今天，我替某家銀行帶了一整天的個案研討。上午一梯、下午一梯，同一個個案跑兩次；台下坐的清一色是協理級的中後台主管，涵蓋法務、風控、作業、資訊與幕僚等單位。在一群每天跟制度、風險、流程與數位系統搏鬥的行家面前討論銀行個案，這是「關公面前耍大刀」，坦白講，心理壓力確實不小。
這次選用的是《哈佛商業評論》的個案〈銀行新科技傷士氣？〉。故事主角「法尼爾銀行」是只有五家分行的美國地方銀行，長期服務那些不容易被大型銀行接納的小型企業。個案裡有位經營麵包店的客戶，單看財務報表，條件看來不好，過去也有信用瑕疵；但分行的客戶關係經理親自了解這位老闆的狀況，理解他家曾經發生過的變故，最後判定這是一位值得核貸的經營者。這正是法尼爾銀行的立足之本：他們不單靠表格上的冰冷數字，更仰賴第一線人員長年累積的情境判斷。
問題在於，銀行眼下正面臨急迫的擴張壓力：預計五年內將分行從五家拓展到十五家，貸放規模更要翻上三倍。技術長拍胸脯保證，新的信貸評分系統已經就緒，能自動彙整資料、計算風險評分，並直接給出准駁、額度與利率建議；財務長焦慮若不加快腳步，市場先機轉眼就會被對手瓜分；人資長卻滿面愁容，指出基層員工早已瀕臨過載，差勤異常、工作投入度驟降，連客戶淨推薦值都在探底。
執行長下週一就得拍板。表面上的考題看似「系統要不要上線」，但底層真正棘手的核心是：一套能加速資料處理的工具，是否真能支撐三倍的業務擴張？當演算法逐漸成為預設解答，人類的最終決策權還剩下多少？銀行迎來的究竟是更高的處理效率，還是正一點一滴流失自己最珍貴的實地判斷力？
一開始，總是希望每一門課，都是滿滿滿滿滿滿學習重點的大平台
面對這群身經百戰的中後台主管，我並不想把課堂停留在「員工抗拒科技，主管應加強溝通」這種老生常談。
我原先規劃了三條軸線：
第一條線，是將「顧客旅程地圖」（Customer Journey Mapping）轉化為內部流程檢視，仔細盤點一筆授信從進件、調閱資料、驗證分析、核貸建議、例外處理到最終核決，中間究竟橫跨了哪些系統、牽涉哪些角色，又有多少交接斷點。
第二條線，直指「AI 與人的裁決權限」。當系統判定可行而審查員否決，對比系統否決而審查員堅持放行，這兩類衝突背負的責任是否對等？若推翻演算法必須額外呈報厚重說明，順應系統卻能免責通關，所謂「由人類保有最終決定權」，到底是具備實質意義的制衡，還是一句粉飾太平的口號？
第三條線，則源於課前訪談的痛點。銀行方非常在意導入 AI 後，員工的職責範疇、專業地位與心理認同會面臨何種衝擊。我希望學員深度探討：AI 到底承接了哪些工作、又衍生出哪些新負擔？那些原本專門整理資料、撰寫徵信報告的同仁，真的能如管理層所願，無縫轉型為高層次的決策專家嗎？
為了不讓六小時的討論發散到外太空，我設計了八張工作表單，試圖框住每個環節。不過我覺得，深思熟慮、架構嚴謹的框架，對於這一群經理人來講，應該會覺得又是一份作業要寫了。
「我的報告已經夠多了，又來了好幾份。」
我讓兩大 AI 模型相互「左右互搏」
擬定好教學藍圖後，我分別讓 ChatGPT 與 Claude 產出教學指引，並讓它們彼此審查挑毛病。
操作方式簡單粗暴：A 先生成一版，我轉手扔給 B 問：「你覺得如何？」B 列出十二處盲點、附上二十條修改建議；我再把這份意見回擲給 A，問它：「那你怎麼看？」
如此來回交鋒三、四輪。到了後期，雙方通常會顯得非常睿智且客氣地提醒我：「目前架構已相當完整，持續擴充的邊際效益已相當有限。」謝謝，我也深有同感。只不過說完這句，它們通常還會熱情洋溢地再附贈三整頁補充內容。
坦白說，多輪交叉審查並非徒勞。不同模型的視角確實各有千秋：有的擅長鋪陳問題的推進與收斂邏輯，有的則敏銳捕捉角色心態、組織衝突與現場互動。幾輪切磋下來，許多原先模糊的教學構想確實被磨得更加清晰，提問也更具針對性。
