話工具進化為能自主規劃、執行的「專案經理」。此階段的最大紅利在於所有「螢幕上能完成的事」，轉化為可大規模複製、調度的生產素材。 過往知識工作卡在繁瑣的跨部門流程，AI代理人則將寫報告、做簡報、分析數據、開發原型等能力「即時可得化」。這迫使被組織底層壓抑的需求浮上水面，企業開始做以前因人力成本過高而「不值得做」的事，例如中小客戶的客製化分析、普及的策略幕僚能力。在小說、影音等創意生產領域，創意的生產流程被拆開，迎來供給側的大爆炸。此時紅利不會平均分給擁有工具的人，而是集中於能將多個AI代理人接進工作流程、創造新產能的跨界人才。 然而，這個10年真正的勝負不在AI變得多聰明，而在組織「消除落地摩擦力」的速度。歷史上真正拉開差距的，從來不是最早看見技術的人，而是最快重塑制度系統的玩家。正如工業革命時，真正讓蒸汽機威力兌現的是英國圍繞其建立的專利、金融與現代法律配套；而清朝洋務運動空有鐵甲艦，卻想「中學為體，西學為用」不願動彈體制，制度摩擦最終導致血流成河。 企業消滅摩擦的5大戰略 AI是這個世代的馬鐙與弩，解放了雙手，但也唯有願意重新設計系統的企業才能在加速曲線上勝出。企業在這個10年具體該推動5件整體變革： 第一、領導層必須自己下水每天使用，而非視為IT部門的事。 第二、組織結構動刀，升級中層、放大個體並組成變形蟲團隊，不能用舊組織跑新工具。 第三、重新定義人才標準，從看「會什麼」轉向看「能用AI做到什麼」，改寫招聘與薪酬結構。 第四、勇敢將資源從既得利益的舊系統抽走、投向新系統。 第五、徹底重塑文化，容忍快速試錯與鼓勵跨界融合。 這5件事是一個整體的多個面向，技術躍遷的紅利從不雨露均霑。新秩序來臨之際，企業與個人都必須用接下來10年的具體行動回答：在這場奇點倒數中，你究竟想當英國，還是當清朝？ 節錄自：天下雜誌出版《逆分工：AI 時代的生產力革命，重構組織、市場到經濟的生存新賽局》／林之晨、蔡祈岩 著