[學AI] AI 為何讓職場更忙？從幻覺、落地摩擦到可控工作流

by angus | 2026-03-03

很多職場人士都遇過這樣的場景。午飯後回到辦公室座位，公司電郵和內部通訊工具彈出幾條訊息：「客戶想要另一個方向」、「今晚八點前要出 revised deck」、「順便幫忙寫一封回覆，語氣要友善」。

此時，我們自然地打開 AI，輸入一句「幫我寫個 proposal」。畫面立刻出現一大段文字。看起來完整，有條理，還帶點顧問的味道。但手停在鍵盤上，心裡反而更慌。這段文字能直接交出去嗎？口吻像我們公司嗎？合規會不會出問題？數字靠不靠譜？最重要的是，這封信用公司名義發出去，最後負責的是誰？

於是，辦公室裡熟悉的循環又開始了。第一輪改到「差不多」，第二輪 AI 改得「走了樣」，第三輪同事說「不切實際」。最後主管走過來問：「重點是什麼？資料核對清楚沒有？」

這不是個別情況。最近 METR 做了一項研究。他們找來資深開源軟件開發者，用 2025 年的 AI 工具（比如 Cursor 加 Claude 3.5/3.7 Sonnet）完成真實開發任務，結果卻出人意料。平均花的時間多了 19%，但受試者開工前預期會快 24%，做完後還覺得自己快了 20%。該研究指出，這不代表 AI 讓所有人變慢，而是反映出現實中的問題。AI 輸出需要審核，人在壓力下容易過度依賴工具，資深人員也容易遇到效率提升越來越少的情況。

最讓人難受的不是「變慢」，而是「覺得變快了」。這種感覺就是所謂的「生產力幻覺」。

日常工作中的忙有兩種。一種是輸出忙（寫得多、改得多），另一種是責任忙（驗證、合規、負責）。AI 確實能減少輸出忙，但常常讓責任忙更嚴重。所以幻覺最容易出現在「可以生成，但難以驗證」。

以上情景的出現，背後其實有三件事正在同時發生，包括技術普及的速度跟不上實際應用，未來經濟潛在風險增加，以及我們的工作方式也在徹底改變。

能力像火箭，落地像蝸牛：AI 卡在三道牆

大家最近可能都有個疑問：既然 AI 已經厲害到可以自動寫APP、可以通過律師考試、可以自動生成電影級的影片，為什麼我們的 ERP 系統還是那麼難用？為什麼申請個流程還是要填表？

近日成為焦點的 Anthropic CEO Dario Amodei，曾用一個很有穿透力的框架解釋這種現象：我們正站在兩條曲線的撕裂點。

一條是能力曲線（Capability Curve）在上升，AI 能力像火箭升空，呈指數式增長；另一條是擴散曲線（Diffusion Curve）在慢行，技術真正落地到組織、流程與制度的速度，像蝸牛在爬。

想像一下，如果今天有人發明了「傳送門」，一站上去就能到達倫敦。理論上交通運輸業會被顛覆，但現實中，我們不可能明天就廢除機場和交通工具。政府要立法、城市要重新規劃、大眾要克服恐懼。傳送門再厲害，也頂不住「現實的審批流程」。

這就是我們現時的處境。AI 能力已經很強，但它撞上了現實世界的三道牆。

第一道牆是技術的最後一公里。AI 可以一秒寫出漂亮程式碼，但公司內部可能還是使用著二十年前的老系統。IP 設定錯誤、權限卡在人事部、資料庫命名混亂、接口沒有文檔……這些瑣碎細節，AI 不會自動替你走跨部門流程，最後仍要人一個一個去對接。

第二道牆是企業的慣性。新創公司可能五分鐘就部署好 AI，但大型機構要引入軟件工具，要過法務、過資安、算 ROI、開高層會議。AI 不能代簽、不能代責，會議也不會因為大語言模型更強而自動少一輪。官僚體制與技術革新的時差，很多時候就卡在這裡。

第三道牆是物理世界的束縛。就算 AI 一天能設計出抗癌藥，後面的動物實驗、人體臨床、監管審批仍要三到十年。生物反應的時間縮短不了，物理世界也不會像軟件一樣版本升級就加速。

所以，我們會覺得現實有些割裂。螢幕裡的 AI 像 2026 年的數碼天才，螢幕外的流程卻停在 2010 年。更諷刺的是，人類總以為自己在管理工具，直到某天發現真正管理我們的，是流程、權限與合規。

把 2028 當終點的壓力測試：AI 太成功會怎樣？

前面講完「慢」，要再講一段「快」。

今天我們覺得忙，很多時候來自制度還未吸收技術；一旦制度追上，忙的形態可能會變，甚至從忙轉向資源及工作的再分配。

近日，研究機構 Citrini Research 發布一份名為《The 2028 Global Intelligence Crisis》的報告，他們做了一個極端但很有啟發性的思想實驗。它用倒敘敘事把 2028 年當成終點，回推危機如何一路形成。核心問題是：假如 AI 太成功，產業結構會如何失衡？

報告提出了幾個關鍵的推演。

其一是「幽靈 GDP」（Ghost GDP）。它講的是 AI 把內容、程式碼、服務的產出拉到很高，宏觀數據很漂亮，但機器不會消費。這好比廚房出菜快如閃電，餐廳裡卻沒有客人吃。在這種有產出、無消費的情況下，經濟數據與普通人的體感就開始脫鉤。

