5秒看懂
AI越來越會做，人的價值就越來越不在「什麼都能自己做出來」。
更重要的是，看到成品時能馬上察覺「好像怪怪的」「這裡很無聊」「這個我不會想點」，再把這種感覺講成理由、目標和限制，交給AI去找方法，最後看到實際成品再判斷一次。
也就是說，不是人自己寫完所有程式，而是一直轉這個循環：
察覺怪怪的 → 跟AI聊清楚 → 從0到1重新企劃 → 動手做 → 看實際成品 → 再次察覺怪怪的
光看表面，就是個「只會挑毛病的老闆」。
但只要沒有一個像素一個像素地下指令，這就不算愛管小細節。比較像是人抓住目標和品質標準，把找方法跟動手做交給AI。
1. 一切從「整理得很好，但真的超無聊」開始
有個網站的首頁，把分類名稱和文章數量排得整整齊齊。
資訊很清楚，沒有壞掉的地方，每樣都講得出道理。
可是一眼看過去，第一個反應是：
「這也太無聊了吧。」
這種感覺最麻煩。
它不是「按鈕按不下去」那種明確的bug。測試會過，也沒違反任何規定。但就是不想點。
跟聊天AI來回聊了幾輪，這種感覺才慢慢說得出口。
網站把存貨擺出來：「人際關係98篇」「判斷與比較78篇」。可是第一次來的人，根本不在意有幾篇。
他們想的是：
「現在有沒有我會覺得有趣的？」 「我有這個煩惱，要點哪裡？」 「沒特別要找什麼，就想隨便逛逛挖到點東西。」
於是把整個問題重新交給專門從0到1做企劃的AI，首頁就從「分類倉庫」變成依讀者心情和需求進入的留言卡片式入口。
這不是把版面樣式（CSS）稍微修漂亮。
而是重新想過「首頁到底是做什麼用的」。
2. 人的工作看起來像個「奧客」
AI連實作都能做了以後，人這邊的工作看起來就有點怪。
「這裡有點俗。」 「講得沒錯，但就是不想點。」 「功能是有，但用起來很爛。」 「可以再有趣一點嗎？」
只看這些話，就是個很煩的奧客。
可是真正危險的愛管小細節，是這樣：
「間距改成12px。」 「卡片一定要排3欄。」 「這句話放在這個位置。」
連解法都由人定死。
這次剛好相反。
人抓住的是評價：「這樣好不好」「符不符合目的」「哪裡卡卡的」。
至於怎麼改，大部分交給企劃AI和寫程式的AI。
所以這其實不是奧客，而是一個人同時當產品負責人、總編輯、創意總監和品管。
鍵盤安靜了，頭銜倒是突然變重了。
3. 「怪怪的」是很靈的警報，但不能直接當規格
「就是不喜歡」很重要。
但直接丟給寫程式的AI也很危險。
可能只是個人喜好，也可能是改別的地方帶出來的副作用。AI很可能照著抱怨乖乖改，結果把整體弄壞。
所以要先跟聊天AI把它聊清楚。
至少照這個順序轉換：
- 現象：看到什麼覺得「不舒服」
- 可能原因：為什麼會這樣覺得
- 讀者：對誰來說是問題
- 理想狀態：做到什麼就算好
- 限制：什麼絕對不能弄壞
- 完成標準：看到什麼就能說改好了
像「首頁很無聊」，就要講到：
「網站自己的分類太前面，第一次來的讀者很難從自己的目的去找文章。想做一個不看文章數量、而是依心情和需求來逛的入口。」
講到這裡，抱怨就變成可以拿來設計的材料。
4. 聊清楚，就是把「我的喜好」變成「可以驗證的假設」
重點是別把自己的感覺當成絕對正確。
「我不喜歡」 跟 「對使用者不好」 不是同一件事。
所以要拿研究、現有的設計原則、反例、實際的使用數據去碰碰看。
例如這樣拆開問：
「是資訊太多才討厭嗎？」 「是分類只照網站的想法才討厭嗎？」 「是沒目的的人找不到入口才討厭嗎？」 「常來的人會不會反而覺得列表比較快？」
多了這一步，人的直覺不會被抹掉，只是不讓它暴衝。
怪怪的，是警報。
聊清楚，是診斷。
動手做，是治療。
別一聽到警報就衝進手術室。
5. 「像逛IKEA或好市多那樣」不是隨便說說，而是縮小了要找的範圍
具體的例子很有力。
只說「弄得有趣一點」，AI要找的範圍太大了。
但如果說：
「就像逛大賣場，逛著逛著連本來沒打算買的東西都看到了。」 「不是一排分類，而是看著看著就有新發現。」
想要的體驗馬上就清楚多了。
重點不是照抄那家店的畫面。
不是模仿顏色、間距、卡片形狀，而是往上拉一層：
「意外發現」 「到處逛」 「想繼續往下看」 「呈現的是體驗，不是存貨」
例子是拿來定方向的，不是拿來定答案的。
這樣AI還有自由發揮的空間。
6. 把從0到1的企劃AI和寫程式的AI分開，效果更好
如果只是修既有的bug，不用每次都開大型企劃會議。
找到原因、修好、測試，就行了。
但像「從根本讓首頁變有趣」這種接近從0到1的工作，動手前先讓強大的企劃模型跑過一次，很值得。
分工要分開：
聊天AI負責拆解怪怪的感覺，把需求講清楚。
從0到1的企劃AI負責找各種方案、結構和體驗怎麼設計。
寫程式的AI負責程式碼、測試，以及確認其他地方沒被改壞。
人負責目的、限制、優先順序，以及最後用不用。
沒必要讓AI開一輪又一輪只產出企劃書的會議。
企劃要真的做出來，才有價值。
7. 研究也說了：「人+AI」不會自動變最強
這點很重要。
2024年《Nature Human Behaviour》的一篇統合分析，彙整了106個實驗、370個效果量，直接比較人單獨做、AI單獨做、人加AI一起做。[1]
