AI 的新瓶頸不是模型,是你還剩多少注意力可以盯著它學
導入 AI 之後,最稀缺的不是工具,是主管盯場的那幾分心思。每一次糾正如果沒有被記住,你就會為同一個錯,一看再看。
這不是工具夠不夠強的問題,而是你還剩多少注意力可以盯著它學。
AI 加快了產出,卻把你綁在旁邊盯場
常見的情況是,AI 確實讓產出變快了,但代價是你得一直盯著它,而且情境切換變多了。
這不是效率的問題,而是注意力被重新分配的問題。導入成本除了授權費,還有你每天花在盯場上的那幾分心思。
你有沒有想過,產出變快之後,誰來負責把那些修正記住?
兩種餵法都容易失敗
教 AI 懂你的偏好,通常會碰到兩種失敗。太輕的做法是只按讚倒讚,資訊量太少;太重的做法是每次都寫一大段回饋,多數人不願意持續。
問題不在你夠不夠認真,而在這套餵法本身能不能持續。
值得回答的問題才算數
AI 問你問題,只有在你真的會回答、答案能幫它理解你的偏好時,才值得問。這個交換對你也要有回報。
有一個測試是這樣做的:讓 AI 模仿特定作者的寫法,一次寫好的「寫得像我」指令,輸給直接把作者過去的文章整包給模型,五位都是如此。
後來改成讓 AI 代理反覆修改指令十幾輪,每輪只留分數比較好的版本。修完之後,五位中有四位是指令版勝出。
我的判斷是,重點不在一次餵得準不準,而在能不能反覆改、把較好的版本留下。你糾正一次,如果沒有被記住,下一輪還是從頭來。
把每次糾正變成規則
這其實是深度工作的 AI 版:專注力本來就是知識工作者最稀缺的資源,AI 導入之後,只是把這件事放大。
如果只是把錯改掉,下次還要再改一次。
真正該算的不是 AI 幫你省了多少時間,而是每看一次、每改一次,有沒有變成下次不用再改。
主管該算的,就是每看一次,AI 學到多少。
下次你糾正 AI 的時候,先問自己:這一次的糾正,有沒有被寫成一條規則?還是只是又改了一次表面答案?