Delegation 委派：哪些事該交給 AI，哪些事該留給自己？

很多人打開 AI 工具的第一個動作，是把手上的事原封不動丟進去，然後看著結果皺眉頭。在打第一個字之前，其實有一個更重要的決定：這件事到底該不該交給 AI。

這個決定就是 4D 框架的第一個 D：Delegation 委派。它聽起來像管理學名詞，其實可以拆成三個很好上手的層次。這篇帶你走一遍，最後用一個實際例子練習。

委派不是「全部丟給 AI」

Delegation 的定義是：對於什麼工作適合你做、什麼適合 AI 做、什麼適合你們一起做，做出深思熟慮的決定，並且把任務分配下去。注意這個定義的重心：它不是「怎麼把事情丟給 AI」，而是「怎麼分」。

有些事 AI 做得又快又好，有些事它做起來像模像樣其實不可靠，還有更多事最好的做法是人與 AI 各扛一段。

還有一句話我特別喜歡：有效的委派同時需要領域專業與對 AI 能力的理解。只懂自己的專業而不懂 AI，你會錯過它真正能幫忙的地方；只懂 AI 而不懂領域，你會看不出它的產出哪裡有問題。這也解釋了為什麼同一套工具，在不同人手上差距這麼大。

第一層：問題意識（Problem Awareness）

問題意識的定義是：在讓 AI 參與之前，先清楚理解你的目標與這件工作的本質。對應的提問很簡單：「我到底想完成什麼？」但誠實回答並不容易。你要的是一份能直接寄出的文案，還是幾個方向讓你挑？是要正確答案，還是要思考的陪練？

我的經驗是，很多對 AI 的失望其實是對自己的目標不清楚。你沒想清楚要什麼，AI 就只能給你一個「平均值」的答案，然後你覺得它平庸。先把目標想清楚，後面每一步都會省力。

而且問題意識還有一個隱藏的好處：想清楚之後，你可能會發現這件事根本不需要 AI，或者需要的協助跟你原本以為的完全不同。

第二層：平台意識（Platform Awareness）

平台意識的定義是：了解不同 AI 系統的能力與限制。對應的提問是：「你擅長什麼？」不同模型、不同工具各有長短：有的擅長長文推理，有的擅長整理結構，有的接了外部工具能查資料，有的只能靠訓練時的知識。同一個任務，交給不同系統，結果可能天差地遠。

平台意識不需要你讀論文，比較實際的做法是：拿你熟悉的工作丟給手上的工具試，觀察它哪裡穩、哪裡飄。因為你懂這件工作，你能立刻看出品質差異，這是建立平台意識最便宜的方式。

第三層：任務分工（Task Delegation）

前兩層都想清楚之後，才輪到分工：深思熟慮地把工作分配給人與 AI，讓雙方的強項都發揮出來。對應的心聲是：「好，計畫是這樣。」注意這裡的分配單位不是「整件事」，而是「工作裡的每一段」。

實際演練：一份講義的分工

假設我要為學員做一份兩小時工作坊的講義。先過問題意識：目標是讓零基礎學員上完課能自己操作，所以講義重點是步驟清楚、範例貼近他們的日常，而不是知識完整。

再過平台意識：我手上的 AI 很會整理結構與改寫語氣，但它不認識我的學員，也不知道課堂上哪些地方大家會卡住。

• 交給 AI：把我的口述大綱整理成章節結構、把粗糙的說明改寫得口語、生出練習題的初稿。
• 留給自己：決定教學順序、挑選貼近學員的例子、判斷哪些內容該刪。
• 一起做：針對每個章節來回討論，AI 提供多個版本，我挑選並回饋修改方向。

你會發現這個分工同時用到三種互動模式：整理結構是 Automation，來回磨內容是 Augmentation。分工不是一次性的決定，做到一半發現 AI 某段表現不好，隨時可以收回來自己做。

從這個例子也能歸納出幾個通用的分工手感：形式的加工（整理、改寫、換格式、生初稿）通常放心交給 AI；品味與責任的判斷（取捨、對象拿捏、最終定稿）留給自己；需要來回激盪的思考（找切角、挑毛病、換觀點）最適合一起做。

這不是鐵律，而是一個起點：隨著你的平台意識越來越準，這條分工線會越畫越細，也越畫越適合你自己的工作。