AI 焦點轉移：從模型、到動手、到管得住
從比模型、到讓 AI 動手、再到怎麼管住它
title: AI 焦點轉移：從模型、到動手、到管得住 subtitle: AI 的焦點，從「模型有多聰明」，移到了「它能不能真的把事做完——而且做得穩、管得住、算得出錢」。 seal: 教材 eyebrow: Courseware · AI 趨勢分析 lead: 2024 年大家問「哪個 AI 最強」，到了 2026 年，大家問的是「交給 AI 做的事，出錯時誰負責？」 notes: 開場時，可以先問學員：「大家現在工作上用 AI，主要是用來做什麼？是聊天問答，還是已經讓它動手處理一些小任務了？」從大家的回答，可以了解現場的 AI 成熟度。 你的 AI 專案，還在追問「哪個模型最強」嗎？ {#你的-ai-專案-還在追問-哪個模型最強} 過去兩年，大家最關心的問題已經不一樣了。
從「誰的分數最高」，變成「誰能把事情辦好」； 從「它會不會取代我」，變成「工作流程怎麼重新設計」。
這份簡報，帶你看懂這個焦點轉移的過程與未來。
<!-- notes: 這頁是鉤子。目的是讓學員意識到，他們可能還在用舊的標準評估 AI。講者可以強調：「如果你們公司還在用模型跑分來決定技術路線，那可能已經落後市場的真實需求了。」 --> 議程總覽：AI 焦點的三年演進 {#議程總覽-ai-焦點的三年演進} 2024：比模型 - AI 是個聰明的聊天框 2025：比動手 - AI 變成會操作電腦的助理 2026：比管理 - 如何讓 AI 助理做得又穩又好 總結 - 未來的價值與護城河在哪裡
<!-- notes: 快速說明今天的議程，讓學員對內容有個整體的概念。可以說：「我們會像看一部三部曲電影一樣，回顧 AI 從 2024 到 2026 的角色轉變，最後看看這對我們有什麼啟發。」 --> 2024：比模型的一年 {#2024-比模型的一年} AI 是一位很會回答問題，但不會自己動手的新進顧問。
<!-- notes: 這是第一章的章名頁。用一句話的比喻，快速建立學員對 2024 年 AI 角色的印象。準備進入第一個主題。 --> [2024] AI 還是個「聊天框」 {#ai-還是個-聊天框} 這一年，市場的關鍵字是「模型本身」。 比誰強：GPT-4o、Claude 3.5、Gemini 1.5 輪流霸榜。 比誰看得多：Context 長度是關鍵指標，看誰能一次讀完最多資料。 比誰會通靈：Prompt Engineering 是最熱門的技能。 意思是：大家把 AI 當成一個超級大腦，重點是怎麼從這個大腦裡「問」出好答案。企業導入的主流方式是 RAG。
<!-- notes: 說明 2024 年的市場氛圍。可以問：「大家還有印象當時每天都在追哪個模型又發表了嗎？那種軍備競賽的感覺，就是 2024 的主題。」順便解釋 RAG 的基本概念——讓 AI 去讀公司文件再回答，而不是憑空亂講。 --> 2025：Agent 元年 {#2025-agent-元年} AI 從「回答問題」的顧問，變成「動手做事」的助理。
<!-- notes: 這是第二章的章名頁。再次用比喻法，強調 AI 角色的轉變，從「說」到「做」。預告接下來的內容會有一個質變。 --> [2025] 兩大轉變：學會思考、開始動手 {#兩大轉變-學會思考-開始動手} 這一年，AI 不只會回答，還會「先想再答」，甚至「自己動手」。 推理模型崛起：OpenAI o1、DeepSeek R1 證明，讓模型多花點時間思考，就能得到更好的結果。產業重心從「訓練算力」部分轉移到「推理算力」。 Agent 開始普及：AI 學會操作滑鼠鍵盤 (Computer Use)，能幫你上網查資料、整理報告，甚至修改一整個程式功能。
<!-- notes: 這裡要解釋兩個關鍵轉變。「推理模型」可以比喻成「以前是快問快答，現在是申論題，AI 會先打草稿再回答」。「Agent」可以比喻成「以前你問助理怎麼訂機票，他會告訴你步驟；現在你跟他說『幫我訂機票』，他會自己去網站上訂好」。 --> [2025] 技能演進：從「問對」到「給對」 {#技能演進-從-問對-到-給對} 關鍵技能從 Prompt Engineering 轉向 Context Engineering。
::: pair [過去] Prompt Engineering 重點是「怎麼問」，研究用詞、語氣、指令結構，才能讓 AI 給出最好的答案。 [現在] Context Engineering 重點是「給什麼」，在提問的當下，提供對的背景資料、工具權限、行為規則。 ::: 意思是：就像交辦工作給同事，關鍵不是你說話的藝術，而是你有沒有把相關文件和權限都準備好。
