大部分「AI 用出問題」的案例，都不是因為模型太笨，而是那件事本來就不該外包。這篇只回答一個問題：什麼時候該把手放回鍵盤上，自己來。
答案是六種情況，理由只有兩類：有些事情，做的過程本身才是重點——把過程外包掉，等於把收穫也一起外包掉；有些事情，錯了的代價你承擔不起——而你偏偏沒有能力當場看出它錯了。
先給你一句可以現場用的判斷句：
「如果它答錯了，我看得出來嗎？」
看得出來，就放心用——錯了你會抓到，成本頂多是重做一次；看不出來，就別用，或者先想辦法讓自己看得出來：找到能對照的原始資料，或找懂的人幫你看。這一句幾乎涵蓋了下面六種情況的八成。
一、你自己都還沒想清楚的時候
這是最常見、也最不容易察覺的一種。事情還沒有頭緒，很自然就會先開一個對話框問問看。問題在於，AI 幾乎一定會給你一個看起來很合理的答案——結構完整、每一點都說得通。然後你就不再想了。你原本可能會走到的那個想法，就這樣停在別人的第一版上。
它給的不是壞答案，是平均答案：訓練資料裡最常見的講法，被整理得很漂亮。而你需要的，往往正好是那個不平均的部分。
比較好的順序是：先自己想過一輪，再拿去問。 哪怕只有五分鐘、只寫得出三個混亂的重點，品質都會差很多——因為你這時候問的是「我漏了什麼」「這樣想有什麼問題」，而不是「請給我一個答案」。
二、需要你負責的判斷
AI 可以列選項、可以幫你把利弊攤開，但最後簽名的是你。
錄取誰、接不接這個案子、報價開多少、孩子要不要轉學——這些沒有標準答案，只有你要承擔的後果。而要承擔後果的人，本來就該是做決定的人。
「AI 說的」不是免責理由。在檢討會議上它沒有效力，在客戶面前只會讓你看起來更不專業。只要你把東西送出去、掛上自己的名字，責任就完整落在你身上。
所以判斷題可以用 AI 擴充選項，不要用它代替結論。差別在於：你問的是「還有哪些做法我沒想到」，而不是「我應該選哪一個」。
三、要靠過程學會的事
學生寫作業、新人學專業、任何你正在練的技能——跳過過程，等於跳過學會。
殘酷的地方在於短期完全看不出來：作業交得又快又漂亮，簡報做得比同期好，一切正常。差距要等到「沒有 AI 的場合」才會出現——臨場被追問、要自己從零開始的時候。
家長和老師最該看的是學生用 AI 寫作業的長期影響整理的研究：重點不在「有沒有用」，在用法——拿它要答案，跟拿它要回饋，結果完全不同。
判準很簡單：這件事你只需要「這一次的結果」，還是需要「下次自己也做得到」？ 前者可以交給 AI，後者自己來，讓 AI 當陪練，不要當替身。
四、關係與情緒的場合
道歉信、慰問、感謝、告白、寫給離職同事的話——這些一律自己寫。
理由不是道德，是有效。這類文字的價值不在文筆，在「你花了時間想這個人」。而收到的人分辨得出來——通順、對仗、段落收得很整齊，卻沒有一句是只有你會說的話。那種違和感很難描述，但幾乎不會認錯（它從哪裡來，「AI 味」是怎麼來的拆得很細）。
更麻煩的是，這種事一旦被發現，對方會記得很久。一封語句不通但寫滿細節的道歉信，效果遠勝一封完美的模板。
真的卡住了，可以讓 AI 幫你整理你自己講過的話：先用最亂的方式把想說的講完，再請它排順序、挑掉重複的。想法還是你的。
五、涉及機密或個資的內容
客戶名單、還沒公布的財報與產品、合約細節、別人的病歷與聯絡方式——這些不該貼進對話框，而且這一條跟「AI 準不準」完全無關。
