ChatGPT 先分流再交辦：新手的工作診斷指南

先看一個想像的場景。一間小型電商的行銷負責人，身兼企劃、廣告投放與客服回信，人力長期吃緊。她聽同事說 ChatGPT 能分擔寫作，把「寫一檔母親節檔期的社群貼文」幾個字丟進對話框。送出之後，畫面跑出三句放在任何店家都說得通的話：產品很用心、送禮有誠意、限時優惠別錯過。沒有客群輪廓，沒有貼上檔期節奏，改起來比自己寫還慢。當晚她關掉視窗，回去用原本的方法硬撐。同一層樓的另一個人，用同一個工具、同樣的免費帳號，兩個小時生成整週要用的行銷素材。

差距不在運氣，也不在誰比較懂技術。那個兩個小時做完的人，在打開網頁之前先回答了三個問題：這件事能不能交給它、要交到哪一步、做錯了怎麼收回。ChatGPT 不是不夠聰明，是太配合。它的本職是預測下一段看起來合理的文字；搜尋功能打開時它確實會去抓網頁，但抓了什麼、能信多少，把關的仍然是你。指令給得少，它只能交出放在誰身上都通的安全答案；卡住的不是工具，是交辦方式。

多數人學 ChatGPT 的順序，從功能清單開始：先註冊，再背指令句型，然後四處收集範本。順序其實該倒過來，先學判斷，再學操作。整套工作流程可以拆成十個站點，從分流、交辦、接手、查核，到把跑順的經驗固定下來，免費版就能從頭到尾跑完；日常多數任務用不到付費方案，查證與定稿也永遠留給自己。

快速重點：ChatGPT 是逐字預測的生成模型，對話框裡的內容就是它的全世界，而它被訓練成全力配合。先判斷任務能不能交、交到哪一步、錯了怎麼收回，免費版足以跑完整套流程；查證與定稿，永遠留給自己。

三個問題，先診斷你的工作能不能交出去

在打任何字進輸入框之前，先用三條軸線替手上的任務分流。第一軸看性質：這是產生型的任務，還是查證型的任務？草稿、改寫、發想、整理、翻譯屬於前者；確認事實、查價格、查法規、查庫存屬於後者。第二軸看去處：產出是給內部參考，還是直接對外？內部週報寫得平庸，代價是難看一天；對外貼文出錯，代價是客戶都看得到。第三軸看退路：做錯了，能不能用低成本收回？寄出的信、上線的價格、簽出的承諾，都收不回來。三條都過關的任務先交辦；卡在查證與對外的，等流程成熟再動。

把日常攤開檢查，會發現產生型的任務比想像中多：會議記錄的整理與分類、客訴內容的歸納、企劃方向的初稿發想、給主管的更新草稿、內部文件的改寫。這些工作形狀固定、對錯一眼可辨，寫壞了重來一次就好，是練流程最安全的起點。查證型的任務則反過來：它需要的是到可靠來源核對，而核對這個動作，本來就該由人拿著原始資料做，工具幫得上的是把要核對的清單列出來。

不少人的第一週是這樣結束的：把查證型的問題先丟給它，問法規、比價格、要最新的市場數字，得到一段流暢卻無法驗證的回答，比對來源後發現數字對不上，從此認定這工具華而不實。順序錯了，結論也跟著錯。把產生型的任務當入口，你會在一週內累積出可以用的產出；把查證型的任務當入口，你只會累積失望。分流做在前面，體感完全不同。

分流是排序，不是二分，同一件任務常常只交前段。以一封要寄給客戶的報價信為例（建構情境）：結構、語氣與鋪陳交給它起草，單價、折扣與交期這些數字自己填。前段可逆，後段不可逆，切開交辦，出錯面就縮小到你盯得住的範圍。又例如一檔促購活動（建構情境）：活動命名的二十個方向、社群貼文的三種版本可以交它；但檔期折扣的底線、對外的承諾文字，留在自己手上。

