現在能運用 AI 拆解工作流程、設計 Skill，甚至做出產品原型的 Oliver，第一次認真使用 ChatGPT 時，其實是失望地關掉視窗。
Oliver 是 CMRI 美妝行銷總研 Beauty Market Insights Manager，長期從事品牌顧問、行銷策略與市場洞察工作。她沒有工程背景，也從未擔任過產品經理，卻在一次次實際工作與個人專案中，逐步將 AI 從單次使用的文字工具，轉變成能夠協助定義流程、驗證想法與累積工作方法的系統。
這次 Wings Blog 邀請 Oliver 分享，她如何從日文翻譯開始接觸生成式 AI，又如何跨過陌生的技術名詞，把二十多年累積的業務與產業經驗，轉化成第一個可以實際操作的產品原型。
Q：第一次使用 ChatGPT，就覺得它會改變工作嗎？
完全沒有。2023 年第一次認真測試時，我其實很失望。
它寫得很順，句子漂亮、結構完整，讀起來也像回事，但內容經常很空洞，錯誤也不少。那次之後，我把它擱在一旁，接下來快一年都沒有認真使用。
不過有一個感覺留了下來：技術正在快速改變。
台灣網路剛開始發展時，我曾經花很多時間自學 Office、HTML，也在網路世界裡到處摸索。當時不是為了職涯規劃，純粹只是覺得新鮮、有趣。
生成式 AI 出現時，那種感覺又回來了。
「網路之後的下一個時代，大概就長這個樣子。」這個判斷，其實比任何效率考量都來得早。
Q：後來為什麼又重新開始使用 AI？
2024 年，我接到一個日本品牌顧問案，工作中出現大量日文翻譯需求。
原本的翻譯工具在自然度和語境上不太理想，我開始高頻使用 ChatGPT，接著慢慢擴大到商務信件、資料整理，以及各種文字工作。
但那時的使用方式很單純：丟一個任務，交代一次，拿回一個結果。
AI 的確可以把文字整理得很流暢，卻也可能把我原本的觀點一起修掉；有時為了讓內容看起來完整，甚至自行補出不存在的案例。有些答案表面合理，放回台灣美妝產業的真實情境中，卻完全站不住腳。
我那時常常是一邊用、一邊罵。
更麻煩的是，每次開始新任務，都要重新交代背景。好不容易調整出一種可用的做法，對話結束後也沒有真正留下來。AI 幫我完成了很多單次工作，卻還沒有改變工作的結構。
Q：從「使用 AI」到「設計工作流程」，關鍵轉折是什麼？
2025 年，我開始學習 n8n。原本只是想了解自動化和流程串接，沒想到它改變了我看待工作的方式。
我開始不只問：「AI 能不能完成這件事？」而是進一步拆解：資料從哪裡進來？每一步要處理什麼？哪裡需要人判斷？哪裡可以交給系統？發生錯誤時，要怎麼回頭？
當工作被拆成輸入、規則、判斷、例外和輸出後，就很難再回到「丟一個任務、拿一個答案」的思考方式。
後來接觸客製 GPT、Gemini Gems 和 Google AI Studio，我又理解了另一件事：AI 的能力可以被設定、被封裝，然後在下一次工作裡重新調用。
這也是我開始建立 Skill 和 Workflow 的起點。真正值得保存的，不是某一次答案，而是產生答案的方法。
Q：沒有工程背景，為什麼會開始做產品原型？
2026 年的 POPUP 專案，是我第一次真正站在產品企劃的位置。
這個專案包含肌膚檢測、四季色彩判定和會員資料同步，裡面有很多角色、畫面和分支流程。原本存在於討論中的構想，必須被拆成使用者流程、操作角色、資料欄位、系統邊界和驗收項目。
對一位 50+、沒有工程背景的人來說，MVP、版本控制、資料庫、前端、後端和部署，都不是熟悉的語言。同一個概念，我常常要換幾種方式問，才慢慢理解它在實際開發中的意義。
但我的目標從來不是成為工程師。
我想獲得的是另一種能力：把工作需求說清楚，和 AI、企劃及技術人員協作，將模糊的想法逐步變成可以操作、討論和驗證的東西。
