定義問題：AI 時代的真正差距
事隔兩年重訪同一位來賓，從企業導入 AI 失敗的真實案例出發，談拆解問題的能力為何比操作技巧更關鍵。
來賓 李佳達 · 主持 Bryan 姚詩豪 · 讀 6 分鐘 · 原片 65 分 · EP700，2026-08-24 看原片 ↗
先知道
節目的題目當所有人都會用AI，真正拉開差距的是你如何「定義問題」的能力
這集是訪談，來賓是 李佳達。
怎麼做
思考比工具重要
AI 能又快又好地產生知識之後，單純懂操作技巧或比較模型已經沒有優勢，真正拉開差距的是背後怎麼定義與拆解問題。
儀表板不等於有用
企業導入 AI 最常見的失敗，是做出漂亮介面卻沒有接進實際工作流，也不懂公司自己的商業邏輯，看起來完成，其實幫不上忙。
教 AI 怎麼想，準確率差很大
研究顯示直接下指令的準確率只有 20%，加上思考步驟能到 50%，再給底層思考習慣可以衝到 70%，關鍵是引導 AI 怎麼想，而不是要它做什麼。
附帶學習比刻意練習有效
真正遇到問題、動手解決之後才學會的東西最不容易忘記，這也是為什麼建議先讓 AI 學會思考習慣，遇到困難時再讓 AI 教你怎麼用。
有渴望才學得會
不管是寫程式還是任何新工具，沒有真正想解決的問題，學習動力很難撐下去，找到那個痛點，學習才會發生。
問對問題比找答案更關鍵
先釐清目標、限制、障礙、成功標準，AI 能給的幫助差很多，會議紀錄、個案記錄與家庭溝通的案例，都是從重新定義問題開始才解開。
逐段聽
點時碼直接跳到原片的那一段。
| 01:27 | 開場 | Bryan 重提兩年前的訪談，兩年後 AI 大幅普及，回頭找同一位來賓談思考底層邏輯。 |
| 02:45 | 來賓背景 | 來賓自述法律人出身，歷經企業法務長、國際併購、破產重組，之後進密涅瓦大學。 |
| 04:36 | 密涅瓦的實證數據 | 密涅瓦大一學生學完一輪思考習慣後贏過全美大四生，問題解決能力一年內提升 20%，遠高於一般大學生四年主修訓練後只提升的 3%。 |
| 07:07 | 知識貶值 | 資訊與知識都因 AI 而不再稀缺，重點回到怎麼定義與拆解問題；麥肯錫的研究提到 61%的企業投入 AI 後仍是打水漂，沒拿到回報。 |
| 08:26 | 案例：CRM 儀表板 | 行銷長自己做出漂亮的信件分類儀表板，後來發現只是一次性快照，也不懂公司的代理商邏輯，反而漏單。 |
| 10:22 | 解法 | 先把官網等資料整理成知識庫讓 AI 懂產業邏輯，再用 AI 擔任檢驗者確認分類是否正確、把結果串成不同角色都看得到的介面。 |
| 14:19 | 個人層次的落差 | 同一個問題，不同人問 AI 得到的答案品質差很多，凸顯差距在於怎麼提問而不是有沒有用 AI。 |
| 15:11 | 研究數據 | 直接下指令準確率約 20%，加思維鏈能到 50%，再給底層思考習慣可以到 70%。 |
| 16:02 | 西洋棋比喻 | 深藍打敗棋王後，人類棋手反而透過研究 AI 棋步大幅進步，20 年間人類大師人數多了三倍。 |
| 16:50 | 學習方法 | 密涅瓦共同創辦人提出主動學習與附帶學習兩個關鍵路徑，真正解決問題時學到的東西才記得住。 |
| 18:11 | 案例：抓 bug | 設備工程師靠 AI 教的多層次分析拆解問題層級後找到故障點，自己也學會了這個思考習慣，下次能直接調用。 |
| 23:08 | 案例：行為塑造 | 主管想教年輕員工職場倫理卻不知從何下手，靠行為塑造這個思考習慣設計每個人專屬的改變路徑。 |
| 26:41 | 基層焦慮 | 比較被動的工作角色最容易對 AI 感到惶恐，行政助理靠受眾這個思考習慣把雜亂問卷整理成不同角色都看得懂的格式。 |
