【實戰分享】AI 是放大鏡不是許願池：極限資源下的「治具化」破局思維

前提概要：AI是否真的會搶走人類的工作？(這篇有實際使用中的職場案例可以解惑)

近期測試了各種 AI 模型後，我得出了一個深刻的結論：「AI 工具的體驗差異，往往取決於用戶自身的戰力天花板。」


簡單來說，像 Claude Opus 或 GPT Codex 這類工具，天生適合追求「無痛使用」、只要付費就能立即見效的「新手用戶」。但如果你是一個擅長拆解問題、自製工具的「專業用戶」，你會發現 Google Gemini 這類模型，天生就非常適合用來「治具化」。


很多時候，我們覺得 AI 不好用，其實不是模型的瓶頸，而是用戶自己認定的認知限制。

被封死的系統與認知的天花板

舉個最真實的職場例子：「我們公司使用的電動公車充電樁，原廠完全沒有開放任何 API。此外，公司配發的電腦只有內顯，軟體只有 Word、Excel 和 Google 試算表、Google Drive，沒有任何專業的開發環境。」


在一般人的認知下，遇到這種狀況通常會雙手一攤：「喔，原廠沒給 API？電腦又這麼爛？那基本沒戲唱了，涼涼。」


但這就是玩家與普通用戶的差異。這不是 AI 的限制，而是思維的限制。真正的「AI 賦能」，不是像玩線上遊戲那樣砸新台幣買外掛輾壓對手，而是利用手邊僅有的「破銅爛鐵」，組裝出能解決問題的自動化生產線。既然拿不到機器底層資料，那我們就從「第一性原理」出發，從人為輸入的反向推導來破局！

實戰演示：用Google試算表手刻一套「輕量級 EMS 能源管理系統」

為了突破原廠的封鎖，我利用 Google 試算表，建構了一套土炮但極度精準的「充電樁戰情系統 MVP (最小可行性產品)」。這套系統由四個核心模塊組成，它不是死板的紀錄表，而是一個擁有物理邏輯大腦的運算引擎：

數據基底 (Data_Log)：這是系統的 Input。

雖然是最傳統的手動 key-in（例如遇到跳停還要手動更新），但它忠實記錄了每台車的起始時間與電量。這是一切運算的源頭。

物理法則大腦 (Analysis_Param)： 

這是我最自豪的模塊。我沒有用粗糙的平均值來算充電時間，而是建立了真實的電池充電曲線物理模型：

快充階段 (0-80%)：3 分鐘/1%
緩衝階段 (80-99%)：5 分鐘/1% (線性遞減)
涓流階段 (99-100%)：30 分鐘/1%


更重要的是，我加入了「場站總功率上限 460kW」的總量管制邏輯。這意味著系統的預估是建立在真實的物理與安全限制上的。

動態運算核心 (Estimator_Tool)： 

利用上述的物理參數，系統會自動針對每台車進行「自動分段+負載平衡」的計算，推導出精準的剩餘時間和完成時間。

動態戰情室 (Live_Dashboard)：系統的 Output。

8 支充電樁的狀態一目了然，隨時掌握目前總負載是否超標、哪些車即將在 1 小時內充飽需要移車。

AI 賦能的終極型態：讓死表格成為 AI 的知識庫

把這套運算邏輯寫進表格只是第一步，真正的魔法在於「與 AI 結合的動態交互」。

我將這些手 key-in 且會隨時間推移動態計算的表格資料，直接作為 AI（如 Google Gemini）的底層知識庫。現在，調度員不需要再去盯著密密麻麻的 Excel 表格算時間，只需要透過自然語言與 AI 交談：

結語：真得假不了，AI 只幫得上有準備的腦袋

這套系統證明了一件事：即使原廠把 API 的大門焊死，只要你具備流程解構的能力，用最普通的辦公軟體加上 AI 工具，照樣能鑿出一扇窗，造出專屬於你們站點的戰情系統。


AI 永遠只是一個「能力放大器」。如果你的破局思維是 0，乘以再強的 AI 依然是 0。只有當你願意打破認知天花板，把 AI 當作專屬的「治具」來打磨你的工作流程時，你才能真正體會到 AI 賦能的強大威力。