第二章 AI愈會回答，人的思考愈要先找到問題
第一節 答案很多之後，問題反而更稀缺
取得答案的成本正在快速下降
過去很長一段時間，知識工作的瓶頸在於「找不到答案」。一個人遇到陌生問題，可能要先去圖書館、翻查專業書籍、詢問有經驗的前輩，再把零散資料慢慢拼起來。網路普及之後，搜尋引擎大幅降低了取得資訊的門檻，但使用者仍然需要自己閱讀、比較、整理與判斷。生成式AI出現後，這個流程又往前推了一大步。人只要用自然語言提出問題，就可能在幾秒內得到摘要、比較、草稿、分析架構，甚至直接產出一份看起來完整的建議。
這種變化不是單純的使用感受。史丹佛大學《2025 AI Index Report》指出，達到GPT-3.5相近能力水準的模型，其推論成本從2022年11月每百萬token約20美元，降到2024年10月約0.07美元，降幅超過280倍。模型本身也在變小、變快、變便宜。這代表高階文字生成與分析能力，已經從少數人的昂貴工具，快速轉成一般工作者可以頻繁使用的基礎能力。
答案變便宜之後，工作的價值自然會重新分配。以前花兩個小時整理一份產業資料，可能已經足以形成差距；今天相同的初步整理，也許幾分鐘就能完成。這不表示人的價值變低，而是人的價值開始離開「把資料找出來」本身。當所有人都可以快速取得一份看起來合理的答案，差距就會逐漸移到另一端：到底問了什麼、漏掉什麼、答案是否適用，以及最後準備拿這個答案做什麼。
錯的問題也能得到漂亮答案
生成式AI最容易讓人產生的誤解，是把回答品質和問題品質混在一起。工具可以把一句模糊的要求整理成流暢文字，也能替一個錯誤前提補上看似完整的理由。文字越自然、結構越完整，使用者反而越容易忽略最前面的問題：一開始問的事情是不是對的。
假設一家公司發現業績下降，直接要求AI回答「如何提高業務人員成交率」，工具可以迅速提供訓練、話術、CRM管理、獎金制度與客戶分級等一整套建議。這些內容本身未必錯，但業績下降的原因也可能是產品失去競爭力、價格過高、通路改變，甚至主要客群本身正在縮小。如果問題一開始被定義成「業務不會賣」，再好的回答都只會沿著錯誤方向變得更加完整。
這正是AI能力提高之後產生的新瓶頸。以前資訊不足時，人至少知道自己不知道；現在更麻煩的情況，是很快就能得到一份足以讓人產生信心的答案。回答的完整程度不再能證明前提正確，文字品質也不能代替問題品質。AI降低了產生答案的成本，也同時提高了人對問題定義能力的要求。
美國國家經濟研究局研究生成式AI導入客服工作的效果時發現，AI工具確實能提高部分工作的生產力。在5,179名客服人員的資料中，使用生成式AI輔助的員工，平均每小時解決問題的數量提高約14％，而效果在經驗較少、原本績效較低的員工身上更加明顯。這說明AI很適合把已存在的知識、經驗與標準做法更快送到工作者手上。但工具能更快提供方法，和組織有沒有問對問題，仍然是兩件不同的事情。
工作問題通常不是一句問句
真實工作中的問題，很少像考試一樣被整理成完整題目放在桌上。主管說「客戶最近抱怨很多」，這首先是一個現象；同事說「這個流程很沒效率」，這是一個判斷；營收下降、人才流失、專案延誤，也都只是結果。工作問題，通常藏在這些現象背後，需要先把「發生了什麼」和「為什麼會發生」分開。
以客戶抱怨增加為例，公司可以立刻把問題定義成客服品質下降，也可以繼續往下看。抱怨可能集中在產品出貨、帳務、售後服務，也可能只發生在某一類新客戶。若抱怨是因為產品規格說明與實際使用情境不同，再增加客服人力只能更快處理抱怨，無法減少抱怨本身。若原因是物流延遲，要求客服接受更多溝通訓練，也只是把資源放在症狀上。
