Andrej Karpathy 最近在 X 上提到一個很小、但很值得放大的觀察：當我們讀 AI 產出的內容時，不一定只能要求它「解釋得更清楚」。有時候，更好的做法是要求它換一種輸出形式。
如果是文字，可以要求它接近 ASD-STE100 這類受控技術英文的寫法，降低歧義。遇到關係複雜的內容，可以讓它畫圖。需要來回探索資訊時，可以讓它做成互動 HTML。甚至，未來可以要求它生成一段像 3Blue1Brown 那樣的客製講解影片。
這件事很容易被讀成 AI 輸出技巧。可是我讀到的重點更接近工作流程：當 AI 產出變多，人真正需要學會的，是怎麼理解、驗收、接手，最後讓成果進入下一步工作。
AI 越會做事，人越需要會看懂結果。
TL;DR
- Karpathy 的提醒可以從提示詞技巧往外看：輸出形式會直接影響理解品質。
- 當 AI 產出越來越快，人的瓶頸會從「產不產得出來」移到「看不看得懂、接不接得住」。
- 成熟的 AI 工作流程，要先定義人要用什麼形式接收結果，再定義 AI 要產出什麼。
- 對個人品牌與專業服務來說，輸出形式本身就是信任設計的一部分。
我們正在進入「讀 AI 成果」的時代
過去大家談 AI，常常把重點放在生成。
能不能幫我寫一篇文章。
能不能幫我整理一份報告。
能不能幫我列出策略。
能不能幫我做簡報大綱。
這些問題都很自然。因為 AI 最先讓人感受到的衝擊，就是產出速度突然變快了。以前要花幾小時整理的初稿，現在幾分鐘就能出現。以前要慢慢拼湊的架構，現在它可以先給你一版。
可是當產出速度真的變快，新的問題很快就會冒出來。
你要花時間讀。
你要判斷哪裡對、哪裡不對。
你要知道哪些段落能用，哪些段落只是看起來完整。
你要把 AI 交回來的東西，接進真實工作。
很多人一開始以為 AI 會減少工作量。後來才發現，工作沒有完全消失，只是換了位置。你少做了一部分起稿、整理、轉換，卻多了一部分閱讀、驗收、修正、決策。
這就是 Karpathy 那則提醒有意思的地方。他沒有只停在「讓 AI 寫得更清楚」。他其實指向另一個更實際的問題：如果理解成本太高，也許該優先調整呈現方式。
文字只是其中一種理解介面
很多人使用 AI 時，有一個默認設定：輸入是文字，輸出也應該是文字。
所以當 AI 回答不好懂，我們的第一反應常常是叫它重寫、簡化、條列、用白話說明。這些方法有用，但它們仍然被困在同一個形式裡。
有些資訊本來就不適合只用段落承載。
如果你在看流程，流程圖通常比一長串說明更快。
如果你在比較方案，表格通常比段落更清楚。
如果你在理解因果關係，圖解會比文字更容易抓到方向。
如果你在檢查互動邏輯，一個 HTML 原型會比靜態描述更有效。
如果你在學一個抽象概念，有旁白、有畫面、有節奏的講解，會比純文字更容易吸收。
文字仍然很重要，尤其在定義、判斷、原則、結論這些地方，文字有它的精準度。
真正要調整的是習慣。不要把所有 AI 產出都當成文章來讀。很多時候，你應該把它當成一個可以被轉譯的工作物件。
ASD-STE100 給我們的提醒：清楚本身是一種專業
Karpathy 提到的 ASD-STE100，是一套用於技術文件的受控自然語言標準。根據 ASD-STE100 官方說明，STE 原本與航空維修文件有關，目標是讓技術內容更容易理解、翻譯與維護。官方 FAQ 也特別提醒，STE 並非幼稚化的英文；它是一套要求專業知識與語言能力的清楚寫作標準。
這點很重要。
很多人一聽到「簡化」，就會以為是把內容寫得比較淺。可是技術文件真正需要的簡化，通常要保留專業度，同時減少歧義、控制詞義、縮短句子、讓讀者知道下一步要做什麼。
這和 AI 工作流程非常接近。
你讓 AI 產出一份分析，真正重要的是讀者能不能在合理時間內抓到重點。你讓 AI 產出一份 SOP，重點是使用者會不會照著做。你讓 AI 產出一份顧問建議，重點是對方能不能理解判斷依據。
清楚的目標，是讓複雜內容可以被正確接手。
AI 工作流程的下一個門檻：輸出規格
現在很多人已經知道，使用 AI 前要給背景、目標、限制、角色、語氣、範例。這些都對。但如果只做到這裡，通常還不夠。
下一個門檻，是替不同任務建立輸出規格。
你要先問：
- 這份輸出的主要用途是理解、比較、操作，還是決策？
- 讀這份內容的人，是自己、客戶、團隊，還是第一次接觸的人？
- 讀完之後，他下一步要做什麼？
- 這份內容會不會重複使用？
- 未來有沒有人需要修改、維護、交接？
