台灣這幾年一直在講數位優化、數位轉型。我的看法是，AI 時代沒有所謂的 AI 優化，只有 AI 原生：過去能被數位優化的事情，軟體其實都已經做得差不多好了，該找的是過去的軟體系統做不到的事。Sam Altman 在這支 69 分鐘的訪談裡，把同一件事講得更透徹，他說今天的新創看起來還是像十年前的新創，多數人只是「用更多 Codex」，那看起來不夠。這篇先講我的判斷（包含一個看倍數不看百分比的判準），再整理他訪談裡真正值得拿來用的三件事，每一件都附你這週可以做的第一步。
- 已經天天在用 AI，但講不出「我的工作跟半年前有什麼結構性差別」的人
- 想導入 AI 到團隊，卻只想得到「把現有流程加速」這個方向的人
- 手上有很多經驗說不清楚、教不會別人的資深工作者
- AI 時代沒有 AI 優化，只有 AI 原生。軟體已經解得很好的事，不需要再拿 AI 去擦亮一遍
- 判斷一件事該不該交給 AI，看倍數不看百分比。只提高 20% 到 50% 的，大概不是 AI 的強項
- 你身上最值錢的東西，正好是「學得會但教不會」的那一塊，而那一塊現在有辦法外化
影片全片 ↗
一、我的看法：沒有 AI 優化，只有 AI 原生
台灣這幾年一直在講數位優化、數位轉型。我自己的看法是，AI 時代沒有所謂的 AI 優化，只有 AI 原生。
理由很直接：過去能夠被數位優化的事情，過去的軟體其實都已經做得差不多好了。你現在拿 AI 去優化那些事情，多半只是把一個本來就有解的流程再擦亮一點。我覺得該做的反而是去找那些過去的軟體系統都不能做的事，然後用 AI 來做。
已經寫好的系統。它是預錄好的，你按下按鈕，它照著既定的路徑跑一次。有確定答案、有固定任務流程的事情，它已經做得很好了。
現場立即生成的系統。它是即時生成、即時變化的。過去的軟體解不了的、帶著不確定性的事情，才是它值得被拿來試的地方。
這組對照不是我發明的。我之前聽過一場演講講到這件事，我一直記著：我們過去所有的軟體、所有的程式，其實都是已經寫好的系統，而 AI 是現場立即生成的系統。這是兩種不同的東西。
我不是在比誰厲害。我想說的是它們適用的場合不一樣。軟體已經解得很好的事，可能根本不需要用 AI 去優化；有不確定性的事情、過去的軟體解不了的事情，才值得試著用現在的 AI 解看看。
一個很好用的判準：看倍數，不看百分比
我自己判斷一件事該不該交給 AI，用的是倍數。
如果一個任務用 AI 之後只提高 20%、50%，那我覺得它其實不是 AI 的強項。因為如果這件事真的超適合 AI 做，你會立刻感受到，那是兩三倍、甚至十幾倍的跳躍。那一瞬間你就知道了：這個任務、這個流程，特別適合用 AI 去放大。
所以當你發現手上的 AI 用法只讓你「快一點」，那個訊號其實很清楚：你可能正在優化一件本來就已經有解的事。寫信快一點、找資料快一點、做簡報快一點，這些都是真的，也都是好事，只是那樣的用法過兩年不會讓你的工作長出不同的形狀。
Sam Altman 這支訪談，把我上面這個看法講得更透徹、更詳細。所以我把他的內容也整理給你。
- 為什麼你的 AI 導入沒有效果：從三層論到組織那面牆 這篇談的是個人怎麼判斷該用 AI 的地方，那篇談的是同一個判斷在組織裡會撞到的兩道牆：方向停在節點加速，以及效率增十倍而薪水不變
二、他說的那句話
訪談最後，主持人問他：有沒有哪些你以前用的思考框架，在今天已經是錯的？
他的回答大意是：今天的新創看起來還是大致像十年前的新創，因為既有的智慧告訴你應該這樣做。當然某些地方不一樣了，大家會說我要少雇一點人、多花點錢買 token。但它應該長得非常不一樣才對。他遇過幾個人真的用完全不同的方式在做，但多數人的做法就是「用更多 Codex」，那看起來不夠。
