AI-First 決策框架
此框架的核心理念：在每個決策點，優先評估 AI 能否成為主要執行者或增強器，而非事後才考慮 AI 的角色。
核心洞察： 傳統思維是「這件事要不要用 AI？」，AI-First 思維是「這件事有什麼理由不用 AI？」。舉證責任反轉——人工介入需要正當理由。
相關原則： C4: AI 優先
問題陳述
組織以倒退的方式進行 AI 採用：
| 傳統方法 | AI-First |
|---|---|
| 人類執行，AI 輔助 | AI 執行，人類監督 |
| AI 採用是可選的 | 人工介入需要理由 |
| 優化人類工作流程 | 優化 AI-人類協作 |
| 自動化前追求完美 | 可逆性優於完美 |
核心原則
1. 預設 AI 優先 (Default to AI)
問題從「該不該用 AI？」轉變為「為什麼不用 AI？」
| 面向 | 傳統 | AI-First |
|---|---|---|
| 預設執行者 | 人類 | AI |
| 舉證責任 | 證明應該用 AI | 證明應該人工介入 |
| 決策速度 | 謹慎 | 快速迭代 |
2. Human-in-the-Loop，而非 Human-as-the-Loop
人類的角色從執行者轉變為監督者、決策者、例外處理者。
| 路徑類型 | 處理者 | 範例 |
|---|---|---|
| 常規 | AI | 標準程式碼審查、文件更新 |
| 邊界案例 | 人類 + AI | 模糊需求、衝突約束 |
| 最終判斷 | 人類 | 倫理、政治、利害關係人關係 |
3. 可逆性優於完美 (Reversibility over Perfection)
優先選擇可逆的 AI 決策，而非追求完美的人工決策。快速迭代加上回滾能力勝過緩慢的完美方案。
| 方法 | 速度 | 風險 | 復原 |
|---|---|---|---|
| 完美的人工決策 | 慢 | 初始錯誤低 | 不適用 |
| 可逆的 AI 決策 | 快 | 可管理的錯誤 | 快速回滾 |
| 勝者 | AI-First | 可接受 | 迭代改進 |
決策評估矩陣
對任何任務或決策，評估四個維度：
| 維度 | 問題 | AI-First 傾向 |
|---|---|---|
| 重複性 (Repeatability) | 這個決策會重複發生嗎？ | 高重複 -> AI 優先 |
| 後果 (Consequence) | 錯誤決策的後果可逆嗎？ | 可逆 -> AI 優先 |
| 資料可用性 (Data Availability) | 有足夠的資料或 context 嗎？ | 資料充足 -> AI 優先 |
| 判斷複雜度 (Judgment Complexity) | 需要深層人類判斷嗎？（倫理、政治、情感） | 低複雜度 -> AI 優先 |
四種決策模式
高 AI 適合度
|
+------------+------------+
| AI-Led | AI-Assisted|
| （自動化） | （增強） |
低 -----+------------+------------+----- 高
後果嚴重度| AI-Draft | Human-Led | 後果嚴重度
| （草稿） | （諮詢） |
+------------+------------+
|
低 AI 適合度| 模式 | AI 角色 | 人類角色 | 範例 |
|---|---|---|---|
| AI-Led | 完全執行 | 定期審計 | 程式碼格式化、測試生成 |
| AI-Assisted | 主導但有護欄 | 即時監督 | 程式碼審查建議、PR 描述 |
| AI-Draft | 提出選項 | 選擇與精煉 | 架構決策、API 設計 |
| Human-Led | 提供資訊 | 做決策 | 策略方向、招聘 |
實施流程：RAPID-AI
R - Recognize（識別）
識別決策點。任何需要選擇、判斷、產出的時刻都是潛在的 AI 介入點。
要問的問題：
- 人們在哪裡花時間做例行決策？
- 哪些任務有明確的輸入和預期輸出？
- 哪裡因為等待人員而產生延遲？
A - Assess（評估）
用評估矩陣快速評估。問自己：「如果 AI 做這件事，最壞情況是什麼？」
P - Prototype（原型）
