— 一場 AI 諮詢，讓我看見"會用"跟"用得好"之間的鴻溝
最近接了一場 AI 諮詢，對方是某科技大廠的社群經理，負責 KOL 合作案——從預算申請、KOL 篩選、腳本審核到結案，一整套流程。
聊了一個多小時，我發現他的問題其實非常有代表性。不是不會用 AI，而是卡在一個很微妙的地方。
【痛點：資訊散落在世界各地】
他的工作流程大概是這樣： → 內部用 Spreadsheet 申請預算、追蹤案子進度 → 跟 agency 用 LINE 溝通（有些用 email） → KOL 的腳本、A copy、B copy 都是檔案來回 → 公司用專門的社群管理平台統一發文 → 還有各種 brief 和 guideline 文件
他說他最大的痛點就是"東西分散在世界各地"。LINE 有一些、email 有一些、Spreadsheet 有一些。他又是那種不太習慣仰賴別人、什麼都自己攬的工作風格，所以資訊就更碎片化。
這是我諮詢到現在最常聽到的痛點。不是不知道 AI 能做什麼，而是不知道怎麼讓 AI 接觸到自己散落各處的資料。
【他已經開始用 AI 了，但方式很典型】
他不是零基礎。他已經會把 KOL 的腳本丟給 Claude，搭配自己寫的 guideline 文件請 AI 給回饋。
他還用 Claude Chat 花一個下午做了一個股票投資組合追蹤器——串好 Google Sheets，手機就能看持股。他自己也覺得效果還不錯。
但他接下來的問題是："我是不是可以一直在同一個對話裡面繼續加功能？"
這就是那個典型的卡點。
【你以為傳了一萬個 token，其實傳了五萬個】
LLM 本身是沒有記憶的（stateless）。每次你按送出，背後其實是把整個對話歷史——你說的、他回的——全部重新傳一次。
假設你跟 AI 對話了十輪，第十一次送出的不是只有你新打的那段話，而是前面十輪所有內容加上你新打的話。像滾雪球一樣越滾越大。
這就是為什麼對話越長，AI 的回應品質會開始下降。社群體感是 context window 用到 40% 左右就是一個分界線——超過以後，AI 的注意力會被大量不相關的歷史訊息稀釋。
你以為你送了一萬個 token 出去，但算上前面累積的對話，實際送出的可能是五萬。
所以建議是：不要沿用同一個對話。完成一個階段就重開，把必要的 context 帶過去就好。如果是會持續開發的專案，就應該搬到 Claude Code，用資料夾結構加上 CLAUDE.md 來管理，讓每次新對話都能自動讀取專案脈絡，不被某一個對話綁死。
【Cloud AI 什麼都能做，那地端 GPU 還有什麼用？】
他的工作跟 GPU 相關，所以有一個很實際的問題：怎麼在 KOL 合作的影片裡展示"地端 AI"的價值？
他的內部 PM 甚至跟他說："現在 Cloud AI 什麼都能做，中間沒有地端插手的餘地。"
我跟他分享了自己的經驗。我平常用 Whisper（OpenAI 的開源語音轉文字模型）在本地跑逐字稿。一支一小時的 YouTube 影片，本地幾分鐘就轉完，效果跟雲端幾乎一樣好。
地端最有價值的場景：
確定性任務——語音轉文字、翻譯、檔案批次處理。結果是可預期的，不需要 LLM 的創意。本地跑更快、更省錢、更穩定。
省 token——你不會把一整部影片上傳給 Claude 轉逐字稿。本地做到 99 分，雲端做到 100 分，差那 1 分不值得花那個錢。
隱私——公司資料不出本地，對企業來說是硬需求。
然後我提了一個我自己常用的思維框架：先用 AI 探索解法，成功了以後，把那條路徑寫成確定性的腳本。之後執行就不需要再花 token。
就像我的自動發文系統——Claude Code 幫我寫了操控瀏覽器的腳本，執行的時候完全不需要 AI 介入。AI 是設計師，腳本是工人。設計階段需要智慧，施工階段只需要照圖施工。
【最讓我意外的發現】
他在大廠工作，身邊都是科技圈的人，認識不少知名 KOL。
他說他跟這些人分享 Claude 能做的事情時，大家的反應是："哦，我知道 Claude，但我沒在用。"
理由？資安疑慮。
他自己也覺得哭笑不得——稍微查一下就會知道 Anthropic 在資安方面是業界最謹慎的。
但這讓我看到一件事：大部分人對 AI 工具的認知停留在"我知道它存在"。從"知道"到"會用"，再到"用得好"，中間的距離比想像中大太多。
他的同事和朋友用的都是 ChatGPT 或 Gemini 問問題。對他們來說，AI 就是比較聰明的搜尋引擎。他們沒辦法想像 AI 可以直接操作你的電腦、串接你的 Google Sheets、自動化一整套工作流程。
不是工具不夠好。是大家還不知道工具能做到什麼。
【做了幾場諮詢，我發現一個模式】
大家的痛點幾乎都不是"AI 不夠強"。而是： → 不知道怎麼把散落各處的資料接進 AI → 不知道什麼時候該用 AI、什麼時候該用腳本 → 不知道對話的 context window 有上限，會越聊越笨 → 不知道 Chat 和 Code 的差別在哪
我自己就有一個很具體的例子。前幾天我用 Claude Code 和 Claude Cowork 分別做同一個任務。Claude Code 30 秒搞定。Claude Cowork 花了大概 5 到 10 倍的時間，結果還是錯的——因為它沒辦法成功呼叫 LINE Desktop MCP。
同一個底層模型，不同的介面和工具鏈，效果差這麼多。
這些都不是技術問題。是認知問題。
而認知問題最好的解法，就是有人示範一次。你看到 AI 真的打開瀏覽器幫你操作後台、真的從 Google Sheets 讀資料、真的把對話記錄整理成摘要——那個衝擊，是純文字說明給不了的。
AI 諮詢的價值不在於教你什麼新工具。而是幫你重新看見，你手邊已經有的工具能做到什麼。