
同樣的 AI 工具,為什麼有人用得出色,有人卻卡關?
前言
還記得《一個沒學過程式的主管,為什麼能讓網站上線?》裡的健太部長嗎?他用 AI 跨越技術邊界,完成了看似不可能的任務。但故事還沒完。當公司決定全面推進 AI,下一個問題浮出水面:我該選哪一個工具? 不是「要不要用」,而是「用哪一個」。

社會現象觀察:每個工具都能做,但每個工具做得都不一樣
鳩山總經理決定找齊所有部門主管,一起試試 ChatGPT、Claude、Gemini、Perplexity 各有什麼不同。銷售處長金大中說 ChatGPT 寫提案很順,研發處長金哥卻說 Claude 更懂技術細節。人資部長詩奈擔心資料安全,副總經理口口木則在意成本。
最讓他們頭疼的,不是工具的功能好不好,而是:每個工具都能做,但每個工具做得都不一樣。 加上每個工具的訂閱模式都不同,試用版的限制也不同。
特助阿 Ken 是靈魂角色。他不只觀察,還在關鍵時刻提出問題。試用幾週後,他問:「各位,我們在比工具,但其實搞不清楚自己在問什麼,也搞不清楚怎麼讓這些工具一起工作。」健太部長點頭:「就是啊。我們好像在盲人摸象,但象還在動。」
最後,阿 Ken 發現了核心問題:「比起選工具,我們先得搞定,怎麼問,怎麼讓工具為我們工作。」

企業營運影響分析:學會「怎麼問」才是真正的轉機
正面影響:學會「怎麼問」解放工具價值
當組織開始系統化地思考「怎麼問對問題」時,三件事同時發生。第一,同樣的 AI 工具,用對方式後生成品質急劇提升,不是工具變好了,是人變聰明了。第二,員工的思維習慣改變,從「AI 幫我做」升級到「AI 和我一起想」,這是一種思維框架的進化。第三,工具之間開始協作,Claude 產出的方案,可以丟進 Notion 整理,再用 Gemini 做視覺化,多個工具像樂隊一樣協奏。
負面影響:沒人教怎麼用對工具
反面也存在。當組織沒有統一的協作方法論時,各部門各自採購、各自摸索。銷售部選 ChatGPT,行銷選 Claude,客服選 Perplexity,同一間公司,五套不同的工具邏輯,員工學習曲線陡峭。更糟的是,有些員工用了幾個月,發現自己「還是在問蠢問題」,漸漸失去興趣,這就是所謂的「AI 倦怠症」,不是工具倦怠,是對自己的失望。
綜合評估:核心問題不在工具,在人
真正的困局不是「選哪個工具」,而是「沒人教怎麼用對工具」。組織需要的不是更多工具,而是系統化的方法論,讓員工知道不同工作應該用什麼協作模式,怎樣提問才能得到高品質輸出,以及如何在日常工作中和 AI 建立信任與協作習慣。這正是有人願意花時間去學習的價值所在。