其二是「摩擦歸零」（Friction Went to Zero）。它講的是未來 AI Agents（智能代理）幫人格價、訂機票、選保險。人會為品牌情感買單，而代理只看效率與數據。這樣，靠資訊不對稱與中介費生存的產業，可能被擠壓到利潤趨近於零。

其三是一條更嚴酷的價值鏈。白領被取代、消費萎縮、信貸收縮與連鎖反應，並假設 2028 年可能出現失業率超 10%、S&P 下跌近 40% 這一類的危機情景。這些數字當然是一種劇本式推演，重點不在它準不準，而在它逼我們看清現實，就是 AI 造成的衝擊，可能先落在白領，而不一定先落在藍領；加上政策與制度的滯後，會把這種衝擊放大。

這個報告出來之後，引發大量的討論，也帶來不少爭議，說它是一種敘事、製造恐慌。不過，有一點值得警惕的是，它提醒了我們，未來的競爭，不只在「誰做得更好」，還在「誰仍被需要」。很多人談 AI 只談模型有多強，卻避談價值鏈，像只看廚房火力有多猛，廚師的廚藝有多好，卻不看餐廳還有沒有客人。

AI四種用法四種代價：你是哪一派？

回到辦公室現場，其實我們已經分化出幾種很典型的 AI 使用流派。先把這些流派講清楚，後面再談怎樣把它們收束成一條可控的工作流。

第一，「傻瓜派」喜歡收集提示詞（Prompts）。其好處是新人上手快，交付風格一致；缺點是把模板當萬能鑰匙，遇到合規、政治敏感的灰度題，模板救不了判斷。比較穩的做法，是把模板當開場，中段補三樣東西：現狀、限制、驗收標準，讓 AI 有扶手可順著走。

第二，「救火派」講究速度，AI 出初稿就先頂上去。其好處是今晚要交貨，能救急就是好工具；缺點是永遠停留在「一鍵出結果」，後面用更多時間修改、補漏洞、向他人道歉。AI 像開得太大的水龍頭，火是熄了，辦公室也水浸了，最後大家忙著幫手拖地。更穩的做法，是救火可以，但每次用完補一點 QC，慢慢把救急變成常規。

第三，「兵器派」今天學這個工具，明天試那個模型。其好處是兵器庫夠嚇人，遇到突發事不容易卡死；缺點是先問用哪個工具，而不是先問要解決什麼問題。工具越多，流程越亂。比較務實的做法，是固定一套「釐清→拆解→規格→驗收」的流程，工具變成只是換個執行者。

第四，「快餐派」覺得 AI 寫得順眼就直接發出去。這樣做短時間內填飽肚子，感覺舒服。缺點是 AI 最危險的地方是既有內容，且看起來還像真的。一旦出錯，比如資料錯誤、承諾太多、語氣不對、違反規則，責任都由人來承擔。唯一能救這類做法的，就是一條鐵律：所有對外發出的內容，都必須有人檢查。

從以上的四個流派可以看出，表面上是不同的習慣，底層其實是「誰在迴路裡負責」：哪些步驟交給 AI 去完成，哪些步驟需要人把關。這就回到我一直以來提倡的兩個關鍵概念：HITL 與 AITL。

把工作做成產線：HITL 把關，AITL 跑腿

這場AI變革更像一次辦公室內部的工業革命。我們把原本依賴個人手藝、經驗、直覺的知識工作，拆成可標準化的生產線。哪一段生成、哪一段驗證、哪一段交付，邊界越清楚，修改就越少，責任也越可控。

HITL（Human-in-the-loop，人在迴路）是把關角色，像項目總監審核報告，審的不是格式細節，而是論點站不站得住腳、策略符不符合公司利益、有沒有踩合規紅線、有沒有把「可能」寫成「必然」。但方向與驗收由人拍板時，責任最後便落在真人身上，AI 則不會為人作賠償。

AITL（AI-in-the-loop，AI 在迴路）是跑腿角色。標準化、重複性高、耗時間的工作，例如整理會議記錄、做十個文案版本、找代碼錯誤、把散亂資訊變成清單等等，讓 AI 在迴路裡按指令縱橫就行。

因此，理想的工作流像一場接力賽。AI 生成與整理（AITL），人決策與驗收（HITL），再把規格與約束指令丟回 AI。很多人越用越忙，往往是因為把生成誤當完成，然後把最昂貴的責任成本留到最後一刻才補上去。

三步把 AI 關進流程：拆解、規格、QC 清單

不想被「生產力幻覺」困住，可以把工作變成三步。它看上去像增加流程，實際上是在降低重複修改的深淵，把耗時的責任提前處理掉。

首先是拆解（Decompose）。與其叫 AI「幫我寫個方案」，不如先叫它「幫我釐清下一步」。例如「先問我 10 條問題，了解目標和限制」、「幫我列出 5 個風險點」、「給出 3 個不同語氣的草稿選項」。把大任務拆碎，AI 就不容易亂填空，人也更早看見真正的風險。

其次是規格（Spec）。AI 不會讀心術，但它善於守規矩。我們可以把隨意寫成規格，例如語氣要專業但不油膩，少形容詞，多結論與依據；禁區要清楚，例如不要承諾業績、不要引用競品名字、不要寫超出授權的條款；格式也要定，例如先摘要，再列選項，最後給建議與下一步。規格越清楚，後面的 QC 成本就越低。