這幾題會決定輸出形式。
| 任務目的 | 適合形式 | 適用情境 |
|---|---|---|
| 理解概念 | 短文、圖解、影片腳本 | 說明新觀念、教育客戶、內部訓練 |
| 比較方案 | 表格、評分矩陣 | 工具選型、方案評估、顧問建議 |
| 執行步驟 | SOP、Checklist、流程圖 | 重複任務、交辦、團隊協作 |
| 探索資料 | 互動 HTML、資料儀表板 | 需要篩選、切換視角、逐步查看的資訊 |
| 對外溝通 | 文章、簡報、銷售頁、FAQ | 建立信任、降低理解門檻、引導下一步行動 |
一旦你開始這樣設計，AI 就不再只是幫你「寫東西」。它會開始變成一個工作流程裡的轉譯器：把模糊想法轉成可讀文字，把文字轉成表格，把表格轉成決策依據，把流程轉成可交接的 SOP。
對個人品牌來說，輸出形式就是信任設計
這件事和個人品牌、顧問、教練、講師、自由工作者很有關。
很多專業工作者遇到的問題，其實不在內容太少。他們有很多經驗，也有很多方法。真正卡住的地方常常是：這些內容很難被陌生人接住。
服務說明太抽象。
方法論太散。
案例說了很多，讀者不知道重點在哪。
AI 幫忙寫出來的文案很順，卻少了本人真正的判斷方式。
這時候，問題未必只在語氣。很多時候，是資訊結構錯了。
一個專業者真正的辨識度，常常藏在他怎麼排序資訊、怎麼比較選項、怎麼定義問題、怎麼做取捨。這些東西如果全部被壓成一篇漂亮文案，反而會失去力量。
所以我在做語言系統與 AI 內容系統時，會越來越在意一件事：不要只建立「怎麼說」的規則，也要建立「什麼內容該用什麼形式說」的規則。
有些觀點適合寫成長文，因為它需要鋪陳。
有些服務適合做成流程圖，因為客戶要看懂合作怎麼走。
有些方法適合做成 checklist，因為讀者要拿回去自我檢查。
有些判斷標準適合做成表格，因為它本來就是比較與篩選。
當形式對了，內容會更容易被理解。當內容容易被理解，信任才有地方落下來。
不要只問 AI 能不能做，要問人能不能接
這也是我覺得 Karpathy 這則提醒最值得延伸的地方。
未來 AI 會越來越會做。它會寫、會畫、會排版、會做互動頁、會生成影片、會把很多原本分散在不同工具裡的工作接起來。
可是工具能做，不代表流程就成熟。
一個成熟的 AI 工作流程，至少要回答三個問題：
1. 人要怎麼理解它
如果輸出太長、太散、太抽象，人就會放棄閱讀。AI 產出再多，也只是在製造新的待處理項目。
2. 人要怎麼驗收它
每一種輸出都應該有驗收標準。文章看主張與證據，SOP 看步驟能不能執行，表格看分類是否清楚，流程圖看節點與責任是否完整。
3. 人要怎麼把它接到下一步
真正有價值的輸出，應該能進入下一個動作。可以交給客戶看，可以交給團隊做，可以放進資料庫，可以成為下一次 prompt 的背景，也可以變成未來的內容資產。
如果這三題沒有想清楚，AI 很容易變成一台看起來很勤奮的產出機。它每天給你很多東西，但你每天都要花時間收拾。
下次用 AI 前，先決定輸出形式
如果要把這篇收成一個實作提醒，我會建議你下次使用 AI 前，先不要急著輸入資料。先寫下這一句：
「這份輸出最後要被誰用？他要用它做什麼？」
接著再決定形式。
- 如果目標是快速理解，請 AI 先給摘要、圖解或口語講解稿。
- 如果目標是做選擇，請 AI 給比較表、評分規則與建議理由。
- 如果目標是交辦，請 AI 給 SOP、責任分工與檢查清單。
- 如果目標是重複使用，請 AI 給模板、欄位定義與維護規則。
- 如果目標是對外建立信任，請 AI 先整理讀者問題，再轉成文章、FAQ 或服務說明。
這個順序很重要。先決定人怎麼用，再決定 AI 怎麼產。
當你開始這樣工作，AI 才會從一個回答問題的工具，慢慢變成一套可以支援內容、生產、交付與維護的工作系統。
真正的門檻，是把成果變成可接手的資產
AI 的產出能力還會繼續變強。接下來，我們很可能會看到更多從文字到圖像、從圖像到互動介面、從互動介面到影片說明的轉換。
這些能力會讓工作變快，也會讓內容變多。
但對我來說，真正值得關注的問題仍然很樸素：這些東西能不能被人看懂？能不能被驗收？能不能被交接？能不能在三個月後還有人敢改？
如果答案是可以，那 AI 產出的內容就不只是一次性結果。它會開始變成你的知識資產、品牌資產、流程資產。
這也是 AI 工作流程的下一個門檻。
真正的進步，是讓每一次產出都更容易被理解、被接手，最後留在系統裡。
發佈留言