那天的課，我把互動牆打開，題目只有一句：你平常用哪些 AI，拿來做什麼。
前幾秒浮上來的是工具名，ChatGPT 和 Gemini 交替變粗，這在預料之中。真正讓我停住的是後半段，那些接在工具名後面的用途。
問問題。查資料。搜尋。什麼都問。問它任何問題。
這一組詞疊成壓倒性的第一名，把生圖、做簡報、寫公文全部壓在下面。而且它不是某一間教室的偶然，是一間又一間的教室都長這樣：公部門、企業、大學生，牆的形狀幾乎一樣。
這件事不能怪他們。你打開任何一個 AI，看到的就是一個空白輸入框，跟搜尋引擎長得一模一樣。長得像什麼，人就會怎麼用它。只是這個誤會的代價比想像中大。
重點速答
多數人把 AI 當成一個比較會講話的搜尋引擎，而查資料剛好是它最容易出錯、報酬也最低的用法。問題不是他們用錯工具，是他們空手走進去。真正被浪費的從來不是 AI，是你電腦裡那些別人沒有的材料：上一版被退回的檔案、開會的逐字稿、客戶那封信。那些東西才是槓桿，而它們大多還躺在資料夾裡。
把 AI 當搜尋入口，最容易暴露驗收能力的落差
查資料這件事有一個結構上的死結。你之所以要查，是因為你不知道。而你不知道，就代表你沒有能力判斷它回給你的東西是對的還是編的。
於是這一輪交易變成：你付出一句問題，拿回一段看起來很完整的文字，然後你只能選擇相信。那不算使用，那叫託付。牆上有一句話，把這件事講得比我準（以下引述皆經過整理，語意照舊）：
「用 GPT，自己沒想法的時候就會問它。」
這句話沒有惡意，甚至有點可愛。但拆開來看是這樣的：在自己判斷力最低的那一刻，去要一個自己最無法檢查的東西。答錯了你不會發現，答對了你也長不出什麼。
更麻煩的是它錯得很好看。它不會結巴，不會停下來說這件事我不太確定，錯的地方跟對的地方用的是同一種語氣、同樣工整的排版。人在讀東西的時候本來就是靠語氣在判斷可信度的，而它把這個本能整個關掉了。
真正被閒置的資產，是個人累積的材料庫
我在課堂上常丟一個問題：你今天要處理的那件事，材料在哪裡。多數人會愣一下，然後開始想。想出來的東西都很具體，一直沒動的那份企劃檔、上週的會議紀錄、客戶回信裡那段酸酸的話、去年那份被主管圈過的報告、學生交上來的一疊作業。
這些東西有一個共同點：全世界只有你有。AI 沒有，你同事沒有，網路上搜不到。
然後同一批人打開對話框，把這些全部留在電腦裡，用一句「幫我寫一份 OO」走進去。被浪費的不是 AI 的能力，是那疊只有你有的東西。
-
當成答案機
你問，它答
它沒看過你的預算、你的人力、你去年被打回票的那一版，所以只能給出所有人都拿得到的那個版本。你也沒有東西可以比對，只能整份收下或整份重來。這一輪，你沒有真的參與。
-
當成加工廠
你給材料，它處理
你把去年的版本、主管的意見、今年多出來的條件一起丟進去。它產出的東西會長成你的形狀，而且你一眼看得出哪裡不對，因為那是你的事。你改它、它再改，這一輪你的判斷有被用到。
兩種花的時間差不多。差別在於，第一種你每次都從零開始，第二種你的東西會愈疊愈厚。
我知道很多人卡在哪裡：覺得資料要先整理乾淨才好意思丟給它。剛好相反。愈原始、愈亂的那一份愈有價值，整理本來就是它的工作，而你在整理過程中偷偷做掉的那些取捨，正是它猜不到、你卻沒告訴它的東西。
從提問改成餵資料，才會拉開產出品質
我在台前很少講提示詞公式。我比較常做一件事：把當下的情況原原本本講給 AI 聽，然後跟它說，你先幫我把指令寫出來。示範完那一輪，牆上跳出一句話。
「原來不用特別去外面找指令，可以直接請 GPT 幫我把指令生成出來。」
這句話的重點不在省下找指令的時間。重點在那兩個字：原來。在那一秒之前，AI 對他來說是一個等著被正確咒語打開的箱子，所以他得到外面去找咒語。在那一秒之後，它變成一個可以先跟他討論、再一起動手的對象。從答案機到加工廠，跳的就是這一層。而已經走在更前面的，是少數人寫下的這一句：
