Mr. M

我們缺的往往不是想法，而是開始

是否有過這種經驗？明明很想寫一篇文章、規劃一項專案、學習一個新技能，卻總覺得資料還沒找齊、方法還不夠好、風險還沒有想清楚，因此遲遲沒有開始。生成式 AI 出現後，理論上我們應該更容易行動，實際情況卻可能恰好相反。只要再問一個問題，AI 就能提供更多建議；只要再改一次提示，它又能產生另一套方案。當選項從三個增加到三十個，我們需要比較的內容更多，也更擔心選錯方向。最後，與 AI 對話可能成為一種看似認真、實際上沒有接觸現實的準備工作。我們花了兩小時研究文章標題，卻一個字也沒有發布；整理了十種產品構想，卻沒有找任何使用者談過。真正卡住行動的因素，往往不是缺少資訊，而是不願意在資訊不完整時做出第一個可修正的選擇。

這種停滯背後通常混合了完美主義、損失規避與對失敗的焦慮。準備讓人感到安全，因為我們可以一直留在自己的控制範圍內；行動則會讓構想接受市場、主管、同事或讀者的檢驗。當結果可能不如預期時，人很自然地想再多準備一點。AI 又讓這種準備幾乎沒有終點：它可以繼續補充案例、重寫架構、模擬反方、分析風險，甚至替我們解釋為什麼還不能開始。因此，使用 AI 的第一項能力未必是寫出完美提示，而是知道何時停止分析。你可以設定一個簡單規則：AI 最多提出三個方案，自己在十五分鐘內選定一個，接著完成一項能在今天取得回饋的小行動。這項行動可以是寄出草稿、訪談三個人、製作一頁式原型，或將內容發布給封閉群組。限制選項與時間，反而能讓 AI 真正成為行動助手。

「先行動，後思考」並不鼓勵閉著眼睛往前衝。它的核心是先採取一個成本有限、可以撤回、能帶來真實資訊的小型行動，再根據結果重新思考。假設你想改善部門週報，與其先開三次會議討論理想格式，不妨請 AI 比較現有週報，產生兩種簡化版本，邀請兩個團隊試填兩週。你可以觀察填寫時間是否縮短、主管是否更容易發現風險，以及跨部門追問有沒有減少。這些結果會告訴你哪些欄位真正有用，哪些只是管理者的想像。行動讓抽象討論有了具體對象，也讓後續思考建立在證據上。當我們願意接受第一版不完整，AI 就能把開始的成本降到很低；而一旦開始，許多原本只能猜測的問題，便會在真實使用中逐漸顯現。

讓 AI 幫你完成可測試的第一版

很多人要求 AI 直接完成一個理想成果，然後因為輸出不夠好而失望。更有效的做法，是先請 AI 幫你建立「最低可驗證成果」。它可以是一頁企畫、短影音腳本、簡單操作模型、訪談題綱，或一份由人工協助完成的服務樣本。這份成果不需要具備所有功能，只需要回答一個重要問題。你想開發個人化新聞摘要時，第一步不必建立會員系統與推薦引擎，可以先請 AI 依三種讀者需求製作不同版本，每天由編輯人工查核後寄給二十位受測者。接著觀察他們打開哪一版、閱讀多久、點擊哪些新聞，以及兩週後是否仍願意訂閱。這樣的測試能回答使用者是否真的需要這項服務，也能找出他們重視篇幅、主題、脈絡還是語音形式。AI 幫你縮短製作時間，真實使用者則幫你判斷方向。

要讓 AI 產生可用的第一版，提示內容最好包含七項資訊：你要完成什麼任務、事情的背景、服務的對象、可使用的素材、不能跨越的限制、希望取得的形式，以及判斷成果好壞的標準。假設你要製作一支高齡防詐短影音，只說「幫我寫防詐影片」通常會得到空泛內容。更清楚的說法，是告訴 AI：影片要協助六十五歲以上觀眾辨識假客服來電，長度六十秒，只能使用已查證的政府資料，語言需要口語易懂，不能責怪受害者，輸出要包含開場、三個辨識步驟、求助管道與畫面建議。完成後，再要求 AI 標出缺乏來源的敘述、可能讓觀眾誤解的詞彙，以及應由編輯重新確認的內容。提示詞不需要一次寫到完美，它可以隨著第一輪輸出逐步修正，讓需求在對話中變得更清楚。

人與 AI 的分工也要說清楚。人負責決定為什麼要做、要服務誰、哪些價值不能犧牲，以及最後是否採取行動；AI 適合整理資料、生成初稿、比較方案、模擬觀點與處理重複工作。以媒體專題為例，AI 可以協助轉錄訪談、整理受訪者觀點、產生文章架構與短影音版本，記者仍要回聽關鍵引述、核對統計、確認資料日期並處理受訪者同意。團隊也可以請 AI 分別扮演讀者、法務、產品經理與反方評論者，找出初稿可能忽略的問題，但這些模擬只能用來擴大思考，不能代替真實讀者。AI 能快速說出一個合理故事，卻無法完整感受讀者在通勤、工作壓力、家庭關係或數位落差下的實際行為。第一版完成後，真正重要的下一步仍是把它交給人使用。

