ChatGPT、Claude、Gemini三大生態系並行，N8N、Zapier等自動化工具持續演進，俗稱「小龍蝦」的OpenClaw掀起一波「安裝又棄養」的風潮，每隔幾週就有新名詞需要重新認識。
企業與個人投入大量時間在工具的選擇與切換之間，效率卻未必隨之提升，工作者往往還沒搞清楚自己要解決什麼問題，就已經陷入工具焦慮的循環。
本集未來城市邀請Aiworks校長黃琇琳，從模型選擇、功能應用到資安風險，分析知識工作者真正需要建立的AI實戰思維。
未來城市Podcast EP.126
▹ 未來主持人：未來城市頻道資深總監 陳芳毓
▹ 未來大來賓：Aiworks校長 黃琇琳
▹ 訪談精華：
主持人問（以下簡稱問）：您曾說AI Agent可以讓工作者從「搬磚的人」變成「指揮官」。但很多人用了AI之後，只是從一個工具搬到另一個工具，要轉換為「指揮官」的關鍵是什麼？
黃琇琳（以下簡稱黃）：搬磚者和指揮官最大的差異，在於是否清楚認識自己的工作流程。
早期，大家習慣用對話視窗跟ChatGPT一來一回，把AI當助理，分配一些單點任務給它，這種模式本質上還是工具思維。
指揮官的思維則是：先定方向，再讓AI跑完整的流程，真正賦予它責任去執行一段任務。
這個轉變需要使用者先自問：這個工作任務的目標是什麼？期望的產出標準是什麼？流程裡有哪些關鍵步驟？有了這份認知，才能清楚定義每個階段的輸入內容、預期產出與中間的處理邏輯。
這些是讓AI真正跑起來、而非每次靠對話推進的前提。
問：ChatGPT、Claude、Gemini三大語言模型及其週邊服務各有什麼定位？不同類型的工作者該怎麼挑選適合的模型？
黃：三大宇宙各有各的所長，沒有絕對的優劣，端看要解決的問題是什麼。
- ChatGPT：對準最廣泛的消費族群，走通用型知識平台路線，上手容易，也串接Notion、Google Workspace等常用App，各種類型的知識工作者都能快速使用。
- Claude：在工程師社群大受歡迎，架構能力是核心強項，給定一個產品概念，就能完整生成一套軟體服務或網站。Claude Cowork已可直接操作本機資料夾，工具串接能力持續延伸。
- Gemini：強項是與Google Workspace的深度整合，跨軟硬體的生態系是其他兩者難以複製的。NotebookLM的多元輸入與影音、簡報輸出能力，也是它目前最具代表性的殺手級應用。
實際上，同一個工作者跨用兩個生態系很常見。
更值得關注的新趨勢是：微軟的Copilot最近推出了深度研究模組，用Claude做深度研究，再用OpenAI的模型做交叉檢核，透過不同模型相互驗證來降低幻覺風險。
AI Works內部也有類似做法，對準確性要求高的任務，會再丟給另一個Agent確認正確性。
問：現在很多AI平台都有「深度研究」（Deep Research）功能，它和平常對話式查資料有什麼本質上的差別？適合用在哪類任務？
黃：很多人查資料時，還是沿用Google關鍵字搜尋的慣性思維，結果拿到的是高度片段、缺乏全貌的資訊。「深度研究」的邏輯不一樣，更像是一位有能力的研究員：給它一個研究目標，它會先思考要從哪些視角切入，包含研究對象、資料來源的類型、比較的維度、輸出的格式，接著才開始執行。
這是「慢想」，而不是「快思」。
啟動深度研究時，模型會先羅列幾條待釐清的方向並逐一推進，確認之後才開始大量搜尋，資料來源的廣度與資訊整合的深度，都遠超一般對話模式。
這種功能特別適合需要洞察力的任務，例如競品分析、市場調查或定價策略研究。使用時仍要記得給足背景、任務與限制，有些模型版本還會主動反問釐清，這些都能拉高準確性。
問：ChatGPT的Project、Claude的Skill都是常用的AI功能，在實際工作中能解決什麼問題？
黃：Project是一種分類管理機制。你可以在ChatGPT裡開一個專案，設定知識庫，可以直接連結Google Workspace或上傳檔案，再寫好System Prompt，也就是系統層級的提示詞，告訴AI期待的產出方向與口吻。