▶ 01:09:15「用更多 Codex」這五個字，換成你手上任何一個 AI 工具都成立。
用更多 ChatGPT。用更多 Claude。用更多自動化。
形狀沒有變。
同一支訪談裡他還講了一件事，可以當這個判斷的背景：他遇過一個大約兩週大的新創團隊，整套辦公生產力工具都重做過一遍，做給一個「AI 本來就會直接使用文件、簡報、試算表」的世界用。他說這在不久之前是一整年的工作量。
▶ 00:00:34十週的新創現在能做到十年前一年的事。這件事情本身不稀奇，稀奇的是多數人拿這個能力去做「原本就想做、只是比較慢」的事。
他自己說得更直接：現在的誘惑是拿今天的 agent 去撿容易的勝利，他完全理解為什麼大家這樣選，而且那多半會成功、只是會非常競爭。他驚訝的是，在地面震動得這麼厲害的時候，居然沒有更多人拿這套全新的工具去做那件很瘋狂的事。
▶ 00:02:43接下來三段，是我從這支訪談裡挑出來、認為可以直接搬到個人工作上的三個判斷。
三、第一件事：現在就開始做那些「還不划算」的事
Sam 在訪談中段講到他認為最重要、也最難讓人接受的一件事：要真心相信 scaling law 會繼續走下去，然後為那些「這個月還不可能或還不划算、但兩年後、四年後會可能」的事情做規劃。他說市場到現在還沒有充分適應這件事，這就像市場對「押注高成長的年輕創辦人」也一直沒適應到位一樣，錢還留在桌上。他說如果他還在給創業者建議，這會是他最想讓人想通的一件事。
▶ 00:04:22他自己也承認在這件事上犯過錯。主持人問他上一次發現自己不夠有野心是什麼時候，他說：算力的投資明顯低估了，而且他本來是可以用正確的心智模型算出來的，但被金融市場之類的東西嚇住了。那顯然是個錯誤。
▶ 00:48:13那個層級的人都會被「現在還不划算」擋住，一般人當然更會。
這件事對你的意思
重點不在賭一個還不存在的能力。你要找的是那些「現在做起來很吃力、只要模型再好一點就會很順」的事情，現在就開始鋪。
差別在於鋪的東西是什麼。如果你今天投入的是某個工具的操作技巧，模型改版就歸零。如果你投入的是把腦袋裡的判斷寫下來、整理成 AI 讀得懂的資料，那模型每強一次，你這批資料就多值一次。
我這一年做的事情大多是後者。與其等某個工具變強，先累積那個工具變強時可以直接吃的東西。
你這週可以做的第一步
拿一張紙，回答三個問題：
- 我現在有哪件事，是「AI 幫得上一點但還不到位」，所以我先放著沒做的？
- 那件事之所以做不動，缺的是模型能力，還是缺我把知識交出去？
- 如果缺的是後者，我今天可以先交出去哪一塊？
第二題的判斷線索：如果你每次都得重新跟 AI 講一遍背景，講完它才做得對，那缺的是你把知識交出去。如果你已經講得夠清楚它還是做不到，那才是模型能力的問題。
第三題有答案的人，這週就有事情可以做。
- 模型像超跑，知識庫與工作流就是你腳下的路 這段只講了為什麼現在要鋪，那篇講的是路本身長什麼樣、鋪的順序是什麼
- 知識作業系統母架構：把隱性知識持續提煉成可執行判斷的系統設計 如果你想知道「交出去的判斷」最後會長成什麼結構，那篇是整套系統的總圖
四、第二件事：把「學得會但教不會」的那塊挖出來
這是整支訪談我認為最值錢的一段。
主持人問他：這種不斷變動的混亂，你怎麼變得擅長應對？他說就是練習。有些東西不管你在理智上理解得多透徹，都需要大量的實作次數，才有辦法在情緒上承受。他的結論是：這種東西可以學會，但沒辦法被教（learnable, not teachable）。他接著說年輕創辦人真正的弱點，在於還沒有累積到那個職涯經驗，還沒到達跟混亂共處的情緒平靜，所以早期會非常痛苦，最後還是會學會，但要付出很大代價跟一堆本來不必犯的錯。
