為甚麼AI沒讓你變快
文章
你不是沒踩上飛輪，是沒人教你怎麼判斷該不該繼續踩。
用了 AI 但沒變快，不是你不努力，是少了一把量能力邊界的尺。
⏱ 約 8 分鐘
你不是一個人
你大概有過這種感覺：聽很多人說 AI 讓他們加速很多，但你自己用下來，每件事還是要花很多時間才掌握，AI 自己跑的版本品質不到能交付，自己再人工調，時間其實沒省到多少。
最後變成一種說不出口的疲憊，好像踩上了什麼，又沒真的踩上。
我跟你說，這不是只有你一個人，我也是這樣，前陣子我訪談一位讀者，他也是這樣。這幾乎是非工程背景的 AI 使用者共同的痛點，只是大家不太說。
不說的原因也很簡單，大家都在分享自己用 AI 變得多快多神，誰要在這個時候舉手說「我好像沒省到」。
為甚麼會這樣
問題不在你笨，不在 AI 不夠強，在少了一把量邊界的尺。
問題在於：沒有人教你怎麼判斷 AI 在某件事上目前能做到甚麼程度。
於是你會在做不到的事上一直死磕、燒 token、人工修補，覺得「再調一下應該就可以了」，最後花了三天勉強生出 60 分的東西，回頭看不如自己一開始就動手寫。
你也會在 AI 已經能做得不錯的事上不敢交給它，因為你不確定它的輸出可不可信，最後自己重做一遍。
兩種情況的共同點是，你沒有一把尺去衡量這件事 AI 的天花板在哪。
🔑 重點：用 AI 真正的疲憊感不是來自「AI 不夠強」，是來自「我不知道甚麼時候該收手」。
工程師看 AI 跟你看 AI，看到的不是同一件事
我自己背景是寫程式的，對「能力邊界」這個概念特別敏感。
寫過 code 的人會自然分辨：哪些任務有確定的解、哪些是模糊的、哪些根本沒有標準答案。AI 是個語言模型，它擅長的是在它看過的東西裡找模式生內容，但不是每件事都有模式可循。
所以你看到 AI 一直在「重寫」、一直在「再試一次」、一直在「換一個方法」，這個訊號工程師一看就知道是它在「裝忙」（前一篇有提過），它沒有解這件事的能力，但又被你要求繼續做，只好持續產出看起來在做事的東西。
我訪談的那位讀者講了一個我很有共鳴的點，他想知道的不是「AI 怎麼用」，是「AI 在這件事上的極限在哪」，這樣他才能對老闆或同事說「這個我大概能做到 80%、那個應該不太可能」，再決定要不要把時間投入下去。
這個判斷力本身就是工程能力的一部分，也是這份手冊跟一般工具教學最不一樣的地方。
判斷起點：四條原則
先從這幾個原則開始：
1. 跑了 3 輪還是不對，先暫停
不要再叫 AI「重來一次」，先停下來想：這件事 AI 是真的不會，還是我給的 context 不夠。如果 context 已經補得很完整還是不行，多半就是它的能力極限。
2. 「最後還要人工調」如果占了一半時間，就重新評估
AI 跑完你還要花很多時間修，這個任務不適合無腦交給它。要嘛是你給的指令還不夠精準（這個你能改），要嘛是它的能力不到位（這個改不了）。
3. 「自己重寫比較快」這個念頭出現超過一次，就相信它
有時候花時間調 AI 不如自己動手。這不代表 AI 沒用，可能是這件事的特性比較適合人來做。
4. 別只問「AI 做不做得到」，要問「AI 在這件事上的天花板在哪」
這兩個問題答案差很多。第一個問題的答案永遠是「可以試試看」，第二個問題的答案才是你真正需要的判斷依據。
🎯 實作：回想你最近一個花了超過 3 小時的 AI 任務，用上面 4 條對照一次，看看當時是不是應該早點收手。
這個能力比工具更值錢
工具會換、模型會更新，但判斷「這件事該不該交給 AI」的能力不會過時。
這也是這份手冊的設計邏輯。前面 4 篇教你讓 AI 聽懂你、讓它不忘事、給它好的 context。現在這篇是反過來——知道哪些事不要交給它，知道甚麼時候該收手。
兩件事加在一起，你才不會在 AI 的世界裡只剩下追蹤潮流這個選項。
你現在可以做的一件事：回想一個你花了超過 3 小時跟 AI 死磕的任務，用這篇的四個原則對照一次，問自己：當時是不是應該早點收手？