一名沒受過天文訓練的產品經理，用Claude Code等AI工具分析太空望遠鏡的公開觀測資料，可能找到一顆新的系外行星（但尚待後續觀測確認）。另一邊，還有不少人不知道AI除了回答「法國首都是哪裡」、把一封信改得沒那麼火大之外，還能做什麼。
這兩種人的落差，正是Anthropic工程主管Felix Rieseberg在10月13日的部落格文章想處理的問題。他曾帶領Claude.ai、Cowork與Claude Code桌面版的工程團隊，也是開源框架Electron的共同維護者。
「用AI要更有野心」是他和不少AI從業者常喊的口號，但他也承認這句話很難照做，於是乾脆寫成一份教學。
他用一個假想公司的季度業務檢討（QBR）簡報當例子。只想把數字填進範本，AI很樂意照做；但其實更有野心的問法，是要AI直接設計一套比季度簡報更好的做法，再拿公司過去的資料證明，它本來能更早抓到問題。
他把對AI的野心分成四種：速度、高度、深度、廣度。速度指同樣的工作做得更快，多數人已經在用，他直接略過。以下拆解Rieseberg的另外三招，每招都附上可以直接複製的提示詞。
Rieseberg為什麼認為，AI用不出效果是人先限制了自己？
Rieseberg認為，卡住的往往是人對「可能」的想像。他引用心理學的「自我效能」（self-efficacy）概念：愈相信自己做得到的人，實際成就也愈高。
目標設定理論的代表學者Locke與Latham在2002年的論文中回顧35年研究，指出拿到具體、困難目標的人，表現優於只被要求「盡力就好」的人。
他舉的例子之一是數學家丹齊格（George Dantzig）。1939年，丹齊格在加州大學柏克萊分校上課遲到，把黑板上的兩道題抄回去當作業寫完交出，後來才知道那是統計學界還沒解開的難題。他不知道題目有多難，自然也沒替自己設限。
Rieseberg認為，AI讓我們能做到的事每隔幾周就往前推進一次，人更需要一些方法，逼自己去做原本不覺得可能的事。
第1招拉高度：為什麼要交代結果，而不是交代任務？
拉高度，就是把交給AI的事從「一個任務」換成「你真正想要的結果」。動手前先問自己：這件事做完之後，我希望接下來發生什麼？
Rieseberg自己的例子是，2025年初他還在請Claude逐一修App的當機問題，後來直接請Claude「讓我們的App保持不當機」。
延續季度檢討的例子，他給了三個由淺到深的版本。
第一階：別只更新數字。 盡可能把拿得到的資料都交給AI，讓它理解你的生意，而不只是換掉範本裡的數字。
告訴我這一季有什麼變化、為什麼會變，以及我們該怎麼因應。
第二階：讓會議產出決策。 好的會議最後要有決定。
根據你從這些資料了解到的一切，找出最急迫的三個決策，並開始為每個可能的方向整理正反論點。
第三階：重新設計季度檢討本身。 這套機制誕生在需要人工篩資料、判讀數字的年代。
季度檢討存在的目的，是讓高層及早發現問題，把錢和人調到對的地方。請設計一個比季度簡報更好的做法，用我們過去的資料證明，如果當初採用這個做法，本來就能更早抓到問題，並和現行做法並行跑一季。
怎麼判斷一件事適不適合拉高度？Rieseberg給的建議是，如果你的工作成果需要開會討論，就值得試試。
拉高度通常得先改造工作流程。 為了讓Claude負責「App保持不當機」這個結果，他先讓Claude能自己抓取當機報告、查出每個App版本對應哪一次程式碼提交（git commit），還給它Windows、macOS和Linux電腦，讓它能獨立重現問題、驗證修正。
做到這一步，人才不必一直跟在後面派任務。
第2招挖深度：怎麼讓AI用專家的方法做事，不只換上專家的口吻？
挖深度，是要AI拿出業界頂尖專家用的工具和方法，一路做到連專家都可能從中學到新東西。Rieseberg點出一個常見陷阱：叫模型「扮演專業人士」，它往往只換了用詞，做法沒變。
以下是他常用的一段提示詞，使用時可以把原本的提示詞接在這段後面：
我想要這個任務更深的版本，而不是更大的版本。在改寫之前，請先做四件事：
