【AI 深度工作流 - #02】AI 已不再是工具，它現在是你的員工

歡迎來到《AI 深度工作流》第二集！

上一集簡單說明了我們的定位之後，這一集我想和大家分享一件比較幕後的事：這份電子報本身，就是一個把 AI 虛擬助理完全導入日常作業的實驗場域。

從素材整理、文章改寫到速報摘要，整個製作流程都由幾個各司其職的虛擬助理接力完成。而編輯真正投入心力的，反而是幾件看似「低技術含量」的事：決定選哪篇文章，以及調整呈現方式，當然了，還有最前面這段編輯的話的靈魂，以及建制過程中的穿插協力還有最後的 SOP 整理。

為什麼說「呈現方式」值得單獨說明？因為同樣一篇素材，依照不同目的和讀者，可以有截然不同的寫法。我們目前採用的這套格式，試圖找到一個讓學術朋友得到應用靈感、也讓企業朋友得到應用啟發的最佳平衡點。

此外，我們的選材也有一套思維邏輯。接下來的幾集，你會看到我們輪流以不同策略挑選的主文——讓大家透過實際內容感受這些設計的差異，比任何說明都來得直接。廢話不多說，直接上主菜！

【本週主文】AI 已不再是你的工具——它現在是你的員工

你有沒有這樣的感受：每週都在「學 AI 怎麼用」，但在真實工作中，你和同事的產出差距，卻沒有你想像中那麼大？

問題不在於你不夠努力。問題在於：大多數人還在用「舊遊戲規則」跟一個已經換了賽場的對手比賽。

Ethan Mollick 這週在他的 Substack 《One Useful Thing》發表的這篇文章，用一個讓人清醒的句子說出了現在的真相：AI 已經正式從「你的協作夥伴」，進化成「可以獨立交件的員工」——而這個轉變，比大多數人意識到的還要快得多。

核心觀念萃取

Mollick 這篇文章背後藏著三個讓人不安，卻非常重要的工作哲學：

原則一：AI 的時代分水嶺，已經悄悄過去了

AI 的使用模式正在經歷一次「靜默的典範轉移」。過去（2023-2025 中期）是「共同智能時代」——你寫一半，AI 幫你補一半，兩個人你來我往地協作。但現在已經進入了 Mollick 所說的「管理 AI 時代」：你設定任務、AI 自主執行、幾分鐘後你拿到幾小時甚至幾天份量的成果。這不是誇大，這是已經發生的事。

原則二：AI 的能力增長，不是線性的，而是指數的

Mollick 在文章中拿出一個他自己做的「水獺測試」：讓 AI 畫「一隻在飛機上用 WiFi 的水獺」，並比對 2022 到 2025 年的輸出結果。畫面的躍進讓人驚訝。但更讓人清醒的是冷冰冰的數字：在「Google-Proof Q&A」這個頂尖問答測試中，最新 AI 已達 94% 的答對率，超過了受過訓練的研究生（70%）。在衡量複雜任務的「GDPval 評估」中，AI 有 82% 的機率達到或超越人類頂尖表現。這些不是「未來式」，這是今天的基準。

原則三：當 AI 開始「自我進化」，個人的適應速度比工具選擇更重要

目前各大 AI 實驗室（Anthropic、OpenAI、DeepMind）正在明確推進的方向，是讓 AI 用來「建造更好的 AI」——也就是遞迴自我改進（Recursive Self-Improvement，RSI）。Anthropic 執行長 Dario Amodei 說，公司工程師「幾乎不再自己寫程式碼」。這意味著 AI 能力的成長曲線不會放緩，只會加速。在這個前提下，「選哪個 AI 工具」變得沒那麼重要，「如何快速建立能跟上它的工作方法」才是關鍵。

雙場景落地實戰

這三個原則聽起來很有道理，但你今天能用在哪裡？這是最關鍵的部分：

💼 企業職場場景：從「使用者」升級為「管理者」

Mollick 在文章中引用了一個公司案例：StrongDM——一家軟體公司，建立了一套激進的 AI 開發模式，核心規則只有兩條：「人類不編寫程式碼」、「人類不審查程式碼」。取而代之的是：AI 撰寫程式→ 另一個 AI 在模擬環境中測試→ 形成反饋迴圈→ 交付上線。

你不需要是軟體公司才能學到這背後的邏輯：

把 AI 當「新進員工」來管理，而不是當「智慧搜尋引擎」來使用。

具體做法：當你要把一個任務交給 AI，試著用「交辦員工任務」的思維重新出發——

• 先定義「完成標準」：我要的成果長什麼樣？品質的底線是什麼？
• 再設定「查核點」：中間我要確認哪幾個關鍵節點的輸出？
• 最後設計「反饋機制」：如果第一版不夠好，我要怎麼給它精確的修改指令？

