很多人問我：「既然 AI 這麼強大，什麼都能做，那我們人類是不是就不用學習了？」
我的答案恰恰相反。正因為 AI 時代來臨，我們反而要更積極地去接觸、去嘗試所有的新鮮事物。
為什麼？因為這段時間我深刻體悟到一件事：「AI 只能產出你已有的認知；你的認知到哪裡，AI 幫你的上限就到哪裡。」 如果你不知道這世界存在另一種可能性，AI 就不會主動告訴你，它只會陪著你在舊有的邏輯裡打轉。
最近在公司發生的一個真實案例，完美詮釋了這個觀點。
一場充滿熱情，卻「勤奮地繞路」的開發過程
前陣子，我請一位同事嘗試利用 AI 協助開發一套自動化請款流程。我們的目標很明確：
- 拍照發票並上傳到電腦資料夾。
- AI 自動判讀發票內容（品名、金額、統編等）。
- 透過工作流 (Workflow) 自動將資料輸入會計系統。
在開發過程中，我看到同事與 AI 討論得非常熱烈。同事不斷地向 AI 提問、優化程式碼、解決串接問題，AI 也像一位極其有耐心的導師，一步一步引導同事寫出腳本、串接 API。
看著進度條不斷推進，同事感到非常有成就感，覺得自己即將完成一個了不起的自動化工具。
轉折點：原來別人的車，早已停在門口
在開發即將完成的最後一步，我拿過來進行測試。我隨手將幾張發票照片傳到雲端硬碟，並試著用 Gemini 去讀取。
結果令我們驚訝：Gemini 直接幫我判讀並整理好了所有發票內容，甚至一鍵產出了整齊的試算表 (Spreadsheet)。
這意味著什麼？意味著同事過去幾天辛辛苦苦跟 AI 討論、寫程式、串接系統，其實有整整「一半」的工程，是目前成熟的 AI 模型早就內建、可以瞬間完成的功能。
我們並不是在「創新」，而是在不知情的狀況下，「辛辛苦苦地重新造輪子」。
AI 的局限：它不會主動幫你「轉彎」
這個過程中，最值得思考的是：為什麼 AI 在跟同事討論時，不主動提醒他「其實我直接讀取就可以了」？
這就是 AI 的特性——它是一個極致的執行者，而非決策者。
- 如果你問它：「如何寫程式判讀發票？」它會給你最完美的程式碼。
- 如果你問它：「如何串接 API？」它會給你最詳細的步驟。
如果你目的明確，AI 往往不會告訴你其實有「另一條更快的路」，除非你自己發現了那個可能性並去「質問」它。當你的認知受限於「必須透過程式串接」時，AI 的回覆也就被鎖死在那個框架裡。
認知，是決定 AI 效能的最後一塊拼圖
這件事給了我很大的震撼。在 AI 時代，決定勝負的往往不是技術深淺，而是**「認知廣度」**。
- 如果你的認知是： 處理資料必須寫 Python。AI 就會幫你寫出最好的 Python。
- 如果你的認知是： 現在的多模態模型已經能直接處理視覺與表格。你可能一秒鐘就解決了問題。
AI 的天花板，就是使用者的認知。 如果你不主動去接觸新工具、不去看別人在做什麼、不去了解技術邊界在哪裡，你只會帶著 AI 在你的舊思維裡「更有效率地迷路」。
結語：我們該如何應對？
所以，別再以為有了 AI 就不需要學習。相反地，我們更要廣泛地閱讀、交流、嘗試各種看似無用的新事物。
我們學習，不是為了跟 AI 比拼記憶力或算力，而是為了「擴張我們的天花板」。
當你見過的高速公路夠多，你才不會在 AI 陪你鑽研如何修腳踏車時，感到沾沾自喜。在向 AI 提問之前，請確保你的認知，配得上它強大的靈魂。
希望這篇文章能帶給你一些啟發。你是否也曾有過「發現 AI 其實有更簡單解法」的經驗？歡迎在留言區分享！