管理策略與理論應用:三個實務建議的深層解析
(一) 從「二元對立」轉向「三種混合協作模式」,精準配置人力與算力
Raisch & Fomina (2024) 在《Academy of Management Review》提出,組織使用 AI 解決複雜問題時,存在自動搜索、順序搜索、互動搜索三種混合問題解決過程,各自適用於不同工作類型。關鍵在於診斷問題屬性,選擇合適的協作模式。
實務做法與建議
- 自動搜索模式:AI 獨立生成多個替代方案,人負責審視篩選。適用於行銷企劃、新產品構想等發散性工作。提升 AI 應用命中率,避免「選對工具但用錯方式」的浪費。
- 順序搜索模式:人定義問題核心,AI 提出初步方案,人評估反饋,AI 再優化。適用於文案撰寫、流程改善等漸進式工作。銷售部提案應採順序搜索,透過反覆打磨提升品質。
- 互動搜索模式:人和 AI 實時對話、碰撞想法、共同思考。適用於組織策略、複雜談判等高階決策工作。策略決策必須採此模式,人 AI 共同思考。
- 配套措施:初期員工習慣單一工具單一方式,需配套團隊培訓轉變認知。清晰的「什麼工作用什麼模式」指引能降低員工的學習焦慮。
(二) 系統化工具評估框架,在合規性與成本間取得平衡
Akbar et al. (2023) 在 ICCTA 2023 會議發表的研究中,提出多準則決策框架,強調工具選擇應基於組織任務特性,而非個人偏好或行銷宣傳。
實務做法與建議
- 定義核心需求:列出部門最費時、最易出錯的具體工作,排優先順序,明確成功指標。
- 親自試用候選工具:不只看宣傳資料,要評估與現有系統的整合能力、新人學習曲線。
- 根據部門特性加權評分:HR 部門對個資保護的嚴格要求,可在加權模型中將合規性風險降到最低;銷售部重視自動化程度,可加速流程。建立評分表文檔化決策。
- 定期複核調整:三個月評估一次實際效果,收集使用者反饋,允許調整或切換。初期員工習慣既有工具,切換新工具會有過渡成本和生產力下降,需預留培訓預算,在切換前後做產能評估量化投資回報。
- 預期成果:減少「選錯工具」的悔棋成本,提高全組織應用一致性,透明流程也能降低員工疑慮。
(三) 將 AI 從「資本支出」轉化為「組織無形資產」,建立長期競爭門檻
Simón, Revilla, & Sáenz (2024) 在《Journal of Business Research》發表的案例研究指出,AI 的真正價值不在工具本身,而在於「 人-AI 」互動中的相互學習。互操作性、信任、知識增長三個關鍵互動模式直接決定組織能否從 AI 投資中獲取實際回報。
實務做法與建議
- 互操作性:統一「 人-AI 」溝通語言,建立反饋迴圈。AI 輸出有誤時清楚指出問題所在,把常見誤解記錄成「AI 工作手冊」,逐步提升溝通效率。
- 信任建立:要求 AI 解釋每個決策的理由,允許 AI 犯錯但保留人類最終把關。深入理解「為什麼錯」而非直接放棄,逐步擴大 AI 的決策權限。
- 相互學習:記錄「 人-AI 」協作過程中的關鍵洞見,反向訓練 AI 理解組織優先順序,定期召開「協作回顧會」總結學習。
- 應對組織阻礙:年資較深員工可能擔心「教會 AI 後自己失業」,需配套激勵機制和職涯轉型計畫。把「AI 協作能力」納入績效評估,讓組織文化從「誰用得快」升級到「誰協作得最好」。
- 預期成果:隨時間推移,「 人-AI 」協作越來越順暢,組織累積的「AI 應用智慧」成為長期競爭優勢。員工也從「被工具取代的恐懼」轉變為「自己的專業因為 AI 而增值」的信心。
結論
當健太部長最後問阿 Ken「我們現在真正需要什麼」時,答案已經很清楚了,不是更多的工具,而是怎麼問對問題、怎麼和 AI 協作的方法論。三個建議層層遞進:先理解不同問題該用什麼協作模式,再用系統框架選對工具,最後在日常協作中建立「 人-AI 」的相互學習。掌握怎麼提問、怎麼協作的人,在 AI 時代永遠不會被淘汰,這值得花時間去學習。

參考文獻
Akbar, S., Ullah, R., Khan, R., Asghar, I., Zubair, M., & Zheng, Z. (2023). A multi-criteria decision-making framework for software project management tool selection. In Proceedings of the 2023 9th International Conference on Computer Technology Applications (pp. 184–191). ACM. https://doi.org/10.1145/3605423.3605454
Raisch, S., & Fomina, K. (2024). Combining human and artificial intelligence: Hybrid problem-solving in organizations. Academy of Management Review, amr.2021.0421. https://doi.org/10.5465/amr.2021.0421
Simón, C., Revilla, E., & Sáenz, M. J. (2024). Integrating AI in organizations for value creation through human-AI teaming: A dynamic-capabilities approach. Journal of Business Research, 182, 114783. https://doi.org/10.1016/j.jbusres.2024.114783


