5秒結論
AI越強，人類的價值就越不只在於「所有東西都親手做」。
更重要的是，看見成品後很快察覺「哪裡怪怪的」「太無聊」「我根本不想點」，再把這種感覺轉成原因、目標與限制，讓AI探索解法、完成實作，最後由人再看真實成果並重新判斷。
循環會變成：
發現違和感 → 對話與診斷 → 0到1企劃 → 實作 → 看真實結果 → 再發現違和感。
表面看起來，像一個只會抱怨的老闆。
但只要人沒有把像素與程式碼全部規定死，這就不是傳統的微觀管理。它更像是人握住目標函數與品質標準，把搜尋與執行委託給AI。
1. 一切從「整理得很好，但真的超無聊」開始
想像一個首頁：分類整齊，文章數量也排列得很清楚。
沒有壞。設計邏輯也說得通。
但第一反應仍然是：
「好無聊。」
這種抱怨很麻煩，因為它不是一般的錯誤。測試能過，規格也可能全部符合，可就是不想點。
和對話式AI反覆討論後，模糊的不爽會逐漸變成具體問題。
營運者展示的是庫存：「這裡98篇，那裡78篇。」
第一次來的讀者在意的卻是：
「現在有沒有我會喜歡的？」 「我有這個問題要按哪裡？」 「我沒有明確目的，只想逛逛看會不會發現什麼。」
把整個問題交給強大的0到1企劃AI後，答案可能不再是「把分類弄漂亮」，而是「讓讀者從自己的狀態與需求進入」。
這不是修CSS。
這是在重新定義首頁存在的理由。
2. 人類的工作開始看起來像「奧客」
當AI連實作都能做，人類說的話會變得很怪。
「這裡看起來很廉價。」 「技術上沒錯，但我不想點。」 「功能有了，體驗卻死掉了。」 「不能再有趣一點嗎？」
單獨看真的像惡夢客戶。
但真正的微觀管理是：
「間距一定12像素。」 「一定要三欄。」 「這句一定放這裡。」
那會在探索之前就鎖死答案。
更好的分工是：人負責判斷好不好、是否符合目的、哪裡不對勁。
怎麼修，則讓企劃AI與實作AI保有更大的解題空間。
因此所謂「奧客」，其實同時在做產品負責人、總編輯、創意總監與品質保證。
鍵盤安靜了，職責反而變重。
3. 違和感是高價值感測器，但它本身不是規格書
「我討厭這個」可能非常有價值。
但如果原封不動丟給實作AI，也可能很危險。
那也許只是個人喜好，也可能是其他修改的副作用。很聽話的AI，可以認真執行一個很爛的抱怨，最後把整體一起弄壞。
所以要先把反應轉成可驗證的結構：
- 症狀：什麼東西觸發違和感
- 原因候選：為什麼會覺得不對
- 讀者：誰受到影響
- 理想狀態：應該能做到什麼
- 限制：什麼絕對不能壞
- 完成標準：看到什麼才算改善
「首頁很無聊」可以變成：
「頁面把營運者的分類放得太前面，第一次來的讀者很難從自己的需求或心情探索。我們要的是需求導向入口，而不是庫存展示。」
這時抱怨才真正變成設計輸入。
4. 對話把個人品味變成可驗證的假設
關鍵不是把違和感當聖旨。
「我不喜歡」和「使用者會因此變差」不是同一件事。
所以要拿研究、設計原則、反例與真實使用資料去攻擊自己的抱怨。
真的是資訊太多嗎？
還是分類方式圍繞營運者而不是讀者？
沒有明確目的的人是不是沒有入口？
回訪使用者反而會不會更喜歡密集列表？
這一層可以保留人的直覺，同時防止個人審美變成產品法律。
違和感是感測器。
對話是診斷。
實作是治療。
感測器響一次，不要立刻衝進手術室。
5. 「像逛大賣場一樣順便發現原本沒打算找的東西」其實是很有用的指示
「再有趣一點」的搜尋空間太大。
但如果說「像在大型商店裡走著走著，意外看到本來沒打算買的東西」，想要的體驗就清楚很多。
意外發現、 探索、 移動、 好奇、 以及超出原本目的的有用內容。
重點不是複製別人的顏色、卡片或版面。
而是把品牌案例往上抽象成「讓目的外發現自然發生」。
具體例子應該限制方向，而不是鎖死解法。
這樣AI仍然能設計。
6. 把0到1企劃與實作分開，會更強
已知錯誤不需要每次都開策略大會。
找原因、修掉、測試就好。
但「讓首頁從根本上變得有趣」接近0到1工作。這類問題在實作前，值得讓強企劃系統集中探索一次。
對話AI負責拆解不滿與定義需求。
0到1企劃AI負責探索結構與替代方案。
實作AI負責程式碼、測試與回歸確認。
人負責目的、限制、優先順序與採用決定。
不需要無限產生企劃文件。
企劃只有接上實作才有價值。
7. 研究也沒有說「人類+AI一定最強」
2024年Nature Human Behaviour的一篇統合分析整理了106項實驗、370個效果量，直接比較人類單獨、AI單獨與人機組合。[1]
