AI 會放大你的優點，也會放大你的弱點：為甚麼 SOLO 必須先於 REACTOR
我們現在不缺 AI 建議。
只要把產品、客戶或工作問題交給 AI，它很快便可以提供十個改善方案：減價、投放廣告、改寫文案、進入另一個平台、增加內容產量，甚至替我們安排完整的執行步驟。
真正困難的問題是：
當 AI 提供一項聽起來合理的建議，我怎樣知道它是否適合自己的情況？
更麻煩的是，AI 不但可以提出建議，還可以立即幫我執行。如果方向正確，它會放大我的效率；如果方向錯誤，它同樣可以令我更快投入時間、金錢和注意力，將一個小錯誤擴大成為一套運作流暢的錯誤系統。
所以，AI 時代的工作差距，未必首先來自誰擁有更強的工具，而是誰能夠判斷甚麼值得執行。
同一個 AI 助手，為甚麼帶來相反結果？
一項針對 640 名肯亞小企業經營者的田野實驗，讓其中一組透過 WhatsApp 使用 GPT-4 商業助手，另一組則取得國際勞工組織的靜態商業教材。
實驗的整體平均結果並不顯著。但把參與者按實驗前的經營表現分開觀察，便出現一個值得注意的差異：
- 原本表現較好的經營者，使用 AI 後改善超過 15%；
- 原本表現較低的經營者，結果反而下降約 8%。
研究者發現，差異似乎不主要來自他們提出了甚麼問題，也不在於 AI 給了完全不同的答案。更重要的是，他們如何選擇及實行那些建議。
表現較低的經營者較容易採用減價、增加廣告等一般化建議。這些做法聽起來積極，卻可能增加成本或減少收入，而沒有處理真正的經營問題。表現較好的經營者則較能判斷哪些建議適合自己的具體情況。
這是一篇 working paper，研究場景位於肯亞，收入與利潤資料亦主要來自參與者定期回報，因此不能直接推論所有國家、行業或 AI 工具都會產生相同結果。
但它提出了一個很重要的問題：
AI 究竟是在彌補我們的不足，還是在放大我們原本的工作方式？
表現不只取決於有沒有好主意
我認為，這個結果可以從三個層面理解。
一、Execution：能否把建議正確地執行
一項建議本身可能沒有錯，問題是它要在甚麼時候、以甚麼規模、對哪一群客戶執行。
「增加廣告」可以是好建議，但如果產品定位仍未清楚，廣告只會讓更多人看見一個不清楚的產品。
「降低價格」也可能帶來更多訂單，但如果真正問題是信任不足或價值沒有說清楚，減價只會降低利潤，甚至令客戶更懷疑產品品質。
AI 可以產生行動，但經營表現仍取決於人能否把建議轉化成適合情境的測試。
二、Art and Style：選擇本身也是一門技藝
研究直接觀察的是經營者如何選擇和實行 AI 建議，並沒有測量所謂的「個人風格」。
但我認為，這裏仍然存在一種很難完全標準化的 art——對客戶、時機、語氣、風險和自己能力的感覺。
兩個人收到同一份建議，可以採取完全不同的做法。一個人可能立即全面執行；另一個人則先找三名客戶測試，再根據反應修改。
這種差別未必能夠濃縮成一條 prompt。它來自經驗、專業知識、對限制的認識，以及一個人願不願意承認自己仍不知道答案。
三、Amplification：AI 會把整套系統一起放大
我們經常說 AI 可以放大能力，但這句話只說了一半。
AI 放大的不只是優點，也包括弱點：
- 有清楚目標，AI 可以加快實現目標；
- 目標含糊，AI 可以大量產生不相關成果；
- 有判斷標準，AI 可以協助比較選項；
- 沒有判斷標準，AI 只會提供更多看似合理的選項；
- 工作流可靠，AI 可以增加可用產出；
- 工作流混亂，AI 可以增加返工、錯誤和維護成本。
AI 不是只放大某一項任務。它可能把我們原有的方向、判斷、品味、紀律和盲點一起放大。
這正是為甚麼，我認為 SOLO 必須放在 REACTOR 前面。
SOLO 負責定向，REACTOR 負責運行
我把一人工作流的實際執行過程整理成 REACTOR：
Receive 接收 → Examine 理清 → Assess 決定 → Create 產出 → Test 檢查 → Output 交付 → Refine 迭代
