差的從來不是一個 AI 工具

最近我接受了一份學術訪談，主題是「台灣設計導向企業導入生成式 AI 時，所面臨的管理與組織挑戰」。

十二個問題，我認真回答了七個面向，回答完之後我發現一件事：這些問題不是研究者的問題，是每一間事務所遲早都要面對的問題。

而且多數人還沒開始想。

所以我把回覆重新整理成這篇文章，公開分享，裡面有我們真正踩過的坑、賠掉的時間，以及最後長出來的制度，不是理論，是帳單。

這點必須先講清楚，因為它決定了後面所有的成敗。

二〇一〇年代我們就全面轉入 Revit 與資訊化流程，案子的空間、構件、數量、法規參數，本來就是結構化資料。

所以生成式 AI 出現的時候，我們不是「從零開始餵資料給 AI」，而是原本就備好的資料，終於有了新的使用方式。

Cedric Price 在一九六〇年代講過一句話，我一直記著：

很多同業是先買了工具，才開始找問題，我們的順序相反。

目前 AI 在事務所主要用在五個地方：

舉一個實際的例子，高雄某商業區第四種的角地改建案，業主是投資型客戶，第一次見面最想知道的只有一件事：這塊地能做什麼、值不值得做。

過去這種前期評估，我們要三到五個工作天，導入 AI 之後，一個工作天內就能給出完整的「接洽討論版」簡報：分區檢討、法定量體、三組配置比較、初步效益試算。

但真正的價值不在快。

在於業主第一次坐下來，就能討論實質內容，而不是聽我口頭描述，決策提前了，信任也提前了。

先講法律基礎，因為很多同業其實不清楚自己站在哪裡。

我國《著作權法》第十條規定，著作人於著作完成時享有著作權，但經濟部智慧財產局在經授智字第 11252800520 號函（民國一一二年六月十六日）中已明確表示：

這對事務所是致命的問題，而且方向和大家想的相反。

大家怕的是「用 AI 侵害別人的權利」，真正的風險是：用了 AI，連自己的圖都主張不了權利。

你的提案主視覺如果純粹由 AI 生成，理論上任何人都可以拿去用，而你告不了他。

所以我們的規則很簡單：

AI 生成只存在於發想與溝通階段，交付端的所有圖說，一律回到 Revit 模型與人工再製，並且保留完整的編修軌跡──這既是設計品質的要求，也是證明「精神創作投入」的證據鏈。

資料端則是另一條線，《個人資料保護法》加上業主合約的保密條款，決定了什麼能上傳、什麼不能，我們實際遇過的狀況包括：

這些都不是「盡量注意」就能解決的，必須變成工序。

因此我們開發了一個去識別化模組（內部代號 L0）：上傳前自動遮蔽地號、地址、業主姓名、金額與聯絡資訊，產出後再還原對應，設計師不需要記得要小心，流程本身就強迫他小心。

這是整個 AI 討論裡，被輕忽得最嚴重的一題。

《建築師法》第十七條明定，建築師受委託設計之圖樣、說明書及其他書件，應合於建築法及基於建築法所發布之建築技術規則等相關法令；第十九條進一步規定，建築師受委託辦理建築物設計時，應負該工程設計之責任，受委託監造者應負監造之責任；結構、設備等專業工程部分交由技師辦理時，建築師仍負連帶責任。

《建築法》第二十六條也把責任明確落在起造人、設計人、監造人、承造人身上。

我們實際踩過的坑，我願意具體說，AI 在整理法規時，會把不同年度版本的建築技術規則混在一起、把他縣市的自治條例當成通則、把容積獎勵項目張冠李戴。

而最危險的地方在於──它錯得非常合理。

語氣篤定、條理清楚、格式正確，審查的人如果本身不熟法規，幾乎看不出來。

所以我們的制度分三層：

這裡我想引一篇一九八三年的論文，Lisanne Bainbridge 的《Ironies of Automation》（自動化的諷刺），她的核心發現是：

這是我對整個產業最深的擔憂，所以我們事務所有一條規矩：新人一定要先用手完整做過一遍流程，才允許用 AI 加速，不是為了懷舊，是因為你沒做過的事，你審不出錯。

最困難的從來不是技術，是舊流程。

經濟史上有一個非常精準的對照，Paul David 在一九九〇年的論文《The Dynamo and the Computer》中指出：工廠導入電動馬達之後，生產力並沒有立刻提升，足足遲滯了約四十年──因為舊廠房是為蒸汽機的中央軸系配置的，必須等到廠房重新設計成分散式配置，電力的效益才真正釋放。

