你真的懂得使用 AI嗎？還是只懂得在對話框輸入文字？｜蘇仲成
我正在招聘的，是「懂得運用 AI 工作」的人
最近我正在招聘人才，而我希望找到的，不只是「懂得使用 AI」的人，而是真正懂得「運用 AI 完成工作」的人。
文：Michael C.S. So ｜ AiX Society
這句話聽起來似乎很簡單，但當我真正坐在面試桌前，與不同應徵者交流之後，才發現大家對「懂得使用 AI」這件事的理解，與我的想像存在非常大的差距。
現在面試時，我通常會先問對方一個問題：
「你目前部署了多少個 AI Agent，正在替你工作？」
很多應徵者聽到這個問題時，都會停頓一下，然後回答：
「Agent？我的確有使用 ChatGPT。」
於是我會再追問：
「那麼，你有沒有部署過一些 AI Agent，按照指定時間自動執行工作？又或者當某些事件、條件或敏感訊號出現時，自動啟動並完成相關任務？」
到了這一步，絕大部分人便答不上來。
因為在很多人心目中，「使用 AI」仍然等同於打開一個網頁，在對話框輸入問題，要求 AI 幫忙寫電郵、修改文章、翻譯文件，或者整理一些資料。
這當然也是使用 AI。
但如果問我，這是否已經算得上「懂得利用 AI 工作」，我的答案是：還遠遠不夠。
甚麼才算真正懂得使用 AI？
我認為，真正懂得使用 AI 的人，其 AI 系統不應該只是「等待指令後才開始工作」。
真正成熟的 AI 工作方式，應該是 AI 在不同時間、不同場景中，持續在背景替你工作。
例如，你早上起床之前，AI Agent 已經替你讀完昨晚的重要電郵，整理好今天的待辦事項，甚至標示出需要優先處理的工作。
當你外出午膳時，AI 仍然可以在背景分析數據、整理文件或研究市場資訊。
當你下班、休息甚至睡覺時，AI 仍然可以替你監察業務指標、定時產生報告、追蹤任務進度，或者留意是否出現異常情況。
更成熟的設定，甚至可以讓 AI 根據你的工作情境主動採取行動。
例如，當你打開試算表時，AI 已經將剛收到的數據清洗、分類並整理好；當你在工作群組中談到某個項目時，AI 已經自動建立工作任務、記錄負責人，甚至安排相關會議。
這種「你不需要逐次發出指令，但 AI 已經知道應該做甚麼，並主動完成工作」的狀態，才是今天我們真正應該追求的 AI 工作模式。
換句話說，AI 不應只是等待你下指令的工具，而應該逐步成為一名在背景持續運作的數碼同事。
你休假，它仍然可以工作；你睡覺，它仍然可以監察、整理與執行任務。
這才是 AI 真正改變生產力的關鍵。
為甚麼很多人以為自己懂得 AI，其實並不是？
如果你問身邊的人：
「你會使用 AI 嗎？」
或者：
「你平日有沒有使用 AI？」
很多人都會很快回答：
「有，我每天都在用。」
可是，如果你再問一句：
「那麼，AI 每天究竟替你完成多少項工作？」
很多人可能便要想一想。
最後的答案往往是：
「幫我找資料、修改文字、寫幾封電郵。」
問題就在這裏。
如果你的 AI 每天只是替你做幾件事情，而且每一次都是由你主動打開對話框、輸入指令，它才開始工作，那麼你實際上仍然只是把 AI 當成一部更聰明的搜尋器、字典，或者寫作工具。
你仍然未真正發揮 AI 最重要的兩種能力：
自主性，以及自動化。
我經常跟團隊說，真正困難的，不是學懂如何向 AI 下指令，而是如何做到「你不再需要每一次都叫它做事」。
當你的日常工作之中，有數十項、甚至數百項任務，是由 AI Agent 在背景自動完成，而你根本不需要逐項管理時，你才真正開始掌握 AI 的價值。
因此，如果要判斷一個人是否真的懂得使用 AI，我認為有一條非常實際的問題：
「你每天有多少項工作，是由 AI 主動、自動完成，而不需要你逐次下指令？」
如果能夠具體回答，而且數量持續增加，才代表這個人真正開始進入 AI 原生的工作方式。
AI 可以如何做到 24 小時自動運作？
那麼，AI 究竟如何做到這種持續、自動而主動的工作模式？
以下幾種方法，是我認為目前最實際，但亦最容易被低估的應用。
一、透過 MCP 與排程機制建立定時工作
MCP，即 Model Context Protocol，可以讓 AI 接駁不同外部工具、資料來源與企業系統。
當 AI 能夠連接外部工具，再配合排程機制，例如 cron job，便可以建立大量自動化工作。
例如：
每天早上九時，自動擷取前一天的銷售數據，整理、分析並生成報告，再發送到指定工作群組；
每小時檢查一次伺服器或系統狀態，一旦發現異常便作出通知；
每逢星期五下午，自動整理一星期的工作進度，產生週報初稿。
這些工作毋須人手記住，也毋須每一次重新輸入指令。
