1. 請了100個天才，結果沒人派工作，全都在茶水間
生成式AI真的很強。會寫程式、會寫文章、會查資料、會翻譯，背後還有龐大的知識。
聽到這裡，感覺明天每個人都能一個人開10間公司。
但現實中，很多人偏偏就卡在這裡：
「所以……要做什麼？」
就是這一句。
AI再聰明，沒人交代工作，什麼都不會開始。停100台法拉利，沒設定目的地，也只是個豪華停車場。
AI時代最容易缺的，不一定是模型效能。
而是幫這份能力安排第一份工作的人。
2. 厲害的不是「驚天大發明」，而是能點燃第一個火花
一講到「很有點子」，很多人會想到「突然靈光一閃，想出前所未有的革命性發明」。
其實有一種更樸素、也更強的能力：
- 這裡好麻煩
- 這個跟那個能不能接起來
- 現有的功能能不能換個用法
- 說到底，這一步為什麼要做
- 先做個最陽春的版本，會看到什麼
就是製造這種火花的能力。
第一個想法不用很完整。更重要的是，先放一塊讓下一個想法能踩上去的墊腳石。
對著空桌子，討論很難開始。可是只要放上一個再粗糙的原型，「這裡怪怪的」「這個可以用」「那下一步這樣改」就會一口氣冒出來。
第一步不是答案。
而是能大量產出下一個答案的裝置。
3. 「點子力」不是單一種能力
拆開來看，至少有這些零件：
| 能力 | 在做什麼 |
|---|---|
| 發散 | 從一個問題想出好幾種可能 |
| 類比 | 把其他領域的做法搬過來 |
| 重組 | 用現有的A+B做出C |
| 發現問題 | 找到比題目本身更前面的不便 |
| 換個角度 | 重新想清楚「真正該解決的問題」 |
| 收斂 | 從一堆點子裡挑出要做的 |
| 拆解 | 拆成AI能處理的小任務 |
| 動手 | 先把第一個實際成品做出來 |
| 再發想 | 看著做出來的東西想到下一步 |
心理學說的發散思考，是其中很重要的一部分。APA把發散思考解釋為：跳脫常用或學過的方法，用新的策略來解決問題、做出決定的創造性思考。[1]
不過也有人提醒，光看發散思考測驗的分數，沒辦法衡量現實中全部的創造力。[2]
也就是說，光是「能想出很多點子」還不夠。
要能換角度、挑選、做出來、再接著想，這才是實戰。
4. 創造是「想出來→琢磨→再想」的來回循環
創造性認知研究裡有一種看法：點子不是一次到位，而是先產生一批候選，再去琢磨、評估，需要的話再回頭重新產生。這就是Geneplore模型。[3]
套到用AI做開發上，特別好懂：
- 想到一個點
- 跟AI來回討論
- 寫個粗略的規格
- 做出來
- 跑跑看
- 發現「好像不太對」
- 想到另一個切入點
- 再做一次
也就是說，點子不需要在動手前就想完整。
動手本身就是思考的一部分。
這是跟過去最大的差別。
做一個原型要3個月的時候，人自然會想先在腦中想透再開工。
30分鐘就能做出樣子的時候，原型本身就能當成思考筆記。
「出點子的人」和「做東西的人」不再是兩個部門。
5. 「我沒辦法一心多用」——如果什麼都要自己來，這句話沒錯
「我沒辦法同時做那麼多事。」
確實。
一個人要是把10個專案的規格、程式、調查、檢查、修改同時塞進腦袋，腦內瀏覽器的分頁大概會全部變成白畫面。
那就換個前提。
人不需要一心多用，讓系統去平行處理。
人只要掌握：
- 想做什麼
- 什麼最重要
- 能接受到什麼程度
- 最後採用哪個結果
接下來，把
- 調查
- 寫規格
- 開發
- 測試
- 翻譯
- 稽核
在能獨立的範圍內拆開，交給AI。
不是「我不擅長一心多用，所以用不好AI」。
剛好相反，越不擅長一心多用，把工作從腦袋搬出去、拆成明確分工的做法就越有價值。
6. 龐大的知識是建材倉庫，不是施工藍圖
AI和資料再龐大，本身也不會告訴你「該做什麼」。
想像一間超大型居家修繕賣場：木材、鋼材、玻璃、工具、重機具一應俱全。
很厲害。
可是如果客人不決定「要蓋什麼」，賣場永遠只是賣場。
AI也差不多。
它能找資料。 能做比較。 能寫程式。 也能出點子。
但只要有人說出：
「我想把這個麻煩消掉」 「把這兩個接起來應該滿好玩的」 「想讓這個體驗再往上一層」
這樣的方向，能力就在那一刻變成了工作。
想用好AI，不需要比AI懂得多。
只需要能告訴它「往哪裡挖」。
7. 先別急著解題，能把問題重新想一遍的人更強
設計研究一直把「建立框架」視為處理複雜、開放性問題的重要做法。Dorst關注的是「重新框架」：組織面對棘手的局面時，先把看問題的方式本身重新建立一次。[4]
