Mr. M

同樣使用 AI，有人越用越強，有人越用越依賴，差別在工作的設計方式

「AI 的目標就是讓人少做事」，這句話幾乎成了共識。另一句話也很常聽到：「效率提升了，代表能力也提升了。」兩句話乍聽都合理，所以很少人停下來檢查它們是否站得住腳。

職場上其實已經出現一個耐人尋味的現象：大家的產出都變快了，但專業程度的差距，卻在悄悄拉大。想像兩位同事，部門相同、職稱相同，使用同一套 AI 工具。半年後，其中一位成了團隊裡最會下判斷的人，大家遇到棘手的問題都會先找他討論；另一位的產出量依然亮眼，卻漸漸只負責轉貼 AI 給的結果，遇到需要判斷的場合，反而退到後面。兩人用的工具完全一樣，走出來的路卻不同。

這讓人不得不想一個問題：如果 AI 能替你完成所有工作，你的價值還剩下什麼？答案取決於 AI 在工作裡扮演的角色。把工作整包交出去、換回結果，這種用法叫 Automation，也就是自動化；讓 AI 擔任能力的放大器，使人看得更遠、想得更深、做得更準，這種用法叫 Augmentation，也就是增強。兩者的方向相反：前者減少人的參與，後者提高人的能力，而真正拉開差距的，正是這個選擇。

---

一、兩種用法，兩條不同的路

先把兩個詞講清楚。Automation 的邏輯很單純：這件事有固定流程，交給機器做，人只負責看結果。報表自動產生、郵件自動分類、逐字稿自動整理，都屬於這類。它的價值在於省時間、降成本、減少人為失誤，而且這些價值是實在的，沒有必要貶低。

Augmentation 的邏輯則不同。它預設人仍然在工作的核心，AI 負責擴大人能處理的範圍與深度。醫師參考 AI 的影像分析再下診斷，分析師用 AI 快速掃過上百份文件、再由自己決定哪幾份值得細讀，工程師請 AI 提出三種架構方案、再依據系統限制選定其中一種。這些情境裡，AI 的產出只是人做判斷時的材料，最後的結論仍由人下。

兩者最關鍵的差別有兩個。第一是判斷權在誰手上。Automation 把判斷權交給系統，Augmentation 把判斷權留在人身上，只是讓人在更完整的資訊下判斷。第二是能力會不會累積。把工作自動化之後，人會逐漸失去做這件事的手感；而在增強的模式裡，人每一次與 AI 來回討論，都在練習提問、質疑與取捨，能力反而隨著使用增加。

不妨用這個標準檢視自己：最近一個月，用 AI 完成的工作當中，有多少是「丟進去、拿出來、直接用」，又有多少是「討論過、修改過、自己下了結論」？前者越多，越偏向 Automation；後者越多，越接近 Augmentation。這個比例沒有標準答案，但看見它，就是調整的開始。

二、AI 究竟放大了哪些能力

談增強，要先知道放大的是什麼。大致有四種能力，AI 可以做得很好。

第一是資訊廣度。過去要花一個下午搜集的背景資料，現在幾分鐘就能得到概覽。這讓人在動手之前，可以先看過更多面向，不容易被自己熟悉的那一小塊領域困住。

第二是思考深度。把一個想法丟給 AI，請它找出漏洞、提出反例、推演三個月後的後果，等於隨時有一位願意陪你多想幾輪的對練夥伴。很多人過去因為時間不夠，只想到第一層；有了這樣的對練，第二層、第三層都有機會被檢視。

第三是執行速度。草稿、原型、資料整理、格式轉換，這些工作 AI 做得又快又穩，人可以把省下來的時間，投入更需要腦力的部分。

第四是品質把關。請 AI 檢查邏輯是否前後一致、數字有沒有對不上、語氣是否適合對象，等於多了一道審稿的關卡。

不過這四種放大，都有一個共同的前提：人必須知道自己要什麼，也有能力判斷 AI 給的東西好不好。廣度要有人決定往哪個方向看，深度要有人決定哪個漏洞值得補，速度要有人決定先做哪件事，品質要有人定義什麼叫做好。**AI 放大的是人原本就有的判斷力；如果判斷力是零，放大之後仍然是零。**這也解釋了為什麼同樣的工具，在不同人手上，效果差距那麼大。

三、判斷架構：哪些工作適合自動化，哪些適合增強

了解兩種模式之後，下一步是決定每一項工作該走哪一條路。這裡可以用兩個面向來判斷：重複程度與判斷含量。

重複程度，指的是這件事是否有固定的做法，每次幾乎一樣。判斷含量，指的是這件事是否需要根據情境權衡、取捨，並且需要有人為結果負責。把兩個面向交叉，大致會得到四種類型。