三條軸線背後是同一個機制。ChatGPT 在做的事，是依著你給的文字，逐字預測下一段看起來合理的內容；打底的模型手裡沒有資料庫可以調答案，也沒有查證這個動作。開啟搜尋功能後，它可以檢索網頁、附上來源，等於外接一層可以打開的依據；但那是功能設定，不是它本來的樣子，而且檢索回來的內容，一樣要人核對。它的訓練來自大量文字，看過的句子多到能寫出流暢的段落，但「寫得出來」與「查證過」在它內部是同一件事，沒有分開的開關。所以流暢與出錯出自同一個來源：它把編得通順的句子與查證過的句子，用一模一樣的語氣寫出來，篤定從來不是證據。這也是它跟搜尋引擎的根本差異，檢索工具生來就給你可以打開的來源，它要靠功能加持才有。模型的完整脈絡，可以再讀生成式 AI 的基礎解析。

把新手最常見的四個誤解，對照實際機制與對應的用法：

↔ 左右捲動檢視完整表格

常見誤解	實際機制	對的用法
它在查資料庫，答案有憑有據	沒開搜尋時，它在逐字預測合理的下文；開了搜尋，抓回的頁面仍要你核對	把它當產生器，查證留給自己
語氣那麼篤定，應該查過了	篤定是語氣，不是證據	對外用的數字回原始來源核對
它應該記得我的生意背景	對話框內才是它看得到的世界	背景每次自己給足
有問題它會主動問我	它被訓練成全力配合	反方指令與界線自己下

用風險與可逆性切分，把功能切分放一邊，原因很實際：功能清單會過期，風險結構不會。十年前的工作軟體跟今天完全不同，但「寄出的信收不回來」這件事從沒變過。把判斷掛在功能上，每換一次工具就要重學一次；掛在風險上，換任何生成式工具都適用。這也是整套流程的核心：它是一套工作判斷，不是某個產品的使用說明。

再對照一組情境，可以看出三軸在排什麼（兩例皆為建構）。內部客服草稿寫歪了，重寫一輪就好，來回成本低，同事頂多笑你一句；對外報價的金額寫錯、信已寄出，傷害收不回來，客戶的信任也一樣。同一個工具，前者出錯的代價小，後者賭不得。先交前者，把判斷流程練順，再把後者拆成可逆的段落分批交。想跟著畫面逐步走過註冊與各項設定，ChatGPT 的深入操作教學整理得更細，這裡把重心放在判斷流程。

開好帳號之後，先寫一張交辦單

開帳號幾分鐘就結束：打開 chatgpt.com，確認網址正確、開發者欄位是 OpenAI，避免裝到仿冒的應用程式；從 Google、Microsoft 或 Apple 帳號挑一種登入方式，之後固定用它，省得日後找回帳號多一道麻煩。卡在收不到驗證信，換一個信箱重試通常就能解決；手機版從官方市集下載，看清開發者名稱再裝。真正拉開差距的不是這幾分鐘，是送出第一句話之前，你有沒有把要交辦的事寫成一張單子。與其丟關鍵字，與其先打招呼，直接寫一張三欄交辦單：

↔ 左右捲動檢視完整表格

欄位	要寫什麼	例子（烘豆訂閱小店，建構情境）
背景欄	生意型態、讀者輪廓、語氣偏好，附上真實素材與一段「我要這種感覺」的舊文案	我賣咖啡豆月訂閱，客群是辦公室族群，語氣直話直說；附上回購率最好的兩則舊貼文
任務欄	動詞加產出物，講清楚要什麼	把附上的素材改寫成三段續訂提醒，每段五十字以內
驗收欄	格式、禁用詞、語氣上限，加上反方指令	不用驚嘆號、不提折扣；先列出這個方向最容易失敗的三個理由，再給正文

背景欄是三欄裡報酬率最高的一欄。一段「我要這種感覺」的舊範例，效果勝過兩百字的規格描述，因為它直接給了模型可模仿的錨點：句長、用詞、節奏都在範例裡，不必逐項說明。這也是「展示比描述準」的原則，人類同事看範例能抓到神韻，模型抓得更徹底。讀者輪廓寫得愈像真人，產出就愈貼近你要的口吻，年齡層、使用場景、在乎什麼、討厭什麼，都是背景欄的材料；把對象想清楚的整套方法，可以參考目標受眾與 persona 的思考流程，搬進背景欄就能用。