這七個階段處理的是：一項工作進入系統後，如何由原始輸入轉化成可以交付和改善的成果。
但 REACTOR 運行得再好，也不代表這項工作值得做。
一台反應器可以快速、穩定地運轉；可是，如果放進錯誤的原料，或者從未定義想得到甚麼結果，運行效率愈高，問題反而愈大。
所以，在啟動 REACTOR 以前，我需要先用 SOLO 回答四個定位問題：
- S — Scope：這條工作流負責甚麼，不負責甚麼？
- O — Outcome：最後要帶來甚麼可以驗證的成果？
- L — Leverage：AI 應該放大哪一部分，而不是接管全部工作？
- O — Ownership：誰負責判斷、核實和承擔結果？
SOLO 不是另一套執行流程。它是一張在執行以前完成的定位卡。
SOLO 決定反應器應該處理甚麼；REACTOR 才負責把它處理好。
把 AI 建議變成一個小型實驗
假設 AI 建議我增加廣告預算，我不會再直接把它交給 REACTOR 執行，而是先完成一次簡短的 SOLO 檢查。
Scope：這次要處理甚麼？
我要驗證的是某個客戶群對某項服務的興趣，不是一次過解決整個業務的獲客問題。
Outcome：甚麼結果才算有用？
我需要的不是更多瀏覽量，而是一定數量的合格查詢，以及可以接受的每次獲客成本。
Leverage：AI 應該協助甚麼？
AI 可以整理客戶疑問、提出文案版本、建立測試組合和分析初步結果，但不應自行增加預算或決定何時擴大投放。
Ownership：誰負責最後決定？
我需要核實數據、判斷查詢品質，並決定繼續、修改還是停止測試。AI 可以提出分析，但不能替我承擔廣告費和商業後果。
完成這四項定位後，才讓任務進入 REACTOR：接收資料、理清問題、決定測試方式、製作廣告、檢查內容、推出小規模測試，再根據結果迭代。
這時候，AI 放大的不再只是一個模糊想法，而是一個已經界定範圍、成果、槓桿和責任的小型實驗。
品質不是最後才加入的檢查
OpenAI 與 AWS 在介紹 GPT-5.6 與 Kiro 的整合時，展示了一種值得留意的 AI coding 思路：先把高層意圖轉化成需求、技術設計和具體任務，在關鍵位置進行人工覆核，最後再用測試檢查實作是否符合要求。
這項公告屬於供應商資料，而且集中於 coding agent；其中的成本與 benchmark 結果不能直接套用到寫作、顧問服務或一般營運。
但它帶出一個可以跨越不同工作的原則：
品質不能只在 AI 完成工作後才加入；品質要求必須在 AI 開始產出以前便被定義。
對程式開發而言，這可能是需求、技術設計和測試。
對文章而言，可能是讀者問題、中心論點、證據要求、語氣和不可接受的錯誤。
對顧問服務而言，可能是客戶真正需要的成果、使用限制、成功指標和交付責任。
這些都屬於 SOLO 要先確立的方向。REACTOR 則確保每一項具體工作能按照這個方向運行。
AI 時代最缺的不是答案，是能選擇答案的人
AI 令我們更容易取得答案，也更容易浪費資源。
答案愈多，選擇便愈重要。AI 可以告訴我減價、投放廣告、增加內容或進入新平台，卻不知道哪一個答案最符合我的客戶、能力、風險和真正目標。
這正是 SOLO 必須先於 REACTOR 的原因：
先用 SOLO 定義範圍、成果、槓桿與責任，再用 REACTOR 接收、理清、決定、產出、檢查、交付和迭代。
AI 可以放大我的優點，也可以放大我的弱點。它能加快執行，卻不能替我決定甚麼值得執行；能提供大量選項，卻不能替我承擔選錯的後果。在 SOLO 當中，Ownership 提醒我：使用 AI 後，結果往往仍由使用者負責。AI 可以毫不尷尬地向你認錯，卻不可能替自己的輸出承擔後果。
因此，AI 時代真正稀缺的能力，不是再產生一百萬個答案，而是先理解自己的處境，辨認每個答案背後的假設，然後選擇一個值得驗證的方向。
因為生產力最大的風險，已經不只是做得太慢。
而是沒有選對答案，便把它做得太快。
資料來源：
DISCUSSION
讀者留言