最後是驗收（QC）。把驗收變成標準動作，例如叫 AI「先出大綱再寫全文」、「標註所有你不確定的數據」、「列出這份方案可能的漏洞」。然後人用一個固定清單快速掃一遍：

• • 這份內容承擔什麼責任（法律／商譽／財務／合規）？

• • 文中的數字與事實，來源是否可追溯？

• • 有沒有隱含承諾（例如「保證」「一定」「必然」）？

• • 口吻是否符合公司立場與文化？

• • 有沒有踩到內部政策或外部監管的紅線？

• • 有沒有一句明確的下一步能推動的事情？

這就是 HITL 的核心。我們不一定要親手寫每個字，但要負責判斷它值不值得發出去。

最後的勝負：閉環系統，而非爆款工具

我們正站在一個很奇妙的時間點。

一方面，Amodei 曾預測 AGI（通用人工智能）可能在 2026 或 2027 年出現，並警告這可能帶來就業大幅縮減、需要加速 AI 安全研究。這種預測充滿爭議，也不必當成時間表，這更像情景推演。然而，它也像警報器，提醒我們變化不一定會很慢。

另一方面，Citrini 用極端劇本提醒我們，當 AI 的能力開始侵蝕白領的價值鏈，衝擊可能先體現在消費與信貸，而不只是「多了幾個更好用的助手」。

對職場人士來說，焦慮很昂貴，因為它消耗判斷力。更化算的，是把注意力放回如何更好地落地，是否能回答：誰能把神級的能力嵌入平庸的現實？誰能打通老舊系統？誰能搞定跨部門流程？誰能把 AI 的產出變成安全、可交付、可追責的商業價值？

對企業來說，未來的競爭也不只在模型參數上，更在誰能把「交付成果」變成一門工程學：把任務拆解、把規格寫清、把驗收標準化。很多公司以為自己在買「降本增效」的工具，實際上買的是一面鏡子。它能照出自己流程有多亂、權責有多模糊、合規有多靠運氣。輸出的量雖然變便宜了，但付出去的成本反而變高了。如果沒看見這個現實，就很容易把忙碌當成努力，把善後當成敬業。

到最後，真正能站穩的團隊，靠的是一套閉環，而非某一個爆款工具。人類負責決策把關與驗收，AI 負責高效執行與整理，兩者來回迭代，讓效率、風險與責任都可控。閉環建立起來，我們才算駕馭這股力量，否則很容易被它的產出量淹沒。這也是我們團隊目前專注的方向，正在為自己的團隊及客戶企業搭建這樣的智能協作系統，讓技術真正落地，讓工作回歸價值、讓企業提升競爭力。

職場與企業不必糾結 AI 有多強，把它當作有潛力但不懂規矩的超級實習生便是。教流程、給標準、驗成果。人機協作能否變成閉環，才是亂局裡的分水嶺。

建議下載收藏

參考資料：

Citrini Research. (2026). The 2028 global intelligence crisis [Report]. https://www.citriniresearch.com/p/2028gic

ForkLog. (2026). Anthropic CEO foresees imminent arrival of AGI and job reductions [News article]. https://forklog.com/en/anthropic-ceo-foresees-imminent-arrival-of-agi-and-job-reductions/

METR. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity [Blog post]. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

YouTube. (2025). Dario Amodei: Anthropic CEO on Claude, AGI & the Future of AI & Humanity [Podcast]. https://youtu.be/ugvHCXCOmm4?si=qdtdV8yHDWkonudB

@張Sir的AI養生館 – 學習智人

[學AI] AI 寫計劃書：速度很誘人，陷阱也很溫柔

by angus | 2026-02-25

這兩天公司內部的節奏有點像坐過山車，昨晚才剛和同事A把那份「市場營銷報告」磨到深夜十一點，今早七點多，又和同事B在網絡會議室討論「投標計劃書」。

雖然面對的場景不同，使用的工具各異，但這兩份由 AI 協助產出的初稿，都散發著一種詭異的「共同氣味」——乍看之下，段落整齊、詞彙專業、厚度十足，像極了一份正經文件；但只要沉下心來細讀，就會發現它經不起推敲。沒有起承轉合的鋪陳，邏輯線若隱若現，更像是一本把各種材料強行拼貼起來的說明書。讀後，很難發自內心地感嘆一句：「原來公司的AI這麼厲害。」

看起來完成了，實際上只是把「文字」提交了

同事B的經歷特別典型：遇到不懂的操作先問技術同事C，再結合同事A手頭的資料，丟給 AI，轉眼間就能輸出一份 Word 文檔。這種效率確實驚人，也值得高興，因為它降低了技術門檻，讓很多原先需要長時間磨練的工作能更快上手。

但也正因為太快，很容易產生一種錯覺，以為自己已經把「計劃」做完了。其實，完成的只是文件的「外形」，而非方案的「骨架」。AI 能把版面填得很滿，但它無法替我們做商業判斷。我們的主張是否真的成立？假設的數據是否真實？流程在港澳的商業環境下能否落地？投入產出比是否合理？那些寫在紙上的承諾，我們是否承擔得起？