然而代價是，整份教案開始失控地自我繁殖。在其中一個版本中，AI 規劃了四組角色扮演、九段授信決策鏈、自動處理與自動核決的嚴謹界定、五種免審案件類別、三種人機協作矩陣、五欄式職責異動分析、L1 到 L4 的工作分級標準、三種職能重組路徑、核心成效指標搭配兩套防護機制，最後甚至還附上一份正式裁決命令草案；文末更語重心長地標記了六項「絕對不可刪減」的承重核心結構。
分開來看，每一條建議都有憑有據、專業無比；但拼在一起，一場三小時的企業工作坊，堪比我的十八週的三學分研究所必修課。
上午場：一場毫無保留的壓力測試
由於整套流程高度客製化，上午場自然成了最真實的試跑。
我向來不主張按表操課，個案教學的現場從來不是照食譜煮泡麵。當學員拋出深具洞見的觀點時，我習慣順藤摸瓜往下多挖兩層；若某個觀念全場心領神會，我也絕不會為了跑完教案流程，硬逼著大家把表單填滿。
事實上，上午場最精采的一段討論，完全是課堂現場自然滋長出來的。大家一路抽絲剝繭，逐步聚焦到核心盲點：AI 確實大幅縮短了資料爬梳與初審的時間，但這絕不等於它等比例擴充了銀行的「實質判斷產能」。法尼爾銀行的客戶體質本就特殊，例外多、樣本少、情境歧異度大，多數案件依舊高度仰賴專業經驗定奪。
更耐人尋味的是，當前端系統運轉飛快，後端主管每人每天承接的案件量反而暴增。AI 省去了前置作業的工時，卻絲毫未能分擔後段複雜判斷的消耗；甚至因為篩選速度加快，把大量棘手的例外狀況更密集地推到審查主管面前。
這時，一位學員直指問題核心：光靠引進這套評分系統，根本無法支撐五年內規模翻三倍的宏大目標。
可惜的是，我當時未能俐落地收攏這條線。我沒有當機立斷點名扮演財務長的主管重新檢視「五年十五家」的目標是否依然合理，也未順勢引導全班將這項關鍵推論轉化為正式決策。學員明明已經合力將熱騰騰的主菜端上桌，我卻還在熱心地張羅旁邊的幾碟小菜；等到回過神來想好好品嚐主菜時，菜色早已涼了大半。至於原本雄心勃勃設計、用來產出「最小可行試行方案」的工作表單，最終連一張都沒能發得出去。
中午，把逐字稿交給兩位不知疲倦的「雲端督課老師」
上午場剛結束，趁著午休空檔，我迅速將麥克風錄下的逐字稿、原始教案與現場實際節奏打包，整批丟回這兩大 AI 模型。我給的任務很明確：比對我原先設定的教學目標與現場實際動向，並針對下午場給予調整建議。
我的訴求其實相當務實：挑出兩三個沒收好的斷點，提醒我下午哪些冗餘段落該砍掉。
平心而論，AI 確實給出了一些切中要害的精彩點評。例如，它建議將「這套系統到底能支撐多快擴張」直接升格為全場主軸；更提醒我，當學員拋出足以動搖決策前提的關鍵洞察時，應第一時間寫在白板上，要求其他功能主管正面對決。
這些提點很好，但伴隨而來的，卻是更加嚴重的內容超載。光為了解決一個轉折不順的環節，AI 就能瞬間噴出七道連環追問、三張對照表，外加五種現場應變分支。嫌上午對成長速度探討不足，就憑空塞入「自動核決比例與分行產能估算模型」；見人資層面的討論後半段淡化，索性多安插一組專門扮演基層員工的角色；嫌結案收尾力道不夠，反手又附贈一份落落長的正式決策公文範本。
修訂到最後，那份教案早已不是一份能讓講師在三小時內靈活運用的指引，而是一份光是要讀完就得耗上整整三小時的巨作。
好在跑過一次實戰，我腦中已經建立起清晰的現場體感。我知道哪裡挖得過深、哪裡收得倉促，也更清楚哪些在紙面上看似驚艷的環節，在現場其實全都可以果斷捨棄。下午場，我索性憑直覺操盤：砍掉無謂枝節、精簡提問層次，將充足的時間保留給後段的方案整合與高強度交叉答辯。
課後攤開逐字稿與教案，幾個讓我深思的數據
馬拉松式的高壓授課結束後，我將整天的兩份現場逐字稿與兩大 AI 產出的教學指引並排對照。
仔細一算，兩份 AI 教案加總起來長達一萬四千字；但在實際教學中，我真正完整採用的設計只有五項，改造後採用的有三項，剩下的十一項全部直接捨棄。下午那份被 AI 宣告為「絕對不可砍」的六項核心支柱，在被我砍掉大半後，反而我覺得「顧客旅程」更順。這倒不是說 AI 的推導毫無道理，而是「書面邏輯上的必要」，往往不等於「教學現場的必要」。