這樣一來，在這個專案裡的所有對話，AI都會自動帶入預先設定的脈絡，不需要每次重新複製貼上。對內容工作者而言，管理不同通路的貼文風格或不同品牌的行銷素材，Project是很自然的解法。
Skill則更像是一份可被重複呼叫的SOP。AI本身有原生的技能，例如呼叫Python做數據分析，或生成PDF檔案；但你也可以把自己工作中重複的流程寫成客製化Skill。
以名片整理為例，以名片整理為例，我習慣一次拍攝多張名片，將這套流程訓練成Skill後，模型能自動辨識單張照片內的多張名片、完成欄位解析、寫入Google Drive指定資料夾，再同步至CRM系統。
寫成Skill之後，模型每次只需在適當時機從工具箱取出對應工具，既省去每次現場試錯的成本，也不會因為堆疊指令而塞爆Context Window。
需要特別提醒的是，網路上流通的第三方Skill中，有一定比例內嵌惡意指令，會驅使模型下載有問題的軟體。使用前務必逐字審閱內容，不能只憑名稱與描述判斷。
問：在安全性上，使用AI Agent時有哪些容易被忽略的風險？
黃：個人使用層面，最重要的習慣是「先預覽後執行」。AI的能力愈來愈強，可以直接在電腦上操作資料夾、刪除檔案，每一個授權提示都值得認真看，不要因為覺得煩就一路按Yes。
刪除類的操作要特別謹慎，如果是複雜任務，建議給AI一個乾淨的沙盒環境，只連接授權存取的資料來源，降低意外風險。
企業使用層面，有幾件事更不容忽視。
首先是「零訓練」設定，也就是餵入模型的資料，要確認不會被用於後續的模型訓練。
ChatGPT的預設是開啟的，要手動關掉；Claude同樣需要確認；Gemini個人版沒有辦法調整，企業版的預設則是關閉的。
其次是資料有沒有被送出去到外部雲端廠商。
以OpenClaw為例，不少使用者誤以為模型運算發生在本機的Mac Mini上，實際上資訊依然是往外送到外部AI模型，包含健保卡等個人敏感資料都有人直接餵進去。先不論個人的資安風險，在企業場景裡，這樣的操作在個資法規上有相當大的法律風險。
問：N8N、Zapier這類自動化工具還有價值嗎？AI Agent能力愈來愈強，會不會直接取代它們？
黃：自動化工具和AI Agent適合解決的問題類型不同，不會單純被取代。
自動化工具的核心優勢是穩定性，規則設定好之後，每次執行結果完全一致，成本也相對可控，部分RPA工具甚至跑完不需要付費。AI Agent每次執行前需要先推理、判斷要呼叫哪個Skill，成本結構不一樣，也有機率帶來些微的結果差異。
高頻、穩定、規則清晰的任務，交給自動化工具仍然是最好的選擇。
AI Agent適合插入那些以前自動化無法處理的高變動環節，例如訂單與發票之間出現異常時，有很多種除錯可能，就很適合讓AI介入判斷原因。
更完整的做法是讓AI擔任指揮官，在前端判斷情境，決定要啟動哪一段自動化流程，兩者分工互補，整體可以處理的範圍就會拉得更廣。
問：三大AI生態系各有擁護者，跨平台又有磨合成本。面對工具焦慮，該怎麼決定用哪個工具？有沒有一套簡單的選擇原則？
黃：解決工具焦慮的方法，不是學更多工具。回歸到自身的工作與生活，先釐清有沒有真正待解決的問題，有的話再去評估哪個工具最適合接入；若只是好奇試用，也無妨，但請先確認安全性風險再動手。
三大語言模型各有強項，沒有絕對最優解，適合在不同情境搭配使用。
對OpenClaw這類整合型工具也是一樣的邏輯，它24小時待命、Skill豐富、體驗流暢，但授權愈多、風險愈高，要不要用，取決於自身需求，以及願意承擔多少資安風險。
聽懂未來：關於學習AI時代的新工具，我還想知道更多⋯
未來城市給你更多知識補充包！
- 不會寫程式也能開發APP？Vibe Coding是神技還是話術？
- 前LINE總經理為何學Vibe Coding？只看報告不動手，AI時代會失去決策手感
- Agentic AI（代理式AI）是什麼？為何它是企業AI落地、解決缺工的最後一哩路？
想聽更多未來城市Podcast節目？
- 首播時間：隔週六播出。
- 頻道搜尋：天下雜誌Podcast頻道「聽天下」，或關注未來城市網站「未來城市Podcast」系列內容。
