主講人：吳相勲

你與團隊的第一個由AI驅動的工作流程

元智創新數位化

今日的四個關鍵段落

AgendaStructure
現況與趨勢
從對話助手走向代理式工作
個人檢核
10 分鐘檢視你的 AI 使用方式
流程封裝
將工作方式轉化為可維護工作流
風險治理
隱私、資料與風險的實務管理

核心觀點：責任的重新分工

生成式 AI 帶來的，通常不是單一任務的加速，而是「工作責任的重新分工」。
  • 過去：靠人力把流程接起來。
  • 現在：開始用 AI 參與流程。
  • 未來：稀缺能力是讓流程「穩、可控、可追溯」。
> 真正關鍵：在出錯時能回溯、能修正、能留存紀錄。

第一部分：趨勢轉變

職場上的生成式 AI，正從「對話助手」走向「代理式工作」。我們將探討從輔助到系統化工作方式的演進。

轉變一：從輔助到可重複的工作方式

現狀：Chat UI 使用者


  • 開啟 ChatGPT/Gemini 交代任務。
  • 取得回覆後貼到文件修改。
  • 特徵：生成過程不透明，時間花在校對與補漏。

進階：系統化使用者


  • 將 AI 納入標準工作流程。
  • 特徵：可重複、可移植、可驗證。
  • 工具：Google AI Studio, Codex, Opal。

工具類別 1：模型試驗與原型環境

Google AI Studio


  • 功能：快速測試提示詞、切換模型、觀察輸出。
  • 重點：將對話框的做法整理成可重複、可移植的設定。
  • 價值：將實驗轉化為可呼叫的 API 設定。

工具類別 2：代理式程式開發工具

這類工具的重點不是「給你一段建議」，而是「協助完成一段可驗證、可回溯的工作」。
  • OpenAI Codex：雲端工程代理與工作台。
  • Anthropic Claude Code：終端機運作，理解程式庫並執行工作流。
  • 核心價值：能將任務拆開並行處理，具備 Agentic 特質。

新型營運風險：Agent 的穩定性

工具再強，也不會永遠穩定。
  • 案例：2026/02/03 Claude Code 發生短暫 outage。
  • 教訓：開發者被迫中止工作。
  • 對策：
1. 需要監控機制。
2. 需要備援方案。
3. 預先規劃「人工接手」流程。

工具類別 3：可分享的迷你應用

Google Labs Opal


  • 自然語言描述：描述流程，生成可視化 workflow。
  • 視覺化編輯：微調步驟、提示詞、模型與輸出。
  • 部署分享：將「多步驟提示＋工具呼叫」封裝成 mini-app。

轉變二：流程由 Agent 接手

什麼是 AI Agent？


在明確任務下，能自行規劃步驟、在必要時呼叫工具、把結果帶回並往下執行的系統。
  • 不只是對話：它做一串任務，而不只是一步。
  • 不只是文字：它會查資料、改文件、產報告、發通知。

檯面上與檯面下的差異

Analysis

真正決定 AI 能否上線、能否被信賴的，是隱藏在對話框背後的流程設計。
維度檯面上 (對話框)檯面下 (流程設計)
內容輸入與輸出文字模型選擇、引用資料
關鍵回覆速度驗證機制、存檔派發
價值解決當下問題可靠性與可治理性

Agent 工作三段論

FrameworkProcess
❶ 脈絡建立
問題意識、目標設定、參考資料與限制。
❷ 生成過程
模型選擇、工具呼叫 (Web Search, 文件讀取)。
❸ 驗證交付
事實核對、格式轉換、責任歸屬。
❸ 風險控制
防止錯誤連鎖效應，強化偵錯與回放。

第一階段：脈絡建立 (Context)

這一段若做不好，模型再強也只是在猜。

1. 問題意識：要解決什麼核心問題？
2. 目標設定：預期的最終產出為何？
3. 規範與限制：有哪些不可逾越的紅線？
4. 參考資料：提供正確的背景資訊。

第二階段：生成與模型選擇

不同模型的特性差異很大，需依任務切換。
  • 快速模型：產出初稿、簡單分類。
  • 推理/思考型模型：複雜邏輯、複核驗證。
  • 工具呼叫：Web Search、讀取試算表，避免憑空推論。
> 範例：GPT-5.2 Thinking 模式提供 Standard/Extended 思考時間切換。