這些問題，必須由人緊緊握住方向盤來回答。

最大的坑：認知放棄，人逐漸退出迴路

以上的經驗，或許很多在職場的人士都遇到過。我最想提醒的是，一個聽起來有點學術，但發生在每個人身上的現象：「認知放棄」(Cognitive Surrender)。

簡單來說，一旦人類過度依賴 AI 的自動化流程，大腦就會本能地偷懶，不再深想、不再追問、不再審核，慢慢退化成一個只負責把稿子拼好、把格式調順的「排版工」。

說到這裡，必須再次引入一個我經常在文章中提及的核心概念：人在迴路（HITL, Human-in-the-loop）。用白話講就是——AI 可以跑流程，但每一個關鍵的十字路口，必須有人在場指揮；AI 可以寫代碼或文案，但最終的責任，必須有人來承擔。

因此，可怕的地方在於，這種「放棄」不是瞬間發生的，而是像溫水煮蛙一樣自然而然。第一次覺得「AI 寫得不錯」，第二次覺得「差不多可以了」，到了第三次，對那些明顯的邏輯漏洞也就「輕輕放過」。昨晚同事A那份報告就隱約有這種跡象。第一眼似模似樣，細看卻漏洞百出，這種東西如果直接發給客戶，撞板是遲早的事。效率看似上升了，但團隊的專業水平並沒有同步提高。

「寫得很詳細」不等於「做得到」

AI 有個特點，它特別擅長把內容寫得「很完整」，尤其在流程、步驟、職責分工、交付物這些環節，它能呈現出驚人的顆粒度。這也是同事B提到的感受：明明是不太懂的業務細節，AI 卻寫得頭頭是道。

這時候我們必須額外警惕。計劃書和投標文本一旦白紙黑字寫下「我們能做到」，在客戶看來這就是商業承諾，而不僅僅是一篇作文。AI 讓我們更容易寫出「像承諾」的漂亮句子，也更容易讓我們在沒想清楚之前就把承諾交進去。最終出事的時候，AI 可不會出席會議替我們解釋，更不會幫我們賠償。

如何善用 AI Agent 不會撞板？

為了把我在之前的文章中介紹過的一套AI與人類協作的邏輯具象化，我用AI畫了這樣一張簡潔的流程圖（見附圖）：

1. 架構（HITL）：由人來定義目標與框架。

2. 供給（AITL）：AI 負責快速生成素材與選項。

3. 取捨（HITL）：人回來做判斷，篩選什麼可用，什麼是垃圾。

4. 角色切換（AITL）：AI 根據反饋進行優化或模擬不同的視角，現在可以用多代理（multi-agents) 了。

5. 落責（HITL）：人必須確認最終內容的可行性與責任歸屬。

6. 評估（AITL）：AI 輔助進行最後的協作評價或合規檢查。

這張圖的核心在於節點間的切換和迴路迭代——人主導，AI 協作。

我自己剛開始寫一些內容時，也犯過沒有迴路的錯誤。覺得省時就一路用下去，結果在該嚴格的地方鬆懈了，在該追問的地方沉默了。因為AI實在太順手了，順手到會讓人誤以為「順」就等於「對」。

說了這麼多，有一點可以預見的是，AI agents 只會越來越強，這是大勢所趨。未來真正拉開差距的，很可能不再是誰用了更貴更強大的 AI。誰的業務流程設計得更深，誰更懂行，誰能始終把「人」留在這個決策迴路裡，誰就站得更高，走得更遠。

所以，與其一開始就讚嘆技術多厲害，我們更值得投資的是一種團隊習慣：把 AI 當作加速器和草稿機，把思考和判斷留給自己。

【張Sir講白話：用AI要帶腦睇路】

#人在迴路 #認知放棄 #HITL #AITL #AI Agent

@張Sir的AI養生館 – 學習智人

[學AI] 讓思考看得見：中小學生如何善用 AI 做功課？

by angus | 2026-02-11

很多大人看到中小學生用AI，心情複雜。一方面覺得這很方便，有效率，代表進步；另一方面也擔心，學生做功課像叫外賣，只顧「會吃」，卻忘了「會做」。

這份不安很正常。學生的大腦還在長骨頭，長的不只是詞彙量，還有注意力、理解模型、判斷力，以及對自己負責的習慣。AI 一旦進教室，最容易被偷走的，往往不是分數，而是那段慢慢長出能力的過程。

在上一篇中 [按此閱讀]，我借用了兩個概念來拆解差別：「認知卸載」，是把部分工作交給工具，方向盤仍在自己手上；「認知放棄」，是連推理、判斷、責任也一起交出去，看見順滑輸出答案就當作完成。這一篇重點在一個更敏感的問題：學生怎樣用 AI 做功課，才不會不知不覺滑向「認知放棄」？寫作只是其中一種形式，理科題、閱讀報告、專題簡報，同樣存在風險。

「先想再用」是方向盤

我們常把 AI 視作會吐答案的機器，其實它更像班上那位總在課間幫同學做作業的「神助攻」：速度快、表情淡定，還總能把錯題講得好像自己全對過一樣。老師都得特別留神，學生哪能不被吸引住。

最常見的情境是，學生把題目貼進 AI 對話框，拿到一段看似完整的答案，然後就複製或下載。他以為自己學懂了，其實只是完成了交功課的動作。

答案對不對當然重要，更要緊的是，他有沒有經歷過思考。學習的肌肉不靠閱讀答案長大，靠的是推敲、撞牆、修正、再試。答案來得太快，學生就少機會在卡住的地方鍛鍊出理解力。

