怎麼教 AI？新時代下的又一日常

作為教育訓練人員，面對 AI 技術不斷推陳出新，站在第一線的我們沒有第三條路：不是迎上去面對，就是被浪潮推著走。

而 AI 這波，相較於千禧年的電腦浪潮，有兩個截然不同的特性：它變革的速度更快，卻也更難讓人「馬上上手」。電腦普及花了十幾年，AI 從 ChatGPT 問世到滲進每個人的工作，只用了兩三年。

但弔詭的是——LLM 問世之後，「學會用 AI」的門檻其實是直接被拉低的。技術不再是那道牆。於是市面上出現各種教法：有人教你用 ChatGPT 建「第二大腦」、捏「數位分身」；也有人主張，真正該做的是把對應的 AI 場景工具，老老實實拆解成一般人能上手的內容。

那麼，到底該怎麼教 AI？

這篇我想從三年的教學現場、加上這半年訪談企業導入者的觀察，談談我看到的困難、我自己摸出來的解法，以及那些我們最該戳破的迷思。

常見困難

教 AI 教久了你會發現，學員真正卡住的地方，幾乎都不在技術，而在三個層次。

一、概念卡點：以為 Prompt 是「咒語」

最常見的誤會，是學員把 Prompt 當成一種魔法句式——好像存在某串神祕咒語，唸對了 AI 就秒懂；唸錯了就怪「它怎麼聽不懂人話」。

我在課堂上拆過無數壞 Prompt，問題幾乎都長一樣：用問句代替指令（「你可以幫我⋯⋯嗎？」而不是「請幫我⋯⋯」）、沒講清楚寫給誰看、一次塞三件事每件都做不好。

Prompt Engineering 不是魔法，是溝通能力的延伸。你跟 AI 說話，就像你跟一個「超級聰明但完全不了解你背景」的新同事說話。

當學員還抱著「咒語心態」，他永遠在找捷徑，而不是在練溝通。這是第一道牆。

二、地圖卡點：不知道自己在第幾層

第二個困難更隱形——學員不知道自己現在站在哪、下一步要往哪走。

我在課堂上整理過一個觀察：大多數人其實卡在「問」這一層（問一個問題、得到一個答案），就以為自己「會用 AI 了」。但從「問」到「用」、到「管」、再到「造」，是四個完全不同的能力階。沒有這張地圖，學員會被滿天飛的功能名詞淹沒：Projects、Skill、MCP、Agent⋯⋯每個都好像很厲害，但「跟我有什麼關係？」答不出來。

同類的卡點還有「選擇障礙」：ChatGPT、Claude、Gemini 到底要用哪個？多數人不需要什麼都買，但他們不知道挑的標準不是「誰最強」，而是「誰最適合我的工作場景」。

三、心理卡點：恐懼與資料焦慮

最後一層，也是最少人願意承認的——恐懼。

「AI 會不會取代我？」「我把公司資料貼上去安全嗎？」這兩個問題背後，是學員還沒準備好把 AI 放進工作流的真實抗拒。你不處理這層情緒，前面教的技術全都接不住。

而當我開始訪談真正在企業裡推導入的人，我發現困難的層級又更高了——它從「個人心理」上升到「組織意願」。

技術已經不是門檻。願不願意導入，才是門檻。團隊願不願意改變，才是門檻。老闆願不願意自己下場，才是門檻。

我自己訪談同業時也聽到同樣的市場實況：中小企業老闆常以為「我自己也行」，自學工具、外包做出一套系統，初期一定跑得起來——但大約一年後系統就掛掉。更別說那個經典的需求膨脹：業務談的是一、PM 知道的是二、老闆要的是十。

連 Klarna、CBA 這種大企業都翻過車。Klarna 一度高調用 AI 客服取代真人，後來公開承認「成本變成太主要的評估因素，結果是品質下降」，然後回頭重新招募真人客服。

所以教 AI 的第一個現實是：你以為要教「工具」，但學員真正卡住的，是概念、是地圖、是恐懼，最後是整個組織的意願。

解決方案

針對上面三層困難，我這幾年摸出來的，不是更多花俏功能，而是幾個能反覆套用的「結構」。

一、把「咒語」還原成「溝通結構」

對付 Prompt 迷思，我用一套五元素框架：角色（Role）→ 任務（Task）→ 背景（Context）→ 格式（Format）→ 品質標準（Quality）。它不是魔法詞彙表，而是「怎麼把話講清楚」的溝通骨架——就像你交辦事情給新同事。

這裡有個更進階、也更反直覺的心法：

正確的上下文，永遠勝過完美的提示詞。（Right context always beats the perfect prompt.）

與其逼學員背「你是一位資深文案」這種角色咒語，不如教他「把一篇好範例貼進去」——模型強到能自己從上下文推斷角色、語氣、格式。教溝通，不是教咒語。

二、給學員一張「能力地圖」

對付「不知道在第幾層」，我把自動化拆成三級：

• Level 1 效率工具——問一答一（聊天視窗）
• Level 2 串流水線——多步驟串接（Project × Skill）
• Level 3 自主 Agent——自動排程、自動跑（Claude Code × Routines）

