人與 AI 協作的 4 種方式：AI 愈來愈會自己做事，人該站在哪裡？
以前我們使用 AI，常常是：
我問一句，AI 回一句。
但現在已經不太一樣了。
AI Agent 可以幫忙找資料、讀檔案、分析內容、寫程式，甚至一口氣完成好幾個步驟。
當 AI 愈來愈會自己做事之後，我覺得有一個問題反而變得更重要：
一件工作交給 AI 之後，人到底還要參與多少？
是 AI 每做一步，我們都要確認？
還是讓 AI 自己跑完，我們只看結果？
甚至有些工作，可以完全交給 AI，不需要人在中間介入？
這件事，其實不只是我們每天用 ChatGPT 時會碰到的問題。
現在很多正式的 AI 研究、治理與法規，也都在討論同一件事：
AI 愈來愈自主之後，人應該站在哪裡？
這不是一個只有 AI 使用者才需要想的問題
先介紹三個比較有代表性的來源。
NIST：AI 不只是能不能做，還要考慮怎麼管
NIST 是美國的「國家標準暨技術研究院」。
它推出的 AI Risk Management Framework，主要就在談：
當企業或組織開始使用 AI，要怎麼管理 AI 帶來的風險，並讓 AI 系統更值得信任。
其中一個重要觀念，就是 AI 從設計、開發、使用到管理的整個生命週期中，人的角色與責任都需要被定義清楚。
換句話說：
不是把 AI 做出來、讓它開始跑，就沒人的事了。
NATO：AI 愈自主，人的控制反而更需要被設計
NATO 北大西洋公約組織的 Science and Technology Organization，也研究一個很有意思的題目：
Meaningful Human Control
可以把它簡單理解成：
AI 愈來愈會自己做決定之後，我們怎麼確保人仍然保有真正有意義的控制？
NATO 的研究強調，這不是在 AI 旁邊放一個人「看著它跑」這麼簡單，而是從設計、測試到治理，都要考慮人怎麼介入與控制。
歐盟 AI Act：有些 AI，法律甚至要求一定要有人監督
歐盟的 AI Act 對高風險 AI 系統，直接規定要有 Human Oversight，也就是人類監督機制。
所謂 Human Oversight，不只是「有人在旁邊看」。
而是人在必要的時候，必須有能力：
看懂 AI 的結果
發現異常
不採用 AI 的建議
覆寫 AI 的結果
必要時停止系統
也就是：
AI 可以自己做事，但人不能失去最後的控制能力。
所以，人與 AI 到底可以怎麼分工？
我們可以用一個很常見的「Loop」概念來理解。
你可以把 AI 執行一件工作的過程想成一個迴圈。
問題只有一個：
人站在這個迴圈的哪裡？
常見的說法包括：
1️⃣Human-in-the-loop
2️⃣Human-on-the-loop
3️⃣Human-over-the-loop
4️⃣Human-out-of-the-loop
先說明一下：
這並不是 NIST、NATO 或歐盟共同制定的一套「官方四級標準」。
不同研究領域使用的名稱、分法也不完全相同；例如官方的人機協作研究中，就常用 Human-in-the-loop、Human-on-the-loop 到 Human-out-of-the-loop 來描述不同自主程度。
所以這裡我們把它當成一套比較好懂的框架：
用來思考「AI 做多少，人管多少」。
Human-in-the-loop | 人就在工作迴圈裡
這應該是目前大家使用生成式 AI 最熟悉的方式。
例如你叫 AI 幫你寫一篇文章。
AI 寫完。
你看一下：「這段不對。」
AI 修改。
你再看：「標題也換掉。」
AI 再改。
整個流程變成：
AI 做 → 人看 → 人給意見 → AI 修改 → 人再確認
人一直都在這個工作迴圈裡。
所以叫做：
Human-in-the-loop
最簡單的理解
AI 負責做，人負責一路判斷。
