起點檢測

先破一個最常見的誤會：很多人以為 AI 像 Google，你問問題、它去某個大資料庫把答案「查」出來給你。不是這樣。今天講的這種 AI（會幫你寫信、寫文案、寫程式的生成式 AI）比較像你手機輸入法的「選字」功能，只是強大了幾百萬倍。你打「今天天氣真」，輸入法會跳出「好」；AI 做的是同一件事的放大版——看你前面所有的字，算出「下一個最可能是什麼字」，選一個接上去，然後把這個字也算進去、再猜下一個，就這樣一個字一個字把整段話「接」出來。它腦中沒有一格一格存好的答案，它是在「續寫」。

這個機制解釋了 AI 為什麼這麼強：因為它讀過海量的文章，什麼句子後面通常接什麼，它抓得非常準，所以講出來的話很順、很自然，你要它換成正式公文、輕鬆貼文、條列摘要，它都接得漂亮。上方影片會示範這個「自動接龍」的過程。但同一個機制也埋了一個陷阱：它追求的是「接起來最像對的」，不是「查證過確實是對的」。大部分時候這兩者剛好一樣，所以它看起來很可靠；可是一旦遇到它沒把握的地方，它不會停下來說「我不知道」，而是照樣補一段「聽起來最合理」的內容給你——這就是所謂的幻覺（hallucination）：一本正經地講一件不存在的事。

關鍵是要知道錯誤會集中在哪裡。愈是「具體、精確」的東西，愈是幻覺的重災區：某某人的頭銜、某條法規的編號、某個統計數字、一段「原文引述」、一個網址。因為這些東西只有一個正確答案，而它是用「猜最順」的方式生出來的，猜錯的機率就高。反過來，像「幫我把這封信改客氣一點」「解釋一下什麼是毛利率」這種常見、不依賴單一精確事實的任務，它就非常穩。所以你要記住一句鐵律：AI 講得多有自信，跟它對不對，是兩回事。流暢的文筆可以包住一個瞎猜的數字，而你完全看不出來。

還有一個很多人覺得「怪」的現象也是這樣來的：同一個問題，你問兩次、或換個對話再問一次，答案可能不完全一樣。這不是它壞掉，而是它每一步是從「幾個可能的下一個字」裡抽一個出來，帶點隨機，不是在背一份固定的標準答案。理解了這點，你就不會再期待它像計算機一樣每次吐出一模一樣的東西，而會把它當成一個「每次都重新幫你寫一遍」的寫手。

接著上一個技能點：既然 AI 是靠「讀過的東西」在猜下一個字，那它到底讀過什麼、就決定了它「懂什麼」。可以想成它在上線之前，被關進一間超大圖書館狂讀了好幾年，讀完就把門關上、開始上工。從此之後有三件事你一定要記得：第一，圖書館的門是有關門時間的——這叫「知識截止點」。關門之後世界上發生的事，它讀不到，所以你問它上週的新聞、今年最新的補助方案，它要嘛老實說不知道，要嘛（更常見）拿關門前的舊資訊、用很篤定的語氣講給你聽。上方影片會解釋這個「讀到某天為止」是怎麼回事。

第二，也是中小企業最容易忽略的：那間圖書館裡沒有任何一本是關於你公司的書。你的報價策略、客戶名單、內部流程、老闆昨天交代的方向、上個月那場會議的結論——這些從來不在它的訓練資料裡。所以你直接問「我們公司這種案子通常報多少」，它只能拿「一般行情」來猜，猜得再順也跟你的實際狀況無關。這不是它笨，是它根本沒這份資料。解法很簡單也很關鍵：把相關背景貼給它、當場餵給它（你的報價表、品牌語氣範例、這個客戶的往來紀錄），它就能用「你的現實」來幫你，而不是用「網路平均值」。

第三，它懂的深淺非常不平均。一個主題如果在網路上被寫過千百遍（常見的行銷觀念、通用的 Excel 用法、主流程式語言），它就懂得又深又準；但如果是小眾、地方性、剛改沒多久的東西——某個公會的最新規定、某縣市特有的補助、某個冷門工具上週發布的新功能——它讀到的資料本來就少，就很容易「用零星印象硬拼一個聽起來合理的答案」。台灣的在地法規、健保申報細則、地方稅務這類，尤其要小心：它可能講得很順，卻是錯的或過時的。

最後補兩個它「知識」上的毛病。一是舊當新講：某條規定去年改了、某個軟體介面換了、某個價格漲了，它腦中可能還是舊版，卻不會提醒你「這可能過時」。二是記不得出處：它能告訴你「有這麼一條規定」，但通常說不清是哪部法、哪一條、哪個官方文件——就像有人跟你說「我好像在哪看過」，那不能當證據。所以務實的做法是：凡是會過時、會因地不同、或牽涉法規金錢的，把它當「給你方向的助手」，最終數字和條文自己去官方來源查證，或叫它開網路搜尋、把資料餵給它。

