活用 AI 的起點不是挑工具，而是拆解工作流程：寫給 AI agent 與 vibe coding 元年的你
▲ 活用 AI 的第一步，是先把工作流程化，才看得見 AI 真正的發揮點。
過去半年，我被問最多的問題幾乎都是同一個句型：「Vista，2026 年我該學哪一個 AI agent？」「vibe coding 這麼紅，我是不是也得學寫程式？」這些問題都很真誠，但每次聽到，我心裡浮現的卻是另一個沒被問出口的問題：你真的知道，自己的工作究竟由哪些環節組成嗎？
Anthropic 在 2026 年初發布的一份 agentic coding 趨勢報告 裡，有一個數字讓我記了很久：開發者已經在大約六成的工作裡用上 AI，但真正能整段交出去、完全不用回頭管的任務，卻只佔 0 到 20%。報告把這道落差稱為「委派落差」（delegation gap）。
更值得玩味的是它對成因的解釋：問題不在 AI 不夠強，而在於人沒有把脈絡講清楚，AI 不知道這件事的目標、限制、相關的人，以及過去的歷史與失敗經驗。換句話說，不是 AI 接不住，是我們遞不出去。
工具會換，拆解流程的能力不會
這正是我想透過這篇文章講清楚的一件事：活用 AI 的起點，從來不是挑工具，而是拆解你自己的工作流程。
工具會一直換。今年的關鍵字是 agent，明年可能換成別的名詞。但「把工作拆到看得見每一個環節」這個能力，從生成式 AI 出現到現在，重要性只增不減。會拆解的人，你給他什麼工具他都用得動；不會拆解的人，手上工具再多，也只是停在玩玩 AI 的階段。
這個差別，決定了你到底是把 AI 當成玩具，還是把它當成真正的工作夥伴。
把工作流程化，你才看得見 AI 的發揮點
我常跟學生說一句話：把工作流程化，你才看得見 AI 的發揮點。
這句話聽起來抽象，我用一段自己錄過的觀察來說明。前陣子整理舊的語音筆記，翻到一段我在 2024 年底錄下的內容。當時我說，你可以把工作流程做一次完整的拆解：如果你是會計，想一想平常會計要做哪些事；如果你是產品經理，想一想你要跟工程師開什麼會、跟業務談什麼事。把這些事項用紙筆或 App 完整記下來，再逐一拆解，思考哪些環節可以讓 AI 幫忙。
兩年後再看這段話，我發現它不但沒過時，反而更要緊了。
原因在於，多數人對自己工作的理解，停在「我很忙」這個層次，而沒有走到「我的忙，是由哪七件事組成」這個層次。當你只知道自己很忙，AI 對你而言就只能是一座許願池：你丟一個模糊的願望進去，拿回一個模糊的答案。但當你能把一件工作拆成清楚的環節，AI 的角色就完全不同了，它會變成你某幾個特定環節的協作者。
那要怎麼拆？我建議用一個五步驟的框架，把任何一項工作攤開來看：
- 目標設定：我到底要完成什麼？
- 拆解任務：做這件事的具體步驟與清單是什麼？
- 資料與工具：每一步需要哪些資料、哪些工具？
- 執行與產出：實際動手，完成成果。
- 檢查與優化：檢視成效，持續調整。
把流程拆解成這五步之後，真正的關鍵動作才開始：在每一個環節旁邊，問自己一句「這一段，AI 幫得上忙嗎？」你會發現，AI 特別擅長其中幾類環節：摘要彙整（快速整理會議與文件重點）、撰寫草稿（郵件、報告、企劃）、整理歸納（分類資訊、整理待辦）、分析洞察（看數據、找趨勢與比較），以及自動化執行（串接重複性的工作）。
這就是我想強調的重點：AI 不是拿來「做完你整份工作」的，它是拿來補上你流程裡那幾個特定環節的。你越清楚自己的環節，AI 的價值就越精準。
這裡還有一個很實用的檢查點。同樣在 2024 年，我錄過另一段筆記，裡面講到一個誠實的判斷方式：如果你連用紙筆或口頭描述，都沒辦法把自己的工作流程說清楚，那其實代表你對自己的工作需求還不夠了解。這跟 AI 強不強無關，你得先回頭把工作本身看明白。拆不出流程，本身就是值得正視的訊號。
2026 的兩股趨勢，正在驗證同一件事
如果你覺得「拆解流程」只是我個人的偏好，2026 年正在發生的兩股趨勢，會把這件事推到更明顯的位置。
第一股是 AI agent。我們正在從跟 AI 對話，走向把任務委派給 AI agent。Gartner 在 2025 年 8 月預測，到 2026 年底，將有四成的企業應用程式內建任務型 AI agent，而 2025 年這個比例還不到 5%。麥肯錫的 《2025 年 AI 現況》報告 也顯示，已有 23% 的組織在企業內某處規模化部署了 agentic AI。我先前寫過的 善用 AI Agent 數位分身，談的就是這個方向，而它只會加速，不會回頭。