不要過度設計。先讓 AI 嘗試一次，觀察輸出品質。Prompt engineering 本身就是一種快速原型。
| 原型方法 | 時間投資 | 學習價值 |
|---|---|---|
| 完美 prompt 設計 | 高 | 低（假設未經測試） |
| 快速測試與迭代 | 低 | 高（真實回饋） |
I - Integrate（整合）
設計回饋迴路：
關鍵整合點：
- 明確的驗收標準
- 結構化的回饋格式
- 版本控制的 prompts
- 可測量的品質指標
D - Delegate（委派）
當 AI 達到可接受的品質閾值，正式委派並建立監控機制。
| 階段 | 審核類型 | 頻率 |
|---|---|---|
| 初期 | 每個輸出 | 持續 |
| 穩定中 | 抽樣 | 每日/每週 |
| 成熟 | 例外導向 | 定期審計 |
從逐案審核轉變為定期審計。
組織層面的導入策略
Phase 1：Shadow Mode（影子模式）
AI 與人類平行決策。比較結果但不採用 AI 輸出。
| 指標 | 目的 |
|---|---|
| 一致率 | 基準 AI 準確度 |
| 不一致分析 | 識別改進領域 |
| 時間比較 | 量化速度優勢 |
Phase 2：Suggestion Mode（建議模式）
AI 提供建議。人類決定是否採納。
| 指標 | 目的 |
|---|---|
| 採納率 | 信任度指標 |
| 覆寫原因 | 改進的訓練資料 |
| 結果比較 | 驗證 AI 品質 |
Phase 3：Default Mode（預設模式）
AI 輸出為預設。人類可選擇覆寫。
| 指標 | 目的 |
|---|---|
| 覆寫率 | 例外頻率 |
| 覆寫模式 | 識別 AI 盲點 |
| 節省時間 | ROI 測量 |
Phase 4：Autonomous Mode（自主模式）
AI 自主決策。人類只處理標記的例外。
| 指標 | 目的 |
|---|---|
| 例外率 | 系統健康度 |
| 誤報標記 | 校準閾值 |
| 審計發現 | 持續改進 |
反模式警示
避免這些常見陷阱：
AI Washing（AI 漂洗）
症狀： 表面上用 AI，實際上人工審核每一筆輸出。
問題： 失去效率優勢卻聲稱 AI 採用。
解決方案： 信任流程。品質穩定後轉為抽樣審核。
Perfectionism Trap（完美主義陷阱）
症狀： 等 AI 100% 準確才願意導入。
問題： 忽略 80% 準確已經勝過現狀。
解決方案： 將 AI 表現與實際人類表現（包含人類錯誤）比較，而非與理論完美比較。
Context Starvation（脈絡饑餓）
症狀： 給 AI 的 context 不足，然後怪 AI 不夠聰明。
問題： 垃圾進，垃圾出。
解決方案： 投資脈絡工程。AI 品質與 context 品質成正比。
Responsibility Diffusion（責任稀釋）
症狀： 「AI 決定的」變成推卸責任的藉口。
問題： 人類仍需為 AI 輔助決策負責。
解決方案： 明確的責任框架。AI 執行；人類負責。
| 角色 | 責任 |
|---|---|
| AI | 執行、建議 |
| 人類 | 監督、究責、例外處理 |
| 組織 | 治理、審計、持續改進 |
成功指標
| 指標 | 說明 | 目標方向 |
|---|---|---|
| AI 任務比例 | AI 作為主要執行者的任務百分比 | 增加 |
| 決策延遲 | 從輸入到決策的時間 | 減少 |
| 覆寫率 | AI 決策被覆寫的百分比 | 隨時間減少 |
| 例外率 | 需要人工介入的百分比 | 穩定在低水平 |
| 回滾頻率 | AI 決策被逆轉的頻率 | 低且下降 |
| 品質對等 | AI 輸出品質 vs 人類基準 | 匹配或超越 |
與其他提案的整合
| 提案 | 整合點 |
|---|---|
| AI-DLC 群體精煉 | 需求會議中的 AI-First 決策 |
| 審查機制精煉 | 階段適當的審查強度 |
| 人類價值主張 | 定義 AI-First 世界中的人類角色 |
| 持續脈絡清理 | 實現更高的 AI 決策品質 |
相關： C4: AI 優先原則 | 人類價值主張 | 返回： 提案總覽