AI 不是不夠強，是你不知道能這樣用
Anthropic 的工程師 Felix Rieseberg 最近要搬家。房仲給他一張行銷用的平面圖——漂亮，但沒有任何尺寸。他把圖丟給 Claude，請它標出每個房間的大小。
Claude 不只照做，還自己去翻了車庫的施工許可（building permit）推算尺寸，最後做了一件 Felix 從沒要求的事：把這張平面圖變成一個能走進去、隨手搬動家具的 3D 互動規劃器。「我從來沒叫它做 3D 模型，」Felix 說，「我甚至沒讀過它寫的任何一行程式碼。」
多數人聽到這裡會說：模型好強。但 Felix 講了我認為整集訪談最重要的一句話：
「最大的差距，不在工具的能力，而在人們是否能理解——幾乎任何問題，都能丟進這些工具裡解決。」
稀缺的不是算力，是想像力。Claude 多聰明從來不是重點，重點是 Felix「想得到」可以這樣用。
認知落差（Awareness Gap），不是能力落差（Capability Gap）
這不是浪漫的說法。Pew Research 的調查問了同一件事的兩端：79% 的 AI 專家認為一般人每天都在高頻使用 AI，但只有 27% 的民眾意識到自己在用。同一個世界，懂的人和不懂的人，看到的是兩個版本。
能力這一端，其實早就到位了。內容平台 Writer 的 2026 企業調查顯示，97% 的公司都導入了 AI 代理（AI agent），但只有 29% 看到顯著的投資回報（ROI, Return on Investment）。工具不缺、預算不缺，卡住這七成落差的，不是模型不夠強，是大多數人想不到能拿它做什麼真正有價值的事。
你把 AI 當「更快的手」，他把它當「能不能不做」
Felix 有個好笑的自白。他一開始也手動輸入「我的床多寬、多深」，輸到一半突然停下：「我幹嘛告訴 Claude 我有哪些家具？直接叫它去翻我的 email、找出我買過的所有家具不就好了。」
「反待辦清單」（anti-to-do list）的做法是：每當你在做一件乏味、重複的事，那就是訊號——停下來問「這件事能不能整個丟給 AI？」然後往更高一層抽象去想。
能力落差會隨模型變強自動消失，但認知落差不會——再強的模型，也補不了「你沒想到可以這樣用」。多數人用 AI，停在「把它當一隻更快的手」：幫我寫快一點、查快一點。Felix 問的是另一個層級——「這件事，我是不是根本可以不做？」
為什麼公司砸了百萬還是輸
把鏡頭拉到企業，這個落差會放大成真金白銀。研究機構 Gartner 預測，到 2027 年底，超過 40% 的代理式 AI（agentic AI）專案會被「取消」——主因之一是「風險控管不足」，沒有一條是模型不夠強。
畫面很諷刺：公司買了最強的工具，發給沒人知道怎麼用的員工（BCG 調查：只有 36% 的員工覺得自己受過足夠訓練），然後困惑為什麼沒有回報。Felix 用他待過五年的 Slack 打了個比方——Slack 之所以強大，不是因為它是個聊天工具，而是因為團隊願意改變協作方式。「如果你用 email 的習慣去用 Slack，它就沒什麼用。AI 也一樣。」
工具強不強，從來不是瓶頸。你願不願意重新想像「工作該怎麼做」，才是。
顧問的價值：補認知，不是賣你更貴的工具
市場上現在有大量「代理洗白」（agent washing）——把舊的聊天機器人重新包裝成 agent，賣你一個更貴的工具。它的底層假設是：你的問題是工具不夠強。但前面所有數據都在說：你的問題，從來不是工具不夠強。
真正有價值的顧問，做的不是賣你更強的模型，而是補你的認知——陪你把那些你以為「本來就得自己做」的事，一件件指出來：「這個，其實可以丟給 AI。」
Felix 給了一個你今天就能用的技巧，他叫「反向面試」（reverse interview）：別急著叫 AI 做事，先叫它面試你。打開 AI 對它說：「我忙不過來，最大的挑戰是 A、B、C，請你面試我，找出哪些事可以交給你。」顧問做的，就是這件事的人類升級版——幫你看見你自己看不見的可能。
結論：卡住你的，是想像力
我們很習慣把希望寄託在「下一個更強的模型」。但 Felix 那張一個月後就會拆掉、不為任何人優化的家具規劃器提醒我們：能力，早就超過了我們的想像力。
97% 的公司導入了，只有 29% 拿到回報；79% 的專家看見滿地的可能，只有 27% 的人意識到自己握著什麼。這中間的鴻溝，不是一塊晶片能填的。
AI 不是不夠強。是你還不知道，它可以這樣用。
資料來源：Pew Research Center（2025）、Writer《2026 AI Adoption》、Gartner（2025-06）、BCG《AI at Work》；故事素材出自 How I AI Podcast 對 Felix Rieseberg 的訪談。引用數據請以各原始報告為準。
我是 Ray Kuo（raykuo.aiflow）——一個人 × 一套 AI 工作流的實踐者。我們下一篇見。
本文方法與案例為本人實作，草稿由 AI 協助整理。