平均來看，人加AI比人單獨做好。
但如果跟「人和AI之中比較強的那一方」比，人加AI平均反而比較差。
不是最後加個人把關，就一定更強。
而且在做決定的任務裡，一起做的成績比較容易掉；在創作類任務裡，一起做相對比較有希望。
所以關鍵不是「要不要用AI」，而是：
誰負責哪一塊
不是全部都讓人最後簽核就好，也不是全部丟給AI就好。
怎麼拆工作，本身就決定了效果。
8. AI擅長的範圍，邊界是參差不齊的
2026年刊登在《Organization Science》的一項實驗，找了758名知識工作者。在AI擅長範圍內的18項任務中，用AI的人平均多完成12.2%的任務，速度快25.1%，品質也更好。[2]
但在AI擅長範圍外的一道複雜經營題上，用AI的人答對的機率低了19%。
看起來一樣是「動腦的工作」，AI幫得上忙的和反而扯後腿的，就緊挨在一起。
這就是所謂「參差不齊的技術邊界」。
所以安排工作時，不能說
「AI很聰明，交給它吧」， 而是 「這類工作交給AI，這裡由人來判斷」。
察覺怪怪的、訂目標、重大的取捨、整體是否一致，交給人。
大量搜尋、想替代方案、寫成文字、實作、機械式檢查，交給AI。
至少目前看來，這樣分工比較自然。
9. 人從「寫初稿的人」變成「改稿的人」，跟研究結果也對得起來
2023年《Science》的一項實驗，讓453名專業人士做寫作任務，用了生成式AI的那組平均時間少了40%，品質評分高了18%。[3]
2025年《Quarterly Journal of Economics》一篇關於客服工作的研究，用了5,172人的第一線資料，發現有AI協助後，每小時處理的案件平均多了15%，對資歷淺的人效果特別明顯。[4]
當然，這些研究並沒有證明「老闆只要說一句怪怪的，公司就能運轉」。
但它們跟這個方向是一致的：初稿、例行工作、提出備案、寫成文字的成本降下來以後，人就更容易把時間花在「要做什麼」「要選哪個」「哪裡不對」上。
不是說動手能力沒用了。
而是動手不再是唯一卡關的地方。
10. 最大的坑：每條抱怨都去改，結果只顧局部、整體亂掉
改卡片。
改廣告。
改相關文章。
改搜尋。
每一樣都變好了。
可是整個網站卻變得亂七八糟。
這種事很常見。
一個一個消滅怪怪的地方，就有只顧局部、忘了整體的風險。
所以要定期退一步，從上面往下看：
「來的是誰？」 「他們來做什麼？」 「第一步該做什麼？」 「希望他們逛到哪裡？」 「最後想讓他們帶走什麼？」 「有沒有其實該刪掉的功能？」
改零件跟檢查整體目標，要分開做。
而且人也會被AI的建議牽著走。有實驗發現，人和AI的判斷會互相放大，形成讓偏差越滾越大的循環。[5]
所以「AI也這樣說」不算證據。
要回到研究、實際使用、反例和外面的現實。
11. 「你看著辦，弄好一點」要等彼此有足夠默契才行得通
「你看著辦，弄好一點」其實是很危險的指令。
沒有前因後果，那就只是轉蛋。
但如果下面這些已經講清楚，意思就不一樣了：
目標 想讓什麼變好？
不要什麼 絕對不想變成怎樣？
限制 哪些規則、成本、安全、日常營運條件不能破壞？
參考 想要什麼樣的體驗？
完成標準 看到什麼才算成功？
這些累積多了，「你看著辦，弄好一點」就成了簡稱。
這不是甩手不管。
而是用一句話叫出一大段彼此都懂的背景。
就像默契好的團隊裡，一句「照老樣子」大家就懂。
跟AI之間，這件事終於也開始行得通了。
12. 寫程式的AI掛了，也別讓整個開發停擺
寫程式的AI應用程式當掉了。
偏偏就在用量額度重置之前。
「本來想趁現在一口氣全部丟進去的。」
這種停擺真的很痛。
不過，從這裡也能得出一個實用的答案：
把「想」的排程和「做」的排程分開。
就算寫程式的AI不能用，
蒐集怪怪的地方， 跟AI聊清楚， 提出原因的假設， 用研究查證， 排好優先順序， 寫下完成標準。
這些都能先做。
一恢復，寫程式的AI不用從頭想，直接把已經整理好的工作從上往下處理就好。
一個服務停了，不等於整個團隊的腦袋都停了。
這可以省錢，但更重要的是，出狀況時也撐得住。
13. AI時代的「老闆」，不是什麼答案都知道的人
把這套流程跑一輪，人的角色看起來完全不一樣。
程式不用全部會寫。
不用一開始就畫出最完美的畫面。
也不用事先知道解法。
但這些要抓在手上：
「這不對。」 「為什麼不對。」 「要讓誰、在哪方面變好。」 「什麼不能被弄壞。」 「出來的方案能不能用。」
AI能拿出一大堆解法。
也能實作。
檢查也能做不少。
但如果連「這個產品怎樣才算好」的標準都整個外包，就連該往哪裡優化都沒了。
所以人的工作與其說是消失，不如說是往上游壓縮。
用老派老闆的說法，不是
「我全部自己來。」
而是
「這不對。原因是這樣。要往這邊走。剩下的你用最好的方法去做。」
「你看著辦，弄好一點」，終於開始變成一門真功夫了。
參考資料（5筆）
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
