你有沒有這種經驗：

很多人第一直覺是：「AI 就是這樣，不穩定。」

但其實，問題通常不在 AI，而在我們給它的「工作條件」。

AI 不是在理解你，而是在猜測你的意思

要搞懂為什麼 AI 會不穩定，先要理解它實際上在做什麼。

當你輸入一段話，AI 並不像人類同事那樣真的理解你的背景、你的目的、你想要什麼樣的結果。它做的事情，是根據你給的文字，預測最可能的回應是什麼。

這意味著：你給的文字越模糊，它「猜」的空間就越大，結果就越難預測。

舉個例子。你叫新人幫我整理一下上週的會議紀錄，這句話對一個有脈絡、有背景知識的同事來說沒問題。但對 AI 來說，這句話裡有太多未定義的事：

• 整理是摘要、還是逐字稿？
• 格式是要條列、還是段落？
• 重點放在決議、還是討論過程？
• 語氣是正式報告、還是內部備忘？

每一個空白，AI 都會自行填補。填得準不準，就成了「看運氣」的來源。

指令越長，不代表越好，而且會讓你多花錢

發現 AI 不穩定之後，很多人的直覺是多寫一點。加更多說明、更多例子。

這個方向對，但方法常常是錯的。

堆疊大量文字的指令，往往反而讓 AI 更難抓到重點。就像你給新人一份二十頁的 SOP，他看完還是不知道最重要的三件事是什麼。

但這裡有個重要的區分：有些長，是必要的；有些長，是浪費。

必要的長，例如：指定 AI 只能從特定資料來源回答、限定它必須按照某個流程步驟執行、或者規範輸出要符合特定格式路徑。這些內容不寫清楚，AI 就會自行發揮，反而出錯。

不必要的長，則是各種重複說明、情緒性的語氣詞、或者同一件事換了幾種說法堆在一起。這些文字不只沒用，還會稀釋掉真正重要的指令，讓 AI 搞不清楚優先順序。

而且這件事有直接的成本含義。AI 的計費方式是按 Token（文字量）計算，每一次呼叫，指令裡的每個字都在計費。如果你的指令裡有三成是無效冗字，那等於每次執行都在白白付錢。當這套指令被封裝進助理、或整合進自動化流程大量觸發之後，這個浪費會快速放大。

真正有效的指令，不是多，而是每一句話都有它存在的必要性。具體來說，一個穩定的 AI 指令通常需要回答以下幾個問題：

1. 你是誰（能力與經驗設定） 很多人習慣給 AI 一個職稱：「你是一位資深 HR 主管」。但職稱其實很空洞。AI 對「HR 主管」的想像，不見得跟你預期的一樣。

更有效的做法，是描述能力與經驗的組合：「你熟悉勞動法規與績效管理制度，曾協助組織處理人員異動與跨部門溝通，習慣用條理清晰、避免情緒化的語言表達敏感議題。」

這樣的設定告訴 AI 的，不是一個頭銜，而是它應該從什麼知識背景出發、擅長處理什麼類型的問題、以及遇到模糊情境時應該如何取捨。這才是真正影響輸出品質的底層框架。

2. 你要做什麼（任務定義） 不是「幫我寫」，而是幫我寫一封給主管的週報信，說明這週的三個進度與一個待解決的問題。任務越具體，偏差越小。

3. 你給誰看（受眾設定） 同樣的資訊，給董事會看和給第一線員工看，呈現方式應該完全不同。很多人忽略這個環節，然後困惑為什麼 AI 的語氣不對。

4. 什麼不能做（限制條件） 很多人只寫要什麼，卻忘了寫不要什麼。事實上，反向限制往往比正向描述更有效。因為它直接封鎖 AI 最容易出錯的方向。

舉幾個常見的例子：「不要自行發明數據」、「不要使用第一人稱」、「不要給出建議，只整理事實」、「若資訊不足，請直接說不知道，不要猜測」。

最後一條尤其重要。AI 有一個根深蒂固的傾向：它不喜歡說我不知道。沒有明確禁止的情況下，它會傾向用聽起來合理的答案填補空白，而不是如實告訴你它沒有足夠資訊。這是 AI 應用裡最常被忽略、也最容易造成錯誤的風險點。在治理指令裡明確寫出不確定時請說明，不要猜測或捏造，是最基本的品質防線。

5. 你要什麼格式（輸出規格） 明確告訴 AI 你要的結構。要幾個段落、要不要標題、需不需要摘要。格式不說清楚，每次結果都長得不一樣。

治理指令的概念就是將 SOP 給 AI

理解了上面這些之後，AI 治理指令的概念就不難理解了。

治理指令，簡單說，就是為 AI 設計的工作規範。就像組織裡有 SOP、有職位說明書、有工作流程，AI 治理指令就是把這些東西翻譯成 AI 能接收的語言。

一個好的治理指令有幾個特點：

可重複使用：不是每次臨時想一段話，而是設計好一套模板，下次直接套用，結果高度一致。

可被複製：同一份指令，換同事來用，效果應該差不多。不能只有某個人用得順，換人就失靈。

可以調整：遇到不同的情境，知道要改哪個變數，而不是整段重寫。

這個概念在個人效率層次是讓自己用 AI 更穩定，在組織層次則是讓整個部門的 AI 應用有一致的品質基準。

指令穩定之後，下一步才是封裝成AI 助理

很多人設計好治理指令之後，還是每次手動貼一遍。這很可惜，因為有更好的做法。

現在主流的 AI 平台都提供「自訂助理」的功能，如：ChatGPT 的 GPTs、Google Gemini 的 Gems。這些工具讓你把治理指令存進去，變成一個有固定角色與行為規範的 AI 助理。你或你的團隊只要呼叫這個助理，它每次都在同樣的框架下工作，不需要重新說明背景，也不會因為使用者不同而產生偏差。

這一步的意義不只是省事。它代表你把個人的指令技巧變成了組織可共用的工具。部門裡不同人用的是同一套規範，輸出品質自然趨於一致。

然後，還有更進一步的可能。

當一個 AI 助理的指令邏輯穩定、輸出品質可預期之後，它就具備了轉為程式整合的條件。透過 API，同一套指令可以嵌入自動化流程。例如 Make 或 n8n 這類工具，讓 AI 不再需要人工觸發，而是在特定條件下自動執行任務，收到表單就自動整理、有新資料就自動摘要、完成分析就自動寄出報告。

這條路徑，是許多企業 AI 導入的基本流程：

手動測試指令 → 封裝成助理 → 穩定後接 API → 整合進自動化流程

每一步都建立在前一步的基礎上。而起點，是把指令設計好。

一個可以馬上試的練習

如果你現在想測試自己的指令品質，可以試試這個方法：

把你平常用的 AI 指令，拿給一個不了解你工作背景的人看，問他：你看完這段話，知道 AI 應該產出什麼嗎？

如果對方看完還是不清楚，那你的 AI 也不會清楚。

好的指令，是讓任何人（和任何 AI）看了都能執行的說明書，而不是只有你自己看得懂的備忘。

從會用 AI到管理 AI

AI 工具的普及，正在悄悄改變一個職場能力的標準。

以前，「會不會用 AI」是加分題。現在，這已經變成基本門檻。下一個階段的競爭，會是能不能穩定地用 AI 產出品質一致的結果、能不能讓ＡＩ產出更好更穩定的結果及能不能把這套能力擴散到整個團隊。

這不只是技術問題，而是一個管理問題。你如何設計工作流程，讓 AI 成為你可以信賴的協作者，而不是一個每次要重新磨合的工具。

治理指令，是這個問題的起點。