行動之後，如何運用 AI 幫助思考

取得第一輪回饋後，最常見的錯誤是把使用者的每一句話都當成需求。有人說「這個功能很好，我一定會用」，不代表他真的會改變習慣；有人表示喜歡某個內容版本，也不代表他願意持續閱讀、分享或付費。回饋的證據強度可以從口頭意見、任務行為、持續行為一路看到營運結果。口頭意見能幫助我們理解感受，任務行為能顯示使用者是否真的會操作，持續行為反映產品能否進入日常習慣，營運結果則告訴我們是否真正改善問題。例如，測試新聞查證助手時，受測者說介面很清楚只是初步訊號；能否正確理解「錯誤」「證據不足」與「仍待查證」的差異，具有更高價值；在真實群組中是否減少錯誤轉傳，才最接近產品希望創造的結果。當口頭回饋與行為衝突時，別急著挑選對自己有利的答案，差異往往就是下一輪最值得研究的問題。

整理回饋時，可以把內容分成事實、解釋與行動。事實是直接觀察到的結果，例如二十位受測者中有十二位沒有點開來源；解釋是我們對原因的推測，例如來源按鈕不明顯、文字太專業，或使用者原本就不重視資料來源；行動則是下一輪要修改與測試的內容。AI 很適合根據同一項事實提出多種相互競爭的解釋，幫助團隊避免太早相信第一個答案。接著，你可以讓 AI 協助設計不同版本：A 版增加來源入口，B 版改寫專業用詞，C 版加入人工查核說明，再交給相似使用者測試。這樣一來，每次修改都對應一項假設，結果也更容易解讀。後思考的價值來自對證據的重新組織，AI 在這裡扮演反思伙伴，協助我們看見盲點、反例與替代解釋。

AI 也可能讓回饋分析變得過度整齊。模型傾向把矛盾的訪談內容整理成幾個流暢主題，少數意見、猶豫、沉默與例外案例容易被省略。它也可能受到提示方向影響；如果你要求它尋找產品有價值的證據，它往往會產生偏向支持方案的摘要。因此，讓 AI 協助分析訪談時，要要求它同時呈現共同模式、反例與無法判斷的內容，並讓每項洞察連回原始引述或操作紀錄。團隊還應抽查逐字稿，確認台灣使用者的委婉表達、反諷或語氣沒有被誤讀。完成分析後，依事前設定的門檻決定繼續、調整、暫停或停止。停止一個沒有足夠需求、成本過高或風險無法控制的方向，也是一項有價值的成果，因為它保留了組織的時間與資源。

哪些事情可以快做，哪些事情必須慢想

判斷一件事能否先做，可以先看可逆性與影響程度。內部草稿、假資料測試與封閉式原型通常容易撤回，影響範圍也有限，適合快速嘗試。公開內容雖然可以下架，錯誤留下的截圖、搜尋紀錄與信任傷害卻未必能完全恢復，因此發布前需要增加事實與品牌審查。正式合約、重大投資、人事評估、醫療建議與選舉資訊等事項，一旦出錯可能影響權益、名譽、安全或公共秩序，更需要專業人員與管理者核准。你也可以在行動前問四個問題：這一步出錯後能不能恢復、會影響多少人、最壞損失是否能承受，以及我是否具備採取行動的權限。答案愈接近難以恢復、影響廣泛與超出授權，事前思考與審查就應愈嚴格。

資料與內容權利同樣是 AI 行動的基本邊界。客戶個資、公司機密、未公開財務資料、醫療紀錄、密碼及受保護的完整作品，不應任意輸入外部 AI 服務。開始前要確認工具如何保存資料、是否拿來訓練模型、誰能存取，以及資料能否刪除。試作階段可以優先使用假資料、匿名資料與最少必要欄位。AI 產出的文字、圖片、聲音與程式也需要檢查來源、授權與相似性；若以合成影像或聲音呈現真實人物，更需要取得適當同意並清楚揭露。當 AI 參與對外內容時，團隊應保存資料來源、提示版本、人工修改、審查與核准紀錄。這些紀錄平常看似增加一些工作，發生錯誤時卻能幫助組織快速確認原因、影響與修復方式。

真正成熟的 AI 行動力，不能只看生成速度與節省多少工時。組織還要觀察品質、信任與人的能力。品質包括重大錯誤率、來源可追溯比例與人工退回情形；信任反映在申訴、退訂、持續使用、合作意願及更正後的接受程度；能力則要檢查人員是否仍能獨立完成核心工作、辨識 AI 錯誤並解釋自己的判斷。如果產量增加，錯誤、信任流失與能力退化也同步上升，這樣的效率很難持續。先行動讓我們提早碰到現實，後思考讓經驗成為下一輪更好的判斷。當 AI 負責降低第一步的成本，人負責目標、證據、界線與結果，我們便能在速度與責任之間找到更可靠的前進方式。