Erik Brynjolfsson 後來把這種現象稱為生產力的 J 曲線：導入初期效益不但不會出現，反而會先下降，因為你必須先投入「互補性的組織資本」。

我們完整地經歷過這條 J 曲線的下墜段。

具體說一個失敗的案子，某住宅整建案，我們用 AI 生成室內透視，效果非常漂亮──光線、材質、氛圍都超出預期，我們拿去給業主看。

然後我們花了將近兩週，在解釋為什麼那張圖做不出來。

實際樑深不對、開窗位置不對、既有結構完全對不上，設計師花在挑圖、修圖與解釋的時間，比自己畫還久。

我從那個案子學到的教訓是：AI 最大的風險不是它做錯，是它讓客戶愛上一個做不到的東西，一旦期待被錯誤地錨定，你後面所有的專業說明，聽起來都像藉口。

我們的因應，是建立一套方法，我把它叫做「三鎖」：

順序不能顛倒，顛倒了，你得到的就是漂亮的謊言。

第二個沒預期到的困難是檔案管理，AI 讓產出量暴增，版本瞬間失控：同一個空間有十二個變體，沒有人記得哪一版給過業主，我們後來借用 ISO 19650 的共同資料環境（CDE）觀念，把 AI 產出當成「資訊容器」來管理，標註狀態（工作中／共用／發布／封存），產能的問題，最後都會變成治理的問題。

《大學》開篇說：「物有本末，事有終始，知所先後，則近道矣。」

AI 改變的是「末」，不是「本」。

改變的部分，幾乎全部集中在資訊處理，接洽期，過去憑經驗口頭談，現在第一次見面就有一份結構完整的討論版簡報；設計發展期，提案視覺過去要外包或自己硬做，現在有標準化的產出流程；估價與行政文件，過去手動填表反覆核對，現在以程式生成、自動勾稽。

沒有改變的部分，我一件都不打算讓它改變，基地一定要親自去走，去看光怎麼進來、風從哪一側來、鄰房的壓迫感在哪裡，和業主的對話不能代打，因為業主真正在意的東西，通常不在他說出口的需求裡，比例、尺度、材料的判斷，以及監造現場的決定，全部留在人身上。

Donald Schön 在《The Reflective Practitioner》（1983）裡，把設計描述為 “a reflective conversation with the situation”──與情境進行反思性的對話，AI 可以幫你整理情境，但不能替你和情境對話。

還有一件事我想誠實說，因為多數人不會講。

效率提高之後，總工時並沒有等比例下降。

十九世紀的經濟學家 William Stanley Jevons 觀察到一個現象，後來被稱為 Jevons 悖論：蒸汽機效率提升後，煤的總消耗量不減反增──因為效率降低了使用成本，反而擴大了使用的範圍，設計業正在重演這件事：

決策在我，小事務所的優勢是快，代價是所有風險我一個人扛。

但快不等於隨便，我有四條固定的判準：

Everett Rogers 在《Diffusion of Innovations》（1962）中歸納出決定創新擴散速度的五個要素：相對優勢、相容性、複雜度、可試驗性、可觀察性，多數人只看相對優勢，我最看重的是相容性與可試驗性，一個無法小規模試驗、失敗成本又高的工具，對小型事務所是災難。

導入的案例：Claude Code 搭配我們自行開發的 Revit MCP，理由是它操作的是資料，不是圖片──每一步都可回溯、可稽核、可以寫進工作紀錄，上面四條它全部符合。

不導入的案例：某些「一鍵出圖」的線上算圖服務，效果其實不差，但我不導入，原因有三：資料上傳條款不清楚、無法說明訓練資料來源、無法在業主合約上交代，我不會為了省幾個小時，讓事務所暴露在說不清楚的法律位置上。

至於制度，我們規模小，但制度不能小，三件事：

在制度參照上，我們不追求認證，但會拿國際框架當檢查表：ISO/IEC 42001:2023 的 AI 管理系統標準，以及美國 NIST AI 風險管理框架（AI RMF 1.0）的四大功能──治理、對應、量測、管理。

更貼身的是，我國《人工智慧基本法》已於民國一一四年十二月二十三日三讀通過，明定推動 AI 應遵循七項原則：永續發展與福祉、人類自主、隱私保護與資料治理、資安與安全、透明與可解釋、公平與不歧視、問責。

我的判斷是：這七個詞，三年內會出現在業主的合約條款裡，現在準備，不吃虧。

大家以為重點是「學會寫 prompt」，我認為 prompt 只是表象，真正被放大的，是三種能力。

第一　　定義問題的能力

Horst Rittel 與 Melvin Webber 在一九七三年提出「wicked problem」（棘手問題）的概念：這類問題沒有明確的終止規則、沒有對錯只有好壞，而且問題的定義本身就是解答的一部分，設計正是典型的棘手問題。