「要一直丟資料給 AI，它回的東西才會精準。」
最關鍵的是「丟」這個字。丟是要手上有東西才做得出來的動作。他不是在問，他在餵。而且他已經發現：餵得愈多，回來的東西愈像他要的。這種句子在牆上非常少，少到我每次看到都會多讀兩遍。
同一面牆上，這種人寫的用途也長得不一樣。多數人寫的是問問題、查資料，他們寫的是拿它比對兩份文件哪裡不同、拿它審一份計畫書、把上課的講稿丟進去整理成教材。動詞完全不同：一邊是問，一邊是比對、審、整理。動詞是問的人，手上不需要有東西；動詞是比對的人，手上一定有。
現場可以快速判斷的使用價值標準
如果你不確定自己在哪一層，有一個很土但很準的方法：把你最近的一段對話往上捲，看你打的字多，還是它回的字多。
如果你全程打的字加起來不到它回你的十分之一，那不是在用 AI，那是在查資料。
換掉這一句就好
不要說「幫我寫一份 OO」。
改成「這是我手上的東西（把檔案或內容貼上去），我要做 OO。動筆之前，你先問我三個問題。」
這句話很短，但它會逼出兩件事。第一，你得先把材料找出來，光是那個翻資料夾的動作，就會讓你把整件事重新想過一遍。第二，它問你的那幾個問題，通常正好落在你原本沒想清楚的地方。
很多人做完這一步會有點意外：它問的問題，比它給的答案有用。
打開對話框之前，先確認你能提供什麼
-
先找材料，再開對話框
花兩分鐘問自己「這件事我手上有什麼」，翻出檔案、信件、上一版、會議紀錄，任何一份都算。真的什麼都沒有，那就先不要問，去把材料生出來。
-
把「幫我寫」換成「你先問我三個問題」
讓它把你腦袋裡的東西挖出來，而不是讓它拿網路上的平均值來填滿你的空白。你答得出來的部分，就是這份成品裡別人抄不走的地方。
-
把你改過的地方講清楚
第一版一定有幾處不對。別默默改掉，告訴它哪裡不對、為什麼不對。這一段來回才是真正在累積的東西，下一次它會直接落在你要的位置。
AI 當然可以協助查資料，但如果只把它當成更快的搜尋入口，產出的差距很快就會被抹平。真正形成優勢的，不是誰比較會問通用問題，而是誰手上有材料，而且是可被整理、轉化與延伸的材料。
這也是 AI 在台前最值得觀察的變化：它會放大原本就有累積的人，也會讓缺乏判斷與材料的人更快露出空洞。有想法但缺少資源的人，過去常卡在設計、表達、製作與驗證成本，現在可以用更低門檻把構想做成看得見的原型。
但前提是，使用者不能只把責任丟給工具。AI 能把內容變得視覺化、具體化、可測試，也同時讓真假與品質更難分辨。真正的分界會落在一件事上：你是否有足夠的材料、判斷與主張，讓 AI 成為放大器，而不是替代思考的捷徑。
內文精華總結
把 AI 從答案機換成加工廠，記住這六件事
- 最多人寫下的那個用途，剛好是最便宜的：課堂上請大家寫下自己拿 AI 做什麼，「問問題、查資料、搜尋」是壓倒性的第一名。而查資料是它能做的事情裡面，最容易出錯、也最快被追平的一件。
- 你查的東西，正好是你驗收不了的東西：會去查，代表你不知道；不知道，就沒有能力判斷它回的是真的還是編的。它又錯得很好看，對的地方跟錯的地方用同一種語氣。那不叫使用，叫託付。
- 被浪費的不是 AI，是你的材料：上一版被退回的檔案、開會的逐字稿、客戶那封信、被主管圈過的報告，全世界只有你有。多數人卻把它們留在資料夾裡，空手打一句「幫我寫一份 OO」走進去。
- 不要先整理乾淨才丟：愈原始、愈亂的那一份愈有價值。整理本來就是它的工作，而你在整理過程中偷偷做掉的那些取捨，正是它猜不到、你卻沒告訴它的東西。
- 分水嶺在動詞：多數人的動詞是問，少數人的動詞是比對、審、整理。動詞是問的人，手上不需要有東西；動詞是比對的人，手上一定有。差別不在誰比較會用工具，在誰帶了材料進場。
- 有一個當場就能算的判準：把最近一段對話往上捲，看你打的字多，還是它回的字多。你全程打的字加起來不到它的十分之一，那不是在用 AI，是在查資料。
