這幾年 AI 工具蓬勃發展，我一直用「如果這些 AI 其實是人的話，它的表現算好還是不好」這樣的視角來評價和判斷它們。主要原因是，這樣做能有效降低認知負荷跟學習負擔。
以下舉幾個例子。
用直覺判斷 AI 的聰明程度
心理學上，要判斷一個人的智商或是在某項專業領域的能力，需要標準化的測驗，以及嚴格的變量控制。最終得到一個可以用來比較的分數。
但是在日常生活當中，我們並不會用這些工具，而是自然而然地透過對話和觀察反應，來判斷一個人的專業能力或聰明程度。在很短的接觸時間，就能產生一個大概的印象。
這種人類基本上都會有的技能，用在對話型的 AI 上面也很直覺。AI 的反應快不快、有沒有理解我們的意思、有沒有做出正確的回應，如果運用人與人互動的直覺，可以讓我們減輕很多思考負擔。
你不需要像研究人員，準備標準化測試來檢驗 AI，只要用自己熟悉的主題跟它們聊聊，就可以在對話中判斷它的水準。
反應速度透露智慧線索
反應速度是心理學中常常用來判斷人們智力高低的一項指標。一個人思考時，他是不假思索就給答覆，還是想了一下才回答？我們很容易觀察到這些速度差異，也感受得到某些問題，對方花了更多腦力去反應。
而使用 AI 工具時，反應速度也可以是很自然能夠感受的指標。有些對話模型幾乎不假思索就會吐出結果，有些會經過所謂的思維鏈或思考過程。我們可以用跟人對話的臨場反應來判斷這個 AI 花了多少「腦力」，或是它在快速反應的情況下答得好不好。
比如說我剛接觸 Cursor 時，因為它的 Tab Completion 很精準而且非常快速，好像猜得到我要做什麼事情，就像有讀心術一般！這些表現就讓我對它的「聰明」留下深刻印象。
值得注意的是，AI 工具的反應速度當然有很多的影響因素。輸入的內容、模型的訓練、工具設計，乃至於當前算力有多少，都會影響所謂的「反應時間」。不過人也是一樣的，在不同條件下（例如精神好 vs 沒睡飽）的反應也大不相同。
所以，我並不是要拿對 AI 反應的直覺，當作判斷 AI 工具本身能力的指標。而是「這個 AI 工具現在的表現，能不能幫助我完成需要的工作」。這個直覺判斷，跟把一項工作能否交代給某人，基本相同。
管理技能的無縫轉移
在使用 Cursor Agent 以及後來的 Claude Code 這些 AI agent 工具時，我發現它們能掌握的範圍越來越廣，寫得越來越好。所以，人機之間的角色逐漸變換，我負責下指令跟檢驗成果，而讓 AI 主要擔任撰寫程式碼的工作。
這些經驗讓我直接想起當工程師主管時的角色轉換。從一個自己寫程式的工程師變成要指揮、帶領其他人一起完成專案。我有分派工作的權限跟責任，並且負責團隊的工作流程規劃跟把控。而 code review 與回覆意見，越來越佔據工作時間。
這些帶團隊的技能跟工作流程，到了在用 AI Agent 時，對我來說根本是一模一樣的。我完全可以用帶人類團隊的技能來帶 AI、教 AI 學會我（們）團隊的開發規範。
從 Claude Code 目前的能力水準，我預測未來軟體工程師會有越來越多機會變成上述這種「AI 管理職」的角色。不管你喜不喜歡管人，管理 AI 的工作狀況可能都是未來職涯上跑不掉的事情了。
團隊新人與 AI Agent 的導入邏輯
在軟體開發團隊有新人加入時，比較好的團隊會有文件與資深工程師作為教練，讓新人可以快速上手。比較沒經驗的團隊，則可能把權限開給新人以後，讓他自己去研究。
同樣的，在把專案導入 AI Agent 時，公認比較好的作法也是準備好專案介紹的文章、團隊開發規範的文件。Cursor 的 .cursorrules、Claude Code 的 CLAUDE.md、ChatGPT 的 AGENTS.md 都是這樣的東西。其實內容跟新人 onboarding 的文件，本質上大同小異。
如果手邊的專案沒有這些文件，在導入 AI Agent 時，至少也會先叫他分析現況，整理一些文件。這就跟叫新人自己去研究、寫寫筆記，是一樣的過程。而且我們還會去根據它/他整理地怎樣，多少就可以判斷掌握程度與能力。
你看，新人 onboard 跟把 AI Agent 導入專案，所需要的文件跟流程非常相似。評估他們表現也能夠用相同的方法。所以，若你具備讓新人快速上手的能力的話，導入 AI Agent 應該一點也不難。