前面兩個技能點講的是它「肚子裡有什麼」（訓練知識）。這一個講的是完全不同的東西：它「現在這一刻，眼睛正盯著什麼」。你在一個對話裡打的字、貼的文件、它自己的回覆，全部要擠進一個固定大小的空間，這個空間叫脈絡視窗。最好懂的比喻是一張桌子：桌面就這麼大，你把資料一張張攤上去，只要擺得下，它一眼全看得到、用得上；可是桌子會滿，當你不斷加東西、對話愈拉愈長，最早放上去的那幾張就會被擠到桌子邊、掉到地上——它就再也看不到了。上方影片會把這個「有限桌面」講清楚。

這個限制有一個跟前面很不一樣的性質：它是「懸崖式」的，不是「慢慢變差」的。知識不足是漸進的（愈冷門愈不準），但記憶爆掉是突然的——前一刻還好好的，多貼一份長文件、多聊幾十輪，它忽然就開始忘記你一開始的設定、重複問你已經講過的事、或給出跟前文兜不起來的答案。最麻煩的是它不會跳出來說「我記不下了」，它只是默默地看不到前面，然後一樣很有自信地繼續答。很多人遇到「這 AI 怎麼愈聊愈笨」，其實就是撞上了這道牆而不自知。

由此帶出兩個常被誤會的重點。第一，換新對話等於全新的它。這個對話裡你花半小時教它的公司規矩、餵它的背景、糾正它的地方——只要你開一個新對話，它完全不記得，一切從零開始。它不像同事會把你上次講的記在腦子裡；它的「記憶」只活在「當前這張桌子」上，桌子一收（關掉或開新對話），就清空了。第二，你的糾正沒有「教會」它。你在對話裡說「不對，我們公司不這樣」，它會在這個對話裡照做，但這不是它「學到」了——換個對話它又會犯同樣的錯。真正要它「長期記得」，得靠後面會學的專案/長期記憶功能（R4 會深入），不是靠一直在對話裡重講。

知道這些，實務上就有明確對策。其一，重要的東西放最前面、講最清楚。把關鍵指令、背景、規矩擺在對話開頭一次講足，別零零散散埋在一長串中間——桌子中央的東西它最容易漏看（這現象叫「lost in the middle」，中間的最不受注意）。其二，一個對話別扛太多任務。一件事告一段落、或你發現它開始忘東忘西、答非所問，就是該開新對話的訊號；把「現在才想清楚的完整需求」在新對話裡一次講好，通常比在舊對話裡硬救更快、更乾淨。這也呼應後面 R4 會教的 context 管理——「什麼時候該清空重來」是一個會愈練愈準的手感。

前面三個技能點各講了一個弱點，這一站把它們裝回同一個腦袋裡，變成一張能用的判斷表。因為在真實工作中，AI 出包很少是「單一弱點」乾淨地發作，多半是兩個湊在一起，而且湊起來特別像真的、特別難抓。上方影片就是在講這種「弱點相撞」。認得出是哪兩個在作怪，你就不會亂槍打鳥，而是直接對症下藥。

最常見的相撞一：猜字（愛講具體的）＋知識不足（這塊它不熟）。結果就是它生出一個超逼真的假東西——一條不存在的法規、一個沒發生過的統計數字、一篇查無此人的「引述」。因為它一方面天生會把空白補成「最像對的」，另一方面這個主題它資料又少，兩個一疊，就是最經典的「假到你信」。對策：凡是具體事實（數字、法條、出處、日期）＋又是冷門或在地主題，一律當草稿、自己查證或開搜尋。最常見的相撞二：記憶爆（聊太久忘了）＋你沒重講（以為它記得）。結果是一個長對話聊到後面愈來愈走鐘，它忘了你最初的設定、開始答非所問。對策：重開新對話、把需求重講一次，別在爛攤子上硬修。

把這些收攏成一張三格判斷表，動手前先把手上的任務丟進其中一格。第一格「能放心交」：改寫潤稿、摘要長文、發想點子、翻譯、解釋通用常識、換個格式排版——這些是「通順型」任務，正中它的強項，而且成果你自己一眼就能驗收，錯了也看得出來。這格的東西大膽交，能幫你省最多時間。第二格「要盯著覆核」：任何牽涉具體數字、法條、報價、對外要送出去的正式文件——它可以幫你打草稿、加速，但「它做完 ≠ 可以用」，一定要你查證關鍵事實、確認語氣責任之後才算數。第三格「別交給它」：兩種情況——一是需要「它根本沒有的資料」才能做對的事（你公司內部真實狀況，你若不餵它就別問）；二是需要你的獨門判斷與責任的決定：跟客戶議價、要不要接一個案子、對客戶承諾成效、對外道歉的最終定調。這些 AI 可以陪你想，但拍板必須是人。

要提醒一句：這三格不是固定死的，會隨「你補了什麼」而移動。同一件事，你什麼都不給，它落在「別交」；你把公司資料、範例、背景餵齊，可能就升到「要盯著」甚至「能放心交」。你打開網路搜尋、要它附出處，「查證」這關就輕鬆很多。所以判斷表真正的用法不是把任務判死刑，而是問自己：「要把這件事往『能放心交』那一格推，我還缺補哪一塊？」——是缺背景（餵資料）、缺時效（開搜尋）、還是缺人的判斷（那就人來拍板）。這正是後面 R1「4D 協作思維」要展開的功夫；R0 先讓你把這條線畫出來。