工作需求也經常和問題不同。主管要求「做一份競爭對手分析」，表面需求是一份報告，但他需要的可能是決定價格是否調整；要求「整理最近的AI趨勢」，實際上可能是評估某個部門是否值得導入工具。如果工作者只接受表面任務，很容易把大量時間用在增加資料量。先知道這份工作最後要支援什麼行動，資料範圍反而更容易收斂。
這也是問題定義需要先於答案生成的原因。AI可以回答一句問句，工作者則需要先確認那句問句是否真的代表問題。需求、症狀、原因與待做決定之間如果沒有分開，工具只會讓原本模糊的工作更快往前跑。速度變快，方向錯誤造成的浪費也會跟著放大。
好問題會縮小無效工作的範圍
問題定義看起來像是多花一道時間，實際上卻可能是最直接的效率工具。很多職場低效率並不代表工作做得太慢，是一開始就做了太多不需要做的事情。主管要求一份三十頁報告，員工花數天蒐集資料，最後開會時才發現決策者想知道的只有兩件事：市場需求有沒有改變，以及現在是否值得增加投資。前面的工作不一定沒有品質，只是大部分沒有進入最後的決定。
一個較好的問題會主動設定範圍。例如「競爭對手最近做了什麼」可以產生大量資訊；「過去一年三個主要競爭對手有哪些價格調整，這些調整是否影響我們最重要的客群」就會明顯縮小搜尋範圍。前者追求知道更多，後者先界定什麼資訊值得知道。問題一旦清楚，資料蒐集、分析方法與完成標準也會隨之清楚。
生成式AI讓這種差異更加明顯。當生成內容的速度提高，組織若沒有先限制問題，最容易得到的反而是更多文字、更多版本與更多看似可用的選項。每一份內容都需要閱讀、驗證與選擇，最後可能把原本節省的時間重新花在篩選上。工具提高產量並不自動提高效率，因為稀缺的已經不是「還能不能再產生一個答案」，而是「這個答案值不值得被產生」。
好問題的功能因此不只是引導思考，也是在替工作劃界線。它告訴人哪些資訊現在沒有必要找，哪些分析暫時不用做，哪些問題應留到更多資料出現後再處理。
人的價值開始往問題端移動
富比士在二十世紀初談「思考」時，已經注意到一件很有意思的事情：當機械開始承擔越來越多重複性工作，人需要發展的是更高層次的思考能力。當時他面對的是工業機械與大量生產，今天的工作者面對的則是能閱讀、摘要、生成文字、編寫程式與整理資料的AI。工具完全不同，問題卻有相似之處：當一部分原本需要人完成的工作變得容易，人應該把自己的能力放在哪裡。
現在已經可以看見一部分答案。微軟2026年的工作趨勢研究指出，AI正把更多高階認知工作帶進一般工作流程，同時提高判斷、意圖清晰度與工作設計的重要性；受訪AI使用者最常認為變得更重要的人類能力，也包括AI輸出的品質控制與批判思考。這並不意味著人只負責提出問題、機器負責其他一切，而是工作重心正在改變：取得初步答案越來越容易，確認問題、設定條件、辨認錯誤與理解情境的價值反而提高。
人的優勢也不需要被神化成某種AI永遠不可能擁有的特殊能力。更實際的理解是，工作中的人身處具體環境。他知道公司有哪些限制、這個客戶在意什麼、團隊能承受多少成本、哪些結果會造成實際後果。這些情境決定了什麼問題值得先問，也決定一份答案是否真的能使用。
AI讓答案變多之後，思考的起點便往前移了一步。以前工作者最容易問的是「答案在哪裡」；現在更需要先確認「我們究竟在解決什麼」。只要這個問題仍然模糊，回答得再快，也可能只是更有效率地走向錯的方向。稀缺的，不再只是知道答案的人，而是能在大量答案出現之前，先把值得回答的問題找出來的人。
