最近要跟珊珊老師一起開新的「給經理人的 AI 工作流」課程。看過目前的問卷調查，這次頗有挑戰性。
大家都變強了！
最大的差別在於：現在大家都會寫 Prompt 了，所以 Prompt Engineering 早已不是這類課程的重點（走到這個階段的時程比我預期長了許多）。對於大部分想上進修課程的學員來說，Prompt 寫不好的問題基本都能克服。再加上現在的模型能力越來越強大，又囉嗦、又愛現，就算 Prompt 寫得不夠精確，產出的結果也往往出乎意料地好。
真正反映出來的需求是 「任務的交付」，而交付中最困難的就是讓結果穩定下來。大家都遇過同樣的經驗：即便用同樣的 Prompt，也不一定能產出預期的穩定結果。因此我們今年的重點會放在「Harness」上，不只讓產出更穩定，還會進一步探討團隊協作中的工作交接與權限安排。
我們在意的，是從個人穩定工作流的建構，一路延伸到組內、甚至跨部門協作的團隊流程。不過，凡事還是先從個人的工作流程做起。每個人都可以先從自己能著手的領域，設想打算用 AI 解決什麼問題。
剛好我自己目前在教學上也在進行三個小專案：
1. 跨課程的學生分組管理與互評機制
以前我都是用 GAS（Google Apps Script）來做，但權限管理上很難做好。這次改由生成式 AI 協助架構到 Supabase 與 Vercel 上，用 Supabase 當關聯式資料庫的管理者，前端介面也有了更好、更穩定的呈現。這種由 AI 輔助建構系統的做法，正是問卷中隱約可見的隱性需求。
2. 學生的學習與流程管理系統
目前照例使用 Gemini Notebook 作為主要的知識承載與線上助教系統。今年我讓生成式 AI 扮演整個流程管理的角色，主導每週的內容更新。
具體流程有兩段任務：
(a) 清理逐字稿，去除雜質後餵入 Notebook 作為知識來源。
(b) 將清理過的逐字稿進一步整理成精華摘要、問答系統，或是轉換為簡報講義。
無論輸出成哪種格式，都要求風格與成果保持穩定，這就必須仰賴生成式 AI 來完成。在設計這類系統時，可以串接 MCP、讓 Agent 做排程。這套系統目前供個人使用，稍微放大到小團隊也行；若要推廣到大組織，則需進一步考慮資安與維護問題。
3. 每週小考與自動批改流程
我們建構了動態題庫，根據每週更新或教學需求自動生成考題，並自動登錄到 Microsoft Forms。考題包含選擇題與開放式問答，作答結果會統一輸出到報表。
接著由生成式 AI 介入進行初步評分，再連同老師的複查結果與選擇題得分計算出總分，最後自動派發給個別學生。
這個流程既有 AI 協助設計與串接各項服務（例如 Power Automate），也讓 AI 介入管理時程，完整體現了「機器初審、人類複審」的人機協作過程。
向前走！
在這邊先分享這三個已經做得差不多的小專案，就是希望大家可以了解，在現在強大模型的支援下，這些東西真的都不是太難實現。說真的，這些事情在過去兩年一樣可以做得到，但是失敗率很高，付出的成本也很驚人。但到了今年這個時間點，突然間一切都變便宜、變簡單了。
可是核心設計這些工作流程，以及決定產出品品質的控管方式，依舊還是我們自己，機器還是做不了這些決定。機器吐出來那些基本、不好不壞的東西，只是把大家的平均水位線拉高。
所以從這個角度來看，我們還是挺幸福的：
- 以前想做的事情，現在機器可以幫我們做到了。
- 我們能更好地凸顯出在平均線以上的差異性。
大家也就不用去問說這是不是 AI 做的。對啦對啦，通通都是 AI 做的，可是我們是在 AI 的平均線之上做出了不一樣的東西，並產出了具體的貢獻。
裡面有非常多你自己得踩坑、嘗試，才知道怎麼讓結果穩定下來，或是流程不中斷的做法；還有一些挑戰是關於如何控制 token 的消耗數量。這些都很難是講師講個幾分鐘、帶你操作簡單範例就能完全掌握的，只能靠自己不斷嘗試，並多跟大家討論、積極分享經驗，這樣才有辦法促成知識的擴散。
總之，今年我們跟大家分享的這門訓練課程，內容必然是大幅翻新，希望能夠帶給大家驚喜而不是驚嚇。也希望在過了今年之後，大家就不再需要這樣的課程了，因為人人都已經知道怎麼利用這樣的神兵利器，讓自己、團隊、公司還有生活都變得更好。