第三階段：輸出驗證與交付

AI 的文字容易「看起來合理」，但責任仍在使用者身上。
  • 驗證內容：事實、數字、來源、引用、內規。
  • 交付形式：PPT, DOC, PDF, 公文, 或 Mini-app。
  • 可視化偵錯：例如 Opal 強化 step-by-step debugging，定位多步驟流程中的錯誤。

校務情境示範：五大 Agent 角色

將「外部市場資訊掃描＋議題研究＋內部決策簡報」拆解為系統化流程。

角色 1 & 2：資訊掃描與議題研究

1. 市場資訊掃描 Agent：
  • 掃描競爭學校、政策新聞、論壇。
  • 輸出：可追溯的摘要＋來源連結。
2. 議題研究與探究 Agent：
  • 判斷追蹤價值 (影響招生、政策資源)。
  • 補充研究：相似案例、校內脈絡、政策細節。

角色 3 & 4：檢核與策略分析

3. 資料檢核與驗證 Agent：
  • 自動化稽核：檢查扭曲原文、引用是否存在、數字一致性。
4. 策略分析與總結報告 Agent：
  • 轉化為決策語言：影響、應對、資源調整、長期定位。
  • 關鍵：引用「受管知識庫」而非依賴 AI 記憶。

角色 5：文檔自動化與派發

1. 內容轉格式：轉成網頁、試算表或 PDF。
2. 人工把關：高層級文件 (教務長/學務長) 必須由人員確認後寄出。

> 結論：你不是被 AI 取代，而是被「能把 AI 管得住的人」取代。

第二部分：個人使用方式檢視

用 10 分鐘練習，看見你的時間到底花在哪裡。卡點通常不在「生成」，而在「準備」與「驗證」。

練習：找出三則高價值對話

請打開 ChatGPT 或 Gemini，找出最近三則你認為對工作有價值的對話。
  • 觀察點 1：回合數
  • 一問一答：查資料性質。
  • 多輪追問：協作寫作或分析性質。
  • 反映：你是直接拿答案，還是把 AI 當成共同工作者？
input +
Interaction

你的對話回合數有多少？ 你的多輪追問是協助你改善寫作品質，還是只需要求它產生不同的寫法而已？

觀察點 2：目標與脈絡是否清楚

交付物規格


  • 是否明確說明格式？ (Email, 10頁簡報, 分析報告)
  • 規格越明確，結果越精準。

脈絡 (Context)


  • 格式：提供範本或版型。
  • 內容：提供政策、會議紀錄、附件。
  • 規矩：設定邊界 (不捏造、不輸出個資)。
input +
Interaction

你的交付規格在對話中，是由你明確地提出，還是由 AI 提醒你需要提供交付的內容呢？

工具定位與輔助

工具核心定位
ChatGPT Projects集中管理檔案、指令與對話，降低重複貼上成本
Gemini Gems封裝常用指令與角色，建立「自訂專家」
NotebookLM基於來源資料整理，產出 Slide Deck (PDF)

Analysis

這些工具能幫助你將「脈絡」與「規矩」固定下來，減少每次對話的溝通成本。

觀察點 3：模型選擇與驗證行為

不要用感覺評估，改用行為檢查：

1. 是否要求附上來源？
2. 是否抽查原文與關鍵數字？
3. 是否在錯誤後調整提示詞 (SOP)，而非只要求重寫？
4. 是否區分「不可錯」與「可接受模糊」的任務？
input +
Interaction

你花多少時間查驗資料正確性呢？還是你直接將結果作為簡報或是文件的關鍵內容呢？

互動思考：SOP 化意願

「如果把你剛才那三則高價值對話交給 AI，請它整理成一份你自己可重複使用的 SOP，你願不願意？」
  • 行政工作中有一大部分可以半自動化。
  • 越早整理流程，越早從「會用」走向「能管」。
input +
Interaction

如果你願意做成一份接下來可重複使用的 SOP，請問你知道應該怎麼做嗎？

第三部分：封裝可維護流程

Opal 是很好的入口，但要放在對的位置。學習如何將腦中的流程變成他人也能使用的工具。

Opal vs. 專業工作流引擎

Google Labs Opal


  • 適合「多步驟、可分享、可回放」的迷你應用。
  • 自然語言建立，視覺化編輯。

n8n / Zapier / Make


  • 適合企業級跨系統整合。
  • 複雜觸發、嚴格排程、權限治理。

Opal 核心組件

OpalComponents
User Input
收集文字、圖片等使用者輸入。
Generate
選模型、寫提示詞、引用前步資料。
Output
控制輸出形式 (網頁、Google Sheets)。
Assets
上傳範本、規範文件作為參考脈絡。