平均而言，人機組合優於人類單獨。
但和「人類或AI中表現比較好的那一方」相比，人機組合平均更差。
最後再加一個人，不會自動變強。
研究也發現，決策任務中的協作損失更明顯，創作任務則相對有希望。
真正的問題因此不是「要不要用AI」。
而是：
誰負責哪一段？
工作分解本身就是效能變數。
8. AI的能力邊界是鋸齒狀的
2026年Organization Science刊出的758名知識工作者實驗測試了真實感很高的顧問任務。[2]
在AI能力範圍內的18項任務中，AI使用者平均多完成12.2%的任務、速度快25.1%，品質也更高。
但在一個刻意放在能力邊界之外的複雜管理任務中，AI使用者答對的機率低了19%。
在人眼中同樣像「腦力工作」的兩件事，對AI來說可能一件很強、一件很差。
這就是鋸齒狀技術邊界。
實務上可以讓AI負責大規模探索、草稿、整合、實作與機械式檢查。
人保留意圖、重大取捨、整體一致性，以及「這看起來不對」的判斷。
9. 人從「寫初稿的人」移到「編輯的人」，也符合其他生產力研究
2023年Science針對453名專業人士的實驗發現，在寫作任務中使用生成式AI後，平均完成時間下降40%，評分品質提高18%。[3]
2025年Quarterly Journal of Economics以5,172名客服人員為資料的研究也發現，AI輔助讓每小時解決問題數平均提高15%，經驗較少的人收益尤其大。[4]
這些研究當然沒有證明「老闆只要說哪裡不爽，公司就會自己跑」。
它們支持的是更保守的方向：
當草稿、重複處理與候選方案產生變便宜，人類更容易把時間移到「要做什麼」「要留下什麼」「哪裡怪怪的」。
親手做的能力沒有消失。
只是它不再是唯一的瓶頸。
10. 最大陷阱：每一條抱怨都修，最後掉進局部最佳化
修卡片。
修廣告。
修推薦。
修搜尋。
每個元件都變好。
整個產品卻更亂。
這很正常。
所以抱怨驅動的改善還需要另一層全域審查。
誰會來？
來做什麼？
第一步應該是什麼？
接下來要發現什麼？
最後應該帶走什麼？
有沒有某些功能其實應該刪掉？
局部最佳化與整體方向是兩種工作。
而且人也會被AI的輸出帶著走。實驗顯示，人機互動可能形成回饋迴路，改變並放大人的判斷偏差。[5]
「AI也同意我」不是證據。
要回到研究、真實行為、反例和迴路之外的現實。
11. 「你看著辦，弄好一點」只有在共享脈絡夠多之後才成立
沒有脈絡時，「弄好一點」就是抽獎。
但如果目標、反目標、限制、參考體驗與驗收證據都共享了，這句話就會變成快捷指令。
例如：
症狀：首頁整齊，但沒有生命力。
原因：營運者視角的分類佔了中心。
目標：讀者可以從自己的需求與心情進入。
參考：逛大型商店時意外發現東西。
不要做：像素級複製其他網站。
完成：新讀者能從需求入口找到內容，真實使用資料也顯示探索與下一步瀏覽改善。
這不是盲目丟包。
而是把很長的共享脈絡壓縮成一句話。
強團隊裡的「照平常那樣」本來就是這樣運作。
AI現在也逐漸能接住這種壓縮指令。
12. 實作AI掛掉，整個開發也不應一起腦死
假設實作應用程式在重要工作時段前突然掛掉。
如果思考與執行綁在一起，所有事情都會停。
更好的結構是把思考佇列與執行佇列分開。
程式實作代理不可用時，仍然可以：
收集違和感， 診斷， 查資料， 排序， 定義限制， 寫驗收標準。
恢復之後，實作AI不用再花昂貴時間從頭理解問題。
它直接消化準備好的工作。
這當然是成本最佳化。
更重要的是韌性。
一個供應商故障，不應該變成整個組織的大腦停機。
13. AI時代的老闆不需要知道所有答案
你不必親手寫每一行程式碼。
不必第一次就畫出完美介面。
也不必在探索開始前就知道正確解法。
但你要握住：
「這不對。」
「原因在這裡。」
「誰應該得到什麼更好的結果。」
「哪些東西不能壞。」
「這個成果可以上線。」
AI可以大量產生方案、完成實作，也能做很多檢查。
但如果連「什麼叫好」都完全外包，系統就失去了最佳化目標。
人的工作不是單純消失。
而是被壓縮到更上游。
新的管理句子會變成：
「不是這個。原因是這個。方向在那邊。用最好的方法做到。」
「你看著辦，弄好一點」正在慢慢變成真正的技術。
參考資料
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
