許多教師感到疑惑：在生成式AI（Generative AI）人人用得起、都會用的情況下，我們在課堂上到底要怎麼教學生？過去我們強調知識的傳遞與單向的吸收，如今這些工作AI都能做得比多數初學者更快、甚至更廣。面對這樣的典範轉移，教育的重點必須從「提供解答」轉向「提出好問題」與「判斷資訊的價值」。
於是，今天我就在課堂上帶了一個個案討論，試圖示範如何在AI時代重新定義教學。這不僅是一堂商業決策的課，更是一堂帶領學生實作、理解並批判生成式AI的訓練。藉由這個個案討論，我的目的就在於：一方面引導學生理解商業實務上導入大型語言模型（LLM）的真實挑戰，另一方面讓學生在現場直接操作LLM工具，建立他們未來在職場上不可或缺的AI素養與自學能力。壹、 個案背景：PulsePoint的AI導入兩難
這個個案同樣是關於生成式AI應用的情境個案，選自《哈佛商業評論》（Harvard Business Review）的〈Should We Deploy a Gen AI Salesbot?〉（我們該部署生成式AI銷售機器人嗎？）。
故事大致上是圍繞著一家總部位於芝加哥、年營收達20億美元的數位行銷公司PulsePoint Solutions展開。公司的執行長Jeannie Weiss在參加完一場AI研討會後，對於最新一代對話機器人（Chatbot）展現出的流暢度、同理心與處理複雜請求的能力感到非常興奮。她渴望與大型供應商合作，開發一款頂尖的客服與銷售機器人，期望藉此提升客戶體驗、縮減銷售團隊的成本，並在競爭激烈的市場中搶佔先機。
然而，這項大膽的計畫在公司內部與外部皆引發了不同的聲音：
- 技術與風險考量：技術長John Bart一開始對成為「先行者」感到擔憂，他指出了AI幻覺（Hallucinations）、資料隱私、系統當機等風險，且因為必須依賴外部供應商，公司將永遠無法完全掌控或理解該模型。但隨後他被技術的潛力說服，認為AI能主動預測潛在客戶需求，長期來看能縮減高達30%的人力成本。
- 銷售實務的質疑：業務主管Mark Thompson強烈反對。他基於B2B銷售的經驗指出，銷售的核心在於「直覺判斷需求」與「發掘隱藏商機」。他深信，如果用機器人取代銷售團隊，將會錯失許多向上銷售（Upselling）與交叉銷售（Cross-selling）的機會，進而損害客戶終身價值（Customer Lifetime Value），而這些損失往往是難以被量化察覺的。
- 品牌與客戶關係的隱憂：客戶長Linda Lau則擔心AI取代人力後對品牌的負面影響，以及AI是否能真正取代人類在處理複雜情境時所需的「人情味」（Human touch）。
- 關鍵客戶的強烈反彈：最大的打擊來自PulsePoint的最大客戶Orion。其執行長Tyrell Durant直接發訊息給Jeannie，明言拒絕參與這項AI客服計畫。他強調Orion是傳統主義者，重視深度的個人化客戶關係，且對資料隱私有嚴重疑慮。
這個個案完美地呈現了當前企業在導入AI時所面臨的真實兩難：效率與成本的誘惑，對撞了人際關係的價值與技術風險的不可控性。
貳、 面對現實：從學生的「未準備」啟動AI實作
如同我的預期，多數學生沒有在課前讀過這份長達數頁的英文個案。在傳統課堂中，這往往會導致討論無法進行，教師只能被迫單向講述。但在AI時代，我將計就計，開始執行我的計畫。
一開始時，我直接要求學生打開他們習慣使用的生成式AI工具（如ChatGPT或Gemini），並將個案的PDF檔丟給AI，請AI進行全文翻譯與重點摘要。
這樣的目的是為了讓學生立刻體驗AI工具在實際應用中的「能」與「不能」。
我首先在課堂上拋出一個問題：「你們怎麼知道AI有沒有完整翻譯？有沒有漏掉細節？」 許多學生使用的是免費版本的AI工具。我藉機向他們說明，免費版模型為了節省運算資源（Token）與維持生成速度，在處理長文本時，往往會採取截斷或是簡化摘要的策略，給出的結果可能與原文有明顯落差。透過這個立刻上手的動作，學生幾乎得在現場根據我的指示立即找到資訊、跟AI互動，並觀摩其他學生的結果。他們開始意識到，不能將AI的產出視為百分之百的真理，必須保有批判與查核的意識。