第一節 答案很多之後，問題反而更稀缺
取得答案的成本正在快速下降
過去很長一段時間，知識工作的瓶頸在於「找不到答案」。一個人遇到陌生問題，可能要先去圖書館、翻查專業書籍、詢問有經驗的前輩，再把零散資料慢慢拼起來。網路普及之後，搜尋引擎大幅降低了取得資訊的門檻，但使用者仍然需要自己閱讀、比較、整理與判斷。生成式AI出現後，這個流程又往前推了一大步。人只要用自然語言提出問題，就可能在幾秒內得到摘要、比較、草稿、分析架構，甚至直接產出一份看起來完整的建議。
這種變化不是單純的使用感受。史丹佛大學《2025 AI Index Report》指出，達到GPT-3.5相近能力水準的模型，其推論成本從2022年11月每百萬token約20美元，降到2024年10月約0.07美元，降幅超過280倍。模型本身也在變小、變快、變便宜。這代表高階文字生成與分析能力，已經從少數人的昂貴工具，快速轉成一般工作者可以頻繁使用的基礎能力。
答案變便宜之後，工作的價值自然會重新分配。以前花兩個小時整理一份產業資料，可能已經足以形成差距；今天相同的初步整理，也許幾分鐘就能完成。這不表示人的價值變低，而是人的價值開始離開「把資料找出來」本身。當所有人都可以快速取得一份看起來合理的答案，差距就會逐漸移到另一端：到底問了什麼、漏掉什麼、答案是否適用，以及最後準備拿這個答案做什麼。
錯的問題也能得到漂亮答案
生成式AI最容易讓人產生的誤解，是把回答品質和問題品質混在一起。工具可以把一句模糊的要求整理成流暢文字，也能替一個錯誤前提補上看似完整的理由。文字越自然、結構越完整，使用者反而越容易忽略最前面的問題：一開始問的事情是不是對的。
假設一家公司發現業績下降，直接要求AI回答「如何提高業務人員成交率」，工具可以迅速提供訓練、話術、CRM管理、獎金制度與客戶分級等一整套建議。這些內容本身未必錯，但業績下降的原因也可能是產品失去競爭力、價格過高、通路改變，甚至主要客群本身正在縮小。如果問題一開始被定義成「業務不會賣」，再好的回答都只會沿著錯誤方向變得更加完整。
這正是AI能力提高之後產生的新瓶頸。以前資訊不足時，人至少知道自己不知道；現在更麻煩的情況，是很快就能得到一份足以讓人產生信心的答案。回答的完整程度不再能證明前提正確，文字品質也不能代替問題品質。AI降低了產生答案的成本，也同時提高了人對問題定義能力的要求。
美國國家經濟研究局研究生成式AI導入客服工作的效果時發現，AI工具確實能提高部分工作的生產力。在5,179名客服人員的資料中，使用生成式AI輔助的員工，平均每小時解決問題的數量提高約14％，而效果在經驗較少、原本績效較低的員工身上更加明顯。這說明AI很適合把已存在的知識、經驗與標準做法更快送到工作者手上。但工具能更快提供方法，和組織有沒有問對問題，仍然是兩件不同的事情。
工作問題通常不是一句問句
真實工作中的問題，很少像考試一樣被整理成完整題目放在桌上。主管說「客戶最近抱怨很多」，這首先是一個現象；同事說「這個流程很沒效率」，這是一個判斷；營收下降、人才流失、專案延誤，也都只是結果。工作問題，通常藏在這些現象背後，需要先把「發生了什麼」和「為什麼會發生」分開。
以客戶抱怨增加為例，公司可以立刻把問題定義成客服品質下降，也可以繼續往下看。抱怨可能集中在產品出貨、帳務、售後服務，也可能只發生在某一類新客戶。若抱怨是因為產品規格說明與實際使用情境不同，再增加客服人力只能更快處理抱怨，無法減少抱怨本身。若原因是物流延遲，要求客服接受更多溝通訓練，也只是把資源放在症狀上。
