1. 你雇了100個天才，但沒有任務單，所以他們全在休息室
生成式AI能寫程式、寫文章、調查、翻譯、比較方案，也能動用龐大的知識庫。
照理說，明天每個人都應該已經在經營十家一人公司。
但現實很容易卡在一句話：
「所以，要做什麼？」
再強的AI，沒有任務也只是閒置能力。100輛沒有目的地的法拉利，只會組成一個非常昂貴的停車場。
AI時代真正稀缺的，不一定是模型性能。
可能是替能力安排第一份工作的人。
2. 真正強的常常不是驚天發明，而是做出第一個火花
所謂「點子能力」，很容易讓人想到突然發明前所未有的東西。
但實務上，更普通的問題反而很強：
- 這裡太麻煩了
- 這兩個東西能不能連起來
- 現有功能能不能換一種用途
- 這一步為什麼一定要存在
- 先做最小版本會看見什麼
這些都是點火點。
第一個想法不必完整。它的工作是製造下一輪思考的立足點。
空桌子很難批評；只要放上一個粗糙原型，人立刻就會看到「這裡怪怪的」「這個可用」「還少這個」「下一步可以這樣」。
第一步不是答案。
它是大量產生後續答案的裝置。
3. 「點子能力」不是單一能力
| 能力 | 作用 |
|---|---|
| 發散 | 從一個問題產生多種可能 |
| 類比 | 把其他領域的結構帶進來 |
| 重組 | 把既有A+B變成新的C |
| 問題發現 | 找到題目之前真正的不便 |
| 重構問題 | 重新定義真正該解決的問題 |
| 收斂 | 選出值得實作的方案 |
| 分解 | 把目標拆成AI能處理的任務 |
| 啟動 | 先做出第一個可見成果 |
| 再構想 | 看著成果產生下一個想法 |
APA把發散思考描述為偏離常用或既學策略的創造性思考。[1]
但發散思考測驗並不等於真實世界的全部創造力。[2]
能列很多點子還不夠。
還要能重新定義、選擇、實作、觀察，再重新思考。
4. 創造更像「生成→探索→再生成」的循環
創造性認知研究中的Geneplore模型，把創造看成生成與探索之間反覆循環的過程。[3]
套到AI開發很直觀：
- 想到一個點
- 跟AI討論
- 變成粗略規格
- 實作
- 跑起來
- 發現「好像不對」
- 找到新角度
- 再做一次
點子不必在實作前完成。
實作本身就是思考的一部分。
原型要三個月時，人會想先在腦中想完整。
原型三十分鐘就能出現時，原型本身就是思考筆記。
5. 「我不會多工」——如果要求人類自己做全部事情，這句話完全正確
人腦很難同時維護十個專案、十份規格、十條程式路徑和十種驗證狀態。
問題不是人，而是架構。
人不需要多工，系統可以平行處理。
人保留：
- 想去哪裡
- 什麼最重要
- 哪些邊界不能越
- 最終採用什麼
之後，把調查、規格、實作、測試、翻譯、稽核依相依關係拆開，能獨立的就交給AI。
越不擅長多工，越應該把工作搬出腦袋，變成清楚的責任邊界。
6. 巨大語料庫是材料倉庫，不是建築圖紙
再大的AI與知識庫，也不會自動決定「應該做什麼」。
想像一家擁有木材、鋼材、玻璃、工具與重型機具的超大型材料店。
很厲害。
但沒人決定要蓋什麼，它永遠只是材料店。
當有人說：
「我想消掉這個麻煩。」 「這兩個系統合起來會不會很好玩？」 「這個體驗還能再往上一層。」
方向一進來，能力才變成工作。
你不需要比AI知道得更多。
你需要能告訴它往哪裡挖。
7. 能重新製造問題的人，可能比只會解題的人更重要
設計研究長期討論複雜開放問題中的框架與重新框架。Dorst把重新理解問題情境、創造可操作框架視為重要設計實踐。[4]
AI越會快速回答，這越重要。
問題問錯了，AI也能高速產生「看起來很正確」的錯方向成果。
除了問：
「怎麼把這項工作做快？」
還要問：
「這項工作真的需要存在嗎？」 「使用者想要更快，還是根本不用做？」 「能不能從另一個入口解決？」
答案生成越快，問題設定的槓桿越大。
8. 實作變快時，增加的不只是產量，還有點子數量
Noy與Zhang在專業寫作任務的預先註冊實驗中發現，在研究的任務範圍內，使用ChatGPT的參與者平均完成時間減少40%，評估品質提高18%。[5]
這不代表所有工作都會快40%。
真正重要的是：
試錯成本下降，就能多試幾次。
實際成果會告訴你：
- 真的有用嗎
- 比想像中難看嗎
- 另一種用途是不是更強
- 能不能和旁邊功能連起來
- 使用者會卡在哪裡
因此
想法→實作→觀察→新想法
週期越短，創意越容易形成連鎖反應。
9. 但如果讓AI負責所有點子，大家可能會爬同一座山
Doshi與Hauser發現，生成式AI提供故事點子後，個別作品的平均評價提高，但AI輔助作品彼此更相似，集合層級的多樣性下降。[6]
如果所有人都問同一個模型「給我10個創意點子」，大家可能坐上同一台觀光巴士。
因此，人類的獨特輸入仍然重要：
- 自己真的碰過的麻煩
- 現場看到的怪事
- 既有系統的特殊限制
- 從別領域搬來的比喻
- 奇怪組合
- 「大家都這樣做，但為什麼？」的質問
人先丟一塊奇怪的石頭，讓AI把漣漪放大。
通常更有趣。
10. 實戰循環很簡單：火花→一句話→拆分→委派→檢查→再火花
- 火花：「如果這裡能這樣，會不會更方便？」
- 一句話：誰，要從什麼狀態變成什麼狀態。
- 拆分：調查、設計、實作、驗證。
- 委派：不要把所有事情塞在腦中，交給AI。
- 成果：文章、畫面、程式、資料，先做出可見物。
- 回讀：確認目標狀態真的存在。
- 再構想：有了這個之後，還能做什麼？
A出現後，B會變得可見。 A+B產生C。 C又讓整個服務可以被重新定義成D。
開始只是一點火花，最後可能變成發電廠。
11. 最大陷阱：想法速度超過整理速度
點子更快、實作也更快，系統就會不停增建。
有一天打開配線：
「這誰做的？」
昨天的你。
對策不是壓制點子，而是強化結構：
- 不要無意義增加真相來源
- 不要為同一責任再造第二套系統
- 能接入既有結構就整合
- 只平行真正獨立的工作
- 實作後一定回讀驗證
- 重要變更加品質關卡
- 區分「做得到」與「現在該做」
不要減小油門。
升級方向盤和煞車。
12. 結論：AI時代的強項，從「會用AI」轉向「能替AI創造工作」
模型會繼續變強。
知識更多、程式更快、寫作更快，多代理協作也會更容易。
於是人類的重要層次開始上移：
發現應該存在什麼。
做出第一個契機。
重新定義問題。
拆分工作。
交給AI。
觀察真實成果。
再從現實產生下一個想法。
AI是巨大的能力。
但能力會等待任務。
在一家擁有100個天才AI的公司裡，第一個缺的人未必是第101個天才。
可能只是那個在任務單第一行寫字的人。
資料來源
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