這三步，正是 Mollick 另一篇文章（Management as AI Superpower）裡說的「代理工作方程式」的實戰版本。清晰度（Clarity），就是你在 AI 時代最值錢的能力。

🎓 深度研究場景：用「分段委派」打破研究的線性瓶頸

對學術研究者來說，這篇文章最大的啟發，是打破一個根深柢固的工作假設——「研究的每一步，都需要我親自到場。」

在「管理 AI 時代」，你可以把研究流程拆解成可委派的單元：

• 文獻蒐集階段：指派 AI 完整爬梳某個關鍵詞的文獻，並產出分類摘要矩陣，你只負責最後的方向確認。
• 論點構建階段：描述你的研究問題與假設框架，讓 AI 先跑出三個對立論點結構，再從中挑選你想深化的方向。
• 草稿初稿階段：用「交件規格書」的方式告訴 AI 你的論文章節邏輯、引用格式、期刊的風格偏好，讓它先產出完整骨架。

AI 的 94% 答題準確率，意味著它在「理解你的研究領域知識」這件事上，已經具備了相當的基礎能力。你的稀缺性，從「擁有知識」轉移到了「設計知識萃取流程」。

本週實戰小禮物

以下是一個可以直接複製使用的「AI 任務委派規格書」提示詞模板，適用於企業交辦與學術研究兩種場景：

💡 使用建議：貼入 ChatGPT 或 Claude 對話框，填入 [括號] 內的變數，發出後先等 AI 輸出架構，確認方向後再請它展開撰寫。

使用小提醒： 「第一步請你先做」這一行是關鍵。它強迫 AI 先呈現骨架，讓你在全文展開前確認方向，避免 AI 洋洋灑灑寫了 3000 字但跑錯方向的浪費。

延伸閱讀

​《The Shape of the Thing》— Ethan Mollick，One Useful Thing​

如果你想看到一位真正長期觀察 AI 演化的學者，如何用冷靜而不失緊迫感的語氣，把「AI 正在以多快的速度重塑工作現實」說清楚——這篇文章值得你花三十分鐘完整讀完。它不是焦慮文，但讀完之後你應該會很有動力，把今天的工作方式認真檢視一遍。

🚀 AI 速報

🔗 GitAgent — Git 原生 AI Agent 管理的開放標準​

• 🎯 解決什麼痛點： AI agent 到底改了什麼、為什麼改，根本無法追蹤和回滾？
• 💡 核心亮點： 把 agent 開發流程直接嵌入 Git/PR 節點，每次 AI 修改都可追溯、審核、回滾，Human-in-the-loop 有明確入口。
• 👀 誰該看這篇： 正在導入 AI agent 的技術主管與工程師。

🔗 研究生如何用 Claude 的 9 個提示，把 40+ 篇論文變成研究報告？​

• 🎯 解決什麼痛點： 叫 AI 幫你摘要了一堆論文，還是搞不清楚研究全局在哪裡？
• 💡 核心亮點： 9 個有順序的提示詞，先建知識地圖再做綜合；「假設殺手」專門挖出領域中從未被驗證的隱性前提，可能就是你的新論文切入點。
• 👀 誰該看這篇： 需快速消化文獻的研究生與知識型顧問。

🔗 The Anthropic Economic Index：AI 的角色正在悄悄轉向​

• 🎯 解決什麼痛點： AI 到底是在幫人還是取代人？說不清楚，策略沒辦法定。
• 💡 核心亮點： 最新數據顯示「擴增型」互動（AI 放大人）佔比升至 52%，超過「自動化型」，AI 正從替代者悄悄轉型為你的增幅器。
• 👀 誰該看這篇： 想了解 AI 真實使用生態的管理者與決策者。

🔗 Agentic Knowledge Management — 你的知識庫即將擁有自己的意志​

• 🎯 解決什麼痛點： 你的知識庫堆了幾千筆，但 AI 還是等你問才知道要幹嘛？
• 💡 核心亮點： AKM 讓 AI 主動監看知識庫、偵測意圖，自動提出「這個要幫你做嗎？」——從被動工具進化為主動夥伴。
• 👀 誰該看這篇： 重度使用 Obsidian 或 Notion 的知識工作者。

🔗 AI 讓你快了，但組織的天花板還在——行為經濟學家如何看 AI 生產力悖論​

• 🎯 解決什麼痛點： 用了 AI 感覺快很多，但公司的產出數字根本沒動過？
• 💡 核心亮點： 任務層的加速被組織審批瓶頸吃光了；「Machine Fluency」才是 AI 時代真正的能力落差——能精確指揮 AI 代理人的人，正在與他人拉開差距。
• 👀 誰該看這篇： 想把 AI 效益落地為組織真實產出的主管與顧問。

希望您喜歡我們的改變！如果有任何意見都很歡迎您與我們聯繫。