再搭一個固定的三層架構比喻，每堂課回扣：Project 就是「一個記得你背景的同事」、Skill 是「一包一鍵執行的流程」、MCP 是「讓它去讀外部資料的連接器」。學員一旦對上自己的工作場景，名詞就不再嚇人。

三、先有 SOP，才有 Agent

這是我認為最被低估的教學重點：

學 AI 工具之前，先學會把流程畫成流程圖。

你不能把一個混亂的工作流程交給 AI，然後期待它幫你整理清楚。Agent 是執行者，不是顧問。

有個同業的補充很關鍵：早期他讓五六個 agent「開會」處理一個任務，結果各有目標互相拉扯，出來只有六十分，像一部導演編劇主角各吵各的爛片。後來他把 agent 降級成 skill，改由一個聰明的 agent 負責編排、最後加一道檢核——分數才上來。教 AI，本質上是在教「拆解」與「編排」，不是教按鈕。

四、誠實，是最好的教材

最後一層解法，不是技術，是態度。

談成本，我不遮掩。我把 Token 換算成「一本書約 350–450 字」的單位，讓學員理性算帳，而不是被費用嚇退。談資安，我不說「請放心很安全」這種空話，而是丟真實案例（誰的資料被撈、連鎖入侵怎麼發生），再給具體動作：帳號分離、雙重驗證、敏感對話用無痕。

甚至連「示範翻車」都是教材。有次開場我主帳號被鎖，當場改用新帳號重做——學員的回饋反而是「更有真實工作場景的感覺」。完美的示範會讓人覺得「那是老師的專屬技能」；你 debug 的過程，才讓人學到「原來遇到問題是這樣處理」。

說到底，這也呼應我對 SEO 的老觀點——最核心的能力是同理心。教 AI 也一樣：你得先懂學員卡在哪，才知道該怎麼教。

挑戰與迷思

把方法談完，我更想戳破幾個流行的迷思——因為它們正在誤導很多想學、想教 AI 的人。

迷思一：「技術門檻下降 = 問題解決了」

這是最危險的錯覺。有人六天做出七個系統、花六七萬 Token 抵掉傳統一兩百萬的開發費——這故事很激勵，但它證明的是「能做出來」，不是「能維護好」。

GitClear 分析超過兩億行程式碼發現：AI 普及後，重複程式碼區塊暴增、複製貼上明顯增加、兩週內被改掉或退回的比例接近翻倍，而重構佔比反而下滑。「寫得快」的代價，是「之後更難維護」。

更打臉的是 METR 的實測：一群資深開發者在自己熟悉的成熟專案上，用 AI 反而更慢——但他們事後仍以為自己變快了。技術讓你「感覺很快」，跟「真的更好」之間，隔著一整條溝。

迷思二：「AI 會取代人」

我的立場一直很清楚：AI 取代的不是職業，是任務。

威脅不是來自 AI 本身，而是來自那些比你更早把 AI 融進工作流程的人。

我在課堂上反覆講「60–80% vs 20–40%」的人機協作：AI 幫你完成 60–80%，你做剩下那關鍵的 20–40%。讓 AI 做執行，讓自己做判斷。這個框架同時安撫了恐懼、也設定了正確期待——你不會被取代，但你得學會把 AI 當同事用。

迷思三：「教完，他們就會用了」

這是教 AI 的人最痛的真相。我自己寫了半年、每月迭代的系統，刻意不全部開放給同仁用——因為他們很容易「一用就覺得這東西都是對的」，文案一鍵生成、看都不看就發給客戶，那要人幹嘛？

現在最危險的，不是「不會用 AI 的人」，而是那些「以為自己會用、其實只是讓 AI 替他思考」的人。教 AI 如果只教「怎麼按」，很可能加速了團隊的思考萎縮。真正要教的，是「什麼時候不該用 AI」、是對輸出結果的判斷力。

真正的挑戰：兩年窗口，與「中間人」的價值

最後說個更大的判斷。我認為這一代的 AI agent 系統大概還有兩年的高速窗口——未來兩年模型演進可能撞上算力與資料的瓶頸，該做要趁早。

而在這個窗口裡，「怎麼教 AI」的答案會越來越清楚：

目前 AI 應用的市場很大，但多半只在教基礎工具的使用，老闆與工作者並不買單。實際需求與內容設計之間的落差，就是中間人存在的價值。

技術門檻下降後，真正的競爭力回到了「懂現場、懂流程、懂商業邏輯」。教 AI 教到最後，教的從來不是工具——是怎麼把模糊的、靠人腦記住的流程，拆成 AI 能執行、人能監督的結構。

所以回到開頭那個問題：怎麼教 AI？

我的答案是——別教咒語，教溝通；別教功能，教地圖；別教全自動，教協作與判斷。而你自己，得先是那個「會做、也願意誠實更正」的實踐者。

那你呢？如果今天要你教身邊一個完全不懂 AI 的人，你會從哪一句話開始？留言跟我說，我很好奇。