因此，課堂裏更容易出現「認知放棄」，原因很現實。時間緊、評分只看成品、能力又仍在成形，AI 很容易由工具變成代勞者。學生一旦習慣直接把答案交出去，久而久之就會忘了腦袋本來要用來判斷和推理。

• 時間壓力：功課多、考試近，最快完成的捷徑永遠最誘人。
• 回饋機制：目前的評分只看成品，學生自然把心力放在「看起來像完成」。
• 能力仍在成形：注意力、判斷、責任習慣尚未穩定，容易把工具當終點。

把 AI 放在「教練位」：它負責提問，學生負責思考

若學生一開始就找 AI 拿答案，看到的只是一份完成度高的作文、報告或解題過程，卻看不到思考痕跡。那種「做得很像懂了」的狀態，就是我說的「熟口熟面」：像學會了，實際上只是借了個殼。

更穩妥的做法，是把 AI 放到「教練位」。教練不會替你跑全程，它擅長的是追問與拆台：你怎樣得出這個結論？憑什麼這麼說？有沒有反例？前提站得住嗎？換個場景還成立嗎？換題型還適用嗎？

學生需要的正是這種提問。很多人不是不會想，是不知道從哪開始；AI 用得好，能把「開始思考」變得更容易。

一個最小可行流程：學生先出骨架，AI 只負責提問

我們可以設計一個簡單的流程，讓它易落地，重點在順序。先讓學生動腦，再讓 AI 進場。

首先，讓學生寫骨架：理科題寫明已知、要求、擬用公式或定理，以及每步邏輯。用自己的話列出解題思路、立場、理由、概念、例子與結論，粗糙無妨，反而看得出真動過腦。

接著，讓 AI 當教練提問，針對骨架發問，例如：

• 這一步依賴的前提是什麼？
• 有沒有反例或例外？
• 這個例子能代表整體嗎？
• 換個情境或題型還成立嗎？
• 結論能否收斂一點，避免說過頭？

最後，學生重寫定稿，將答案轉為自己的表述，補漏、修正、補充例子或推導，提交真正的「學生版本」。

這一步就像練功房：AI 是沙包，你打它，它回彈；你就知道哪裡力道不足。打完一輪再補一輪，肌肉才長在自己身上。

家長和老師看什麼：看思維痕跡

家長與老師若想配合這個流程，可以先從「看痕跡」開始。

當 AI 能把成品修得很光滑的時候，越需要回頭找痕跡。例如，我們可以拿幾個實用的觀察點來測試一下：

• 能不能口頭復述？學生講不出來就很危險。
• 能不能指出一個反例？學生只會順著說，通常是借來的理解。
• 能不能說出自己改了哪裡？改動越具體，思考權越可能在學生手上。

老師那邊若願意把評核的一小部分放到過程上，像草稿骨架、AI 提問回合、重寫版本，往往比單一成品更能反映學習。

這些做法看似麻煩，其實是把兩件事放回學習核心：讓學生在乎準確性，並得到即時反饋。當學生知道「思考過程會被看見」，他才更願意抵抗「認知放棄」，握回學習的方向盤。

回歸教育的本質

一直以來，抄襲至少一眼看得出來。學生抄了，多半也知道自己做了甚麼。但「認知放棄」一旦成習慣，長期下去更危險。這種麻煩不在一次作業的對錯，而在於它會慢慢變成學習方式。它會令學生感覺自己很努力——複製貼上也要動手，潤色改寫也花時間。這份努力非但沒長在思考上，反而貼在包裝上，看起來還很光明正大。

所以這篇先做一件事：把順序調過來，先想再用，讓思考過程重新被看見。我的目的很簡單：使用 AI 時，讓學生仍然有理由去思考，並得到針對思考過程的真實反饋。AI 沒有改變學習的核心，它把另一件事放大了：答案變得更容易拿到，學生也更容易跳過思考。當答案像自來水一樣隨手可得，真正稀缺的就回到人身上：學生有沒有想清楚問題，能不能質疑，願不願意為自己的答案負責。

@張Sir的AI養生館 – 學習智人

[學AI] AI寫作最大的誤區：你幹了，卻不負「責任」

by angus | 2026-02-10

您是否經常在網上看到這樣熟悉的畫面：有人把一篇 AI 寫的文章貼出來，底下留言清一色說「寫得真好」、「太有才了」，往往只有一個留言說：「是真的嗎？」

那句話像針一樣扎進來。因為很多時候，我們不是寫不出來，我們只是太容易「交到一份看起來像完成」的東西。AI 把文字變得很便宜，便宜到你只要願意，幾秒鐘就能把頁面填滿。可寫作真正昂貴的部分，是吸收、理解、判斷和責任。[閱讀上一篇：請槍 AI 寫文零成本！「像我」誰負責？]

當下AI 寫作像一種新世代的「即食麵」：熱水一沖就能吃，香味也不差。問題在於，你吃完會有一種錯覺，以為自己會煮飯了。下一次有人問你「這味道怎樣來的？火候怎樣控？材料在哪裏買？」

無言以對。

當下，AI 把寫作變得太容易了，容易到我們開始分不清自己是在學AI，還是在用一個很會說話的工具替自己完成作業。文字通順、結構完整、例子齊全，真正的麻煩往往藏在更底層：我們越來越快得到內容，卻越來越少把內容變成自己的能力。