▶ 00:04:55他接著說了方法：如果你想學會這類東西，去請那個人解釋給你聽，以他的經驗來說從來沒有用。真正有用的是研究他、坐在他旁邊開會、自己觀察、自己學起來。他自己想變強的時候就是這樣做，待在那個很強的人旁邊，深入研究。他補一句：對方大概沒辦法用講的教會他。
▶ 01:03:58他在講設計的時候也講了同一件事的另一面。他說跟 Jony Ive 合作學到最多的，是那個人會先徹底研究問題，甚至不讓自己太早去想解法。真正好的設計，理解問題的成分遠多於靈光一閃。
▶ 00:58:37這件事對你的意思
你手上最值錢的部分，通常就是這種說不清楚的東西。你怎麼看一個客戶、怎麼判斷一份提案哪裡怪、怎麼在會議中決定現在該推還是該等。這些東西在你身上運作得很好，你講不出來，所以帶不走、也複製不了。
以前這是無解的，因為你身邊很難真的有人可以整天坐著看你工作。
現在有了。AI 可以當那個坐在你旁邊的人，前提是你得讓它看到過程，而不是只給它結論。
「我要一份提案，你幫我寫。」這是在要結論。AI 每次都從零開始猜你要什麼，你每次都要重講一次背景。
反過來讓它問你，而且是在你做決定的當下問。問完之後，你手上會多一份用你自己的話寫成的判斷規則。
你這週可以做的第一步
下次你做完一個判斷（挑一個你做得很快、幾乎沒思考的那種），把過程貼給 AI，然後用這個方向提問：
這件事做三次，你就會有一份別人拿不走、模型換了也不會失效的東西。
- Claude Skills 是什麼？把你的專業流程，變成 AI 能重複執行的知識資產 這段講的是怎麼把判斷問出來，那篇講的是問出來之後怎麼變成 AI 每次都會照做的東西
五、第三件事：分辨真趨勢跟假趨勢
訪談後段，主持人說他從 Sam 身上學到最喜歡的心智模型之一，就是真趨勢跟假趨勢。
接著是主持人把這個模型講成一組對照（這段是主持人在說，不是 Sam）：假趨勢是 VR 那種狀況，有很多討論、有人買了、但沒有真的愛上它，沒有開始圍繞那個體驗設計自己的生活，然後它就被放在架上了。而他自己用 ChatGPT 是另一種樣子，幾乎每天用，有時候工作忙一天用三小時，有時候幾乎沒用，但它持續存在於生活裡。
▶ 01:07:39主持人接著問 Sam：那你現在怎麼判斷公司內部的東西是真趨勢還是假趨勢？Sam 的回答是同一個原則：看有沒有真實、深、持久的東西在。他說這個框架是在 YC 累積出來的，在那裡你會拿到大量的資料，只要你願意花時間分析跟理解，你真的可以看出很多東西。
▶ 01:08:11這件事對你的意思
這個判準可以直接拿來檢查你自己導入的每一個 AI 工具。
要問的只有一句：它有沒有改變我安排一天的方式。它厲不厲害、別人有沒有在用，都在這一題之外。
這個判準的好處是它不看熱鬧，只看紀錄。試用期的興奮很容易被誤認成需求，打開使用紀錄通常就見真章。順帶一提，同一個工具對你是假的、對別人是真的，這件事完全不衝突，這個判準本來就是對人不對物。
這個判準跟我前面講的倍數判準是一組的，只是看的角度不同。他看的是持續性：這東西有沒有留在你的生活裡。我看的是幅度：這東西有沒有讓你感受到好幾倍的跳躍。兩個都對得上的，才是真的進到你工作裡的東西。
你這週可以做的第一步
列出你目前有在用的 AI 工具，每一個回答三題：
- 過去 14 天，我實際打開它幾次？（去看紀錄，不要憑印象）
- 如果它明天消失，我的哪一件事會直接卡住？
- 它幫我做的那件事，是快 20%，還是快了好幾倍？
