前文「資訊處理能力正在快速貶值，白領應何去何從？」提到，大學生級別的讀、寫、算能力，目前已經貶值為基礎資源。白領要提升自己，在時代浪潮中不掉隊，首要提升的方向是協同 AI 處理複雜任務，把資訊化繁為簡的能力。
不少人目前還未具備使用 AI 處理複雜任務的能力，這樣做時往往會發現產出不盡理想。其實，問題往往不在於 AI 能力，而在於使用者對任務本質及 AI 能力不夠理解。
我們先釐清兩個看起來很像、但在本質上完全不同的概念：「複雜」與「困難」。
例如，跑馬拉松這件事「複雜」嗎？並不。路線已經規劃好了，你只需要穿上鞋子，沿著路跑，終點就在那裡，不需要太多的思考或決策。但是，它「困難」嗎？非常困難。因為那需要幾個小時的體力、耐力，事前受過大量訓練才能做到。這就是「簡單但不容易」（Simple but not easy）。
再來看經典電影情節：拆彈專家面對計時器只剩十秒的炸彈，必須決定剪紅線還是藍線。這件事「困難」嗎？動作上不困難，伸手一剪就好。但它「複雜」嗎？太複雜了，需要分析電路圖、判斷陷阱，在具體行動之前思考判斷大量資訊。這就是「複雜但不困難」（Complex but not difficult）。
為什麼要區分這兩者？因為 AI 的超級強項，是透過極快的執行速度，幾分鐘就能做完人類做要花幾小時的苦力活，把對人類來說困難的任務變得容易。然而，面對複雜內容，例如解讀模糊甚至互相矛盾的資料，AI 處理這類它們的能力，目前還遠遠比不上資深的人類工作者。
為什麼 AI 仍然難以獨立處理高度複雜的任務？其中一個關鍵原因，在於它存在類似人類短期記憶的限制，技術上稱為「上下文窗口」（context window）。就像人類一次只能同時處理有限資訊一樣，AI 在單次推理中能吸收的資訊量也是有限的，當輸入過多或過於零散時，理解能力便會迅速下降。
此外，AI 的訓練目標是「服從人類指令，並根據提供的資料做出回應」，但通用模型不可能預先涵蓋每一個組織內部的權責關係，例如在什麼情況下應該優先聽從哪一位主管，或當多個資料來源互相矛盾時該信任哪一個。而現實世界的工作環境，往往正是由這些不完整、分散、過時，甚至模糊的資訊所構成。
更重要的是，許多問題的關鍵並不寫在文件或系統中，而是存在於資深從業者長期累積、難以言傳的經驗與直覺之中。這也使得 AI 缺乏真正的判斷力，無法自行分辨資料是否可靠，更不知道某個數字是否仍然反映最新情況。若在缺乏篩選與整理的情況下，將大量混亂甚至互相衝突的資訊直接交給 AI，只會產生看似完整、實則毫無實用價值的結果。
所以，在處理這些複雜任務時，我們不應期待對 AI 三言兩語許個願就能解決問題，而是要先幫AI化繁為簡，透過搜尋、篩選、整理資料，把複雜混亂的內容，轉化成詳細背景資料及簡明清晰的指令，然後再交給 AI 去執行。
線上串流巨頭 Netflix 正在採用以下三階段工作流實現上述思路：
一開始先進行研究，按捺住想要立刻看到成果的心情，把目標定為搞清楚背景資料，而不是讓 AI 直接幹活。你可以把收集到的零散資料丟給 AI，但目的是讓它幫你整理、糾錯、補全背景知識，過程中投入高強度的時間校驗內容，最終產出一份乾淨、正確的研究文檔，避免給予 AI 的資料太多太混亂。
有了乾淨的資料後，就可以開始設計具體計劃，制定詳細到任何人照著做都能完成的步驟。因為如前所述，通用模型很難對個人或企業具體場景作出高度精準的判斷，因此我們要透過自己的經驗與直覺先作出判斷，為 AI 指出方向，產出邏輯嚴密、簡明清晰的執行計畫讓它執行，而不是偷懶把資料交給它就了事。
最後才來到執行階段。因為在行動之前，你已經把大部分的「複雜度」都消除了。現在丟給 AI 的指令及資料是乾淨的、聚焦的。你大可以去喝杯咖啡或做別的事，待 AI 完成工作後再做審查。由於前面的準備工作已大幅減少 AI 對著混亂的資料胡編亂造的問題，產出質量通常都很錯，略作修改後就可以作為成品使用。
我自己亦在日常工作大量使用以上框架。例如，在準備大學教材時，我不會一開始就直接要求 AI 生成 PPT。相反，我會先蒐集及整理所需的背景資料，根據這些資料設計教材的大綱和細綱。完成前置工作後，才會要求 AI 嚴格依照既定的細綱生成內容。這樣的成品，包含了大量來自我本人的思考與判斷，而不是單純依賴 AI 所產生的平庸大眾內容。透過這種流程產出的教材品質，遠高於一開始就完全交由 AI 生成的結果。
只要生成式 AI 的技術架構未出現革命性突破，處理複雜任務就會長期是它的弱項。因此在 AI 時代要保持競爭力，我們不能再依賴日益貶值的讀、寫、算執行力，而應致力於提升自己梳理複雜資料、透過判斷化繁為簡並進行規劃的思考能力。因此，人類在 AI 時代不僅不會被免去學習與思考的負擔，正好相反，這兩項能力將變得比以往任何時刻都更加關鍵。
本文原刊於明報，刊登日期為 2026 年 2 月 13 日。