初稿原則

AI 容易試用，難以信任。

這是大部分認真採用 AI 背後的實際問題。團隊可以在幾分鐘內要求模型寫摘要、準備回覆、分類要求或建議下一步。但信任來得較慢，因為專業工作依賴情境、證據、權限和判斷。

「初稿」是一條用來收窄這個落差的原則。意思是先用 AI 做內部準備，而不是對外行動。AI 代理準備摘要、來源圖、選項、檢查清單、回覆草稿、會議材料或測試個案。人在內容到達客戶、顧客、病人、監管機構、供應商、員工或公共紀錄之前，審閱、修正、拒絕或使用那份工作。

重點不是 AI 輸出價值低。重點是 AI 第一個持久價值，很多時候不是最終答案，而是幫助專業人士更快、更清晰思考，同時仍然擁有結果的準備材料。

這和 AI 行動準備程度密切相關。系統可能準備好草擬，但未準備好發送；可能準備好提出建議，但未準備好執行。這個分別就是信任開始的地方。

初稿作為工作原則

初稿原則認為，AI 應由準備供人判斷的材料開始。

實務上，這代表 AI 代理可以：

• 總結一組文件；
• 抽取未解問題；
• 把要求跟政策比較；
• 草擬客戶更新；
• 準備決策選項；
• 把筆記變成任務計劃；
• 識別缺失證據；
• 為工作流程提出測試個案；
• 在會議前建立內部摘要。

人之後以專業責任審閱草稿。他們檢查缺了甚麼、甚麼沒有支持、甚麼聽起來合理但其實錯、甚麼需要升級，以及在其他人看到之前應改甚麼。

這不是表面的審閱步驟。它是一條營運邊界，令早期 AI 使用有價值，同時不假裝系統已準備好接受更大委派。

這條原則在日常工作中很實際。團隊可以明確說：AI 版本不是客戶版本、不是正式意見、不是批准紀錄，而是審閱材料。這樣做會降低壓力，也提高透明度。審閱者知道自己不是在檢查一個已經被包裝成完成品的答案，而是在使用一份可以被拆開、改寫、拒絕和學習的草稿。

為甚麼信任很難

AI 系統可以在周邊工作流程變得可信之前，先產生流暢輸出。

NIST 的 AI 風險管理框架在這裏有用，因為它把可信 AI 視為生命週期和使用情境問題，而不只是模型品質問題。框架圍繞管治、對應、量度和管理風險，並要求機構按情境考慮有效性、可靠性、安全、保安、問責、透明度、可解釋性、私隱和公平（NIST AI RMF^{1NIST AI Risk Management Framework 1.0}）。

這很重要，因為一份看起來好的輸出，仍然可以因為文字以外的原因在專業工作中失敗：

• 模型沒有最新來源；
• 工作流程權限不清楚；
• 政策例外藏在另一個系統；
• 語氣不適合該段關係；
• 建議一般而言正確，但在這個個案錯；
• 答案漏了不確定性；
• 審閱者無法檢查證據。

因此，信任不是問輸出聽起來好不好而建立。信任是透過反覆看見系統在真實限制下如何運作而建立。

這也是一次性的提示語培訓不足以建立信任的原因。培訓可以教人如何發問，但信任來自看見 AI 在本機構文件、本團隊例外、本客戶語氣、本工作節奏中如何失手和如何有用。每次審閱都提供一點證據：這類來源它找得到嗎？這類風險它會不會漏？這類語氣它會不會寫得太硬？這些證據累積起來，才會形成可以管理的委派。