第二題答不出來的，就是還沒進到你的工作結構裡。可以留著，但不要再投時間進去，也不要在別人問你的時候推薦它。第三題只有 20% 的，回頭看第一段：那件事可能本來就已經有解，你只是把它再擦亮一點。
- 當每個人都有 AI，真正拉開差距的是判斷力 這段給的是篩工具的判準，那篇談的是工具篩完之後，剩下什麼才是你的
六、訪談裡其他值得記下來的幾句
這幾段跟前面三件事沒有直接關係，但我覺得放著會有用。
東西做起來的時候，要殺掉其他好東西。他說真正難的不是砍掉做不起來的專案，那反而容易。難的是某個東西開始運作得非常好的時候，你要決定殺掉其他也很好的東西，讓最好的那個變得更好。OpenAI 歷史上做過幾次：GPT-3 開始有起色時關掉了他們很興奮的機器人專案；coding agent 最近開始跑起來時，收掉了 Sora 跟瀏覽器的投入。他特別澄清 Sora 本來會很成功，收掉的理由是那些算力跟人力放到 coding agent 上更重要。
▶ 00:55:52你得開口要。主持人問他最近一次要到了別人覺得不可能的東西是什麼，他舉 Codex 當例子：當時他們在編碼工具上落後 Claude Code 很多，市場共識是在別人已經有動能的品類裡追上去幾乎不會成功。但他們判斷這件事夠重要，就去請一個團隊做，那個團隊做出了他形容為商業史上很罕見的成績。他說如果當初沒有開口跟團隊講「我們有一個非常重要但極度困難的任務」，這件事就不會發生。
▶ 00:52:03組織的速度九成看你把誰放在領導位置。他說各種管理節奏、管理技巧當然有影響，但主要還是人。而且多數時候，公司的高階主管應該從內部升上來，不是從外面找。
▶ 01:04:30加強你的強項，不要補你的弱項。他說那種「我要把我完全不擅長、也永遠不會擅長的事情變好」的執念是個大坑。
▶ 01:02:53壞經驗的相反是沒有經驗。他說多數人會把壞經驗的相反想成好經驗，所以總是想要好的那一個。他的想法是：壞經驗的相反其實是沒有經驗，而在不太遠的將來，你就會進入沒有經驗的那個狀態。想通這件事，你會對壞日子也生得出感謝。他引了 Naval Ravikant 的話：如果人生有快轉鍵，你的人生就結束了。
▶ 00:07:07最後這段跟工作方法無關，我還是想放。他被問到過去 12 個月最痛苦的事，他說是同時有小孩跟拚命工作，非常煎熬。他覺得自己已經算是很在場的爸爸，除了工作跟陪家人幾乎不做別的事，但還是覺得錯過了太多這個只會發生一次的階段。
▶ 01:05:33七、回到最前面那句話
如果你現在用 AI 之後只有「快很多」，這篇的三件事可以當成三個入口：
開始鋪那些兩年後才會發生、但現在就要先交知識出去的事。
用被追問的方式，讓那些說不清楚的判斷變成你自己的話寫成的規則。
判準只有一條：它有沒有改變你安排一天的方式。
三件事的共同點是：它們都不會讓你這週的產出變快，但它們都會讓你這一年累積下來的東西不一樣。
Sam Altman 那句話值得再看一次：多數人的做法就是用更多 Codex，那看起來不夠。
不夠的地方在於，那是把新的能力放進舊的形狀裡。回到我開頭講的那句：沒有 AI 優化，只有 AI 原生。你要找的不是「哪個環節可以再快 20%」，是那些過去的軟體根本做不到、而你一試就感受到好幾倍跳躍的事。
Sam Altman - How to Start a Startup（Relentless，69 分鐘）↗
做完那個提示詞，歡迎把結果丟出來
如果你試了第四段那個提示詞，做完之後歡迎到 LINE 社群裡丟出來討論。那份「你的判斷規則」長什麼樣子，通常比任何一篇方法論都更能看出你自己的工作是怎麼運作的。
社群裡也會分享我平常在用的技能包與免費講座資訊。