AI 素養
非營利組織的 AI Fluency：讓效率的每一分回到你服務的人身上
非營利組織的 AI Fluency：讓效率的每一分回到你服務的人身上
非營利圈對 AI 的熱情很高，但「有興趣」和「真的落地」之間有一道明顯的落差：人力永遠不夠、資料特別敏感、而且每個決定都得對得起捐款人與服務對象。這篇要談的做法就是為這個處境設計的：不從工具教起，而是從使命教起。
整套思路貫穿一句話：對非營利組織來說，AI 省下的每一分效率，最終都應該轉化成對你服務社群更大的影響力。這篇把骨架和幾個我覺得最實用的場景整理給你。
你將學到什麼
使命優先的 4D 框架
兩個迴圈怎麼幫你決定該不該用 AI、以及怎麼用得好。
研究與寫作實戰
政策研究、補助提案、社群貼文的描述與鑑別要領。
隱私與資料分析
資料衛生的具體步驟，以及用已知答案驗證 AI 分析的方法。
自動化與組織政策
哪些任務能交給 AI、哪些必須留給人，以及 AI 政策的六大塊。
AI Fluency 是什麼？先把使命放在中心
AI Fluency 的定義是：以有效、有效率、合乎倫理且安全的方式與 AI 系統工作的能力。它的骨架是 4D 框架，四個互相連動的能力：Delegation（分工）、Description（描述）、Discernment（鑑別）、Diligence（盡責），並組成兩個迴圈：Delegation-Diligence 迴圈處理「該不該用、誰負責」的高層決策，Description-Discernment 迴圈處理日常互動中「怎麼講清楚、怎麼驗產出」的來回協作。
第一份作業不是開工具，而是寫下組織的使命、願景、價值觀，然後完成這個句子：「如果 AI 能幫我＿＿＿，我就能把更多時間花在＿＿＿。」後半句一定要是更高影響力、更以人為本的活動。
接著和 AI 進行一場訪談式對話，把組織脈絡整理成一份可重複使用的脈絡文件，之後每次協作都能直接餵給 AI，省去重講背景的成本。
研究與寫作：脈絡給得越足，產出越像你
用兩個人物示範 Description-Discernment 迴圈。研究場景裡，一位要把住房服務從一個城市擴展到另一個城市的執行長，用 AI 研究政策環境、補助機會與法遵要求。要領是：不要只丟大問題，要說清楚你是誰、你服務誰、你具體需要知道什麼，再加上時間範圍與地理範圍。
拿到回應後鑑別不可少：標出至少兩個需要查證的宣稱、注意缺了哪些社群觀點、質疑資訊的時效性。AI 能讓你快速定位，但做決定、負責任的仍然是你。
寫作場景是一位環境正義組織的負責人，要在 48 小時內趕出一份緊急補助提案。
具體招式是：上傳過去成功的提案讓 AI 學你組織的聲音；補進 AI 不可能知道的細節（實績、夥伴關係、員工專長、真實的社群關係）；修改指令要具體，不要說「寫得更動人」，要說「加入我們與社區這幾段具體的關係」。
最後的標準是：送出去的每一個字你都能掛保證，因為鑑別從頭做到尾。
隱私與資料：先做資料衛生，再談分析
資料隱私是非營利工作者最常見的顧慮。
重點有三：第一，有些 AI 服務會拿你的輸入訓練未來的模型，不同工具、不同方案的規則不一樣，要依任務的敏感度配工具；第二，安全使用不等於迴避使用，把任務拆成小塊，常常不用碰敏感資料就能拿到 AI 的全部好處；第三，個資通常可以整個拿掉：做模式分析不需要姓名與聯絡方式，從目標倒推真正必要的欄位。
Claude 的資料政策細節可以在 privacy.anthropic.com 與 trust.anthropic.com 查到，並可在設定裡選擇不讓對話用於訓練；其他 AI 供應商也該有同等資源，沒有的話本身就是警訊。
資料分析回答的是「我怎麼知道結果可信」。示範人物是退伍軍人服務組織的專案主任，他的做法是拿已經知道答案的舊資料先測試：AI 若能在正確引導下重現已知結果，才把它用到新資料上。
每一輪測試都記下 AI 哪裡漏了脈絡、需要補什麼描述，累積成一套可複製、經過驗證的做法。分析捐款資料時還有一個很有非營利味的鑑別問題：AI 是不是只看金額，漏掉了關係因素？如果建議把資源集中在大額捐款人，對社群觀感與長期永續的代價是什麼？
流程自動化：問「該不該」，不是問「能不能」
自動化這塊把 4D 整套用上。示範場景是年度募款晚會前的信件回覆系統：先做 Problem Awareness，實際分析一週的工作量、列出重複出現的問題模式，再把任務分成三類。
描述系統行為時把三種 Description 都寫齊：Product（輸入輸出長什麼樣）、Process（步驟、決策點、何時升級給人）、Performance（語氣、遇到不確定怎麼辦、絕對不能做什麼）。然後拿真實收過的信件反覆測試，發現描述的漏洞是正常且必要的。
上線後三種 Diligence 一路跟著：Creation（為什麼這個任務適合自動化）、Deployment（初期逐件審核產出）、Transparency（誠實揭露 AI 的角色，尤其在出錯的時候）。
組織整合：當「迴圈裡的人」，寫一份自己的 AI 政策
最後要處理兩個最常見的組織層疑慮：會不會太依賴 AI？效率和人味怎麼平衡？「human in the loop」在這裡的詮釋很適合非營利：不只是把關，而是確保 AI 服務於使命：由你決定 AI 該幫忙解什麼問題、由你評估解法是否符合價值觀、由你維繫那些定義非營利工作的關係與真實影響。
避免依賴的方法不是迴避，而是理解：定期問自己「我們能解釋 AI 在做什麼嗎」，答得出來就是健康的增強，答不出來就重整流程直到答得出來。
- 平台意識：組織用哪些工具、禁用哪些？不同敏感度的工作接受什麼樣的資料保留與訓練政策？
- 任務分工：哪些工作適合 AI 協助？哪些必須全程由人做、為什麼？灰色地帶由誰裁決？
- 期待與量能：省下的時間怎麼重新配置？如何讓全隊都長出 AI 能力，而不是養一個「AI 專人」？
- 品質與監督：誰在使用前審核 AI 產出？不同內容需要什麼查證步驟？AI 出錯時怎麼辦？
- 透明度：利害關係人、資助者與服務對象需要知道什麼？補助案、報告與對外溝通怎麼標註 AI 參與？
- 價值對齊：怎麼確保是 AI 服務使命而不是反過來？什麼時候即使更有效率也應該選擇不用 AI？
延伸學習
思維邏輯自我訓練：九週訓練計畫（含入門練習版）
九週六十三天，把思考練成可以重複執行的流程。從打開思考肌群、知識濾網、觀點盲區，一路走到輸出引擎。買這門課直接附贈《入門練習版》八單元 22 課完整講義與練習單，排在課程最前面當地基，再進入九週的每日訓練。每一週都有訓練目標與高低任務差設計的任務表。
NT$ 1,699
ChatGPT 很強，但真正讓你下班的是 Google
六小時完整實錄。從「AI 很厲害，為什麼你還是每天加班」這個問題出發，把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統，再用 Apps Script 讓它自己跑起來，最後收斂成一張屬於你自己的 AI 工作能力地圖。
NT$ 4,599