這時候 AI 很像一個能力很強的工作夥伴，但是它還沒有完全獨立工作。
很多 AI 工作其實都從這裡開始
例如：
寫文章
做圖片
寫程式
分析資料
建立新的 AI 工作流程
第一次製作 Skill
尤其是第一次做一件事情時，我其實很喜歡 Human-in-the-loop。
因為這個階段，人不是多餘的。
反而是在：
教 AI 什麼叫做「我要的結果」。
Human-on-the-loop | AI 自己跑，人負責看結果
如果同一件事情已經做了很多次，就會開始不一樣。
例如原本每一次都要告訴 AI：
先讀資料➡️再分析➡️接著整理➡️然後產生內容➡️最後檢查格式。
但做過幾次之後，這整套流程已經很固定了。
這時我們可能會把它整理成：
Skill
Agent
自動化流程
固定工作流程
下一次，我們只要把資料交給 AI。
AI 自己把後面的事情跑完。
人不用每一步都參與，只要：最後檢查成果。
如果沒問題，就完成。
如果有問題，再介入。
這就是：Human-on-the-loop
最簡單的理解
AI 自己做，人負責監督。
這時人的角色，已經從「一起做」慢慢變成：驗收的人。
從 Human-in-the-loop 到 Human-on-the-loop
其實就是建立 Skill 很有趣的地方
這也是我最近在做 AI Skill 時，突然覺得很有意思的一件事。
很多 Skill 並不是一開始就知道怎麼寫。
反而是：先跟 AI 一起把事情做完。
例如，我最近做了一個「Wix 資源產生器」Skill。
我要處理的事情其實很單純。
我會提供：
Input 一個網址。
最後我希望拿到：
Output
1 個 CSV 檔
3 張符合需求的圖片
至於中間：
Process 到底該怎麼做？
我沒有先寫一份完整 SOP 給 AI。
而是先讓 AI 自己分析、嘗試。
第一次結果出來。
如果 CSV 不對，我告訴它哪裡不對。
圖片不符合需求，再調整。
資料格式有問題，再修改。
也就是：
Input → AI 處理 → Output → 人驗收
如果 Output 不 OK：
再回去調整 Process。
一直做到結果穩定。
這個階段，其實就是很典型的：
Human-in-the-loop
等流程穩定之後，人的位置就可以往外移
等到 AI 已經知道：
拿到網址之後要做什麼、
CSV 怎麼整理、
圖片怎麼處理、
最後要輸出哪些東西，
這時再把整個工作流程整理成 Skill。
下一次使用，就變成：
給網址
↓
Skill 自己執行
↓
拿到 CSV＋圖片
↓
我最後驗收
原本我一直待在流程裡面。
現在 AI 已經可以自己跑。
我的角色就慢慢從：
Human-in-the-loop
移向：
Human-on-the-loop
這也是我現在看 Skill 很重要的一個角度：
Skill 不只是把 Prompt 存起來，而是把一套已經磨合好的「人與 AI 工作方式」固定下來。
Human-over-the-loop | 人不再管一件事，而是開始管整套 AI
再往上一層，人可能連單一 AI 的工作過程都不太需要看了。
假設未來有一套工作：
AI Agent A 負責找資料。
↓
AI Agent B 分析資料。
↓
AI Agent C 產生文章。
↓
AI Agent D 發布內容。
這時候如果人還要每一步去看：
A 做了什麼？
B 分析得對不對？
C 每一句寫得怎麼樣？
那其實也沒有真的省下多少事情。
所以人的角色可能會再往上一層。
不再管理：
「AI 這一次怎麼做？」
而是管理：
AI 可以做哪些事
哪些事不能做
哪些權限可以使用
品質標準是什麼
什麼情況要通知人
發生異常時怎麼處理
也就是從：操作工作 變成：管理 AI 系統。
這裡可以把 Human-over-the-loop 理解成一個比較高層次的管理視角。
