元智大學終身教育部｜行政、校務與教學現場

AI 的新發展與趨勢

從工具熱潮走向工作編排

吳相勲 主任

03 / 工作方式

這三句話，對應三種責任關係

你問他答這是 Chat UI 的互動型態。由人提出問題，並由人判斷答案該如何取用。

你說他做這是 GPTs／Gems／Projects 的操作方式。人預先設定背景資訊、規則與產出格式，讓 AI 重複執行單一任務。

你排他動這是 Agentic AI 的運作架構。人妥善規劃目標、權限邊界、查核點與停止條件，AI 才能在既定範圍內穩定推進工作。

這項轉變的關鍵是劃清界線：哪些環節交由工具處理，哪些關卡必須由承辦人審核確認。

04 / 責任邊界

4D 架構：一項工作該怎麼分工？

DROP IT

先刪掉

這件事如果承擔責任不高、AI 也幫不上忙，請先檢視是否還有繼續執行的必要。

DELEGATE IT

交給 AI

技術成熟且出錯成本在可承受範圍內，很適合交由 AI 處理摘要、分類、格式轉換與例行資料整理。

DOUBLE-CHECK IT

人機協同把關

AI 負責快速整理與擬定初稿，真人逐項覆核內容並承擔最終成果責任。

DECIDE IT

由人決定

牽涉重大責任、複雜情境判斷或價值取捨的事項，一律保留給人拍板。

05 / 架構選項

地端與雲端，先不要急著二選一

01哪些資料可以離開校內環境？

02哪些工作需要即時更新、多人協作或串接外部服務？

03哪些任務的錯誤成本極高，必須全程保留人工核准？

04模型能力、建置成本與維運人力，長期由誰負責承擔？

05更換底層模型時，流程、權限、紀錄與累積的經驗能否順利保留？

地端或雲端是系統架構的選項，無須當作導入策略的起點。

06 / 導入混亂

工具問題背後，通常是決策問題

管理者的理解落差

光是「Agent」、「地端」或「Copilot」等名詞，不同單位的認知往往大不相同。名詞定義沒有先對齊，後續的採購與規範制定就難以聚焦。

第一線沒有進入決策

實際操作流程的同仁，最容易及早察覺例外狀況、權限漏洞與資料缺漏。等到原型開發完成才找同仁檢核，修正成本通常已經大幅提高。

07 / 元智現場

工具已經很多，下一步是降低混雜

平台已經存在

目前 Microsoft Copilot 已經整合進校內平台。

工具持續增加

同仁也在各類工作坊接觸過 ChatGPT、Gemini 與其他內建 AI 工具。

路線太多會變成成本

每項工具單獨看都有用處，但同一項行政工作若衍生出太多做法，整體的學習與溝通成本會直線上升。

對大學來說，先踏實打通一條穩定的工作流，效益遠高於同時啟用多款工具。

08 / 最小可行解

先選單一工具，架設一條簡易工作流

從哪裡開始

工作從哪裡啟動，輸入資料需要什麼規格

AI 做哪一段

AI 可以完成哪一段，絕對不能碰哪一段

何時停下來

流程走到哪裡必須強制停下來交由真人確認

如何接手

產出要存放在哪裡，下一個人該如何接手

維持簡單、方便共用且容易交接，AI 才能融入日常工作方法。

09 / 平台介面

Copilot Tasks、ChatGPT Work、Gemini Spark，可以先視為同一類介面

背景脈絡參考資料與工作情境

處理規則輸入、輸出與權限

查核點人工確認與停止條件

這裡著重於工作編排的觀念，並非指稱三款產品功能完全相同。實際名稱、權限範圍與可用功能，仍以校內帳號設定與資安管理規範為準。

11 / 工作流案例

19 天的日級紀錄，顯示工作量也顯示管理問題

19 天2026/08/05 至 08/23 期間，連續每日執行批次處理。

292 筆日級來源紀錄的總累計數量；包含不同日期重新開啟、背景脈絡與持續追蹤的資料來源。

至少 118 個日級事件候選總數；跨日出現的相同事件會自動合併，不能直接當成 118 個獨立事件。

19 封透過 Gmail Sent 精確比對主旨與收件者所確認的個人審查信；信件寄給本人，未證明有向校內其他單位進行分送。

12 / 每日節點

同一條工作流，讓不同角色知道何時接手

06:30｜公開資料蒐集依照既定主題庫、語言別與資料來源層級進行搜尋，完整保留可正常開啟的原始頁面。

07:30｜整理與分流合併重複事件、比對歷史紀錄、清楚劃分客觀事實、分析推論與行動建議，並初步指定主責單位。

08:00｜個人審查優先檢視高優先級與待確認事項，決定要保留、持續追蹤或退回重新查核。