AI 很擅長回答問題，但它不會替你決定該問什麼，你能不能把一個模糊的業主需求，拆解成可被處理的具體問題──這件事的價值，在 AI 時代放大了十倍。

第二　　判斷力

這是最直接的經濟學：當「產出」變便宜，「判斷」就變貴，AI 可以在三十秒內給你二十個方案，但要有人決定哪一個對，而那個決定所依賴的，是看過的案子、走過的工地、以及挨過的罵。

第三　　結構化資料的能力

因為 AI 的產出品質，取決於你能餵給它多結構化的輸入，一個把設計資訊都放在腦子裡和 CAD 線條裡的人，他能給 AI 的只有形容詞，而形容詞換來的，就是形容詞等級的產出。

反過來說，變得不重要的是純操作型技能：軟體按鈕的熟練度、表現法中勞力密集的部分、重複性的文件排版，這些過去是年輕設計師建立位置的方式，現在正在快速貶值。

AI 改變了我們和客戶的關係，具體是三件事：速度、期待，以及信任的基礎。

速度　前期提案從「以週計」變成「以日計」，前面那個高雄商業區角地案就是最好的例子：業主要的不是設計美學，是決策依據，對這類客戶而言，我們賣的其實是「更早的確定性」。

期待　這是雙面刃，業主現在自己也會用 AI 生圖，他對「圖」的敏感度提高了，對「圖是不是真的」的懷疑也同時提高了。

所以我們現在有一條明確的規矩：在每一份提案上標示清楚，哪些是概念示意，哪些是模型出圖，這不是道德姿態，是風險管理，你不主動說明，業主就會自己假設──而他的假設永遠對你不利。

信任的基礎　過去信任建立在「作品集」與「口碑」，現在多了一項：流程是否可以被檢驗，業主開始會問「這張圖是怎麼來的」，答得出來的事務所，和答不出來的事務所，在議價桌上是兩種身分。

這一點我很堅持，也建議同業堅持，一旦業界默認「AI 讓設計變便宜」，整個產業的專業定價基礎就會崩塌；而崩塌之後，受害最深的會是最認真做設計的那一群人。

但我願意把省下來的時間，換成更多輪的溝通、更完整的替代方案、更早的成本可視化，這才是業主真正買單的東西，價格不變，但交付的密度提高了。

也有明確不使用的場合：業主有嚴格保密要求時（公部門、上市櫃、宗教團體），我們一律退回本機流程，並且事先在合約中說明，這種時候，「我們不用」本身就是一種專業承諾。

Roy Amara 的觀察值得先放在前面：我們總是高估一項科技的短期影響，而低估它的長期影響。

機會，在於它會逼台灣設計業的老問題現形。

台灣設計業長期靠一件事撐著：用便宜的人力時間，去補不精確的流程，加班、重畫、口頭溝通、經驗傳承靠師徒制，AI 進來之後，有流程的事務所會把效益全部吃下，沒流程的事務所連 AI 都導不進去，差距不會等比例縮小，只會加速拉開。

挑戰有三個，而第一個最少人談：

Nicholas Negroponte 在一九七〇年的《The Architecture Machine》裡就已經寫過人機共生的設計願景，那是五十六年前，技術的想像從來不是新的，新的是它終於便宜到每一間事務所都用得起。

至於教育──這是我最焦慮的一塊，學校教軟體操作，產業要的是判斷力，這個落差在 AI 之後只會擴大，這也是我為什麼願意花這麼多時間做課程，與其抱怨人才不對，不如自己把方法寫下來。

有三件事，我想分別對三種人說。

如果要選一個最能代表我 AI 使用經驗的案例，我不會選任何一個建築專案。

我會選「把事務所流程開成課」這件事本身。

原因是──它逼我做了一件從業以來都沒認真做過的事：把說不出來的東西說出來。

Michael Polanyi 有一句名言：“We know more than we can tell.”（我們知道的，比我們能說出來的多。）設計專業高度依賴這種默會知識，師傅看一眼就知道不對，但問他為什麼，他說不上來。

而 AI 完全吃不了默會知識，你必須把它外顯化、結構化、寫成可執行的規則，AI 才用得上，這個過程極度痛苦，但它的副產品非常驚人：當你把流程寫清楚到 AI 能執行的程度，你的新人也就能執行了。

所以我的結論是：導入 AI 最大的收穫，可能根本不是 AI，是被迫把自己的專業想清楚。