業務工作其實也提供了很重要的基礎。長期面對品牌客戶，必須從對方說出口的要求中，辨認真正想解決的問題；也要理解方案放進現場後，哪些地方可能行不通。
過去這些經驗主要用在提案、溝通和專案協調。透過這次原型實作，我第一次把它們轉換成產品流程和商業規則。
上圖為@cosme美妝遊樂園快閃活動線上色彩檢定與肌膚檢測流程示意圖。
Q：做原型最困難的部分，是寫程式嗎？
後來我發現，AI 開發中最花時間的通常不是寫程式，而是把問題定義清楚。
誰會使用這套系統？使用者從哪裡開始？不同答案會走向哪一條流程？哪些資料需要保存？遇到例外狀況時，系統應該怎麼處理？什麼結果才算完成？
這些問題如果沒有先想清楚，AI 只會更快地做出錯誤的東西。
最後，我完成了一個可以操作的原型。肌膚檢測和色彩判定流程能夠實際點選，也完成了 GitHub 串接與 Vercel 部署。
會員資料同步則沒有放進這一版，而是留給後續正式開發，由 IT 接手。
原型不是功能愈多愈好。知道第一版應該做什麼，也知道什麼不該做，是產品實作中很重要的判斷。
過去我們比較常用文件溝通，但文字和每個人腦中想像的畫面，經常存在落差。當原型可以直接操作，很多原本需要反覆解釋的問題，走過一次流程就能立即被看見。
Q：你如何判斷一項工作應該使用 Prompt、Skill，還是自動化？
我暫時把 AI 介入工作的深度分成五個層級。
Prompt 是完成一次性的任務，例如翻譯、摘要或改寫。
Skill 是保存一種固定能力，例如寫作語氣、分析方法、判斷標準與檢查規則。
Workflow 是把多個步驟、輸入和輸出串成可重複執行的流程。
Loop 是把同一套邏輯，大量套用到商品、文件、留言或資料上。
Automation 則是在規則成熟、風險可控，而且具備異常處理和人工介入機制後，讓流程自行執行。
不過，這不是一條所有工作都一定要走到全自動化的升級路線。
有些任務使用一個 Prompt 就足夠；有些值得建立 Skill 或 Workflow。只有少數高度重複、規則穩定，且錯誤風險能夠控制的工作，才適合進入 Automation。
Q：和 AI 合作愈久，最需要警覺的是什麼？
寫得完整，不代表有根據；讀起來合理，也不代表真的正確。
AI 可能省略重要前提、使用過時資料、混用不同市場的案例，也可能把資料和自己的推測組合成一段看起來很有道理的內容。
所以，我不把 AI 的第一次產出直接視為答案，而是把它當成一份等待驗證的草稿。
涉及外部事實時，要回到原始來源；涉及市場判斷時，要確認資料的時間、地區和適用情境；涉及數據時，要把原始資料、計算過程、推論和結論分開檢查。
即使多個 AI 得出相同答案，也不能取代來源驗證。法規、財務、個資與重大商業決策，目前仍然需要人工複核。
這並不是拒絕 AI，而是有條件地授權 AI。
讓經驗不只留在腦中，而是成為下一次工作的起點
對 50+ 的 Oliver 而言，學習 AI 並不是要推翻過去二十多年累積的專業，而是找到新的方式，讓原本存在於客戶溝通、市場判斷與現場經驗中的能力，能夠被整理成流程、規則與產品原型。
現在，她也逐步將這套方法運用在市場資料分析、報告撰寫、文章製作與專案管理中，並建立自己的 Skill、知識系統和專案管理系統。
「能力的成長速度，取決於前一個階段留下了多少可以被重複調用的東西。」
從第一次失望地關掉 ChatGPT，到完成第一個可以操作的原型，Oliver 並不是因為突然學會了所有技術，而是每完成一次工作，就留下流程、模板、判斷標準與失敗經驗，讓下一次不必重新從零開始。
AI 沒有讓過去的經驗失效。相反地，它讓這些經驗第一次有機會被轉化成可以被測試、修正、交付與延續的工作系統。
在你的工作中，哪些經驗值得被保存？哪些流程可以交給 AI？又有哪些判斷，最後仍然必須由自己承擔？
Wings Blog 