交接與追蹤詳實記錄輸入規格、輸出成果、作業限制、遭遇錯誤與後續步驟，確保業務順暢延續。

13 / 分流機制

新聞卡片只是載體，權責分工才是關鍵

事件要有位置

• 主責單位：先指定單一明確的承辦窗口
• 關聯單位：保留必要的協同對象，避免無端擴大會簽範疇
• 事件狀態：新發布、趨勢延續、期限觸發、待補證或背景資料

下一步要能執行

明確寫出待查事項、指定查證人員與下一次檢視的時間點。

AI 能夠全力協助整理資料，無法代替行政單位裁定權責歸屬。

14 / 整理機制

同一張卡片裡，最容易混在一起的三件事

事實

有原始資料作為憑據的內容，務必完整保留日期、具體數據與來源網址。

推論

綜合多方資料後，研判對目前業務可能產生的影響；必須明確標示為推論性質。

建議

提供給人員或主責單位參考的後續行動；切勿將建議文字直接寫成已核定的既定政策。

把這三者嚴格拆開看似多費工，卻是防止錯誤資訊在組織內部擴散最扎實的做法。

15 / 工作證據

Gmail 自動化流程證據頁

行政信件彙整每週工作進度掃描元智大學新聞情資Gmail 翻譯整理Books KMDB 每日三書

縮圖保留郵件原始畫面；點選任一張即可放大檢視細節。

16 / 工作編排

模型可以替換，工作方法不能每次重來

01標準輸入格式與明確的資料邊界

02分流規則與清晰的責任對應

03AI 的處理範疇與必須停止執行的條件

04人工查核與核准的完整軌跡紀錄

05成果存放路徑、版本控管與交接方式

更換底層模型時，只要重新銜接模型並檢查流程即可，不需要從零開始摸索。

17 / 校務層級

每個單位都能做 Agent，校務層級如何協作？

交換各單位的 Agent 之間能否順利交換必要資訊？

權限誰擁有權限檢視、修改甚至強制中止另一個 Agent？

紀錄Agent 的產出是否需要留存紀錄？應該保存多久？

責任模型做錯決策時，責任該回溯到哪一位同仁或哪一個單位？

目前這套更高層級的 Agentic AI 基礎設施與治理機制，在多數組織中大多仍處於概念與試驗階段。

18 / 治理議題一

資安不只在模型端，也在工作流與權限端

資料邊界

哪些資料可以進入雲端 AI，哪些機密只能留在受控環境處理

工具權限

哪些工具具備讀取、寫入、發信或排程執行的權限

人工核准

哪些關鍵工作必須嚴格保留人工核准程序與可追溯紀錄

共用規則

如何建立跨單位通用的基本規範，降低彼此的溝通摩擦與摸索成本

20 / 教學現場

教師 AI 素養，連結到教學品質與學生判斷力

教師要處理的問題

• 生成式 AI 如何自然融入備課、教材整理與課堂活動設計
• 學生在什麼環節可以使用 AI，使用後該留下哪些思辨與判斷紀錄
• 課程如何訓練學生辨識資料真偽、查證說法，並對自己的結論負責

教師如何延伸應用

• 將 AI 延伸應用至學術研究、創作與產學合作專案
• 讓教師保留專業判斷，讓學生留下可檢視的思辨紀錄
• 先動手做、檢視產出、記錄痛點，再持續調整

公開的「判斷力課程實作工坊」採取「先動手做、檢視產出、記錄痛點、再持續調整」的實作路徑，提供一個具體的教學設計參考。

21 / 教學案例

影片不是裝飾，請把它當作現場案例

上午場｜能力導向 AI 課程設計工作坊

下午場｜AI 課程設計與部署工作坊

觀看影片後可以進一步探討：老師在教學中要留下哪些專業判斷？學生該如何證明自身的核心能力？教學規範該如何提供實質支持，而非只列出一長串禁止事項？

22 / 大學政策

政策要連到教學、研究與產學合作

學生何時可以使用 AI？清楚定義允許使用的場景、成果揭露方式、查核標準，以及哪些核心判斷絕對不可委託給工具。

AI 與學生能力如何建立連結？評量重點不能只看有沒有操作工具，而是檢驗學生能否精準提問、嚴謹查證、修正產出，並做出有理有據的判斷。

教師如何善用 AI 進行研究創新與產學合作？學術研究、教材研發與產學合作都需要建立一條可持續運作、禁得起檢驗且能妥善保護資料的發展路徑。

25 / 結語

把 AI 放回工作現場，元智才有自己的路徑

先釐清工作流程

再來挑選工具。

先劃分清楚責任

再來談論 Agent。

模型隨時會換

流程經驗與判斷能力要留在元智。

下一步不必急著增加新軟體，讓我們挑出一條最具共識的工作流，把它打造成簡單、可查核且能順暢交接的日常流程。