剛開始使用 AI 的時候因為不熟悉 AI，花在改動 AI 產出的時間大於自己動手，用起來感覺很卡。
甚至有一陣子覺得用 AI 花的時間反而比不用多，所以短暫的放棄要把 AI 整合進去工作流程中。
後來發現卡的原因來自於不清楚哪些流程中可以使用 AI，AI 擅長和不擅長什麼，哪些流程適合 AI。
隨著企業愈來愈強調 AI 的技能需求，如何跟上這股潮流導入 AI 到自己的工作中成為了每位「小小社畜」的必修課。
這裡分享三個簡單的思考步驟，幫助大家更順利的找到和 AI 協作的方法。
拆解工作日常的流程，並且找到 AI 可以取代的地方
工作時，可以透過拆解 end-to-end 的流程，來找出 AI 能夠輔助的環節。
舉例來說，在閱讀時不僅僅是讀書而已，而是可以將整個流程細分為幾個步驟：
開始閱讀前，先設定目標
閱讀中提出問題並記錄關鍵知識點
閱讀結束後，回顧反思、整理和歸納
AI 在這裡可以扮演輔助的角色顯而易見，例如在「整理與歸納」階段，透過 AI 的摘要功能幫助迅速萃取重點，節省時間與精力。
流程拆的愈細，可以找到 AI 取代的地方愈多。
初步拆解流程後，先從外包「系統一」的工作開始
在《快思慢想》一書中，心理學家 Daniel Kahneman 將思維方式分為「系統一」和「系統二」。
系統一思維是快速、直覺的反應，比如在寫文章時，利用鍵盤打字不需要思考，肌肉已經很熟悉指尖敲在鍵盤上的位置。
當剛開始適應 AI 時，也就是重新打造這些肌肉記憶，可以先從找到「系統一」的簡單應用開始，這些系統一的習慣比較容易外包給 AI。
像是除了上面提到的摘要功能以外，另一個系統一常見的例子是閱讀過程中關鍵字的辨識，平常幫關鍵字和概念連接不需要慢思考，所以這也很適合丟給 AI。或是對已知的知識快速反應，解釋概念，這也可以輕鬆外包給 AI。
幾個我常用的 Prompt 就包含：
幫我快速解釋這個段落 → 快速思考怎麼換句話說
幫我辨識這個知識的 meta data 和種類 (方便之後建立索引) → 快速找到相關的標籤
提供幾個 Q&A 幫我加深記憶 → 快速的根據經驗想出幾個可能的問題
逐漸提升「系統二」思維的能力
當把一部份的流程開始外包後，剩下還能夠外包的步驟就會愈來愈少，會留下一些長尾比較複雜的工作。
幸運的是 AI 和傳統工作方式不同，某些不會太困難的系統二工作 AI 也可以重現，像是設定閱讀目標、進行批判性思考，或是找尋主題閱讀的相關性。
我常用的 Prompt 就會是：
通常在閱讀這本書的人會希望達到什麼目標？
我在閱讀某本書時，你覺得可以列出那些問題，讓我在閱讀時可以更批判的思考和閱讀？
市面上是否有其他類似的書和這本書和在講相同的概念？
當把多數系統一和系統二的工作丟給 AI 時，就可以取代 50% 的閱讀和筆記步驟了，剩下 50% 的精力用在思考。
把時間留給 AI 做不到的事情
看到這邊一定想說那麼多步驟都可以被取代了，真的很有讀書的必要嗎？
其實，AI 還不能做的事情還很多。
AI 可以模仿意圖參數，但是不會有自主的動機，只能模擬選擇而非價值觀去驅動選擇
AI 可以模仿大文豪筆下的悲情故事，但是它沒辦法體驗人生，經歷失去的痛苦
AI 可以幫助我們發掘新知，但它無法像人類一樣透過直覺或個人經歷去判斷某個資訊是否重要
AI 沒辦法代替你找到你還沒學會的東西
所以在閱讀上，AI 還沒有辦法取代我把未知的知識消化掉、代替我體會讀到的資訊和我過去的經驗有什麼關聯、進而把這些消化的知識重新按照我的經驗排序，找到個人獨特的觀點和洞見。
這不是花比較多時間慢慢想 (更強大的 Reasoning) 就可以做到的，因為 AI 沒有走過我從小到大走來的路，所以他不知道我的想法和它哪裡不同。
最常見的思考可能包含：
這本書的資訊對我有什麼幫助？
這資訊是否符合我的價值觀 (認知上正確)？
看到某段文字自己是否產生了新的想法？
這片資訊是否可以作為某個觀點的範例或是支持某論點的數據 (新增知識圖譜)？
這些是閱讀時 AI 還無法取代的東西，也是為什麼有了這麼多 AI 工具，閱讀還是沒有輕鬆太多的原因。
找到 AI 適合的工作，找到自己適合的工作，協作共融才是最好的導入方式。
Comments