跳脫平均值：AI 與職涯的規劃心法
Peter 從 Claude Code 的實戰經驗出發，談 AI 為何只給平均值答案，以及職涯裡靠資訊差與認知差找到機會的方法。
重點摘要
AI 給的是平均值答案：批判性思考、退一步重新檢視，才能跳脫 AI 的第一版計畫，拉出平均值以外的洞見。
AI 時代的 80/20 反過來了：多數時間花在 Plan Mode 把思路和「種子」準備好，AI 後續發展才不會走偏。
企業導入 AI 卡在人，不是技術：多數員工想像不到 AI 能做到什麼，中高階主管又忙到沒空學，兩端都在拉開落差。
認知差要靠練習補：資訊人人可以吸收，但認知差得自己下場試錯，就像學騎腳踏車不能只看說明書。
轉職靠差異化與資訊差：找到自己與市場需求的交集、面試前先對齊利害關係人，比硬拼經歷或憑運氣等機會更有效。
教練一句提問改變了職涯方向：達標多年後被問「你為自己做了什麼」，促使他讀書反思、主動跟老闆提案轉調 AI 創新職位。
時間軸
00:00
開場開場先請 Peter 自我介紹，他目前在荷蘭阿姆斯特丹的外商擔任 AI 創新轉型主管，也經營一個超過 6,700 人的 Claude Code 學習社群。
01:34
荷蘭生活的選擇荷蘭稅務高、不利求財，但重視 Work-life balance；比較英國忙碌、德國冷漠後，Peter 考量小孩成長環境選擇荷蘭而非舊金山。
04:24
荷蘭教育與 AI 焦慮荷蘭學校強調先玩再學，校長甚至糾正家長要小孩先融入遊戲；Peter 認為比起提早學 AI，韌性與適應力更重要。
07:59
每日學指令的由來系列文章的起點是 Peter 發現 AI 時代輸出式學習比輸入更重要，於是把每天在學的指令拆成一天一點的挑戰持續累積。
10:06
從知識管理跨入 AIPeter 原本做知識管理，兩年多前接觸到 GPT 後發現 AI 正在做的事跟自己的工作高度相關，開始瘋狂鑽研背後的預訓練原理。
11:55
AI 如何改變知識的可得性AI 讓知識取得從巢狀翻找變成直接詢問，也讓原本很遠的領域可以被連起來；Peter 用 Palantir 的 Ontology 技術與心理學、經濟學交會出行為經濟學為例說明。
15:46
最常用的 Claude 功能Plan Mode 用來把思路和「種子」先準備好，Skills Creator 則能把示範過一次的工作流程直接教 AI 存成技能。
19:06
AI 大量產出時要保留懷疑J 人特質適合當 AI 的 Orchestrator，能提前規劃好多個 Agent 的分工；但面對 AI 產出的大量資訊，Claude 跟 Gemini 追問細節的方式不同，都提醒使用者先確認需求再往下做。
21:28
跳脫平均值答案的方法多數人看到 AI 給出計畫就會直接信任，Peter 提醒認知邊界有限，要靠批判性思考、退一步重新檢視，才能拿到平均值以外的答案。
23:33
判斷 Skill 該不該包裝判斷一個 Skill 值不值得留，Peter 用速度、成本、品質三個指標篩選，把 AI 技能當成一個個部門主管來管理。
28:13
企業導入 AI 的兩大卡關企業導入 AI 最容易卡住的不是技術，而是員工想像不到 AI 能做到什麼、中高階主管又忙到沒空學，兩端都在拉開落差。
30:34
接觸 Claude Code 的契機Claude Code 去年 10 月推出，Peter 自己是今年 2 月被朋友力勸下載，起初抗拒命令列介面，實際用了才發現解鎖速度像飛輪一樣越滾越快。
34:14
CRUD 工作被取代重複性高的 CRUD 工作幾乎會被 AI 整個拿走，但同時也會冒出新的工作方式，例如 Peter 自己開始跨進去學程式與資料庫。
38:04
打破部門隔閡AI 消除了原本存在於部門之間的知識壁壘，Peter 建議不管在哪個職位都該試著往工作的上下游多理解一點，並舉自己兼職小編學行銷 KPI 為例。
41:11
新鮮人求職與不可取代的能力技能能用十年的時代已經過去，Peter 引用《納瓦爾寶典》說現在可能花九個月學一項技能只夠吃三年飯；真正帶不走的是成長型思維與韌性，能從多次面試失敗中重新振作。
43:14
職涯轉折：加入草創期 Uber飯店管理碩士畢業遇到英國脫歐、工作難找，Peter 決定回台灣，從草創期 Uber 的約聘客服做起。
46:36
面試策略：差異化價值主張面試時與其硬拼不存在的科技業經驗，不如盤點自己在飯店業累積的客訴處理、報表分析與語言優勢，找到跟需求對得上的價值主張。
49:10