任務欄的重點在動詞。摘要、重寫、發想、比對、翻譯、抓錯，換一個動詞，產出的形態就跟著換；只寫「處理一下這份資料」，它只能猜你要什麼，猜錯了來回更耗時。動詞之後接產出物與數量：幾段、幾點、幾個方向，寫出來比留白好，留白的地方它會自己補滿，補的內容未必是你要的。

驗收欄最常被漏掉，它卻是產出能不能用的分水嶺。格式與禁用詞畫出下限，反方指令抵銷它的配合傾向：要求它先講這個方向會怎麼失敗，得到的正文會扎實得多，因為它被訓練成盡量滿足你，你的傾向它照單全收，界線要自己畫。素材還不齊的時候，不要讓它硬寫，先丟一句「動筆之前，先列出你還缺哪些條件」，把清單補完再交辦，缺的通常是數據、受眾細節與上一版的失敗原因。各行業已經有人把常用任務整理成指令結構，設計工作的提示詞清單是一例，看懂欄位怎麼拆，換成自己的行業用語即可。

背景欄有一條底線：素材不要造假。編一個不存在的客群或捏造過往成效，它會依著假素材推出假結論，而且推得頭頭是道；它沒有義務也沒有能力替你驗證原料。素材不足就回到上一段，先補齊再交辦。

單子送出去，第一輪回來先看方向，不要急著改字。骨架對了，用一兩句具體回饋換它重出：第二段刪掉、開頭換成問題、語氣再收斂一點；骨架不對，整張單重寫比逐句修快。來回兩三輪後產出仍不貼，問題多半出在背景欄，回頭補素材，不要在同一張單上反覆加形容詞。交辦單是文件，不是咒語，它值得像對內部文件一樣被你修改與歸檔。

它只看得到對話框裡的世界

同一個問題，背景給多給少，結果差一大截，原因只有一個：在預設狀態下，對話框裡的所有文字，就是它看得到的全部。框外的它不知道你是誰、做什麼生意、上個月改了什麼決定；框內的每一個字，它都當成依據。把對話想成一份只能往後加頁的筆記：你寫進去的它記得，你沒寫的它不知道，而且它不會主動翻你別本筆記；記憶與參照功能可以打破這個預設，後面會談怎麼開、開哪些。所以背景不是客套，是原料，素材的品質決定產出的上限，這條鐵則在每一節都成立。

這個世界還有容量限制。輸入與輸出共用同一份額度，長文件放進去可能被截斷，對話拉長了，開頭的條件也會被擠出它的注意力之外；重要條件放在訊息開頭，比壓在結尾一段穩。額度以 token 計算，一個漢字大約佔一到兩個單位，概念與換算整理在Token 的白話說明，新手只需要記得：素材給重點，不要整包倒進去，長文件先摘要再引用。

跨對話不連續是預設行為。記憶與參照功能沒有開的時候，每開一個新對話，它對你一無所知；這不是故障，是出廠狀態。舊對話都留在側欄，要延續就點開，要整理就改名，不要的就刪掉，手機 App 與網頁版登入同一個帳號，紀錄兩邊都看得到；但紀錄看得到是一回事，它不會自己回頭翻舊對話替你辦事。把背景寫成一張可重複貼上的背景卡，開新對話先貼卡再辦事，是最基本的紀律。背景卡放四樣東西就夠：你是誰與做什麼生意、常用讀者是誰、偏好的語氣與長度、固定的禁用詞。寫好之後存成純文字，換裝置、換瀏覽器都跟著走，比任何記憶功能可靠。要再省力，有三層補救可用：自訂指令等於背景欄的常駐版，把角色與語氣固定下來，每個新對話自動套用；記憶讓它自己累積你透露過的偏好，適合放那些說一次就永遠成立的條件；把整套交辦單連同知識檔案打包成一個 GPT，則是制度化的完整形態，團隊裡的每一個人都能用同一張單辦事。三者的差異，特別是記憶功能與個人化的機制，值得單獨弄懂再決定開哪些。

這些功能能不能用、額度多少，依方案與地區而異，不必追著設定跑。流程本身就夠用：接到新任務就另開對話，背景卡先貼，素材一次給足，來回修正時指名改哪一段，不要開新的話題混進舊的脈絡。對話保持乾淨，它看到的世界就乾淨；摻進無關內容，回答也會跟著偏。