<!-- notes: 用對照卡來凸顯差異。講者可以舉例：「以前我們研究要說『請扮演一位專家』還是『你是一位專家』；現在我們研究的是，要不要把上次的會議紀錄、目前的專案進度、相關的 API 文件，一起餵給 AI。」 --> Vibe Coding {#vibe-coding} 「用說的就能做出軟體。」 — Andrej Karpathy · 2025
<!-- notes: 這是本章的金句頁。介紹 Andrej Karpathy 的背景（前特斯拉 AI 總監、OpenAI 科學家），說明 Vibe Coding 這個詞代表的意義：軟體開發的門檻大幅降低，讓更多沒有程式背景的人，也能為自己打造工具。這是一個巨大的轉變。 --> 2026：管理元年 {#2026-管理元年} 助理已經能獨當一面，新問題是：怎麼管？誰負責？花多少？
<!-- notes: 這是第三章的章名頁。點出 Agent 普及後，必然會出現的管理問題。這也是目前企業導入 AI 最痛的點。 --> [2026] 當 AI Agent 上線：穩定性與可控性成焦點 {#當-ai-agent-上線-穩定性與可控} 能做到 90 分的 demo 很多，但穩定做到 99 分才能上線。 穩定性比天花板重要：評測 (evals) 成為團隊基本功。 資安與權限浮上檯面：Prompt injection 成為真實威脅。 成本控管成顯學：Token 單價雖低，但 Agent 一跑就是幾萬 token，總量驚人。 注意：風險從「答錯」變成「做錯」。AI 會動手後，最壞的結果是刪錯資料、寄錯信，而不是講錯話。
<!-- notes: 說明 2026 年的挑戰。可以舉例：「一個會自動回覆客服信的 Agent，如果出錯，可能就是寄出幾千封錯誤的信件，造成公關危機。這就是為什麼穩定性和權限管理變得這麼重要。」 --> 焦點轉移總整理 {#焦點轉移總整理} 面向 2024 年 2025 年 2026 年 --- --- --- --- AI 的角色 聊天、回答 動手做事 長時間獨立完成任務 關鍵技能 Prompt 怎麼寫 Context 怎麼給 評測 (evals)、流程設計 最大的擔心 幻覺 Agent 做錯事 權限、資安、稽核 怎麼判斷成敗 Demo 很驚艷 開始追問 ROI 上線後的可靠度 誰在用 個人 團隊試點 組織化管理
<!-- notes: 這張總表是很好的複習。不要逐字念，可以挑一兩個對比最鮮明的項目來講，例如「最大的擔心」：從擔心 AI 亂講話，到擔心它亂做事，再到擔心整個系統失控、無法追究責任。這個演變非常真實。 --> 來自實作現場的三個原則 {#來自實作現場的三個原則} 注意：以下是我們在開發企業 AI 平台時，得到的實戰經驗。
::: steps 先管權限，再談功能 最先要處理的不是「AI 能做什麼」，而是「AI 能看什麼」。資料邊界劃不清，功能再強也不敢上線。 讀取可以大方，寫入一定要守 讓 AI「查」資料風險有限，但讓 AI「改」資料，每個動作都要視為高風險操作，必須逐一審核。 先有數據，再談控管 還不知道用量模式就先設額度，通常都不準。先讓團隊用，看得到數據，才能做有效的成本管理。 :::
<!-- notes: 這頁分享實戰經驗，增加簡報的價值。講者可以分享一個小故事，例如：「我們曾經有個團隊想讓 AI 自動整理檔案，但一開始沒設定好權限，差點讓 AI 把整個共享硬碟的檔案結構都改了。這讓我們學到，權限永遠是第一步。」 --> 新的價值主張 {#新的價值主張} 「2026 年，『接了 AI 之後，出錯時管得住』才是賣點。」 — 本簡報作者
<!-- notes: 這是整份簡報最核心的觀點，也是最後的金句。念完這句話後，可以停頓一下，讓學員思考。然後補充：「純粹的功能展示已經不稀奇了，客戶現在想知道的是，你的系統有沒有剎車、有沒有儀表板、有沒有黑盒子。」 --> 帶走三句話：未來的護城河 {#帶走三句話-未來的護城河} 模型本身會越來越像水電，便宜且隨處可得。真正的價值在於： 專屬的 Context：別人沒有的、你公司真實的資料、流程與權限結構。 信任機制：系統可稽核、可回溯，出錯時知道錯在哪、能究責。 工作流程設計：知道哪一步交給 AI，哪一步必須由人來確認。
<!-- notes: 這是最後的總結頁。再次強調未來的競爭力在哪裡。鼓勵學員思考：「回到你的工作，這三個護城河，哪一個是你們最需要開始建立的？」然後可以開放 Q&A。 -->