接著，我要求學生利用AI，在兩分鐘內萃取出個案中的「決策議題」以及「正反雙方的論點」。當學生透過AI快速掌握了Jeannie的期望與Mark的擔憂後，我們便有了進行深度商業討論的共同基礎。
參、 商業邏輯的解構：結合AI理解「行銷漏斗」
當多數學生已經透過AI掌握了個案輪廓後，我進行了第一次的課堂投票：「如果你是PulsePoint的CEO，你會決定導入這個AI銷售機器人嗎？」
一開始，30位學生，絕大多數的學生舉手支持導入（Yes），只有8位學生表示反對（No）。多數學生直覺地認為，AI可以提供24小時全年無休的服務、克服時區差異做全球生意、並且大幅降低人事成本。
為了深化討論，我並沒有直接評斷對錯，而是引導他們回到商業管理的理論基礎。我詢問支持導入的學生：「你們知道在整個銷售流程中，AI具體可以在哪些階段發揮作用嗎？」接著，我向學生介紹了「行銷漏斗」（Marketing Funnel）的概念，並要求他們現場再次詢問AI：「這個聊天機器人在行銷漏斗的各個層次（如頂層、中層、底層）上，能帶來什麼具體好處？」
學生透過與AI的即時對話，逐步建構出完整的商業視角：
- 獲取階段（Acquisition / Awareness）：在漏斗最頂層，AI可以協助大量生成行銷文案，擴大客戶的覆蓋面。我在此穿插了一個實作，要求學生詢問AI什麼是「CTA」（Call to Action，行動呼籲），並請他們扮演行銷人員，要求AI針對製造業採購主管生成帶有CTA的社群文案。學生立即產出了如「你想降低20%的成本嗎？立即下載製造業數位行銷白皮書」等具體文案。
- 評估階段（Evaluation）：在中層，當客戶進到網站開始「問東問西」時，AI能提供24小時即時回覆，其最大價值在於「留住潛在客戶」，不讓他們因為等待業務人員上班而流失。
- 轉換階段（Conversion）：在底層，AI可以根據對話判斷客戶意圖，並即時提供60天試用方案或客製化報價，促成最終的轉換與成交。
- 留存階段（Retention）：成交後，AI還能自動化地定期追蹤客戶使用狀況，提醒續約，達到客戶留存的目的。
透過這段演練，學生不僅學會了行銷漏斗的理論，更清楚看到了AI技術如何精準對接商業流程中的每一個痛點。
肆、 逆向思考：發掘AI的商業致命傷
既然AI的好處如此明顯，為什麼個案中仍有人（如業務主管Mark與大客戶Tyrell）堅決反對？我將發言權交給了那8位投下反對票的同學，並引導全班再次使用AI去深挖反對的深層理由。
學生透過AI摘要與小組討論，逐漸描繪出反對者的核心考量：
- 缺乏人際關係的深度：B2B銷售往往不僅僅是規格與價格的比較，更依賴於信任的建立。大客戶Orion的CEO拒絕AI，正是因為高價值的交易需要業務人員透過喝咖啡、應酬等互動來維繫感情，這是冰冷的機器人無法取代的。
- 錯失隱藏商機：呼應Mark的觀點，人類業務員具有高度的「商業直覺」。當客戶來詢問A產品時，優秀的業務能透過察言觀色與經驗判斷，成功推銷出利潤更高的B產品（交叉銷售）。AI目前難以具備這種主動追問與理解客戶「潛在意圖」的能力。
- 錯誤回覆的風險：學生指出，AI有可能因為誤判客戶需求而給出錯誤的承諾或不精準的回答，這在重視專業與精確的B2B領域是致命的。
伍、 破除科技迷思：一場揭露AI幻覺的現場實驗
為了解釋「錯誤回覆的風險」究竟有多嚴重，我在課堂上拿出我經典的練習，讓學生親眼見證生成式AI的不可靠性。
我請全班同學在他們的AI工具中開啟一個全新的對話視窗，輸入以下指令：「請幫我推薦2個北部的連假旅遊行程」。 接著，我請他們再開啟另一個全新的對話視窗，輸入完全相同的指令，唯一的差別是將阿拉伯數字的「2」改成中文國字的「兩」：「請幫我推薦兩個北部的連假旅遊行程」。