重複程度高、判斷含量低的工作，適合直接自動化。例如會議紀錄整理、資料格式轉換、例行報表。這類工作交給 AI 之後，只需要定期抽查品質，不需要每次都花力氣介入。

重複程度高、但判斷含量也高的工作，適合半自動化。例如客服回覆草稿、合約初審。AI 負責產出第一版，人負責逐項確認與放行，因為出錯的代價比較高。

重複程度低、判斷含量也低的工作，隨手使用即可，不必設計得太複雜。例如查一個名詞、寫一段短訊息，用得順手就好。

重複程度低、判斷含量高的工作，是 Augmentation 最能發揮的地方。例如擬定新產品的策略、處理一次棘手的人事問題、設計一套新的系統架構。這類工作每次情境都不同，沒有標準答案，也最能體現專業。AI 在這裡的角色，是對練夥伴與資料助理，由人來主導方向與決定。

很多人的誤區，是把四種類型都當成第一種處理，結果在最需要判斷的地方，也選擇了丟進去、拿出來。把工作分類之後，才能把有限的注意力，放在真正值得投入的地方。

四、設計 Augmentation 工作流程：分工、介面與驗收

知道哪些工作適合增強之後，接著要把它設計成可以重複執行的流程。這裡有三件事要處理。

第一件是分工。要事先寫清楚：這個流程裡，哪些步驟由 AI 負責，哪些步驟由人負責。一個簡單的原則是，AI 負責發散與整理，人負責收斂與決定。例如做一份市場分析，AI 先蒐集資料、列出可能的切入角度、指出各角度的優缺點；人則負責選定角度、決定取捨、寫下結論。分工寫清楚，才不會在趕時間的時候，不知不覺把決定也交了出去。

第二件是介面，也就是人與 AI 互動的方式。很多人只用一次性的提問，問完就結束；更有效的方式，是設計多輪的來回。先說明背景與目標，請 AI 提出方案，接著針對方案追問「這個做法的前提是什麼」「如果預算減半會怎樣」，最後請它整理出決策所需的比較表。介面設計得越好，人越能在討論中釐清自己的想法。在團隊裡，也可以把常用的提問方式整理成範本，讓每個人都能用同樣的品質與 AI 協作。

第三件是驗收。每個流程都要有明確的驗收標準，而且驗收這一關必須由人來做。驗收時可以問三件事：關鍵數據有沒有查證？推論有沒有被質疑過？最終決定的理由，講得出來嗎？對於重要的交付，也可以要求留下一則簡短的決策紀錄，寫明採納了什麼、否決了什麼、依據為何。這份紀錄一方面讓責任清楚，另一方面也能成為團隊累積經驗的材料。

三件事做完，就能得到一個穩定的 Augmentation 流程：分工讓人留在判斷的位置，介面讓互動產生深度，驗收讓品質有人把關。這個流程不需要複雜的工具，只需要願意先花時間把它想清楚。

五、如何衡量 AI 是否真的在增強能力

流程設計好了，還要有辦法知道它是否有效。多數組織習慣用產出量衡量 AI 的成效，例如文件寫得更快、報告更多份。但產出量只能反映 Automation 的成效，無法說明人的能力是否被放大。

更有意義的衡量，可以看三件事。第一是決策品質：同一類型的決定，回頭檢視時，正確的比例有沒有提高，需要事後修正的比例有沒有降低。第二是學習速度：新人或轉換領域的人，要多久能獨立處理一個新類型的問題。第三是解釋能力：被問到「為什麼這樣決定」時，回答得出來的人，占多少比例。

這三個指標都有個特點：它們不會因為 AI 變強而自動變好，必須有人在使用 AI 的過程中，持續保有思考與判斷。換句話說，指標改善，才代表 AI 真的在增強人，單純替人做事並不算數。

對個人來說，也可以每隔一段時間問自己：和半年前相比，獨立處理複雜問題的能力有沒有進步？如果答案是肯定的，那就代表使用 AI 的方式走在對的方向上；如果發現越用越依賴，就該回頭調整分工與驗收。

AI 讓許多工作變得更快，這是它帶來的第一層價值；讓人變得更強，則是更深的一層，而且只有在人持續參與的情況下才會發生。選擇哪一層，取決於每一次使用 AI 時，願不願意多想一步、多問一句、多確認一次。

Automation 讓工作被完成，Augmentation 讓人變得更能完成工作，兩者都需要，但只有後者會讓能力隨時間增長。