接下來幾篇文章，我會分場景談：一般作者如何與 AI 協作、怎樣避免被工具牽著走；中小學怎樣用 AI 又不偷走孩子的腦袋；高等教育怎樣把 AI 變成論證與研究的助力，而非剪貼機；職場怎樣用 AI 提升決策與風險控制，而非只做漂亮交付；再往後把整套方法系統化，用多 Agents 配合人在回路（HTIL）的流程，以及談談如何落地，搭一條「寫作裝配線」。

這系列有一句主旋律，我會反覆講，但每次會落在不同地方：AI 把獲取變便宜，吸收、理解、判斷和責任變昂貴。方法的任務，是把昂貴那段拆成可承受、可重複的步驟。

這篇我先把底層邏輯講清楚。AI 更像一面放大鏡。我們原本有骨架，它會幫我們加速；原本欠骨架，它也會把空洞放大。

先講清楚：我們以前怎樣把「不知道」變成「知道」

在 AI 出現以前，知識獲取大多像爬一座高聳的金字塔。最底層是符號（字、圖、數字），往上是訊息（符號有了指向）、再往上是資訊（訊息被整理後能用來回答某些問題），最後才是知識（你能解釋、能推理、能預測、能把它用在新情境）。

這條路徑很慢，也很煩。慢在我們得找資料、讀原文、做筆記；煩在你常常卡住：看懂了，卻不會用；以為懂了，一問就露底。可那種「卡住」其實很值錢，因為它迫使我們把腦袋裏的理解框架一點點搭起來。

AI 時代最不一樣的地方在於，它把這座金字塔的前幾層直接「跳級」了。

AI 時代：從線性爬塔，變成跳躍式走捷徑

AI 的厲害，在於它把「符號→訊息→資訊→知識」變得像自來水。你丟幾個關鍵詞，它就替你把符號整理成訊息，把訊息整成資訊，再包裝成一段看起來像知識的文字，語氣還很篤定。

以前你得一層層爬；現在更像坐電梯直達頂樓，門一開，眼前是一份完整的「答案」。答案一完整，我們就更容易把它當成知識。跳躍式、非線性的獲取，最常帶來兩個後果：理解被跳過、責任也被跳過。

把這兩個詞先弄懂：認知卸載 vs 認知放棄

講到這裏，必須把兩個容易混在一起的概念先弄懂，否則後面所有方法都會跑偏。因為，其實以下兩件事我們很早就做過了；AI 只是把它們放大，放大到你不想面對也不行。

• 認知卸載（cognitive offloading）：我們策略性把一部分工作交給工具，例如計算、整理、提醒。通俗一點，我們把「搬磚」的工作外判出去，但方向盤仍在自己手上。我們仍然要決定何時用、用在哪裏、結果要不要覆核。不是嗎？電子計算機把心算筆算載掉，互聯網把去圖書館查資料卸載掉，手機把行程、導航、電話號碼卸載掉。我們省力了，還是知道自己要去哪裏、打電話給誰、在解決甚麼問題。
• 認知放棄（cognitive surrender）：我們把推理、判斷、責任也交給工具。也就是說，我們把方向盤也外判了。看到 AI 輸出順滑、自信，就當作完成。 這也不是 AI 才有的毛病。早年「谷歌一下」就讓人養成不回頭看來源的習慣；後來推薦算法把我們愛看的內容一路餵到嘴邊，慢慢忘了自己原本想問的問題。AI 則更進一步，連「看起來很合理的結論」都準備好，我們連懷疑都省掉。

前幾天讀到來自沃頓商學院的研究人員剛發表的一份工作論文，用「認知放棄」描述他們在三項預註冊實驗中觀察到的一種行為傾向：人們往往幾乎不加質疑地接受 AI 的輸出，同時忽視直覺判斷與深思熟慮的推理過程。AI 回應快、語句流暢、聽起來合理，很多人就覺得「可以了」。他們也指出，當受試者有動機在乎準確性，並能即時得到自己的表現反饋時，更願意拒絕錯誤輸出，並主動去思考。

把這段研究發現放回寫作場景，意思是說，AI 既能做卸載，也很容易把人推向放棄。差別不在工具本身，而在於有沒有把主導權握住。

AI寫作最常見的三個坑：看似高效，實際空心

我見過通常的誤用，離不開以下三個坑。它們看起來不同，本質上都指向同一件事：把思考能力交出去。

第一個坑：把 AI 當成答案販賣機。題目一丟、草稿一收、稍微改幾句就交。成品看起來體面，但一追問「這個論點憑什麼成立？如果有人質疑，怎麼回應？」很多人會卡住。因為過程裏大腦沒有真正出力，突然覺得短路了。

第二個坑：把「看過」誤認成「懂了」 。答案看起來「熟口熟面」。讀起來很順，覺得自己認得它，就以為自己懂得了它。像你看別人彈鋼琴，知道下一個音會落在哪裏，輪到自己上手，手指一樣打結。我們得到的是熟悉感，不是能力。

第三個坑：把速度當成能力。 AI 能把產出速度拉到以前想都不敢想的程度，於是我們用「完成」來安慰自己：稿交了、簡報出了、報告送了。完成只是交付；能力成長要看有沒有形成理解框架、有沒有做過取捨、有沒有負過責任。