為甚麼太早做對外工作會有風險

對外 AI 工作有外部後果。它可能發送訊息、建立承諾、更新紀錄、批准一步、拒絕要求，或把機構判斷暴露給審閱圈外的人。

這不是建立信任的好起點。它要求團隊在學習系統的同時，讓系統製造後果。

內部準備改變風險輪廓。欠佳草稿可以修正，薄弱來源圖可以改善，缺失假設可以發現，錯誤分類可以變成測試個案。機構可以學習，而不用讓 AI 的第一次失敗對外可見。

這不代表 AI 代理永遠不應行動。意思是團隊應先明白 AI 代理擅長甚麼、在哪裏失敗、需要甚麼情境，以及哪些行動低風險、可回復和可觀察，之後才逐步授權行動。

對外行動亦會改變人的審閱心理。當系統已經把訊息送出、紀錄改了、承諾建立了，人再介入就是補救，不是審閱。初稿原則把錯誤留在內部，讓團隊可以用較低成本修正模式。這對早期採用特別重要，因為最有價值的學習往往來自第一批錯誤。

Anthropic 關於建立有效 AI 代理的建議提出相近營運觀點：由簡單、可組合的模式開始，只在需要時增加複雜度；當系統自主程度提高，便使用清楚的工作流程、工具介面、檢查點和評估（Anthropic^{2Anthropic, "Building effective agents"}）。初稿是這條原則在採用上的應用：早期系統留在準備範圍內，直到團隊有證據支持更廣委派。

內部準備讓團隊了解 AI 代理如何工作

初稿工作的第一個好處是學習。

人們常把採用 AI 說成機構在測試一個工具。實際上，機構是在測試工具、工作流程、資料環境和專業判斷之間的關係。

內部準備讓團隊觀察 AI 代理的行為，而不讓它隱藏在完成輸出後面。審閱者開始看見模式：

• 哪些提示語產生有用結構；
• AI 代理會過度重視哪些來源類型；
• 它何時會問澄清問題；
• 它何時用假設填補缺口；
• 它如何處理互相矛盾的證據；
• 它在哪裏需要例子；
• 哪些任務需要更窄指令；
• 哪些任務暫時不應用 AI。

這種知識很難從一次性試點或通用生產力指標得到。它來自重複工作：AI 代理準備材料，專業人士再把材料與工作現實比較。

例如，客戶服務團隊可能發現 AI 代理很擅長整理交付日期，卻經常漏掉關係語氣；財務團隊可能發現它能抽取續約日期，但需要更好方法分辨最新發票和歷史發票；法律團隊可能發現它能找出相關條款，卻會低估例外條款的重要性。這些不是泛泛而談的 AI 風險，而是可以轉化成範本、資料連接、檢查和審閱指引的具體學習。

McKinsey 的 2025 年 AI 狀況研究發現，很多機構使用生成式 AI，但較少報告成熟而且具規模的影響；取得更多價值的公司，更可能重新設計工作流程，而不只是加入工具（McKinsey^{4McKinsey, "The State of AI: How organizations are rewiring to capture value"}）。這與初稿模型一致。當團隊用 AI 理解和重塑工作，而不只是生成孤立輸出，採用成效會改善。

初稿保留專業判斷

第二個好處是判斷。

AI 可以減少工作量，但如果工作流程把人變成被動批准者，它也會削弱注意力。專業人士如果只是在漂亮答案上按批准，可能會停止做令審閱有意義的工作：檢查證據、注意例外、閱讀語氣、衡量風險，並決定機構可以為甚麼負責。

初稿工作流程令判斷保持活躍。AI 處理通常緩慢、重複或混亂的準備工作，專業人士仍然決定甚麼準確、合適、完整和負責任。

這個分別對 AI 代理尤其重要。聊天機械人的答案可能停留在對話中，AI 代理則可能使用工具、跨系統移動，並準備或採取行動。關於自主代理系統人手監督的近期研究指出，監督不只是最後批准一步，也可以包括部署前控制、共同規劃、實時監察，以及 AI 代理生命週期中的事後審閱（Human oversight of agentic systems in practice^{5Dhanush Kumar, Jenna Wiens, Michael Madaio, "Human oversight of agentic systems in practice"}）。

