別再追逐工具：給老師的 AI 轉型指南 —— 從工具焦慮到「思考習慣」的系統升級

身為教育工作者，你是不是也有一種「追逐焦慮」？

社群媒體上不斷轉傳「10 大必學 AI 工具清單」，從 Gemini、Claude 到 NotebookLM，新功能一個接一個冒出來。很多老師在緊湊的教學和行政空檔裡，還要擔心自己沒跟上就被時代拋下。可是當我們花寶貴的深夜備課時間餵指令給 AI，產出的教案卻常常很平庸、沒有靈魂，甚至會覺得「AI 怎麼這麼笨」。

我懂那種挫折感。老師明明花了時間學工具，換來的卻是一份索然無味的結果。說到底，真正該升級的是我們的「思考系統」，工具本身反而不是重點。在 AI 時代，真正的高手看的是能不能在教學現場創造價值，而不是會寫多少程式碼。這場比的不是工具，是思考方式。

重新定義 AI 高手：麥肯錫（McKinsey）調查下的數據啟示

我們得先認清一件事：「使用 AI」不等於「拿到價值」。麥肯錫（McKinsey）對全球 AI 使用狀況的調查，揭露了一個蠻殘酷的現況。

在全球使用者裡，只有大約 6% 被稱為「價值領先者」，他們能從 AI 的投入中拿回 10 倍的價值。另外有 61% 的人雖然也在用 AI，投入的成本和精力卻像石沉大海，這就是大家常說的「繳智商稅」。

這個數據想說的是：AI 高手的差別，在於懂不懂得讓 AI 替自己創造價值，而不是一直追新功能。你餵給 AI 平庸的指令，它自然回給你平庸的內容。

換個角度看，這其實是個好消息。拉開差距的不是你會多少工具，而是思考方式。老師不用追完所有新工具，只要換一套想法，一樣能從那 61% 走到 6%。門檻其實沒有你想的那麼高。

什麼是「思考習慣」？

「思考習慣」（ Thinking ）是密涅瓦大學提出的一套思維訓練系統。它不教死背的知識，重點放在把人類最有效的問題解決方法，整理成可以重複操作的底層邏輯。整份清單分成四大面向，每個面向底下再細分出不同的思考工具：

• 批判性思考：包含分析問題、分析決策、分析資料、評估理由、評估主張，像是問對問題、偏誤檢驗、描述統計、證據基礎、可驗證性。

• 創意思考：包含問題解決、發掘與探索、應用研究方法，像是類比、演算法、最佳化、設計思考、建立假說、資料視覺化。

• 有效溝通：包含語言溝通和非語言溝通，像是受眾、論題、專業精神、溝通設計、媒介運用。

• 有效互動：包含解決道德問題、複雜系統內的相互作用、談判和說服、與他人合作，像是系統動力、多層次分析、助推、領導原則、自我覺察。

這四大面向加起來，就是這套系統裡的約 80 個底層邏輯。它們像是我們跟 AI 溝通的共同語言，讓我們從隨機亂試指令，變成有系統地引導 AI 一步步深入推導。

老師不需要學會每一個新工具，也不會因此被時代拋下。真正要練的只有一件事，就是思考習慣。

核心框架：密涅瓦大學的「思考習慣」（Thinking Habits）

在 AI 時代，光靠記住知識已經不夠了。密涅瓦大學（Minerva University）主張，我們真正該學的是「應對未知的智慧」。

密涅瓦不教死背的知識，而是訓練學生掌握人類最有效的問題解決方法，也就是「思考習慣」。這套系統把這約 80 個底層邏輯，當成操作 AI 的「作業系統」。

• 實證效果：密涅瓦的大一學生接受這套訓練一年後，在全美問題解決測試中，贏過了 99% 的全美大四畢業生。
• 關鍵邏輯：這些習慣（系統動力、演算法、多層次分析）是我們跟 AI 的「共同語言」。掌握之後，你就不再是隨機亂試指令，而是有系統地引導 AI 做深度推導。