但 agent 越強，反而越凸顯一件事：你得先知道要委派什麼。一個 agent 能不能幫你把事情做完，取決於你能不能把這件事的目標、步驟與限制講清楚。這不就是拆解工作流程嗎？
第二股是 vibe coding。這個詞是 OpenAI 共同創辦人 Andrej Karpathy 在 2025 年 2 月提出的，指的是用自然語言描述需求、讓 AI 生成程式碼的開發方式。它紅到什麼程度？2025 年 11 月，Collins 英語詞典把 vibe coding 選為年度詞彙。
你可能會想，這跟我有什麼關係，我又不寫程式。但 vibe coding 真正的本質，不是寫程式，而是把需求講清楚、讓 AI 執行。從這個角度看，會計師對 AI 描述一套對帳流程、行銷人員對 AI 說明一份提案的結構、老師對 AI 拆解一堂課的設計，本質上都是同一件事。你，就是自己這份工作的 vibe coder。
這兩股趨勢，其實指向同一個道理。Anthropic 那份報告講得很傳神：工程師不是被取代，而是被升職為「指揮家」。我很喜歡這個說法，因為它精準描述了人的角色變化：你不再需要親手做完每一個音符，但你必須知道整首曲子怎麼編排、哪個段落該交給哪一個聲部。
麥肯錫的研究，又補上了最現實的一刀。他們發現，許多組織導入 AI 的成效之所以零散、難以衡量，是因為只是把 copilot、chatbot 疊加在原本的流程上。真正和獲利影響相關性最強的單一因素，是 徹底重新設計端到端的工作流程。先把流程攤開、拆解、重畫，AI 才會真正產生價值。這跟我兩年前在語音筆記裡講的，其實是同一件事，只是麥肯錫用了更大的樣本來證明它。
拆解流程不費工，也不怕你的工作太特殊
講到這裡，我猜會有兩種反對的聲音。
第一種是：「拆解流程聽起來很費工，我光把事情做完都來不及了。」我懂這種感覺。但拆解流程只需投入一次，不是每天的負擔。我自己有一段親身經驗：有一天早上，我用不到十分鐘，就完成了一篇社群貼文、一篇部落格文章，外加一張特色圖片。真正的祕訣，是我腦中早已有一條清楚的 AI 工作流程：先用語音工具錄下想法、讓它摘要成初稿，再進到對話式 AI 做潤飾、補標題，最後配圖、上稿。這條流程我只設計過一次，後來每次都在用。前面花的時間，後面全部加倍賺回來。
第二種是：「我的工作很特殊，很難標準化。」這也許是真的，但「很難標準化」不等於「不能拆解」。越是仰賴判斷的工作，越值得把流程攤開，因為攤開之後你會清楚看見，哪些環節是需要你親自判斷的核心，哪些其實只是可以交出去的雜事。拆解的目的，從來不是把你變成一條生產線，而是讓你把有限的注意力，留給真正需要你的那幾個環節。
🛰️ 想在 AI 變動的浪潮裡，有人陪你看清楚一點？
你看到的公開文章，幾乎都是反覆打磨後的成品。但我自己最珍惜的，反而是成品之前那些還帶著溫度的判斷——這正是我做 Vista AI 靈感補給站 的原因：每週一封寫給 AI 時代同行者的思考札記，把那些不會出現在正式文章裡的吉光片羽，分享給願意走近一點的你。
這個禮拜，就從拆解一項工作開始
回到最開始那個「委派落差」的數字。我相信，這道落差未來幾年會慢慢縮小，但縮小它的不會是 AI 本身，而是那些願意把工作流程拆清楚的人。
所以，如果你讀完這篇文章只想帶走一個行動，我建議你這樣做：
- 選一項你每週都要做、而且做起來有點煩的工作。拿紙筆，按「目標、拆解、資料與工具、執行、檢查」五個步驟，把它完整寫下來。
- 在每個環節旁邊，誠實標註一句：這一段，AI 幫得上忙嗎？是摘要、是草稿、是歸納、是分析，還是自動化？
- 挑出其中最明顯的一個環節，這個禮拜就把它交給 AI 試一次。不必一次到位，先讓它從你手上接走一段就好。
文章開頭那張圖裡，有一句話我想留到最後再說：AI 不會取代你，但會用 AI 的人，會取代不會用 AI 的人。而所謂「會用」，從來不是工具學得多，而是你有多了解自己的工作。2026 年，agent 與 vibe coding 只會讓這個差距，比過去任何一年都更明顯。
拆解工作流程，就是你現在能為自己做的、報酬率最高的一件事。
如果你想更有系統地把這套思路落地，我也整理過 AI 學習與應用的行動指南，以及 AI 內容產製系統 這兩篇文章，可以接著讀下去。
