AI 協作思維

很多人第一次用 AI 覺得「有時神、有時廢」，其實不是運氣問題，是少了一套穩定的合作方法。4D 框架把「跟 AI 共事」拆成四個能力：Delegation（委派）、Description（描述）、Discernment（判斷）、Diligence（盡責）。它原本是兩位大學教授研究出來的 AI Fluency 架構，這裡換成台灣中小企業的日常來講。你可以把它想成帶一個很聰明但完全不懂你公司的新同事：你要決定派他做什麼、把事情交代清楚、驗收他的成果、並且為最後交出去的東西負責。

委派和盡責是「治理」層，決定大方向。委派是問：這件事交給 AI 到底划不划算？像整理月報表、把逐字稿改成通順文章、發想十個貼文標題，這種重複、量大、不需要你獨門判斷的工作，最適合交出去。反過來，跟客戶議價、決定要不要接一個案子、對外道歉信的最終定稿，這些牽涉關係與責任的，AI 可以幫你打草稿，但拍板要你自己來。盡責則是提醒你：AI 產出的東西一旦送出去，責任是你的。客戶的個資、還沒公開的報價、公司機密，貼進去之前先想清楚。

描述和判斷是「日常」層，是你每天在跑的迴圈。描述決定 AI 的起跑點——你講得含糊，它就只能給你一個誰都能用的罐頭答案；你把角色、對象、目的、字數、語氣講清楚，它第一版就會很接近。判斷決定 AI 的終點——你要看得出它哪裡在唬爛、哪裡漏了重點、語氣對不對。這兩件事會來回好幾輪：描述 → 看結果 → 給回饋再描述，直到夠用為止。

這四個能力最怕「只點一半」。只會描述、不會判斷的人，會把 AI 一本正經講錯的東西直接拿去用，反而更危險；只會判斷、卻不敢委派的人，什麼都自己做，等於花錢請了助理卻讓他坐冷板凳。真正上手的人是四個一起轉：聰明地決定交什麼、清楚地交代、嚴格地驗收、負責地送出。

新手最大的誤解，是把 AI 當成投幣式機器：丟一個 prompt 進去、期待掉出成品，掉出來的不夠好就覺得「AI 不行」。實際上，跟 AI 合作比較像跟一個同事來回討論稿子。第一版本來就是拿來改的——你的價值不在於一次把話講到完美，而在於看得出第一版哪裡不對、並且能明確講出怎麼改。這個心態一轉，你對 AI 的滿意度會立刻跳一級。

關鍵在「回饋的顆粒度」。含糊的回饋只能換來含糊的修正。「幫我改得更好」AI 只能亂猜；「這封信太官腔，把開頭的客套話拿掉、用第一句就講重點，並在結尾加一句約時間的話」——這種回饋 AI 幾乎一定改對。訣竅是：具體指出哪一段、哪裡不對、你要變成怎樣。你愈能像在跟人講「這裡這樣、那裡那樣」，AI 就愈聽得懂。

要「繼續往下修」還是「重開一個對話」，是需要判斷的。如果只是微調（語氣、長度、補一個重點），直接追問或編輯你原本那句話重送最省事。但如果對話已經歪很遠——你講 A、它一直繞到 B，改三次都拉不回來——那多半是最前面的描述沒講清楚，愈補訊息只會讓它愈混亂。這時候乾脆開新對話，把你「現在才想清楚的完整需求」一次講好，通常比在舊對話裡硬救更快。

值得補一句：迭代不代表「多多益善」。目標是用最少的來回把事情做好，不是無止境地磨。抓到「這版夠用了」的手感，跟抓到「該重開了」的手感一樣重要——這兩個判斷會隨你用得愈多而愈準。

卡關時最沒效率的反應是「AI 好爛」然後放棄。實際上，不理想的回應幾乎都落在五個固定類型裡，每一種都有它背後的原因。把原因搞懂，你就從「碰運氣」變成「對症下藥」。

太籠統幾乎都是背景不夠。AI 不知道你是誰、東西給誰看，只能給一個「對所有人都堪用、對你剛好不夠用」的答案。解法是把情境補上：你的角色、成品的對象、有什麼限制。「幫我寫一封延遲通知」會得到罐頭；「幫我寫信給等了很久的老客戶，說系統上線要再延兩週，這已經是第二次延，語氣要專業但要道歉」就會得到能用的。太長或太短則是因為你沒講，它只能猜——直接指定長度即可。格式不對是最常被誤會成「AI 不聽話」的：它其實聽懂了你要什麼內容，只是不知道你腦中的排版長怎樣。與其形容，不如給它一個範例照著套，這叫「示範，別只用說的」。

五種裡最需要警覺的是一本正經講錯話。AI 有時會生出聽起來非常合理、其實是錯的資訊，特別是具體數字、法條、冷門領域的事實——它不是故意騙你，是它在「補完看起來最像對的答案」。這件事沒有一句 prompt 能根治，只能靠你的習慣：凡是高風險的內容（要送客戶、牽涉金錢或法規），關鍵事實一定獨立查證；可以叫它附上出處、或標註它自己有多確定；能開網路搜尋就開，讓答案有現實依據。記住這條鐵律：AI 講得多有自信，跟它對不對，完全是兩回事。

語氣不對是最好救的。AI 預設走「有禮貌、專業」路線，不見得符合你的場合。你不需要什麼技巧，用白話講清楚就好：「輕鬆一點、像跟朋友聊天」「這要很正式、有權威感」。最強的做法是貼一段你（或你公司）平常的文字當範本，叫它照這個調性寫——這比任何形容詞都準。

當你開始想把某件重複工作固定交給 AI，一定會冒出一個問題：「它到底做得夠好嗎，我敢放手嗎？」憑感覺賭下去太冒險，但你也不需要什麼複雜系統。eval（evaluation，評估）聽起來很技術，本質其實超簡單：用一批你早就知道正確答案的例子當考題，看 AI 答得如何。這是前面 4D 裡「判斷」能力的具體做法——把「感覺它還行」變成「我實際比過，它在這類事情上有 8 成準」。

做法就三步。第一，翻舊案例：找 5 到 10 個你以前親手做過、成果你也滿意的東西——寫過的客戶回信、整理過的月報、發想過的貼文。這些就是你的「標準答案」。第二，寫成考題：針對每個案例，寫一個「如果現在要 AI 幫我做，我會怎麼交代」的 prompt，把你當時自然會有的背景一起放進去。第三，逐題對照：讓 AI 做，然後把它的成果跟你當初的版本並排比較，問三個問題——關鍵資訊有沒有抓到？語氣風格對不對？少了什麼、哪裡還能更好？

比完之後，重點是把發現拿去調整，而不是打完分數就算了。你常會看到有意思的落差：比如 AI 算數字都對，但抓不到報表背後「這個月為什麼掉」的整體趨勢；或它寫貼文文案很順，但公司特有的語氣每次都要你再調。這些發現直接告訴你下一步：某類任務它很穩，就放心交出去；某類老出同一種包，就在 prompt 裡補範例、補背景，把那個弱點補起來；某些判斷（例如最終要不要對客戶承諾成效）本來就該留給人，那就明確劃成「AI 做草稿、人做定稿」。

這種輕量測試的真正價值，是幫你在心裡畫出一條清楚的界線：AI 在你的工作裡，哪裡能放手、哪裡要盯、哪裡不能碰。它不是一次做完就結束——每當你想把新的一類工作交給 AI，都值得先花半小時這樣驗一次貨。花的時間，會在後面每一次「放心交出去、不用再從頭檢查」裡賺回來。