今天在幫某直轄市政府的研考會審查他們內部同仁的 AI 研習成果發表，我用錄音轉文字撰寫書面意見（好久沒有完全不靠 LLM 親自寫文檔了，好不習慣）。
我的一句話感想是：
大家都以為老一輩／公務員比較跟不上時代，不會用 AI，其實錯了。每個小組的同仁用 Coding Agent 都做出了實際能夠使用在工作上的專案。老鳥身上的經驗跟判斷力，如果有正確的引導，也能夠發揮巨大的價值。
以下是我給他們的十頁書面審查的重點條列摘要。
每週一封，只挑跟你工作有關的 AI 動態。免費訂閱電子報 →
責任歸屬
- AI 治理的責任歸屬是人，不是 AI。
- 責任是人類保留給自己的能力，AI 無法取代。
- 邏輯思維驗證 AI 產出，是 AI 拿不走的能力。
- 講師的角色是陪跑者，設計者是同仁本人。
導入前的準備
- 導入前的規格釐清與流程整理，是生產力提升的來源。
- 減法原則找出最短路徑，取代舊流程上的疊床架屋。
- 自動化是導入流程的終點，資料與流程準備是前提。
- 資料治理是 AI 友善結構的地基。
- 蒸餾法從人類過去決策案例萃取判斷標準，由人確認歸納結果。
- 固定模板約束 AI 產出，防止格式漂移。
驗證與風險
- 審閱 AI 對話紀錄，抓出決策樹發散不收斂的問題。
- 可逆操作風險低，不可逆操作需要人類留在決策迴路。
- 驗證速度追上效率提升速度，責任落在使用者身上。
- 準確性問題的根因藏在 AI 產出的過程，不在結果本身。
- 可逆與好驗證兩軸，決定業務導入 AI 的優先順序。
人與組織
- 軟性標準的品味來自專家經驗，AI 的品味來自全球平均樣本。
- 蒸汽機悖論：效率提升導致工作量增加，不是減少。
- 學習步調依個人動機決定，不是工具更新的速度。
- 種子人員的篩選標準是動機、邏輯思維與表達能力。
為什麼公部門導入成效反而好
再分享一個顛覆直覺的：目前看到 AI 導入成效最好的是公部門，反而是基層年輕人抗拒比較大。
我覺得還有一個原因：私部門事情提早完成後，老闆會指派更多事情；公部門事情提早完成之後，就是提早完成，時間實打實的還給基層，動力會更大。