（1）說出這個領域的頂尖專業者在這裡會做、但我沒有要求的事；
（2）指出他們會從哪份最原始的材料著手，而不是已經替我消化過的東西；
（3）列出他們會使用的具體方法與工具；
（4）說明除了你和我之外，還有什麼能證明結果是對的。
接著，改寫我的提示詞，讓它要求的正是這些。
回到季度檢討的例子，假設公司正為客戶流失所苦，他會搭配以下五個技巧：
- 堅持用業界頂尖的工具：AI想用Markdown表格整理數據時，要求它改用資料庫和統計模型。你不必知道專家用什麼，Claude通常知道。
- 訂一個不合理的目標，並告訴AI這很合理：如果你需要網站載入時間從10秒降到5秒，直接要求200毫秒。AI覺得做不到時，重申這題解得開，請它繼續做。
- 挑戰你以為的事實：商業上很多「常識」只是粗略的近似值。把原始資料交給AI，要它反過來檢驗假設，例如：「我們認為客戶流失是新手引導（onboarding）的問題，請試著從原始資料重現這個結論。」
- 產出新知識：AI已經深入資料之後，再請它找盲點，例如：「用我們的系統紀錄建一個客戶模擬，重現過去一年的狀況。接著找出我們還不知道、最早出現的流失訊號，並證明它在沒看過的資料上也能預測。」
- 找外部裁判：不要讓AI自己評自己。Rieseberg認為模型更聰明之後這點可能會改善，但在2026年10月，他堅持要有外部驗證，最好是AI能自己執行、立即拿到回饋的工具。
第3招拓廣度：為什麼要把名詞換成動詞，再找一組跨領域團隊？
拓廣度，是讓AI從其他領域的角度處理同一件事。過去找一群不同專業的人一起看一件事並不划算，如今AI產品愈來愈容易同時跑多個代理（multi-agent），門檻低了很多。
Rieseberg坦言這招最需要創意，也是他看到最多驚喜的地方。直到看見同事Alex Albert用3D軟體Blender渲染室內設計，他才想到可以請Claude替自己的個人網站做3D場景。
先把名詞換成動詞。 這是Tom Kelley與Jonathan Littman在《The Art of Innovation》書中提過的老技巧。季度檢討表面上是「一份簡報」，換成動詞，它要做的是「在30分鐘內，讓一群忙碌的人相信一個因果故事，並在不確定中做出決定」。寫成動詞之後，人和AI都比較容易看出該找哪些領域來幫忙。
再組一支團隊。 假設這份簡報做不好，外星人就會炸掉地球，人類會派誰上場？Rieseberg的名單是：分析師、記者和編輯負責整體製作品質；如果要上台報告，再加一名動態與音效設計師。他也建議視情況找做空投資人與鑑識會計師組成「紅隊」，專門挑毛病。
不過這招很容易變成角色扮演。Rieseberg提醒，要AI用做空投資人研究一檔股票的方法去查，光模仿口吻只會讓對話變怪，成果不會變好。
原文沒有給這一招的完整提示詞，但依他的方法可整理出參考提示詞如下：
我要處理的任務是：［貼上任務］
1. 先不要動手。請用「動詞」重新描述這個任務真正要達成的事，不要用「簡報」「報告」這類名詞。
2. 根據這個動詞描述，列出5個能帶來獨特觀點的專業領域，其中至少1個負責挑毛病（例如做空投資人、鑑識會計師）。
3. 每個領域寫出：這類專家實際會做哪些研究或檢查步驟、會用什麼工具或資料。只寫做法，不要模仿他們的說話口吻。
4. 依照這些做法實際執行，整合成一份成果，並標出各領域的檢查發現了哪些問題。
這3招在哪些情況不適用？
Rieseberg指出，三招都有一個共同前提：AI要有一台能自行安裝軟體的電腦，並接得到各種相關資料，例如透過MCP（讓AI連上外部系統與資料的開放標準）連接器。
要提醒的是，如果只在對話框貼幾段文字，AI碰不到原始資料，深度那一招要求的資料庫與統計模型就很難做到。
Rieseberg認為，這些工作方法最適合真正追求某個最終目標的工作，創作類比較不適用；他也坦言，在2026年，單靠一句「Claude，去賺錢」，對多數企業似乎還行不通。不過他觀察到，模型能力愈強，往往就能接手愈高層次的工作。
（本文轉載自《數位時代》，初稿為 AI 編撰）