第一版永遠是草稿：接手產出的四個動作

它交回來的第一版，從來不是成品，是素材。接手照四個動作走：

• 挑：一次要三個方向，從裡面挑骨架，不挑字句。方向對了，細節改起來快；方向錯了，修字句是白費。
• 補：把第一手細節與數字補回去，現場觀察、真實數據、只有你知道的事實，這些它給不了，也是產出拉開差距的地方。
• 校：逐條校對會對外的事實，人名、數字、出處都在這一步過，別等到貼上前才掃一眼。
• 放：校完才決定放行，發布的責任在你，不在工具。

三個習慣讓這條收回流程穩定。任務與對話保持一對一，上下文不互相污染，也方便日後回找；來回疊代兩三輪再收，回饋要具體，指名第二段太長、語氣太硬、第三點缺例子，比籠統的「再好一點」有效得多；跑順的交辦單存檔，下次只改欄位，經驗就留在你這裡。存檔的動作看似小事，卻是把個人用法變成可累積資產的唯一途徑，做滿一個月，你會有一疊屬於自己產業的範本。

用一個建構情境走一遍。客服收到延遲出貨的抱怨，你把公司立場與補償選項寫進背景欄，任務欄指定產出三段式回覆，第一輪回來的方向對了但語氣太硬；回饋只改一項，請它把第二段的命令句換成詢問句，產出立即貼近可用；第三輪請它自行檢查有沒有多餘的承諾字眼，收工。三輪來回前後幾分鐘，比逐字自己打磨快，也比直接放行安全。

為什麼不能直上？預測機器給得出通順，給不出經歷與判斷。它沒有陪你拜訪過客戶，不知道上次活動為什麼虧錢，也不必為錯誤的結論負責。大量生成的制式內容還有另一個問題：彼此太像。同一套模型、同一類指令，產出來的句子結構高度相似，讀者讀得出來，搜尋引擎也讀得出來；放上一段的親身觀察與真實數字，是讓內容回到人這邊最直接的方式。內容要放上網站之前的把關原則，AI 用於 SEO 的實戰教學有完整討論。

兩個延伸問題常被問到。擔心產出被機器判定，可以先了解AI 內容偵測工具的原理與限制，把它當參考，不要當裁判，誤判兩個方向都有；想讓會自己上網、能代為操作瀏覽器的 AI 加入 SEO 流程，分工原則整理在Atlas SEO 指南，該服務已停止營運，實作時換成仍在維護的工具即可，原則照用。

它什麼時候會唬你：把查核分成三級

答錯時的口氣，跟答對時沒有兩樣，因為篤定從來是語氣，不是證據。查核不必草木皆兵，依資訊會不會進到對外決策，分三級就夠。內部草稿，抽查關鍵詞，確認方向沒歪即可；引用了外部主張，打開原始頁核對，看日期、看對象、看原文是否真的這樣說；碰到法規、醫療、財務，回官方文件與專業來源查證，這一級不應該由任何對話模型代勞。查核掛在「校」這個動作上，不必另開一套流程。

三級在實務上對應三種心跳。內部草稿錯了，改掉就好，抽查是為了省時間，不是為了抓賊；引用主張錯了，文章的可信度直接受傷，所以每一條都要能點回原始頁；法規與醫療錯了，代價可能落在別人身上，這一級寧可慢，不要快。分級的意義在把力氣花在對的地方，全面懷疑跟全面相信一樣，都是懶惰。

高危欄位就那幾類：數字、人名、書名、出處。數字的錯最隱晦，因為錯得漂亮的數字看起來最像真的。舉一個建構情境：把一份客戶報表貼進去請它做摘要，某欄數字被它順手修得整整齊齊，報表看起來漂亮了，會議上差點照著下結論，事後核對原始檔才發現欄位對不上。它不是故意，是「合理」與「正確」在它的世界裡，本來就是同一件事。

真實世界已經有人付過學費。2023 年美國有律師把 ChatGPT 杜撰的判例寫進法庭文件，引用格式有模有樣，連卷號都編得出來，查證後根本不存在，涉案律師與事務所遭法院裁罰。這件事成為討論 AI 引用風險時最常被提起的案例，原因很直接：連以查證為業的專業工作者都會被通順騙過，一般人更需要把查核做進流程，而不是仰賴自己眼尖。AI 幻覺的成因與防範把機制講得更完整。