人的角色比較像：主管。
Human-out-of-the-loop | AI 自己完成，人不參與執行過程
最後一種，就是高度自動化。
一件事情被觸發之後：
AI 自己判斷。
AI 自己執行。
AI 自己處理例外。
AI 自己完成。
中間完全不用人逐步確認。
這就是：
Human-out-of-the-loop
最簡單的理解
工作交出去之後，人不需要介入。
某些低風險、規則清楚、錯了也很容易恢復的工作，確實很適合往這個方向走。
但是這裡有一件事很重要。
Human-out-of-the-loop 並不是 AI 的最高境界
看到這四種方式，很容易產生一種錯覺：
Human-in-the-loop
↓
Human-on-the-loop
↓
Human-out-of-the-loop
好像愈往下面：AI 愈厲害。
甚至會覺得：
「最好的自動化，就是完全沒有人。」
其實不一定。
因為不同工作，風險完全不同。
例如：
AI 自動幫我整理每天收到的新聞。
出錯一次，可能沒什麼大不了。
但如果是：
醫療
財務
人事
法律
安全
高影響決策
我們可能反而不希望人完全離開。
這也是為什麼 NIST 強調 AI 風險需要依實際情境管理，而歐盟 AI Act 對高風險 AI 系統，甚至直接要求人類監督。
NATO 在 Meaningful Human Control 的研究裡，關心的也是同樣的問題：
AI 可以變得更自主，但人的判斷、責任與控制不能因此消失。
所以真正的問題不是：「怎麼把人拿掉？」
而是：
「這件事情，人到底應該站在哪裡？」
有些工作需要：
Human-in-the-loop
人要一直參與。
有些成熟工作可以：
Human-on-the-loop
AI 自己做，人負責監督。
再大型一點的 AI 系統，人可能需要站得更高：
管理規則、權限與整體品質。
而有些低風險、自動化程度高的工作，人確實可以離開執行迴圈。
這四種方式沒有誰一定比較高級。
真正重要的是：
把人放在真正需要人的地方。
AI 愈來愈會做事之後，人真正該做的是什麼？
如果大量、重複、規則明確的工作都可以交給 AI，
那人的價值可能會愈來愈集中在：
定義目標
判斷品質
設定規則
處理例外
評估風險
做重要決定
所以未來我們學 AI，可能不能只停留在：
「怎麼讓 AI 幫我做更多事情？」
還可以再多想一步：
「這件事情，我跟 AI 應該怎麼分工？」
以及：
「哪些事情可以交出去，哪些決定還是應該留在人手上？」
當 AI Agent、Skill、自動化工具愈來愈普及之後，我覺得這個問題，反而會比「下一個 AI 工具是什麼」更值得我們花時間思考。
想把 AI 真正變成你的工作夥伴？
AI 工具愈來愈會自己完成任務，但真正重要的，不只是學會更多工具，而是知道：
哪些工作適合交給 AI、哪些地方需要人的判斷，以及怎麼設計適合自己的 AI 工作流程。
如果你也正在學習 AI Agent、Skill、影片剪輯與各種數位應用，歡迎免費加入小步學習會員。
小步學習不只介紹 AI 工具有哪些新功能，也會持續分享實際測試、工作案例，以及如何把這些工具真正運用在內容創作、工作流程與個人專案中。
加入會員後，可以：
使用會員專屬的「我的學習」空間
集中查看已取得的課程與學習內容
使用網站上的會員及數位商城功能
在活動期間完成會員資料，領取開業早鳥優惠券
AI 還會繼續進步，Agent 也會變得愈來愈能自主完成工作。
但不管工具怎麼改變，真正值得累積的，還是怎麼判斷、怎麼分工，以及怎麼把 AI 變成適合自己的工作夥伴。
希望小步學習可以陪你一起慢慢學習、實際操作，再把學到的方法真正運用在自己的工作中。
開業早鳥優惠券數量有限，實際面額、使用期限與適用範圍，以會員帳戶顯示內容為準。
留言