當結果產出後，我請學生比較這兩次生成的行程是否完全一致。結果如我所料，多數學生發現，僅僅是因為「2」與「兩」的微小差異，AI給出的行程安排、語氣、甚至推薦的景點都出現了極大的分歧。
這時，我向全班拋出了一個直指核心的問題：「各位，如果你知道這個AI只因為用戶問法中一個字的不同，就會得出完全不一樣的結果，你還會信任它，並將它作為你公司的客服機器人嗎？你會放心讓它去面對你最重要的客戶嗎？」
全班陷入了沈思，許多原本支持導入的學生紛紛搖頭表示「不敢」。
我進一步向他們解釋了背後的技術原理。生成式AI在本質上就是一個高度複雜的「文字接龍」機器。它根據上下文（Context）的機率分佈來預測下一個字，它並不真正「理解」人類的意圖，也沒有固定的資料庫來保證每次回答的一致性。在個人作業中使用，AI偶爾的「幻覺」（Hallucinations）或隨機性或許能激發創意；但在商業應用上，如果對同一個產品規格的詢問，AI在不同時間給出不同的報價或條件，這對企業信譽將是毀滅性的打擊。
陸、 尋找解方：導入RAG技術與其限制
既然AI有隨機性與正確性的問題，企業該如何確保AI銷售機器人每次都能產生一致且正確的答案？我再次要求學生向AI提問，尋找現有技術中的解決方案。
很快地，學生的AI畫面上出現了一個關鍵字：「RAG」（Retrieval-Augmented Generation，檢索增強生成）。
我請學生要求AI「用國中生也能理解的白話文來解釋RAG技術」。透過AI的解釋，學生理解到，RAG技術就像是給AI配備了一本「專屬參考書」。企業會將自家的產品型錄、報價單、銷售指引等資料進行切片（Chunking），轉換為向量空間（Vector Space）並儲存起來。當客戶提問時，系統會先在這些專屬資料中進行檢索，再將檢索到的確切內容餵給大語言模型，要求模型「僅根據這些資料」來生成回答。
然而，我也適時地潑了冷水。儘管RAG理論上能大幅提升準確度，但在實務上，要建立一個高效且精準的RAG系統極度困難且昂貴。要達到商業要求的「一致性」（風格與格式統一）相對容易，只要設定好護欄（Guardrails）即可；但要保證「100%的正確性」，在現今技術下仍是一個巨大的挑戰。
在經歷了這段結合商業邏輯與技術極限的震撼教育後，我進行了第二次的課堂投票。這一次，原本一面倒支持導入AI的學生，態度發生了巨大的轉變，許多人轉向反對或持保留態度。他們不再是盲目相信科技的「牆頭草」，而是因為深刻理解了技術背後的風險與商業代價，進而做出了更謹慎的決策判斷。
柒、 從理論走向實踐：LLM工具的高階應用示範
在奠定了穩固的認知基礎後，課程的後半段，我將重心轉向「如何帶領學生逐漸摸索現在LLM的應用工具使用方法」。我深知，我們不可能阻止學生使用生成式AI完成他們不樂意的作業。既然如此，我們就得讓他們徹底了解：生成式AI到底可以怎麼使用？什麼是好的用法？如何修正與更新？
這個過程，就是在教導他們何謂「Human-in-the-loop」（人在迴路中）與「Human-on-the-loop」（人在迴路上）的真諦，以及如何確切地掌握理論架構，並建立自己的論點。
為了讓實作更貼近真實，我帶入了一家真實世界的公司——HubSpot，這家公司正是個案中PulsePoint的現實原型。
1. 圖像生成與提示詞工程（Prompt Engineering）
我首先要求學生使用具備圖像生成能力的AI，輸入指令：「使用Infograph（資訊圖表）的方式，描繪HubSpot這家公司的核心業務以及運作流程」。
當學生產出各式各樣的圖表後，我進一步教導他們「提示詞疊加」（Prompt Iteration）的技巧。我請他們不要重新開啟對話，而是回到原本的指令進行修改，例如加上「採用繁體中文」或是「採用波士頓顧問集團（BCG）的嚴謹專業風格」。