Agent 會按照既定時間自行執行。
這就是「即使你已經下班，AI 仍然在替你工作」最基本的形式。
二、利用 Multi-Agent 與 Expert Agent 建立 AI 團隊
下一個層次，是不再只使用一個 AI，而是建立一隊具有不同角色與專長的 Agent。
例如：
一個 Analyst Agent 負責讀取數據並找出洞見；
一個 Research Agent 負責搜集與驗證資料；
一個 Writer Agent 將分析結果整理成文章、報告或簡報；
再由 Reviewer Agent 檢查內容品質、邏輯與準確性。
幾個 Agent 可以互相傳遞任務，自動完成整個生產流程。
最終可以產生報告、社交媒體內容、程式碼，甚至產品原型。
這才是 AI 所帶來的真正生產力提升。
重點不是你親手做得更快，而是你開始由「執行者」變成「AI 團隊的管理者」。
三、讓 AI 替你編寫程式與自動化工具
很多人使用 AI 時，只會要求它「幫我完成一次」。
但更高階的思維應該是：
這件事情既然會重複發生，為甚麼不讓 AI 幫我建立一套以後可以自動執行的工具？
例如，一項重複性的資料整理工作，與其每次都要求 AI 幫忙處理，不如直接讓 AI 編寫一段 Script 或 Automation。
從此以後，每當相同情況出現，系統便自動執行。
換句話說，今天 AI 替你完成的一項工作，明天應該有機會變成一個可以自行運作的工具。
當思維由「利用 AI 做事情」轉變成「利用 AI 製造工具」，生產力才會真正出現倍數增長。
四、建立條件性觸發與敏感事件監察
這亦是我在面試時特別喜歡問的一項能力。
成熟的 AI 系統，不應只懂得按照時間表工作，也應該懂得因應某些事件或條件，自動啟動工作。
例如：
當收到合約相關電郵時，Agent 自動閱讀條款、標示潛在風險，並整理需要人工覆核的地方；
當工作群組出現「出現問題」、「期限」、「客戶投訴」等關鍵訊息時，自動建立緊急任務並通知負責人；
當某項數據跌穿指定門檻時，自動產生異常報告，並提出可能的跟進建議。
這類工作本質上就是 Event-Driven Automation。
人不需要時刻監察，AI 可以替你站崗。
真正的價值，在於系統可以在問題出現的一刻開始行動，而不是等待有人發現問題之後才處理。
五、真正理解甚麼是 AI Agent
AI Agent 與一般 Chatbot 最大的分別，不只是介面或者名稱不同。
真正的 Agent 通常具備幾項重要能力：
它有明確目標；
能夠保存或利用上下文與記憶；
能夠調用不同工具；
能夠拆解任務；
能夠執行多個步驟；
亦能根據執行結果調整下一步行動。
換句話說，你不只是向它問一個問題，而是給它一個任務。
它會嘗試判斷應該如何完成、需要使用甚麼工具、應該執行哪些步驟，最終把結果交付給你。
這種能力，才令 Agent 開始接近一名真正的「數碼同事」。
如何開始建立自己的 AI 工作模式？
如果你看到這裏，發現自己目前仍然主要停留在「打開對話框、輸入指令」的階段，其實並不需要一次過建立非常複雜的系統。
最實際的方法，是由最簡單的工作開始。
第一，找出你每天最煩、最重複的一項工作，嘗試把它變成由 Agent 定時自動執行的任務。
第二，利用 MCP 或其他整合方式，將 AI 接駁到你日常使用的工具，例如電郵、日曆、文件系統、資料庫和工作群組。
第三，嘗試將一項大型工作拆成幾個角色，交由不同專長的 Agent 協作完成。
第四，重新檢視你的日常流程，找出哪些工作其實存在明確的「如果發生 A，就應該執行 B」邏輯，然後把它變成事件驅動的自動化流程。
當你開始這樣思考，你會發現 AI 的角色已經不再只是「回答問題」。
它開始參與你的營運流程。
結語：未來的競爭力，是管理 AI 工作，而不是向 AI 提問
因此，當我在招聘時問：
「你會不會使用 AI？」
其實這並不是我真正想知道的問題。
我真正想知道的是：
你目前部署了多少個 AI Agent，在背景替你工作？
當中有多少個是按照時間自動運作？
有多少個會因為特定事件、條件或異常訊號而自動啟動？
又有多少工作，是你根本不需要逐次提醒，AI 已經可以自行完成？
因為到了今天，懂得在對話框輸入問題，只能算是最基本的 AI 素養。
真正具有競爭力的人，是懂得設計流程、部署 Agent、設定觸發條件、建立自動化，並讓 AI 自己運作、自己執行、自己交付成果的人。
未來職場真正拉開差距的，不是誰比較懂得問 AI 問題。
而是誰能夠建立一支真正會替自己工作的「數碼團隊」。
如果你今天仍然未部署自己的第一個 AI Agent，也許最簡單的開始，就是先問自己一條問題：