到了AI時代，這一點更重要。
你叫AI「幫我做這個」，它可能會用驚人的速度把你說的問題解決掉。
所以才可怕。
問題一開始就設錯，它也能超高速大量產出「看起來很正確」的東西。
真正有力的問題，不只是：
「怎麼把這件事做得更快？」
而是要往回追問：
「這件事本來就有必要嗎？」 「使用者想要的是做得更快，還是乾脆不用做？」 「能不能從別的入口解決？」
AI越會回答，人怎麼設定問題，能撬動的效果就越大。
8. 做得越快，點子越多——這件事其實很驚人
有實驗顯示，生成式AI能在某些知識型工作中縮短時間、提高品質。Noy和Zhang的實驗中，在專業寫作任務裡，平均花費時間減少40%，品質評分提高18%。[5]
當然，這不代表所有工作都會快40%。
重點在另一個地方：
試錯成本一降低，能試的次數就變多。
試得越多，從實際成品得到的資訊也越多：
- 到底好不好用
- 是不是比想像中醜
- 換個用途會不會更好
- 能不能跟旁邊的功能接起來
- 使用者會卡在哪裡
這些資訊，光靠腦袋想很難想出來。
所以，
想法 → 做出來 → 觀察 → 新想法
這個循環越短，點子就越不是一次性的，而會串成一連串。
做東西的速度，不只是生產力。
也是點子引擎的轉速。
9. 但如果點子全交給AI，大家可能會爬上同一座山
生成式AI也能幫你想點子。
但在Doshi和Hauser的實驗中，借助AI點子寫出的短篇故事，個人作品平均評價較高；可是AI輔助的作品彼此越來越像，整體的多樣性反而下降。[6]
這點很關鍵。
如果每次都只問AI「給我10個有趣的點子」，大家很可能搭上同一台遊覽車。
所以人的價值不會消失：
- 自己真心覺得麻煩的事
- 在第一線發現的彆扭之處
- 現有系統的各種怪脾氣
- 從別的領域借來的比喻
- 奇怪的組合
- 「大家都這樣做，但真的對嗎？」的反問
正是這些只有你才有的素材，替AI的龐大知識定下方向、加上個性。
不是讓AI替你想完所有事。
而是人先丟一顆怪石頭，再讓AI把漣漪放大。
這樣比較好玩。
10. 最強循環：想到→寫成一句話→拆開→交出去→檢查→再想到
說穿了，實際工作中這麼簡單就夠了。
① 起點 「這個如果能這樣，是不是很方便？」
② 一句話 用一句話寫清楚：想替誰、改變什麼、怎麼改變。
③ 拆開 分成調查、設計、開發、檢查等能獨立進行的分工。
④ 交出去 把任務交給AI。人不用把所有事同時扛在身上。
⑤ 成品 文章、畫面、程式、結果，總之先拿出看得見的東西。
⑥ 回頭確認 看一看、點一點、測一測，確認是不是真的達到想要的狀態。
⑦ 再發想 「這個做得到的話，那下一步那個也做得到。」
正因為有最後的⑦，這個循環停不下來。
做好一個，就是下一個點子的素材。
做出功能A。 有了A，想到B。 做出B，A+B=C。 做出C，又會想：「乾脆把整個服務重新定義成D？」
一開始只是個小火花，回過神來，發電廠已經蓋好了。
11. 陷阱：想點子的速度超過整理的速度
這種做法有一個明顯的副作用。
點子一個接一個，做得又快，系統就會不斷加蓋、再加蓋。
然後某天，你打開線路一看：
這是誰做的？
昨天的你。
對策不是不再想點子：
- 別把「唯一準確的原始資料」弄出好幾份
- 同一個職責不要做兩套機制
- 能併進現有功能的就併進去
- 只把真正獨立的工作平行處理
- 做完一定回頭確認
- 重要的改動先設好品質關卡
- 分清楚「做得到」和「現在該做」
想得快，就得整理得也快。
與其放開油門，不如把方向盤和煞車升級。
12. 結論：AI時代的本事，不是「會用AI」，而是「能替AI找事做」
AI模型會一直變強。
知識會越來越多。 寫程式、寫文章都會更快。 同時調動好幾個AI也會越來越容易。
於是，人身上稀有的能力會慢慢轉移。
從「自己什麼都能做」，
變成：
找到值得做的東西。
點燃第一個火花。
重新定義問題。
把工作拆開。
交給AI。
看實際成果。
再從中想到下一步。
AI是巨大的能力。
但能力會一直待命，直到有人交代工作。
所以強的人，不只是寫程式比AI快的人。
而是能第一個說出「欸，這個是不是做得出來？」的人。
一間請了100個天才AI的公司，最先需要的不是第101個天才。
而是在工作單上寫下第一行的人。
參考資料（6筆）
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
