Close
在講求速度與精準度的 AI 時代，企業與工作者面臨的挑戰，已不再僅是「如何使用工具」，而是如何讓工具真正進入決策流程，成為可靠的生產力夥伴。當 AI 的發展從單純的線性問答，演進至具備自主拆解任務能力的代理人（Agent）模式，我們該如何調整工作思維，才能在風險與效率之間取得平衡？
本次「獨角獸大學」邀請到 cacaFly創新發展部門的張絡迪（Lodi）老師，以「迎接 AI 工具浪潮：從流程優化到決策自動化」為題，帶領學員深入剖析 2026 年 AI 的演進趨勢、釐清 AI 發展的技術脈絡，並建立人機協作的工作流與風險控管思維，協助工作者在 AI 浪潮中站穩腳跟。
過去我們使用 AI，多半習慣 AI 單向的線性思維（Linear thinking），而這也造成在部分問題上，AI 常發生出錯，Lodi 老師舉出經典的問題：當你問 AI 9.11 跟 9.9 哪個數字大的時候，舊版 AI 因為直覺認為小數點後的 11 大於 9，因此常錯誤回應 9.11 比較大。
As the technology has matured, AI is increasingly embracing an Agentic loop—a mode powered by Chain-of-Thought techniques, where the model doesn’t just produce an output, but can break down a task and reason through it step by step.
而隨著技術演進至今，AI 已逐步轉向代理迴圈（Agentic loop）的思考運作模式。透過思維鏈（Chain-of-Thought）技術，AI 變得更加聰明，它不再只是單純產出結果，而是懂得拆解任務。一個成熟的 AI 思考流程包含四個階段：Input（輸入） -> Breakdown and reasoning（拆解與推論） -> Integration and verification（整合與驗證） -> Output（產出）。這意味著 AI 能夠模擬人類的思考路徑，先理解問題本質，再進行分步驟處理，最終產出高品質的答案。
然而，這種模式也伴隨著風險。Lodi 老師特別提醒，在 Agentic loop 下，若指令不明確，AI 有可能陷入無限迴圈，造成 Token 的無謂消耗。此外，若開放過大的權限給 AI Agent，可能產生 Excessive Permission（權限過度）的問題。因此，為了確保安全，我們應遵循「風險管控」原則：設置 Budget 上限以掌握 Token 開銷，並讓 AI Agent 在獨立的 Sandbox（沙盒）環境中運行，降低權限過大造成的實際損失。
當 AI 處理任務的能力越來越強，人類的角色並未被取代，反而變得更為關鍵。Lodi 老師強調了「Human in the loop」的核心概念：在現代工作流中，人類必須轉型為 AI 的指揮官與最終把關者。以「完成一份符合品牌形象的對外文宣」為例，有效的人機協作流程應如下：
在課堂的實作環節中，Lodi 老師帶領大家嘗試兩種模式：一是讓 1 個 AI 負責從頭到尾的撰寫與審核；二是讓 2 個 AI 分別負責撰寫與審核。結果顯示，分工明確的多 Agent 模式，其產出的內容深度與修改建議的豐富度，遠比單一 AI 負責到底來得更為優秀。因此，使用 AI 的重點不在於讓一個 AI 做完所有事，而在於如何設計流程，讓不同專長的 AI 各司其職。
AI 不只是工具，而是決策的思考夥伴。要讓這位夥伴發揮最大效益，我們必須了解每個模型的特點與工具。Lodi 老師在現場分享了目前的評比觀察：
Lodi 老師也帶領學員採用公司內部的 AI 工具實作，採用 Nano Banana Pro 服務進行產品圖合成，讓大家更直觀理解「選對模型」本身就是提升品質的關鍵。
在這次的獨角獸大學課程中，Lodi 老師不只帶大家理解「如何使用 AI」，更傳遞進階的「AI 使用思維」。真正的創新，始終來自於對人的理解與對問題的洞察。AI 的確在改變工作方式，但真正能帶走的價值，仍取決於我們能否把學到的方法，轉化應用至未來的工作中，追求更清晰的流程、更可控的權限、更可靠的產出，以及更成熟的人機協作。透過理解 Agentic loop 的運作，我們將能把繁瑣的流程優化，讓 AI 成為真正的賦能者。期待每位學員將課堂中的收穫帶回工作場景，透過持續的驗證與落地，在 AI 時代中成為更高效的決策者。
