真正有效的 AI 教學，不是讓學員照著老師點完一次，而是讓他面對沒看過的問題時，仍然知道如何拆解、驗證與修正。
教學的最高成果不是「學員記住多少功能」，而是老師不在場時，學員仍能持續完成任務。
▋ Belief：會跟著操作，不代表真的學會
許多 AI 課程都有一個令人誤判的瞬間：老師在投影幕上示範，學員跟著複製提示詞、按下按鈕，最後順利產出一個網頁、一份簡報或一張圖片。現場看起來非常成功，但幾天後只要換一個題目，學員又回到原點。
問題不是學員不努力，而是教學只傳遞了操作路徑，沒有傳遞解題模型。操作路徑回答「這一次怎麼做」，解題模型則回答「下一次遇到不同問題時，我該如何思考」。
如果老師一離開，成果就無法重現，那不是能力轉移，只是一次成功的現場演示。
AI 工具更新速度很快，介面、模型與價格方案都可能改變。若教學內容綁定某個按鈕或某一版功能，教材的有效期限會非常短。相反地，問題拆解、輸入整理、逐步驗證與錯誤修正等能力，可以跨越不同工具持續使用。
從「看老師變魔術」轉向「理解魔術的結構」
一場從 PDF 讀取資料，再生成 HTML 與 PDF 的完整示範，確實能快速打破學員對 AI 的想像。它讓非技術背景的人看見，過去需要多套軟體與大量人工操作的工作，如今可以被串成一條連續流程。
但震撼只適合打開學習動機，不能取代能力建設。演示結束後，教師必須帶領學員拆開流程：資料從哪裡來、AI 做了哪些判斷、輸出如何驗收、錯誤發生時應該回到哪一個步驟。
當學員能說出這些結構，他學到的就不再只是工具，而是一套可以遷移到新情境的工作方法。
▋ Desire：學員真正渴望的是自主，而不是依賴
非技術背景的學員通常不是想成為全職工程師。他們真正想要的是：遇到工作問題時，不必永遠等待資訊人員、外包廠商或老師救援。
一位學員團隊中的助理，若能運用 Vibe Coding 的方式獨立開發網站管理工具，重要的並不是他寫出了多少程式碼，而是他開始具備把需求說清楚、讓 AI 協助實作、檢查結果並持續修正的能力。
這種自主能力會帶來三個層次的轉變：
- 第一層，從消費者變成創作者：不再只等待別人提供現成軟體，而是能為自己的工作製作小型解決方案。
- 第二層，從照表操作變成問題診斷：工具出錯時，不會立刻放棄，而是能縮小問題範圍並尋找證據。
- 第三層，從個人技巧變成組織資產：把成功方法整理成範本、檢查清單與可重複流程，讓其他人也能使用。
這也是 AI 教學最有價值的地方。它不是把所有人訓練成程式設計師，而是讓更多人獲得過去只有技術團隊才具備的原型能力。
未來的競爭差距，不只在於誰會使用 AI，而在於誰能把模糊想法快速變成可驗證的成果。
▋ Intention：用六階段教學法建立獨立解題能力
第一階段：從真實問題開始，不從功能目錄開始
與其先介紹二十個功能，不如請學員帶來一個正在困擾他的工作問題。例如資料整理很慢、網站內容難以維護、每週報告重複製作，或客戶需求總是散落在不同檔案中。
真實問題會提供明確的動機與驗收標準。學員知道自己為什麼要學，也能判斷成果是否真的改善工作。
第二階段：把大問題切成可以測試的小任務
教師可以引導學員把「做一個網站管理工具」拆成資料輸入、內容編輯、預覽、儲存與錯誤提示等模組。每次只處理一個小任務，降低同時理解太多概念的壓力。
這就像教人做菜時，不是一口氣要求完成整桌宴席，而是先學會備料、控制火候與判斷熟度。AI 可以加速操作，但學員仍要理解每一步的目的。
第三階段：先讓 AI 產生原型，再用問題推動修正
原型的任務不是一次做到完美，而是讓需求從腦中走到眼前。只要第一版能被操作，學員就能指出哪裡不符合期待，並把模糊感受轉成具體修改條件。
這種「產出、觀察、修正」的循環，比先寫一週完整規格更容易建立回饋。學員也會逐漸理解，與 AI 協作不是下達一次命令，而是持續縮小理解落差。
第四階段：刻意設計錯誤，訓練除錯能力
如果每次示範都順利完成，學員容易誤以為 AI 應該永遠正確。教師可以刻意提供缺漏資料、模糊需求或格式錯誤，帶領學員觀察系統如何失敗。
除錯時要建立固定習慣：先閱讀錯誤訊息、確認最近一次變更、縮小問題範圍，再進行最小修正。這套習慣不只適用於程式，也適用於文件自動化、資料分析與內容生成。
第五階段：要求學員解決一個課堂上沒教過的變形題
真正的能力驗收，不是再做一次完全相同的範例，而是改變資料來源、輸出格式或使用情境。學員若能自行調整流程，代表他理解了底層結構。
教師在這個階段應減少直接給答案，改用提問協助學員定位問題，例如：「你預期的輸入是什麼？」「目前哪一段已經成功？」「你要用什麼證據判斷結果正確？」
第六階段：把成功過程封裝成可重複資產
完成任務後，請學員留下需求說明、操作步驟、提示模板、錯誤紀錄與驗收清單。這些內容可以進一步整理成團隊的 AI Skill、標準作業流程或教學模組。
一次成功的作品只能解決今天的問題；一份可重複使用的流程，則能持續降低未來的學習與交接成本。
▋ 教師也需要從講師升級為系統設計者
傳統教學常以「我講了多少內容」衡量價值，但 AI 時代更值得追蹤的是：學員能否獨立完成任務、能否解決變形問題，以及能否把方法傳給下一個人。
教師的角色也因此改變。他不只是知識提供者，更是學習環境的設計者、錯誤回饋的引導者與能力驗收的守門人。
成本上，建立這套教學法需要較多前期設計，包括真實案例、分段任務、錯誤情境與驗收清單。然而教材一旦模組化，後續課程就能重複使用，教師也不必反覆回答相同問題。這是一種前期投入較高、長期邊際成本較低的教學資產。
▋ 今天就能採用的教學檢查表
- 學員是否正在解決自己的真實問題，而不是老師虛構的範例？
- 學員能否解釋每一個步驟的目的，而不只是照著點擊？
- 課程是否包含錯誤診斷與修正，而不只有成功畫面？
- 學員是否完成一個課堂上沒有示範過的變形任務？
- 成果是否被整理成可以再次使用與交接的文件或流程？
如果以上五個問題大多數都能回答「是」，這堂課才真正開始把知識轉化成能力。
▋ 把一次教學變成可持續成長的能力系統
如果您正在規劃企業內訓、團隊 AI 培訓或個人工作流，希望學員不只會操作工具，而是能獨立解決問題，可以從重新設計教學任務與驗收方式開始。
與蔡教練聊聊您的數位轉型需求，一起把零散的工具課程，重構成能被學習、驗證、複製與持續演化的能力系統。