還有一個低成本的輔助手段：交辦時加一句，請它把沒有把握的說法標記出來。它不一定每次都誠實標，但被標記的段落等於一張風險地圖，把查核力氣優先砸在那裡，命中率比自己憑感覺抽查高。搭配三級查核使用，你等於讓它自己交出弱點清單。

聽到「越獄」能解除限制、讓它什麼都回答的說法，先讀越獄的原理與風險再決定要不要碰。多數時候，你需要的是更好的交辦，不是繞過安全設計；繞過的代價往往由帳號與資料安全承擔。

換個輸入方式：說的、拍的、丟的

打字不是唯一的入口，三種情境換輸入方式更好用。想法還沒成形、人在走路或通勤的空檔，用講的邊說邊整理，讓它把散亂的口述收成結構化筆記，想到哪講到哪，它負責排列；口述還有個附帶好處，語氣比打字接近你真實的說話方式，整理出來的草稿常常更像你。這個入口的細節與適用範圍，寫在語音模式的完整解析。畫面、白板手寫與報表截圖，用拍的，請它轉成文字或解讀內容，逛賣場看到的陳列、會議室白板上的討論，拍照上傳比逐字打出快得多；不過圖片裡的數字與小字它會看錯，縮圖與低解析度讓錯誤更常見，要拿來做決策的圖表，回原始檔核對。

長文件用丟的。上傳成功不代表讀得完整，也不代表讀得正確，容量會截斷，辨識會漏頁，範圍先確認，細節再交辦。

常見的 PDF、Word、試算表與簡報檔它都吃，能丟多少則依方案而定。合約、研究報告、問卷結果的整理因此省力，但它轉述的內容仍要抽查。起手先請它用三句話講出這份文件在說什麼，確定讀對了範圍，再進一步要求濃縮、翻成外文或做分析。

丟檔案的時機也有講究。資料還在收階段，先不上傳，等底定再給，免得它把過程中的舊版本當成依據；多份文件要比對時，同一個對話一次給齊，比分散在幾個對話各自摘要再人工拼湊可靠。檔案是背景素材的延伸，跟背景卡同一個道理：給得完整，它才有東西可看。

出現這些訊號，再考慮付費

方案愈買愈貴，不等於答案愈買愈準。付費買到的是產能與存取：更高的用量、更長的文件、尖峰時段更順，還有更強的模型、更多工具與進階推理的入口，這些會抬高產出的上限，但沒有一項是正確率的保證。一張沒寫好的交辦單，在付費版只會更快產出不能用的東西；把升級當成解決產出問題的手段，方向就反了；產出問題的根源多半在交辦與查核，方案換得再高，查證這一步也不會跟著升級。先在免費版把流程練順，訊號出現再升級就好：

• 天天撞到用量上限，工作被打斷的頻率變高，開始為了省額度改變做事順序。
• 要處理的文件長度或數量，長期超過免費額度，截斷已經影響產出品質。
• 團隊要共用工作區，需要統一管理權限、成員與資料，個別帳號各自為政的時代結束。

團隊導入常見的順序問題，出現在公司直接替每個人買單、卻沒有人先定義哪些任務可以交。結果是帳號開了、額度花了，產出回到各自為政。先讓兩三個人把流程跑順、把交辦單範本整理出來，再全面開放，導入的成功率會高一截。

方案名稱與價格隨時會調整，以官方定價頁為準，教學文裡的數字過一季就不可靠。模型世代更迭也快，使用習慣不要綁死特定版本號，把流程建立在判斷與查核上，換哪一代模型都適用。商務方案的資料預設不進入模型訓練，這件事對團隊導入的意義，後面談隱私時會接上。

哪些任務一開始就不該找它

有了 ChatGPT，搜尋引擎並沒有退休，兩邊是分工。判斷用三條準則：來源可查性、資料政策、上下文容量。要可點開的來源與最新資訊，走搜尋，或走會附引用的 AI 搜尋，帶引用的 AI 搜尋工具是常見選擇，引用連結擺在那裡，核對成本低；碰公司內部資料，先看方案對訓練、保存與權限的規定，再決定什麼能進對話；長文件與程式開發，看上下文容量與專案整合的程度。改寫、歸納、發想這類對話型任務，再回到 ChatGPT，它的價值在把模糊的想法快速變成具體的文字。