工作需求也經常和問題不同。主管要求「做一份競爭對手分析」，表面需求是一份報告，但他需要的可能是決定價格是否調整；要求「整理最近的AI趨勢」，實際上可能是評估某個部門是否值得導入工具。如果工作者只接受表面任務，很容易把大量時間用在增加資料量。先知道這份工作最後要支援什麼行動，資料範圍反而更容易收斂。
這也是問題定義需要先於答案生成的原因。AI可以回答一句問句，工作者則需要先確認那句問句是否真的代表問題。需求、症狀、原因與待做決定之間如果沒有分開，工具只會讓原本模糊的工作更快往前跑。速度變快，方向錯誤造成的浪費也會跟著放大。
好問題會縮小無效工作的範圍
問題定義看起來像是多花一道時間，實際上卻可能是最直接的效率工具。很多職場低效率並不代表工作做得太慢，是一開始就做了太多不需要做的事情。主管要求一份三十頁報告，員工花數天蒐集資料，最後開會時才發現決策者想知道的只有兩件事：市場需求有沒有改變，以及現在是否值得增加投資。前面的工作不一定沒有品質，只是大部分沒有進入最後的決定。
一個較好的問題會主動設定範圍。例如「競爭對手最近做了什麼」可以產生大量資訊；「過去一年三個主要競爭對手有哪些價格調整，這些調整是否影響我們最重要的客群」就會明顯縮小搜尋範圍。前者追求知道更多，後者先界定什麼資訊值得知道。問題一旦清楚，資料蒐集、分析方法與完成標準也會隨之清楚。
生成式AI讓這種差異更加明顯。當生成內容的速度提高，組織若沒有先限制問題，最容易得到的反而是更多文字、更多版本與更多看似可用的選項。每一份內容都需要閱讀、驗證與選擇，最後可能把原本節省的時間重新花在篩選上。工具提高產量並不自動提高效率，因為稀缺的已經不是「還能不能再產生一個答案」，而是「這個答案值不值得被產生」。
好問題的功能因此不只是引導思考，也是在替工作劃界線。它告訴人哪些資訊現在沒有必要找，哪些分析暫時不用做，哪些問題應留到更多資料出現後再處理。
人的價值開始往問題端移動
富比士在二十世紀初談「思考」時，已經注意到一件很有意思的事情：當機械開始承擔越來越多重複性工作，人需要發展的是更高層次的思考能力。當時他面對的是工業機械與大量生產，今天的工作者面對的則是能閱讀、摘要、生成文字、編寫程式與整理資料的AI。工具完全不同，問題卻有相似之處：當一部分原本需要人完成的工作變得容易，人應該把自己的能力放在哪裡。
現在已經可以看見一部分答案。微軟2026年的工作趨勢研究指出，AI正把更多高階認知工作帶進一般工作流程，同時提高判斷、意圖清晰度與工作設計的重要性；受訪AI使用者最常認為變得更重要的人類能力，也包括AI輸出的品質控制與批判思考。這並不意味著人只負責提出問題、機器負責其他一切，而是工作重心正在改變：取得初步答案越來越容易，確認問題、設定條件、辨認錯誤與理解情境的價值反而提高。
人的優勢也不需要被神化成某種AI永遠不可能擁有的特殊能力。更實際的理解是，工作中的人身處具體環境。他知道公司有哪些限制、這個客戶在意什麼、團隊能承受多少成本、哪些結果會造成實際後果。這些情境決定了什麼問題值得先問，也決定一份答案是否真的能使用。
AI讓答案變多之後，思考的起點便往前移了一步。以前工作者最容易問的是「答案在哪裡」；現在更需要先確認「我們究竟在解決什麼」。只要這個問題仍然模糊，回答得再快，也可能只是更有效率地走向錯的方向。稀缺的，不再只是知道答案的人，而是能在大量答案出現之前，先把值得回答的問題找出來的人。
