AI 副手

讓 AI 來分擔決策、思考的工作

我最近在用一個方法，讓 AI 幫我處理最難的問題——不是拿它來寫程式、翻譯，而是讓它參與比較深層的事：公司經營策略、小孩的教養方向。

這個方法說起來不複雜，但需要一點耐心去建立。

豐富的 Context，持續優化的 Custom Instruction

首先，我發覺如果要透過 AI 探討公司經營策略，給的 Context 必須異常豐富，它才能給予相對好的建議。

我的做法分四步：

第一步：開獨立的 Project。 針對比較困難的議題——公司經營、小孩教養——各自開一個獨立的 AI Project，讓不同議題的對話不會互相干擾。

第二步：先憑感覺寫一個 Custom Instruction。 一開始不需要完整，只要描述大概的狀況——公司在做什麼、現在面對什麼問題、相關的人是誰。這是第一版的「背景說明書」。

第三步：每次對話結束時，問 AI 這個問題： 「在這個對話中，有沒有發現什麼新的 insight，值得加入 Custom Instruction？」接下來，我就會從中挑選跟我認為正確的 insight，然後，手動加入該 Project 的 Custom Instruction。

第四步：重複。 通常經過五到十輪對話之後，Custom Instruction 的內容會變得非常豐富。在這之後， AI 提出的建議、觀點會開始出現『品質』的大幅提昇。比方說，有更深層次的洞察、或是建議變得相對可行許多。

為什麼這個方法會管用？

我在讀 Tailscale CEO Avery Pennarun 的一篇文章——What do executives do, anyway?——突然覺得這兩件事在說同一個道理。

Avery 引用 Andy Grove 的《High Output Management》，提出一個關鍵論點：大公司的主管，永遠是房間裡資訊最少的人。 他每年頂多花 15 分鐘在每個下屬身上，根本不可能比第一線的人更了解細節。所以他的結論是：主管的工作不是做決策，而是「定義並強化文化與價值觀，以及核可好的決策」。

真正的決策，應該由掌握最多資訊的人來做。主管的角色，是設計一個讓這件事能發生的機制。

某種程度，這與要讓 AI 來做決策，相當地相似：『都需要設計機制。』

一個剛開啟的 AI 對話，就像一個什麼都不知道的新顧問。你問它公司策略，它只能給你教科書的答案，因為它對你的處境一無所知，它會有大量的隱含假設。然而， AI 的建議品質，高度依賴於它掌握的 context 深度。

所以，把 context 餵給 AI 這件事，其實就是在解決和大公司主管一樣的問題：讓決策者獲得足夠的資訊，才能給出真正有用的判斷。

更有趣的是，Avery 說，主管的價值觀必須在每次決策中反覆強化，才能真正滲透到組織裡。我的做法正好對應這一點——每輪對話結束後更新 Custom Instruction，就是在反覆校準這個 AI 的「世界觀」，讓它愈來愈像一個真正了解你處境的顧問，而不只是一個泛用的問答機器。

為什麼歸納 insight 這件事，自己還是必須參與？

有個問題很自然會浮現：既然每輪都要問 AI「有什麼 insight 值得加入 Custom Instruction」，為什麼不乾脆讓 AI 自動更新就好？

我認為不行，原因主要有二。

第一，AI 不知道什麼對你重要。 Custom Instruction 不是中立的資訊彙整，它反映的是你的判斷——哪些觀察值得被記住，哪些只是一時的討論。AI 沒有辦法做這個取捨，因為它不知道你的優先順序。

第二，錯誤的 context 比沒有 context 更危險。 如果讓 AI 自動累積 instruction，它可能會把一個當下的誤判當成長期的定論，寫進背景設定裡，影響之後所有的對話。人工審核，是這個流程裡最重要的品管環節。

總結

這個利用 AI 來輔助決策方法的核心，其實很古老：給決策者足夠的資訊，讓他能做出好的判斷。 只是現在，這個「決策者」換成了 AI，而你變成了那個設計機制、核可方向的人。