判斷方式很好記：這份東西如果現在放上公司官網，會不會有人跳腳？ 會的話，它就是機密。至於個資，關鍵不是它敏不敏感，是那份資料本來就不是你的——別人交給你，只授權你在原本的目的裡使用。
真的要處理，先去識別再貼：人名換代號、電話地址刪掉、公司名換成產業描述。界線該怎麼畫，公司沒規定時的三條自保界線講得更完整。
六、錯了代價很高、又難查證的事
醫療、法律、財務、稅務、用藥、法條適用——以及一個更大的範圍：任何你沒有能力判斷對錯的領域。
這一條最危險的地方在於它剛好反過來：你越不懂的領域，AI 的答案讀起來越可信，因為你缺的正是那個能挑出破綻的知識。它會把不存在的判例、記錯的條號、早就修改過的規定，用一樣自信的語氣講出來，而且不會因為不確定就講得比較小聲。
回到那句判斷句：你不會去驗證的東西，就不該讓 AI 代勞。 這不是叫你別問——拿它當「弄清楚自己該問什麼」的起點很好用，但最後拍板要回到能負責的人身上：醫師、律師、會計師。查證怎麼做，看如何查證 AI 回答。
反過來說：其他的該用就用
講了六種不該用，但這篇的結論不是「少用 AI」。
AI 最適合的正好是另外一面：量大、重複、有明確格式、錯了能改。 資料整理、初稿、翻譯的第一版、格式轉換、把一個想法擴充成十個版本——這些事你本來就要做，做完也不會因此變強，交出去剛剛好。
省下來的時間要放到哪裡？就是上面那六件。
我們的立場：效率本身不該是目標
最後講一個可能不太討喜的判斷：我們不建議把「用 AI 提升效率」當成目標本身。
效率是手段。它的意義在於把時間從「做完就沒了」的事情上挪開，換到會累積的事情上——判斷力、你和人的關係、你真正學會的東西。如果省下來的兩小時只是拿去做更多同一類的工作，那你沒有變好，只是產量變大。
一個很好用的自我檢查：這個月因為 AI 省下來的時間，你拿去做了什麼？ 答不出來，就代表效率沒有被兌現。
那六種情況值得守住，不是因為 AI 不夠好，而是因為它們正好是不能外包、也最值得你把時間放進去的部分。
如果你對 AI 的預期常常落空，順便把基本觀念校正一次：關於 AI 的六個常見誤解。
常見問題
用 AI 寫道歉信或感謝信，對方真的看得出來嗎？
多數時候看得出來，而且不是靠抓錯字。這類文字如果沒有只有你們兩個人才知道的細節，讀起來就會很像模板——通順、完整、卻沒有溫度。與其冒這個險，不如自己寫得笨拙一點；真的卡住，就讓 AI 幫你整理你已經講出來的內容，不要讓它替你想。
學生是不是完全不能用 AI？
不是，關鍵在用法。拿它要答案、直接交出去，跳過的正是學會的那段過程；拿它當陪練——請它出題、挑毛病、解釋自己哪裡想錯了——反而有幫助。一個簡單的自我檢查：關掉 AI 之後，同一題你自己能不能重做一次。
醫療或法律問題，到底可不可以先問 AI？
可以當作「弄懂名詞、整理自己該問什麼」的起點，但不要當成結論。這類領域的錯誤成本高，而且外行人很難當場看出它哪裡講錯了。實際要做決定的時候，請回到醫師、律師或會計師身上，AI 產出的內容只當成你帶去問診或諮詢的問題清單。
有沒有一句話可以當場判斷該不該用 AI？
有：「如果它答錯了，我看得出來嗎？」看得出來就用，錯了你會抓到；看不出來就先別用，或者先找到能驗證的方法再用。再加一個補充題——「這件事我需要的是結果，還是需要下次自己也做得到？」兩題就能涵蓋大部分情況。