非技術人員要把 AI 用好，最重要的其實不是技術

不會寫程式、沒有工程背景，要怎麼把 AI 用進工作？

昨天跟一群 HR 主管分享 AI，聊到一個我認為很重要的問題：

不會寫程式、沒有工程背景的人，要怎麼真正把 AI 用進工作？

這幾年，我陸續運用 AI 建立招募自動化、AI 面談、HR 戰情室，也開始嘗試讓 Agent 參與日常工作。

從一開始請 AI 協助寫文件，到現在讓 AI 讀取資料、整理資訊、執行任務，我慢慢整理出一個想法：

非技術人員要把 AI 用好，真正重要的不是學會多少工具，而是做好三件事：知識庫、工作流程，以及 AI 治理。

01｜Knowledge Base：建立自己的 AI 知識庫

AI 並不認識你的公司。

它不知道公司的請假規則、薪資制度、績效辦法，也不知道過去發生過哪些特殊案例。

如果沒有提供這些資訊，它只能依據通用知識回答。資訊不足時，甚至可能產生看似合理、實際上卻錯誤的答案。

所以，企業導入 AI，不能只有工具，還需要建立自己的 Knowledge Base。

我認為知識庫可以分成兩個部分：

組織知識（Organizational Knowledge）

包含法規、公司制度、作業流程、表單和歷史案例。

這些資料通常已經存在，只是散落在不同文件、資料夾和系統裡。

需要做的是整理、分類、更新，讓 AI 能夠搜尋和引用。

例如透過 RAG（檢索增強生成），讓 AI 回答問題前，先從企業知識庫找到相關資料，再根據這些內容回答，而不是只依賴模型本身的通用知識。

個人知識（Personal Knowledge）

這部分其實更值得累積。

例如你處理員工關係案件時的判斷邏輯、寫信的語氣、面對主管時習慣先確認哪些資訊，以及遇到例外情況時為什麼做出某種決定。

這些經驗往往沒有寫在公司的制度文件裡，卻是專業工作者真正的價值。

我自己也開始把 HR 的工作原則、判斷邏輯和溝通方式整理成 AI 可以讀取的指示。

不只是告訴 AI 怎麼做，也要讓它理解為什麼這樣做。當 AI 遇到沒有看過的情境時，才有機會依據這些原則推導出適當的做法。

知識庫不只是文件的集合，更是把組織經驗和個人專業轉化成 AI 可以運用的資產。

02｜Workflow & Methodology：重新設計工作流程

有了知識，下一步才是思考怎麼讓 AI 參與工作。

我很重視一個概念：AI First。

AI First：讓 AI 做第一版

拿到一項工作，不要急著自己動手，先思考能不能讓 AI 做第一版，再由人負責判斷、修改和驗收。

但這不只是把原本的工作交給 AI。

更重要的是重新拆解整個流程。

流程拆解（Workflow Design）

以招募為例，過去可能是 HR 收到履歷、閱讀履歷、寄送邀約、打電話確認求職意願，再整理面談紀錄。

如果只是把 AI 加進去，可能只是多了一個幫忙寫邀約信的工具。

但如果重新設計流程，就可以讓 AI 協助履歷資訊整理、初步分析、自動通知，甚至透過 AI 面談完成部分初步訪談，再由 HR 確認結果與後續安排。

這兩種做法的差異很大。

前者是用 AI 加速原本的工作，後者則是重新思考工作應該如何完成。

人機分工（Human-AI Collaboration）

當然，不是每件事情都適合完全自動化。

我們還是要判斷哪些工作可以交給 AI，哪些需要人的專業判斷，哪些環節需要人工確認。

工作者的角色也會隨之改變。

以前我們負責執行每一個步驟，現在更需要懂得拆解任務、定義產出標準、設計流程，以及驗收 AI 的結果。

AI 帶來的價值，不只是讓同一件工作做得更快，而是讓我們有機會重新設計這件工作。

03｜AI Governance：建立 AI 的執行界線

當 AI 從聊天工具進一步變成 Agent，風險就完全不同了。

聊天型 AI 主要提供文字與資訊；Agent 則可以連接工具、讀取信件、修改檔案，甚至操作企業內部系統。

這時候就必須思考：

哪些事情可以讓 AI 自己完成？哪些事情一定要經過人確認？

我認為有三個重要面向：

權限管理（Access Control）

不要因為希望 AI 可以完成更多事情，就把所有系統權限都開給它。

這裡應該遵循最小權限原則，需要什麼才開放什麼，讀取與寫入權限也應該分開管理。

人工核准（Human Approval）

整理郵件、產生草稿、彙整會議紀錄，可以讓 AI 協助處理。

但寄出郵件、刪除資料、修改敏感資訊，就應該保留人工核准。

程式防線（Guardrails）

Agent 還有一個容易忽略的風險：Prompt Injection。

當 AI 讀取外部信件、文件或網頁時，可能遇到刻意寫給 AI 的惡意指令。如果沒有適當防護，就可能把外部資料中的指令誤認為應該遵循的命令。

因此，重要的安全規則不能只寫在 Prompt 裡，還要透過程式在執行前檢查權限與條件。

例如寄送郵件前要求核准、修改敏感檔案前停止執行並詢問使用者，同時留下操作紀錄。

AI 可以協助執行工作，但不代表它應該擁有不受限制的決策權。

回頭看這三件事

Knowledge Base，讓 AI 有知識可以運用。

Workflow，讓 AI 知道如何參與工作。

Governance，讓 AI 在正確的界線內執行。

這三件事看起來都與技術有關，但背後考驗的其實是管理能力。

你必須了解自己的專業、熟悉公司的運作方式，知道什麼是好的工作成果，也必須清楚定義權限與責任。

所以，我不認為非技術人員需要先成為工程師，才能在 AI 時代創造價值。

反而是那些真正理解業務、熟悉流程、懂得整理知識，也知道如何管理風險的人，更有機會把 AI 帶進企業日常運作。

AI 工具會一直改變，但你對專業的理解，以及重新設計工作的能力，才是最重要的底層競爭力。

你的專業，有多少已經整理成 AI 可以讀取、理解和運用的知識？