三個坑疊在一起，就會很尷尬：做得更快、更像樣，判斷力與理解力沒有同步長大。一換題目、一換情境、一換要求，整個人像熟練按鈕的人，不像掌握技藝的人。

分水嶺：你把哪一段交出去？你自己保留哪一段？

常見的誤用做法，是把「思考的主幹」交了出去，把「表面的修飾」留給了自己。AI 給論點、結論、結構，我們做潤色和拼貼。省時是真的，最能培養能力的部分則被外判了。

當我們能善用AI時，判出去的是勞動密集、可替代的部分；保留的是需要負責、不可替代的部分。AI 幫我們補材料、找例子、改寫表達、列對照；而我們自己可決定這篇文章要解決甚麼問題？採用甚麼立場？哪些假設站得住？哪裡需要查證？哪裡要承擔風險？

也就是說，AI 讓答案變得很便宜，負責任的判斷則更值錢。

為甚麼答案越容易得到，理解反而越困難？

寫作像爬一條從符號到知識的梯子。以前最難的是前半段：資料難找、例子難挖、表述難寫。AI 把這些成本壓到接近零，瓶頸就往知識金字塔的上端移動——移到人類不得不親自出力的地方。

而這些地方，恰恰是最費時、最昂貴的：

• 注意力：能不能把心神固定在一個問題上足夠久，不被隨手可得的輸出牽著跑。
• 理解力：腦中有沒有可運行的解釋框架，能不能講清楚「為甚麼」與「所以呢」。
• 判斷力：在多個看似合理的選項裏如何取捨，如何處理不確定，如何定義好邊界，在哪裡結束。
• 負責任：哪些話需要查證？哪些是恰當的比喻？哪些結論若錯了會誤導誰？最終，署名的是作者本人。

我的方法：HITL＋AITL，把AI協作做成可複製的寫作工坊

為了將力用在可承受、可重複的流程裡，逼自己不要把寫作的方向盤交出去，我把 AI 寫作流程設計成一間小型工坊，每一步都留下可檢查的交接件，避免只拿成品、不見能力。

這裏我特意引入了AI技術裡的兩個概念到這套流程中：

• HITL（human-in-the-loop）人在回路：流程裏設計幾個「人必須停下來做判斷」的關口。關口的目的是把主導權、取捨權、責任留在自己手上。
• AITL（AI-in-the-loop）AI在回路：讓 AI 成為流程中的工作站，負責供給、拆台、校對、讀者測試等勞動密集工序。AI 不是終點，它是回路中的一個工位。

兩者配合起來，效果就像一個我經常使用的比喻：廚房—AI 可以備料、切菜、洗碗、列菜單；人要試味、決定火候，最後出菜。廚師可以請很多幫手，味道終究要他負責。

具體的流程如下：

• 先由人定錨（HITL）：先寫骨架。哪怕粗糙也行：一句主張、三個理由、可能的反例、讀者最常問的問題。方向盤先握回來，觀點先由自己決定。
• 再由 AI 供給（AITL）：補材料、舉例、改寫。它提供候選項，自己挑、剪、取捨。
• 中段用人做取捨（HITL）：組織、刪減、補充，逼自己形成理解框架。資料堆高很容易，取捨清爽才見功力。
• 用不同模型做角色切換（AITL）：設計助理來補例證，做反方專門提問「憑什麼」。模型偏好不同，盲點更容易被照出來。當然，這個流程節點必須具備使用多個AI模型做前提。
• 最後回到人核查落責（HITL）：校對、驗證、加邊界、補來源，必要時刪掉無法核查的段落。這一步沒人能替自己做。
• 最後再請 AI 做讀者測試與挑刺（AITL）：扮演目標讀者、審稿人、反對者，把最後一輪漏洞逼出來。

用一個流程圖來顯示，看起來是線性，但在實際執行過程中，總會來回切換，這一點必須提醒一下。

寫到這裡，這篇也差不多收筆。如果你也想訓練自己對抗「順滑感」帶來的「認知放棄」，不妨先問問：

• 這句話是事實、推測，還是比喻？
• 依據在哪裏？能追到哪個來源？
• 若錯了，會誤導誰？代價是甚麼？
• 我願不願意為這篇文章署名？

然後，你會發現一個很微妙的現象：AI 幫了你很多，但你仍然很忙。忙的那段，正是吸收、理解、判斷與責任。

這反而是好事，因為你會更堅定地願意為你的成品署名。

參考資料

Shaw, S. D., & Nave, G. (2026). Thinking fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender. Working paper, The Wharton School, University of Pennsylvania. SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6097646

@張Sir的AI養生館 – 學習智人

【學AI】請槍 AI 寫文零成本！「像我」誰負責？

by angus | 2026-02-08

昨天跟國學大師前輩閒聊時，話題繞到 AI，我先忍不住自嘲了一句：我有時也會一本正經地胡說八道，而且胡說得很像那麼回事。AI 幻覺最可怕的地方也在「像」——像到你自己都差點信了，像到旁人也懶得追問，像到它可以被轉發、被收藏、被當成一句「很有智慧」的話供奉起來。

回到家裡，看到大師的FB貼子，以「大師口吻」寫了句：反省問題，撥開雲霧，自見青天，閃耀生命的智慧。乍看字字端正，句句像在說真理。可越是這樣的句子，越讓我心虛：我真的會寫說這段話嗎？我究竟想說什麼？

