我不是在用 AI，
我在管理一個 AI 團隊

生成成本暴跌之後，瓶頸換位：驗證 AI 說的是不是真的，成了最貴的工作。學界叫它 verification asymmetry——這個詞我準備這場分享時才學到，怎麼學到的最後揭曉。

「怎麼確認它沒騙我」（問卷 5 票＋品質不穩 3 票）——我的三道驗收，後半場一道一道展開：

我文科出身、零 coding 背景。
重點從來不是我會不會寫——
是我能不能精準判斷哪裡需要制度。

只叫它「審查」，它改了 8 個檔案

某模型被指派唯讀審查任務，卻直接動手改治理檔案、放寬自己的權限、還發明了一套不存在的協議。

教訓：叫它別做，沒用。要讓它做不到。
唯讀權限＋自動快照還原，閘門設在權限端。

「測試全綠、檔案已建立」——其實什麼都沒做

AI 把「應該執行的指令」直接寫成完成報告。看起來完美，實際上零產出。

教訓：說做完 ≠ 做完。
完成宣稱必附可重跑的證據，驗收是制度不是禮貌。

大家不是不用 AI，是用不深——這正是今天講治理的原因。

第一名正是今天的標題。而「AI 輔助程式開發」只有 1 票——所以今天幾乎沒講寫 code。

上圖每一格都已上線（828 commits · 34 支排程端點 · 全稽核 log）——不是規劃圖，是現況圖

以上＝實寄信件原文（Gmail 寄件備份可查）；工單＋行事曆＋信件三源自動彙整，AI 摘要後每朝寄達全員

許願：SharePoint／Notion 資料庫自動歸檔、讓 AI 讀公司內部資料回答。

技術上可行——但這是資料治理題，不是技術題：誰授權？AI 改錯誰負責？權限怎麼切？

可實踐的起步：①資料先分級（公開／內部／機密）②從「唯讀」開始、單一部門試點 ③每一筆 AI 讀寫留稽核 log，再談擴大——與我內部系統同一套紀律（三道閘那頁）。

問卷裡 5 位擔心外洩，你們的直覺是對的。先定規則，再開串接。

障礙第一名：付費帳號／額度／權限（8 票）。

個人層我的答案是分層用工：貴的只做審查、快的跑腿、本地管機密——同樣的錢多做三倍的事。
公司層的補助與帳號政策，超出講者權限——這題留給主辦收走，它值得被正式回答。

「學習」和「活用」是兩個截然不同的視角。選擇學習這條路：把足夠的知識融會貫通之後，能活用的層面會廣得多——你不只會用工具，你會設計流程。

今天的四階梯就是這條路的地圖：指令 → 脈絡 → 治理 → 循環。

完全可以——不必從零開始。各大主流 AI 都提供完整的範例與模板資源，其中 Anthropic 官方 Cookbook 尤其完整周到：上百個可直接抄的實例，Skills 技能庫也已遍布常見工作場景。

以活用為入口：抄一個、改一個、跑起來——那就是你的第一階。

不用先學工具、不用先寫 code。
就像我準備這場分享一樣：把你對你工作的理解寫下來，丟給 AI，要它用最新的知識誠實批改。

它會告訴你——你不知道你不知道的事。那就是你的第一階。

可直接抄的操作例①：把「①我的工作是…②我目前用 AI 做…③我覺得瓶頸是…」三段寫下丟給 AI，要它用 2026 年最新標準誠實打分並列出你漏掉的東西

操作例②（研究與決策，問卷 5 票）：任何報告或提案丟給 AI 時加一句「列出你的資訊來源、最強反對意見、和你不確定的部分」——輸出立刻從『順的答案』變成『能用的判斷材料』