OKR 心態換部門在 Uber 十幾年間換了 15 次主管，Peter 用 OKR 心態看待每個階段，覺得成長變慢就主動去學上下游或平行同事的經驗。
52:37
拿下荷蘭 offer 的資訊差策略爭取荷蘭職位前，Peter 提前一兩年經營利害關係人關係，面試前甚至主動找可能進面試小組的人對一次考題。
54:38
一週工作節奏的安排把一週拆成不同重心：週一跟進要事、週二對齊利害關係人、週三留緩衝、週四由上而下同步團隊、週五是保留給學習與研究的黃金時段；也提到參考《最有生產力的一年》一書的實驗方法，追蹤自己一天裡效率最高的時段。
57:26
資訊差與認知差的心法資訊是能學習吸收的知識，認知差則要靠實際下場練習，就像學騎腳踏車不能只看說明書；Peter 也提到自己曾經很喜歡產品經理這個頭銜，實際輪調後才發現不適合。
1:01:03
用 AI 幫自己做職涯盤點先透過 AI 重新爬梳自己過去做過的專案，整理成一份自己的「使用說明書」，再拿去比對市場真正需要什麼，是 Peter 認為職涯規劃最關鍵的一步。
1:03:54
DRIP 模型：委派與外包自媒體經營一度掙扎，靠《把時間買回來》的時薪定錨法決定該外包的事；再用 DRIP 模型把工作分成委派、取代兩塊，請助理處理行政、請實習生一起學 AI 工具並訓練成戰力。
1:07:02
角色衝突與教練的靈魂提問高階經理人與父親兩個角色價值觀衝突，切換時要花不少力氣調適；教練一句「你為自己做了什麼」的提問，讓他讀完《納瓦爾寶典》與《做自己的生命設計師》後，決定主動跟老闆提案轉調 AI 創新職位。
1:12:18
用 RescueTime 抓時間分配用 RescueTime 追蹤自己所有螢幕時間，分辨哪些事高產值、哪些低價值，再用八二法則決定要投入或外包；也引用《納瓦爾寶典》談人生不同階段的時間、金錢與精力如何此消彼長。
1:14:26
書單與 Podcast 推薦除了先前提到的幾本書，Peter 也推薦 Lenny's Podcast 跟 ALL-IN Podcast，作為補足商業敏銳度的日常收聽清單。
值得記的話
「因為 AI 他給的就是平均值的答案」
22:46
「它消滅了很多的技術壁壘或者是知識的壁壘」
38:20
「你就是要去擁抱那些錯誤的學習經驗」
41:57
「你找不到自己的價值主張，基本上你是沒有什麼機會的」
47:08
「沒有人是看腳踏車的操作說明，他就會騎腳踏車」
58:27
名詞與人物
- Plan Mode
- Claude Code 的規劃模式，Peter 把它當作把整個思路與需求先講清楚，AI 才不會在後續發展中越走越偏。
- Skills Creator（/skill-creator）
- 把示範過一次的工作流程直接教 AI 存成一個可重複使用的 Skill，等於把資深員工的經驗複製出去。
- Ontology（本體論）
- Palantir 採用的技術概念，用來抓出原本看不出關聯的知識節點之間的相關性。
- Multi-agent
- 讓多個 AI 代理同時分工執行任務的做法，Peter 提到可以把標準設好後放著讓它們自己跑。
- DRIP Model
- Dan Martell 在《把時間買回來》書中提出的架構，把工作分成委派、取代、投資、產出四個象限來決定要不要親自做。
- Operate at Next Level
- Peter 的職涯心法，主動去練習比現在職位高一級的工作內容，提前累積經驗。
- Change Management（變革管理）
- 企業導入 AI 最容易卡住的環節，技術到位後接著要面對流程與人員適應的問題。
- Resilience（韌性）
- Peter 認為在 AI 快速迭代的時代，能不斷從挫折中重新振作，比學會單一技能更重要。
- RescueTime
- Peter 用來追蹤自己螢幕使用時間、分辨哪些活動真正有產值的免費軟體。
- 《跟著我每天學一個指令》
- Peter 經營超過 100 天的每日 AI 指令系列，示範他自己主張的輸出式學習方法。
- Claude Code LINE 社群
- Peter 創辦、目前超過 6,700 人的 AI 學習交流社群，依部門和主題分成多個子群組。
延伸
- Peter 提到《The 7 Habits》（七個習慣）是影響他一生的書，但這集只點到「以終為始」，沒有進一步展開。
- 節目尾聲 Peter 推薦了 Lenny's Podcast 跟 ALL-IN Podcast 作為關注科技與商業動態的管道，但沒有細講內容。
- Peter 提到自己請了實習生跟他一起學 AI 工具，其中已經有人用命令列做出自己的報價比對系統，細節沒有再往下說。