反觀下午場全班共鳴最深、最具生命力的兩個高光時刻，沒有一個出自 AI 的原始構想。
第一個亮點，是討論到人類在智慧時代的決策價值時，一位主管脫口而出的金句：「人在組織裡還有一個無可替代的重大價值，叫做背黑鍋。」沒錯！演算法可以精算風險、給出建議、產生精美摘要，但當決策出了差錯，組織體系終究需要一個能具名簽署、上台報告並承擔後果的血肉之軀。
第二個亮點，是我臨時要求三個組別同步比對：「分行的客戶關係經理以為 AI 處於哪一個協作層級」，對比「你認為目前的 AI 實際上落在哪個層級」。兩者間顯著的認知落差相當關鍵：對技術部門來說，這套系統或許只不過是一套加速分析的輔助工具；但對在第一線奔波的經理而言，它已然步步進逼，打算取代掉自己長年的專業積累。
這些，從未存在於生成式 AI 的教學指引裡，而是實實在在地自現場的交鋒中迸發出來。
為什麼生成式 AI 總把教案寫成一本碩士論文？
課後我讓兩家模型自我檢討，歸納出四條頗具啟發性的深層病因：
一、 生成邊際成本極度不對稱
對大型語言模型來說，洋洋灑灑多生一個段落幾乎零成本；少寫一段，反倒容易被使用者嫌棄遺漏重點、偷工減料或思慮不周。於是它在演算法本能下，必然狂熱地奔向「面面俱到」。然而，書面架構的嚴密，往往與現場執行的彈性背道而馳。第一線講師真正需要的，從來不是厚達三十頁無懈可擊的指導方針，而是能讓人在三秒內一目了然的提點：現在問什麼、學員該交出什麼產出、何種信號出現即可推進下一關。
二、 根深蒂固的「加法思維」慣性
每當 AI 察覺教學流程存在缺口，其預設反應永遠是「再疊加一個模組」。察覺同仁有抗拒心態，就塞一張「心態衝擊對照表」；發現尚未收斂出決策，就再硬掛一張「權責核決矩陣」；擔心全場觀點一面倒，就增設反方角色扮演；害怕討論冷場，就貼心奉上三個連環追問。它極少會主動建議：「既然新的核心焦點已經浮現，前面兩個活動大可直接作廢。」久而久之，整份教案就像一棟不斷違建加蓋的透天厝，每一次施工都有正當名目，最後搞成了巨大且醜陋的、難以言述的一坨東西。
三、 徹底缺乏真實的現場感官迴路
即便讀完了數萬字的逐字稿，模型依然無法辨別某個提問拋出後，台下的點頭到底是思維被徹底啟動，抑或僅僅是社交禮貌。它更無從得知學員的片刻沉默，究竟是陷入深層思考、有聽沒有懂，還是手忙腳亂在講義夾裡翻找剛剛發下的那張表單。為了硬撐出課堂的節奏感，它只好多加撰寫「停頓三秒」、「房間陷入安靜」、「學員在此時會豁然開朗」這類煞有介事的走位提示。問題是，它既摸不透房間裡瞬息萬變的人性氛圍，甚至連當天教室的冷氣到底有多冷都一無所知。
四、 面對微弱訊號，習慣以「結構密度」強力補位
在長達三萬字的授課紀錄中，真正足以撼動教學設計的關鍵訊號往往不過二十餘處。但只要你指令要求產出一份「完整的新版指引」，AI 便會本能地將每一絲微弱訊號極度放大，硬是用層層疊疊的分析框架、拆解步驟、填空表格與預設答案強行填補。這讓我理出了一道涇渭分明的分水嶺：凡是針對「真實發生過的情節」進行濃縮、比對與反芻的洞見，通常能直接派上用場；而純粹為填補結構完整度而憑空演繹出的內容，基本上連教室的門都跨不進去。AI 擅長在大規模資訊中抓取盲點、重複與前後矛盾，卻極其缺乏鑑別力去回答：當現場只剩最後二十五分鐘的專注力時，到底哪一件事才真正非留不可？
當然，不能把節奏失控全甩鍋給 AI
翻閱這份逐字稿，我也無所遁形地面對了另一個內容增生的罪魁禍首：我自己。
我向來聯想力豐富，講到某個經營現象，腦海立刻串聯起另一家銀行、過去輔導過的企業案例、某部經典日劇，或是某次諮詢專案的幕後插曲。AI 的膨脹是「框架增生」，講師的膨脹則是「故事增生」；兩者一拍即合、互相煽風點火，最先被無情蒸發的，往往就是最關鍵的結案收尾時間。
因此，課後的自省絕不能只停留在怪罪 AI 寫得太多。身為引導者更該捫心自問：我脫口而出的這個精彩故事，究竟是幫助學員更精準地做出決策，還是純粹我自己講得很過癮？這個生動的比喻，是讓複雜問題迎刃而解，還是把大家帶離了核心戰場？