接下來要看「資訊來源」。模型產出內容的依據是什麼？它是依賴預先訓練的資料，還是真的有連網搜尋？我要求學生直接問模型「訓練資料的截止日期」。同時，我也會提醒一個很現實的狀況：模型本身可能會給錯日期，所以絕對不能把它當作唯一權威。學生必須學會自己去查證，要求AI列出來源，或是主動把最新的資料整理好餵給它。我們在教的是一種工作習慣，任何要進入商業流程的內容，都必須可追溯且可驗證，重點從來就不只是學會操作一個軟體介面。
透過這個練習，學生親眼看到AI如何根據上下文記憶與指令限制，調整輸出的色系（如BCG偏好的綠色）與結構（更拘謹的流程圖）。同時，我也讓他們測試語言互換對圖像細節造成的影響，藉此讓他們理解AI模型在處理複雜任務時的「上下文長度限制」（Context Window）以及記憶力衰退的現象。
2. 突破資料封閉性：AI代理（AI Agents）與深度研究
接著，我向學生展示了目前AI技術的前沿：Agentive AI（代理型AI）。我請使用ChatGPT的學生開啟「Deep Research」（深度研究）功能，並設定一個研究題目：「研究台灣受到老齡化衝擊較為嚴重的鄉鎮地區，並說明政府應對策略與成效」。
學生驚訝地看著AI如何在畫面上自主規劃研究步驟、自行派發爬蟲上網搜尋最新資料、最後再將所有資訊統整為一篇結構完整的報告。我提醒學生，雖然AI代理能大幅提升資料蒐集的效率，但正因為資料來源龐雜，人類作為「監督者」進行事實查核（Fact-checking）的角色變得前所未有地重要。
3. 打造個人化的RAG系統：NotebookLM的深度解析
為了讓學生在日常學習中也能實踐RAG的概念，我花了大量時間介紹Google的NotebookLM工具。相較於ChatGPT或Gemini會無意識地產生幻覺，NotebookLM強制模型只能根據用戶上傳的資料進行回答，是目前最容易入手且免費的個人化RAG系統。
我帶著學生一步步實作：
- 系統提示詞（System Prompt）的設定：我展示了如何透過撰寫系統指令，強制NotebookLM扮演特定角色（如課程助教），並規範它在回答問題時必須符合APA學術格式，甚至要求它「不可直接給出答案，必須引導學生反思」。
- 格式標準化與工作流建立：我教導學生在Google文件中建立一個標準的輸出格式（例如：包含資料來源、作者、300字摘要、核心概念關聯性的表格），並將此格式文件匯入NotebookLM。隨後，只要下達指令要求AI「依據此格式整理選定的來源資料」，學生就能快速且穩定地產出高品質的讀書筆記。
- 突破檔案數量限制的進階技巧：針對NotebookLM免費版僅能上傳50個來源的限制，我示範了一個巧妙的解決方案：利用Google文件的「分頁」功能，將大量獨立的文本段落集中在單一文件中上傳。因為NotebookLM具備良好的光學字元辨識（OCR）與段落解析能力，它會自動將這些分頁視為獨立的檢索區塊（Chunks），從而將資源利用率最大化。
捌、 用作業倒逼自學能力
課程的最後，我連作業的設計，都是朝向建立學生自學能力的方向邁進。
我給學生安排了兩個挑戰： 第一，利用NotebookLM建構一個專屬的「個人學習知識庫」。他們必須設定明確的系統提示詞，並匯入包含Google文件、YouTube影片、上課錄音檔（Podcast）等多媒體資料來源。最終，他們必須運用這個知識庫，自動生成一份標準化報告、一段雙人對談的語音摘要（Audio Overview）、以及一份簡報大綱。 第二，我要求他們使用LLM協助撰寫一段HTML程式碼，生成一個個人專屬的數位履歷網頁。
在這些作業中，AI不再是幫他們「代寫作業」的工具，而是被轉化為幫助他們梳理龐雜資訊、構建知識體系的「強大認知擴充套件」。對於這些技術實作的長期學習成效評估，目前學界尚不確定其量化表現，但我深信這將是未來必備的核心技能。
回顧這堂三個小時的課，我從未禁止學生使用AI。相反地，我強迫他們在課堂上高強度地使用AI。當學生親身經歷了AI的隨機性、理解了RAG的限制、並學會了如何透過提示詞與格式規範來善用工具後，他們對生成式AI的態度才會改變。