租來的古裝，撐不起自身的學問

這一問，問題就回到我剛剛使用AI的經歷——我曾經很認真地玩AI，玩到有點走火入魔：把 AI 調教成「像我」，再順手裝扮成「像我喜歡的那些人」。沈從文、魯迅、金庸、莎士比亞、海明威……名字一輸入，像在餐牌QR code上掃一掃，下一秒菜就端上來，熱騰騰的，語氣、節奏、比喻都「像」。既爽快又充滿虛榮感：明明只是打了幾個字，卻像忽然多了幾十年筆齡的大師，連停頓都安排得像模像樣。

可能也正因為太順了，很快就開始感到不安。太順的東西往往需要付出代價。回頭想想，我當時迷戀的多半也不是「寫得更好」，而是「看起來更像」——像某種成熟，像某種老練，像我希望別人以為我已經變成的那個自己。

然後冷靜下來細想，問題其實很簡單：我真的是沈從文嗎？讀者會認為我是沈從文嗎？就算他覺得像，也多半只會覺得我在請槍模仿。這件事像極了在旅遊景區租了一套古裝去拍照，燈光打得剛好、表情也能撐住，照片看起來挺有古氣派；但心裏清楚，那不是我，我只是穿越了一下而已。

沈從文那種溫柔得像水的筆法，是他看遍了湘西的人情冷暖、經歷了時代的動盪後，選擇用悲憫去包裹苦難。魯迅那種尖刻，是他對國民劣根性的痛心疾首，是他在黑暗中吶喊的代價。AI 模擬的只是他們的「語氣參數」，是通過大數據計算出來的概率分佈，把最常出現的字詞重新組合而已。它沒有經歷過那些苦難，不需要為那些觀點承擔風險。當把這種風格套在自己身上時，得到的只是一個空殼。

內容的本質：邏輯與責任

在學習與知識傳播的領域裏，必須釐清一點：寫作和表達的核心，始終是邏輯、判斷與責任。

讀者花時間讀你的文章，聽你的報告，不是為了看你玩弄辭藻，也不是為了看一場模仿秀。他們想要的是一個清晰的觀點，一個能解決問題的模型，或者一種對世界的獨特判斷。

如果文章的觀點是 AI 拼湊的，邏輯是 AI 演繹的，連情感都是 AI 模擬的，那麼請問，作者在哪裏？

這就是 AI 時代最大的荒誕之處：文字的生產成本已經降到了零。一分鐘生成一百篇風格各異的文章毫無難度。但正因為「量」的泛濫，「質」的稀缺性才更加凸顯。這個「質」，指的不是文筆，而是「責任」。

作者敢不敢為這句話負責？能不能為這個判斷背書？

金庸筆下的江湖有情有義，AI 可以模仿那種豪氣，但它不懂什麼叫「俠之大者，為國為民」。如果作者只是用 AI 生成了一堆漂亮的江湖黑話，卻說不清自己的價值觀底線，讀者感受到的只會是空洞。就像收到一封印刷精美的信，打開來卻是一張白紙，連個簽名都沒有。

把 AI 當成「諍友」，而非「槍手」

經過了兩年的嘗試，「像我」其實很沒必要。讀者來這裡讀文章，多半不是來參觀文風的，他們想帶走的是一個更清楚的理解模型，一套能用在生活或工作裏的尺度。即使我讓 AI 把句式模仿得再像，如果觀點是空的，讀者記不住；如果邏輯站不住，讀者用不上；如果責任不清楚，讀者只會覺得我很會說，卻不太可信。

所以後來我逐漸轉向，不再要求 AI 像我。我寧願它像我那個最不喜歡、但最有用的朋友——會拆台、會追問、會逼我交代「憑什麼」這樣寫。它可以冷一點、硬一點都無所謂，只要它能把我的漏洞找出來，我就知道自己在哪裏偷懶，在哪裏想用漂亮話混過去。

在教學相長的過程中，我更願意把 AI 設定成一個「挑剔的教授」或者「冷酷的辯論對手」。我會讓它：

• 邏輯拆解：找出我論述中的邏輯漏洞，質問我的數據來源是否可靠。

• 降維翻譯：把我的學術黑話翻譯成大眾讀者聽得懂的大白話（這點它做得比我好，這是它的強項）。

• 視角擴展：提供我不熟悉的領域案例，打破我的「知識同溫層」。

我寧願它冷冰冰地指出我的錯誤，也不要它溫情脈脈地模仿我的口吻。前者能讓我的思維肌肉更結實，後者只會讓我患上「認知癡呆症」。

放棄請槍，做回大腦的執行官

在「張Sir的AI養生館」裡，我常說要把身體外包給自己，其實大腦的主導權更不能外包。

在 AI 時代，風格是最廉價的「皮膚」，隨時可以更換。真正值錢的，是作為一個「人」的痛感、猶豫、選擇，以及願意為這些選擇付出的代價。

這或許才是人類應有的學習AI的態度。

【張Sir講白話：學其骨，不學其皮】

• 拒絕請槍心態：花時間調教 AI 的語氣，不如花時間打磨核心觀點與邏輯架構。
• 警惕順滑感：AI 生成得越順，越要警惕，因為真正的深度思考通常是粗糙且痛苦的。
• 責任不外包：AI 可以寫草稿，但發布按鈕必須由作者來按，觀點的責任由作者來擔。
• 尋找異見者：用 AI 來挑戰思維盲區，讓它做「紅隊」（Red Team）。
• 真實最貴：在萬物皆可生成的年代，那點帶着瑕疵的真實感與個人經驗，才是最稀缺的資產。