初稿位於這個監督模型的早段。它讓 AI 代理夠接近真實工作而有用，但又不至於自主到令人失去對工作如何形成的可見度。

這種安排亦保護專業人士的技能。審閱不是只看結論是否順眼，而是看證據鏈、假設、例外和責任。當 AI 負責準備而不是直接完成工作，人仍然需要練習這些判斷。長遠而言，這比把人放在最後批准位置更健康，因為團隊會知道自己為甚麼接受或拒絕 AI 的輸出。

這如何改變測試

如果 AI 被視為初稿，測試方式會改變。

團隊不再只問：「AI 代理是否產生好答案？」而會問：

• AI 代理有否使用正確來源？
• 它有否識別缺失資料？
• 它有否清楚展示假設？
• 它有否分開事實和解讀？
• 它有否保留用戶的決策權？
• 審閱者知道要檢查甚麼嗎？
• 修正有否變成可重用例子或評估個案？

這令測試更具體。草稿可以與已知合格的摘要比較，來源圖可以檢查有否遺漏文件，建議可以對照政策審閱，審閱者修正則可以變成日後的測試個案。

OpenAI 的評估指引建議量度模型表現時，使用具代表性的例子、清楚評分標準，以及由專家或人員標記的參考輸出（OpenAI evals^{3OpenAI, "Evals"}）。採用初稿原則，正好為這種做法提供原材料。每份經審閱的草稿，都可以教系統在機構真實情境中甚麼叫「好」。

實用迴圈很簡單：

1. 用 AI 準備內部草稿。 2. 由負責人審閱。 3. 記錄甚麼錯、缺失或有用。 4. 把重複修正變成提示語、例子、檢查或評估。 5. 只推進變得可靠的部分。

這個循環就是團隊由有趣示範走向可靠工作流程的方法。

這個循環也令 AI 改進有記錄可循。每次修正不只是個別人修改一份草稿，而是可以回答：是否需要新增來源？是否要改提示語？是否要加入政策檢查？是否要排除某類工作？是否要建立新的評估個案？當修正得以保存和重用，初稿便不只是節省時間，也成為系統學習機制。

它如何累積

初稿的價值會累積，因為每份經審閱的草稿都改善 AI 代理周邊的營運環境。

團隊學到 AI 代理誤解甚麼，因而寫出更好的指令。審閱者看見哪些來源缺失，因而改善檢索。重複草稿揭示工作結構，令範本變得更好。人們看見準備應在哪裏停下、行動應從哪裏開始，便能定義更清楚的工具邊界。真實審閱筆記變成測試個案，也逐步形成評估資料集。

隨時間，機構可以把某些工作流程推進不同階段：

重點是每個階段都由上一階段取得信任。團隊不應由「模型能寫一段好文字」直接跳到「AI 代理可以代表機構行動」。它應在證據支持下，由準備走向建議、經批准行動，再走向範圍有限的自動化。

每一次升級都應該有明確理由。由草擬升到建議，可能因為來源覆蓋穩定、審閱者修正少了、建議理由清楚。由建議升到經批准行動，可能因為權限和補救路徑已定義。由經批准行動升到自動行動，則應只限於低風險、可回復、受監察並有例外隊列的工作。這樣，信任不是感覺，而是工作證據。

這種累積方式亦令不同團隊可以用同一語言討論進度。不是「我們用了 AI」或「我們未敢用 AI」，而是「這個工作流程已經能可靠地草擬」、「這個工作流程可以提出有證據的建議」、「這個低風險步驟可以在批准後執行」。每個說法都對應不同審閱要求和風險。這比把採用視為單一開關更準確。

初稿做得好，AI 的價值便會由個人捷徑變成機構學習。草稿、修正、來源缺口、審閱決定和評估個案會形成回饋系統。團隊不只是使用模型，而是在建立一套懂得準備工作、保留判斷和逐步委派的營運做法。