舉兩個對比（皆為建構情境）。要查某項補助的申請資格與截止日，檢索加上官方公告頁面是正解，因為你要的是可據以行動的依據，錯一天就差一個申請週期；要根據客戶訪談紀錄歸納三個共通痛點，對話反而比檢索快，因為素材在你手上，缺的是整理。任務本質決定入口，不是習慣決定入口。

三條準則也可以倒過來用，當作檢查自己用法的方式。若你發現整天都在用它查資料，等於把它放錯位置；若你連內部草稿都要親手從頭寫，等於把產生器閒置。每季回頭看一次任務分布，入口的分配自然會調整。

還有一個便宜的第二意見做法：把同一個問題，丟給另一家廠商的模型回答，兩邊落差大的地方，就是該查證的地方；兩邊一致，起碼代表這個說法在訓練資料裡站得住。被拿來與 ChatGPT 並列討論的文字助手不少，Claude 的完整指南把它適合派上哪些用場講得很清楚，兩邊交替使用不衝突。

不必把任何品牌定為某類任務的永久答案。模型與功能每季都在換，今天的缺口可能是下季的內建功能，判準比品牌耐用。

按下送出之前，先花三十秒檢查

有些內容，問題不在品質，在根本不該進對話框。送出前用三個問句檢查：

• 這則對話截圖今天外流，你會不會緊張？
• 貼進來的客戶資料，取得當事人與公司的授權了嗎？
• 拿掉姓名之後，職稱、日期、金額加起來，還認得出當事人是誰嗎？

客戶個資、財務合約、考核薪資、程式裡的密鑰帳密、病歷與案件細節，該防的涵蓋面就在這三個問句裡。第三個問句最容易被輕忽：間接資訊的組合仍可能回推身分，單看每一項都無害，串起來就是一個人的側寫，最敏感的內容，正確做法是根本不進對話。想弄清楚服務商怎麼使用你送出的資料，個人工作區與商務方案的差異，直接讀OpenAI 的資料使用說明，以官方文件為準，不要依賴轉述。

真的非處理不可，順序是先取得授權，再把姓名、公司名稱、員工編號這類能拼回當事人的線索換掉或刪除。個人帳號能在 Data Controls 裡關閉「Improve the model for everyone」；要顧及整個團隊，再考慮 Business 或 Enterprise 這兩級方案，它們預設不把你的資料拿去訓練。換掉名字並非護身符，公司內部的資料規範與相關法令，到頭來仍要守住。

拿一個真案子，把流程跑一輪

讀再多框架，不如拿一個真案子完整跑一輪。選案三條件，直接對應開頭的三軸：對內、可逆、這週真的要做。本週要交的週報整理、一段內部溝通草稿、一頁企劃的初稿發想，都合格；對外的報價與承諾，等流程跑順幾輪再說。從分流開始，寫交辦單、貼背景卡、收草稿、挑補校放、做三級查核，一輪走完，你會知道自己在哪個環節最常卡住，是背景寫不清楚，還是驗收欄漏了反方指令。卡住的地方，就是下一次要先補的地方。

跑完把交辦單存檔，照任務分類。一個月後回頭看，你常改的欄位是哪幾格，那裡就是你這個產業的知識所在，也是最難被別人抄走的資產；工具人人可用，知道該問什麼、該填什麼的人不多。行銷端想把 AI 接上更完整的內容流程，從選題、製作到分發的整套架構，參考內容行銷策略的框架，把單點產出放回全盤計畫裡。

這座範本庫還有一個副作用：它讓你的判斷變得可以傳承。同事接手你的工作，看範本就知道每類任務該問什麼、該查什麼，不必從頭摸索；你自己休假回來，貼上背景卡就能恢復節奏。工具會換，模型會換，這套先判斷再交辦的流程不會跟著換。先分流、再交辦、接手時挑補校放、對外前查核，四句話帶著走；從今天待辦清單上的一件小事開始，比從功能選單開始快。若你希望有人一起把公司的導入順序理清楚，這也是我們平時在做的事：帶著工作清單來，先判斷哪些任務值得交，再談工具與流程。