| 29:53 | 問對問題的架構 | 先確認目標、不能改變的限制、可以處理的障礙、成功標準，再往下設計解法。 |
| 31:15 | 案例：家庭溝通 | 學員想說服罹患肌少症的父親多運動，靠拆解出真正的障礙是父親害怕失去掌控感，改用帶去看輔具展、讓父親自己選的方式化解。 |
| 33:51 | 對 AI 的恐懼 | 資深主管習慣把 AI 當專家而不敢直接發問，媒介理論說明科技其實是人的延伸，用來說明該怎麼跨過這個心理門檻。 |
| 37:02 | 處理路徑依賴 | AI 也會卡進死巷子，解法是把討論打包丟給另一個模型審查，或請 AI 找出完全相反的論述來反駁自己。 |
| 42:01 | 教育反思 | 提到小孩十歲後就漸漸不敢說出未來的夢想，認為 AI 能讓夢想更快被驗證與實現，教育應該反過來鼓勵作夢。 |
| 44:13 | 案例：法師學程式 | 超過 60 歲的法師想學 Python 重建寺廟的法會系統，被提醒真正該拆解的是系統需求，而不是先去學一門程式語言。 |
| 45:48 | 案例：董事長要的摘要 | 企業一直做不出讓董事長滿意的會議摘要工具，換了好幾種軟體都沒用，真正問題是沒有人整理過董事長認可的標準是什麼。 |
| 50:34 | 產業觀察 | 微軟今年七月成立新部門，把大量顧問型工程師轉去駐點協助企業導入 AI，反映企業普遍不知道怎麼用的現況。 |
| 53:56 | 創業者的應用 | 準備退休的會計師想把多年專業變成可付費的知識庫；也有發明家把語音輸入接上原本要找工程師改字的裝置，業績翻了兩三倍。 |
| 56:45 | 案例：IC 設計主管 | 團隊資歷落差大，靠一個能理解設計規則與過去案例的 AI 助手幫忙教練與調整，整體設計效率提升 20%。 |
| 57:57 | 案例：社工師 | 拜訪高敏感個案不能錄音，設計成用語音對話直接記錄，並把督導未來可能問的問題先融入紀錄裡，等於先準備好答案。 |
| 1:00:00 | 小結 | 歸納指揮 AI 的四個步驟：先問對問題、建立專業知識庫、找方法克服自己的盲點、讓 AI 回頭陪你一起進步。 |
| 1:01:55 | 收尾建議 | 建議開發任何東西前先問有沒有人做過類似的事，用差距分析這個思考習慣，從別人已有的成果補落差，而不是從零開始。 |
原話
名詞與人物
- 密涅瓦大學
- 全球錄取率不到 2%的美國學校，主張不教既有知識，只教人類底層的思考習慣。
- 思考習慣
- 密涅瓦整理出約八十個跨領域決策與問題解決的思維方法，是這集討論 AI 用法的核心框架。
- 附帶學習
- 密涅瓦共同創辦人提出的概念，指解決真實問題時順帶學會的東西最不容易忘記。
- 多層次分析
- 思考習慣之一，把問題拆成環境、硬體、軟體、通訊等不同層次逐一檢查。
- 行為塑造
- 思考習慣之一，設計讓改變比不改變更輕鬆的路徑，用來客製化每個人的行為調整方案。
- 差距分析
- 思考習慣之一，先確認別人已經做到哪裡，再去補上自己與現況的落差。
- Frontier Company
- 微軟今年七月成立的新部門，把大量工程師轉去駐點協助企業導入 AI。
- 深藍
- IBM 於 1997 年打敗西洋棋王的 AI，常被拿來說明人類在 AI 之後反而進步的例子。
延伸
- 提到史丹佛學者李飛飛與一個線上課程平台創辦人的一場對談，談如何帶完全不會用 AI 的人跨出第一步，但沒有進一步展開內容。
- 提到北京清華大學一個開源專案，只要輸入關鍵字就能生成客製化的 AI 課堂與 AI 同學，但沒有說明專案名稱或使用方式。
- 提到查理·蒙格「多元思維模型」的說法，用來類比擁有多種思考習慣的重要性，但沒有進一步介紹蒙格原本的理論。