這不是甚麼

初稿原則不是拒絕認真使用 AI。

它也不是說每個 AI 輸出都要永遠被人手重寫。有些任務會穩定到足以自動化。低風險、可回復、可觀察的行動，通常可以比高風險、含糊、對外的行動走得更快。

初稿是一條排序原則。信任應先在機構內建立，然後系統才代表機構採取對外行動。

它也不是允許含糊審閱。如果審閱者看不到來源、假設、不確定性和權限邊界，流程就是弱的。人不應被要求批准他們無法檢查的東西。

實務上會是怎樣

客戶服務

AI 代理根據近期筆記、未完成任務、交付日期、決定和未解風險準備客戶更新，但不會發送。客戶負責人檢查語氣、關係情境、商業敏感度，以及證據是否支持訊息。

營運

AI 代理審閱收到的要求，並準備分流筆記：可能分類、急切程度、缺失資料、負責人和建議下一步。經理審閱邊緣情況，並把重複修正變成分派規則。

法律和合規

AI 代理把要求與政策比較，並準備備忘錄，列出相關條款、缺失事實和未解問題。專業人士決定分析是否完整到足以依賴。

產品和工程

AI 代理草擬測試個案、失效模式、發佈說明或遷移檢查清單。工程師審閱草稿是否符合真實系統，並把遺漏的邊緣情況加入測試套件。

結論

AI 在專業工作中的第一個有用角色，往往不是最終結果，而是初稿。

這份草稿幫助團隊準備、思考、測試和學習。它讓團隊看見 AI 代理如何表現，同時保留人對有後果工作的判斷。錯誤仍留在內部並可審閱，因此早期採用風險較低。它亦為改善提示語、檢索、評估、工具邊界和日後委派提供原材料。

AI 信任不是在第一日就把對外責任交給 AI 代理而建立。它來自反覆而且經審閱的準備，直到機構知道 AI 代理能做甚麼、不能做甚麼，以及人的判斷仍然在哪裏重要。

這條路徑不一定慢，通常反而比直接追求自主更快到達可靠價值。團隊不用先解決所有權限和對外風險，已經可以從內部準備、審閱和測試取得收益。某些模式反覆證明可靠後，再升級到建議或經批准行動，便有真實證據支持，而不是依賴示範印象。

最終，初稿不是降低 AI 的角色，而是讓 AI 的角色更清楚。它把 AI 放在準備、學習和改善工作的位置，讓人保留判斷和責任。這正是專業環境中信任可以累積的方式。

這也讓團隊可以更誠實地面對限制。某些草稿會很好，某些會遺漏來源，某些會暴露資料結構問題，某些會顯示工作流程本身定義不清。這些發現不代表 AI 無用，它們正是採用過程需要的材料。初稿把限制放在可審閱的位置，讓團隊可以改善，而不是在對外行動後才補救。

對管理層而言，初稿亦提供一條較低風險的投資路線。先量度準備時間、審閱修正、來源覆蓋和審閱者信心；數據穩定後，再決定是否增加工具權限或自動化。這比一開始便承諾自主 AI 代理更可靠，也更容易向專業人士解釋。

這條路線也能幫助不同資歷的人。初級同事得到更好的起點，不用由空白頁開始；資深同事得到更清楚的審閱材料，可以把時間放在判斷；管理者得到更明確的改進訊號，可以知道應該改善資料、流程還是培訓。初稿因此不是單一提升生產力的技巧，而是一種把 AI 放進專業學習和問責結構的方法。

當這種方法持續運作，採用 AI 就不再依靠個別推動者。它會變成團隊共同的工作方式：準備、審閱、修正、學習，再逐步委派。

這亦令風險討論更成熟。團隊不需要在「完全不用」和「完全自動」之間選擇，而可以指出每個工作流程目前處於哪個階段、下一次可靠升級需要甚麼證據，以及哪些邊界暫時不能越過。初稿提供的是一條可走的路，而不是一次信仰跳躍。

資料來源

1. NIST AI Risk Management Framework 1.0
2. Anthropic, "Building effective agents"
3. OpenAI, "Evals"
4. McKinsey, "The State of AI: How organizations are rewiring to capture value"
5. Dhanush Kumar, Jenna Wiens, Michael Madaio, "Human oversight of agentic systems in practice"