說實話，被冷冰冰的演算法當頭棒喝，滋味確實不好受
沒有人天生熱愛被挑剔，特別是當你剛站完一整天講台、身心俱疲時，還得面對兩個毫無倦意的數位大腦一字一句嚴格審視。那種感受就如同拆開剛寄到的健檢紅字清單：你原本自認只是偶爾有些疲累，它卻面無表情、條理分明地指著各項超標數據，告訴你身體到底出了哪些毛病。
但也正是這份不近人情的冷酷，往往能精準戳破你內心深處的自我感覺良好。許多課後模糊殘留的「這裡似乎沒帶順」，AI 常常能一針見血地定錨。好比上午場我僅隱約覺得某個絕妙論點沒能沉澱下來，AI 卻毫不客氣地直指痛處：學員早已推導出足以推翻業務成長目標的重量級結論，但引導者並未即時要求其他主管角色接招，以致後續活動全盤浪費了這項關鍵推論。這番診斷讀來刺眼，卻刀刀見血。
耐人尋味的是，兩大模型的價值觀往往南轅北轍。面對同一個教學臨場處置，一家讚揚我能順應現場學員反饋機動變軌，具備極佳的教學彈性；另一家卻嚴肅評判我旁逸斜出過甚，嚴重削弱了主幹脈絡。一個盛讚上午場的思辨深度，另一個則偏愛下午場最終落地的具體行動方案。
這種評估上的歧異本身就是極有價值的參照點。它提醒我絕不能把 AI 當作至高無上的裁判，而應把它們視為站在不同山頭的鏡子；最終仍必須由我本人的專業直覺來定奪：到底哪一種評量標準，才真正符合這門課最初設立的策略目的。
經此一役，我更清楚 AI 在教學協作中的真正生態位
這場大型人機協作實驗讓我深信：在個案引導的領域中，AI 最大的價值絕非從零開始為講師憑空打造一堂課。
引導者本身必須先有清晰堅定的教學藍圖：這個個案最深層的張力究竟何在？這群高階主管的經驗底蘊能把火花撞擊到何種境界？三小時落幕時，學員腦袋中究竟該帶走哪一項能直接付諸行動的關鍵決斷？
一旦心法確立，AI 便是極其強悍的「打磨教練」。它能幫你挑出視野盲區裡遺漏的角色、檢驗提問鏈之間的邏輯因果、推演不同立場的攻防攻防，更能在課後嚴苛比對教學設計與實際發揮的落差。它是一面極具價值、不知情面為何物的數位鏡子。
只不過在未來的協作中，我會主動替它立下幾條不可逾越的鐵律：一次只准聚焦一個核心命題、最多配置兩張主表單、至多保留三個概念框架；所有評語皆須明確標註是「文本確鑿證據」、「情境合理推論」抑或「純教學建議」；最關鍵的是，只要產出第一版，就必須緊接著交出一份「強制自刪四成以上內容」的精實版。
最核心的心態轉變在於，我不會再盲目追問它「這份教案還缺什麼」。我往後只會問它：「如果要動刀，哪些段落最該被砍掉？如果全場只允許留下三件事，你選哪三樣？到底哪一個活動看似精采花俏，實際上卻根本無法撼動學員最終的決策結論？」
繞了一大圈，最後究竟由誰定奪？
無比諷刺的是，我們在課堂上耗費一整天跟高階銀行家辯證的難題，最終竟不偏不倚地回彈到我自己的備課工作流上。
當演算法強勢進駐專業現場，它究竟是取代了人類的直覺，還是輔助我們做出更成熟的裁決？當系統吐出近乎完美的標準化解答，最終拍板承擔後果的人到底是誰？人類在實戰中電光石火的直覺靈光，在精密計算的自動化體系裡到底價值幾何？當真實現場與預設腳本產生劇烈偏離時，我們該信賴肉身凡胎的臨場判斷，還是緊抱演算法給出的無瑕指引？
我在台上口沫橫飛地引導這群金融決策者推敲這道命題，回到桌前，才猛然發覺自己早已深陷同一個局中。
我目前仍無法給出標準答案。但我無比確信：下午場最閃亮的那兩簇火花，AI 在教案裡連半個字都未能料中；而被我無情扔進碎紙機的那一萬字，也絕非源自 AI 的怠惰偷懶——恰恰相反，全是因為它過分賣力。
下一次備課，我大概依然會興味盎然地把 ChatGPT 生成的初稿扔進 Claude，再把 Claude 尖銳的評語砸回 ChatGPT，笑著看它們相互過招。
只不過這一次，在它們滔滔不絕地獻策之後，我會毫不猶豫地先執行最重要的一道工序：先砍掉一半。
剩下的，由我自己拍板。
至少此時此刻，依然如此。