Opal 管理功能

  • Console：查看每一步執行狀態、輸入輸出與除錯線索。
  • 版本歷史：可隨時回溯到之前的穩定版本。
  • 儲存形式：以檔案形式存在 Google Drive，便於管理。

案例示範：公文歸類與資訊探勘

目標：將 PDF 公文轉為結構化 Sheets 欄位，並產出主題趨勢摘要。
參考檔案連結

公文流程拆解 (Step 1-3)

1. User Input：上傳公文 PDF 並輸入收文日期。
2. Generate (抽取欄位)：依 Schema 提取來文機關、主旨、速別。*要求：不確定就標註 unknown。*
3. Output：寫入 Google Sheets，建立可查詢資料表。

公文流程拆解 (Step 4-5)

4. Generate (分類摘要)：依部門需求做標籤，產出「本週新增、需決策、可能過期」摘要。
5. Output：生成網頁式報告，或寫回 Sheets 形成週報底稿。

> 價值：得到的是可搜尋、可統計的資料表，而非散落文字。

Opal 隱私與資料使用

根據官方 FAQ：
1. 不訓練：Prompts 與 Outputs 不會用來訓練 Google 的生成式 AI 模型。
2. 人工審查：極少數情況下，人類可能審查部分內容用於除錯。
3. 建議：涉及高度敏感資料 (個資、機密) 仍需去識別化。

排程與自動化路徑

Analysis

選擇工具時，應優先考慮任務的複雜度與治理需求。
需求建議工具
排程查詢資訊Gemini Scheduled Actions
可分享 Mini-appGoogle Labs Opal
跨系統/嚴格權限n8n / Zapier / Make

第四部分：隱私、資料與風險

不要用一句話定生死。AI 的安全性取決於「方案、設定、資料敏感度」三者的交集。

OpenAI 隱私政策解析

個人方案 (ChatGPT)


  • 預設可能用於改進模型。
  • 對策：關閉「Improve the model for everyone」。

企業/教育方案


  • ChatGPT Team / Enterprise / Education。
  • 政策：客戶內容預設不拿去訓練。

Memory vs. 訓練資料

這兩個概念常被混淆：
  • Memory (記憶)：為了記住你的偏好 (可關閉)。
  • 資料共享 (訓練)：決定內容是否被拿去餵模型。
> 關鍵：Memory 是偏好管理；資料共享才是隱私核心。

Google Workspace for Education

  • 企業級保護：強調 Enterprise-grade data protections。
  • 內容不訓練：教育方案通常不將內容用於模型訓練。
  • 治理建議：仍需建立校內內規，明確哪些資料不可提交。

去識別化實務：以獎學金審查為例

不追求完美，先建立可執行的底線流程。

去識別化四步驟

1. 資料最小化：只提供事蹟、成績，不提供姓名、學號。
2. 代碼化：將姓名換成 A001, A002。
3. 對照檔隔離：對照表存放在校內受管空間，不隨資料上傳。
4. 流程化：將前處理變成固定步驟，不靠記憶操作。

校務研究 (IR) 的治理議題

即使去識別化，資料仍可能反映經營策略。
  • 哪些資料可交由 AI 分析？
  • 分析結果如何保存與分享？
  • 如何避免策略資訊外流？
> 這是一個治理議題，而不只是個資議題。

結語：回去就能做的四個動作

ActionSummary
挑選任務
找一個規格固定的每週任務 (如公文摘要)。
整理清單
用「脈絡-生成-驗證」整理出檢核清單。
封裝流程
利用 Projects, Gems 或 Opal 固化流程。
持續更新
設定每月稽核，確保流程持續可用。

最終使命：從使用者走向管理者

生成式 AI 的價值，不在於今天多快寫出一段文字。

而在於你能否把「做對」變成：
  • 可重複
  • 可交接
  • 可維護
> 掌握流程，你就是 AI 時代的管理者。

Form Follows Function

感謝聆聽