關於作者
- 525+場企業與校園培訓
- 19,500+位學員
- 130家合作單位
延伸閱讀
- AI 生成的東西怎麼分辨？真正該練的不是識破，是判斷
- 用 AI 會變笨嗎？真正被切斷的不是記憶，是判斷力
- AI 該從哪裡開始學？別再看教學，拿這週要交的一件小事開工
- AI 給的答案可信嗎？3 個必須自己查證的時刻
- AI 時代教學與反思：過度依賴 AI 背後的隱形代價及認知負債
重點整理
用 AI 查資料，到底可不可以？
可以，我自己每天也查。問題不在查，在於停在那裡。查資料剛好落在它最容易出錯的一格：它不是資料庫，是一個很會接話的模型，沒把握的時候不會空白，會生一個看起來很像的答案給你。而你之所以要查，正是因為你不知道，所以也沒有能力驗收它回給你的東西。我的建議不是不要查，是查完之後多問自己一句：這件事我手上其實有材料，為什麼我沒有把材料丟進去？
一開始學 AI，會不會最花時間在寫指令上？
不會，而且如果你花最多時間在這裡，方向大概就偏了。指令不是秘笈，不需要到處抄。更快的做法是把你要做的事、手上有什麼、卡在哪裡，原原本本講給它聽，然後跟它說：你先幫我把指令寫出來。它寫完你再改，那份指令會比你抄來的任何一段都貼近你的處境。真正該花時間的是把自己的情況交代清楚，不是背咒語。課堂上跨過這一步的人，第一個反應通常是那兩個字：原來。
已經做好的簡報或報告，可以直接丟給 AI 修嗎？
可以，而且這個問法本身就已經走對方向了。丟一份成品進去，跟空手問一句「簡報怎麼做比較好看」，是完全不同的兩件事，因為前者它看得到你的處境。實務上只要多補兩句話：這份要給誰看、你希望對方記住哪幾件事，再讓它動手。否則它會把版面改得更漂亮，順手也改掉你原本的重點順序。改完務必自己逐頁看過一遍，美化是它的事，取捨還是你的事。
我手上好像沒有什麼材料，怎麼辦？
幾乎沒有人是真的沒有。材料就是你每天在處理的那些東西：去年那份被圈過的報告、上週的會議紀錄、客戶回信裡那段酸酸的話、寫到一半卡住的企劃、學生交上來的一疊作業。公部門的材料尤其多，格式固定的公文、歷年計畫、一整櫃法規，那是最結構化的文字資產。真正的門檻不是有沒有材料，是願不願意花三分鐘把它翻出來貼進去。多數人寧可打一句話問，因為那只要三秒。
該用 ChatGPT 還是 Gemini？換工具差很多嗎？
課堂上很多人卡在這題，我的回答通常會讓人有點失望：對大多數人來說，換工具帶來的差距，遠小於換用法帶來的差距。主流的那幾家在互動牆上被寫下的用途高度重疊，都是「什麼都問」，品牌換了，動作沒換。與其糾結挑哪一家，不如先固定用一家，把同一件工作用單回合問一次、再用丟材料加來回修改做一次。你會親眼看到差別在哪，而那個差別比品牌差異大得多。
公司或公務資料不能外流，還能把材料丟進去嗎？
這個顧慮是對的，做法是分級，不是全有全無。涉及個資、未公開的決策內容、廠商報價這類東西不要進；但公開的法規條文、已經發布的計畫書、公文的格式與慣用語，本來就攤在陽光下，拿來當範例沒有問題。另一個常被忽略的選項是去識別化：把人名、機關名、金額換成代號再丟進去，你要的是結構跟語氣，不是欄位裡的那些值。單位若有明文規範，當然還是以規範為準。
NotebookLM 這類工具跟一般對話式 AI 差在哪？什麼時候該換過去？
差別在預設動作。一般對話介面的預設是你問、它答；NotebookLM 的預設是你先建一份來源清單，答案再從那些來源裡長出來，而且會附上出處。它也能幫你上網找來源，但整套設計還是繞著「你手上有一批材料」在轉。時機很好判斷：當你的問題從「這個怎麼寫」變成「這幾份文件哪裡不一樣」「這份計畫書有沒有漏掉什麼」，就該換過去了。會這樣問的人，手上一定有東西。
本文更新於 2026 年 8 月。AI 與數位工具改版快速，實際功能與名稱可能已有變動，建議以官方文件為準。