破解 Garbage In, Garbage Out：提升 2 倍準確度的秘訣

為什麼有些老師會覺得 AI 的回答像垃圾？多半是因為少了「原思考」（ Meta-thinking）這一層。連頂尖專家也會踩坑。曾經有一位知名的口譯專家，把排版混亂的 PDF 直接丟進 NotebookLM，結果 AI 產生了嚴重的數據幻覺。這就是少了「演算法」這個思考習慣的下場：你得先幫 AI 把資料格式「解構」好（例如：把圖表轉成文字描述），它才有辦法給你黃金。

研究也顯示，不同的引導方式，產出差很多：

1. 步驟引導：教 AI 按照特定步驟思考，準確率提升 30%。
2. 加入原思考（Meta-thinking）：帶進底層邏輯來引導，準確率能提升 1 到 2 倍。

一般使用 vs. 具備思考習慣的使用方式

接下來用兩個教育現場的例子，看看把思考習慣加進去之後，AI 的回應差多少。

例子一、課程設計：演算法 ＋ 限制條件

先簡單說明這兩個思考習慣。演算法，是把一件複雜的事拆成清楚、有先後順序的步驟，一步一步處理，而不是一次丟一個大問題給 AI。限制條件，是先把現場的真實狀況交代清楚，例如：學生程度、上課時間、教學目標，讓 AI 在這個框架裡發揮。兩個合起來用，就是先給足條件，再請 AI 分段陪老師想，而不是一次要它生出完整成品。

例子二、親師溝通：受眾 ＋ 換位思考

一樣先說明這兩個思考習慣。受眾，是先弄清楚對方是誰、他最在意什麼，再決定要怎麼說、怎麼寫。換位思考，是把自己放到對方的位置，先照顧到他的情緒和需要。兩個合起來用，就是在動筆之前，先請 AI 站在這位家長的角度想一遍，讓回覆貼著對方的心情走。

實戰應用：當「思考習慣」遇上教育場景

老師怎麼透過 AI 把自己變強，而不是被取代？我們把這些底層思維，轉成教學現場真的用得上的工具：

• 場景一、行政減災的「受眾（Audience）」習慣：收到全校性的課後問卷時，別只看平均分。請 AI 用「受眾」的角度重新整理數據，分別產出「給行政單位的優化建議」、「給導師的班級經營提醒」、「給助教的課程互動指引」。一份混亂的 Google 表單，就能變成精確的決策地圖。

• 場景二、班級管理的「行為塑造（Self-shaping）」習慣：學生老是忘記收個人物品、作業亂交，與其一直「宣導口號」，不如用行為塑造的角度問 AI：怎麼透過「降低認知資源」來達成目標？AI 可能會建議你在收納櫃貼上直覺的圖示，或在繳交處放一個明顯的範例。用「創造新選項」讓行為自然發生，這就是教育者的巧思。

• 場景三、校園危機處理的「多層次分析」習慣：學校的教學平台（LMS）突然當機，資訊組老師一時束手無策時，可以用 AI 做多層次分析來排查，從「軟體層」（API 衝突）、「硬體層」（伺服器過熱）、「環境層」（校園電力波動）一路檢查到「通訊層」。這能讓資淺的老師也展現出系統性的問題解決能力。

重塑教師的價值：微決策、風格與無限遊戲

《人比 AI 兇》這本書提到，AI 雖然強大，卻缺了三個核心要素：微決策、明智推理和我執。

AI 可以一次給你十個版本的教案，但要決定哪一個版本最有溫度、最能打動坐在教室後排的那個孩子，這就是你的微決策。

老師你的價值在於你的風格（Taste）和當責（Ownership），不在生成內容本身。

• 有限遊戲：追逐頭銜、名校標籤、標準化的技能包。這些最容易被 AI 打包取代。
• 無限遊戲：你的名字、你的風格、你對教育的熱愛。只有你能替內容注入靈魂，讓學生從冷冰冰的資訊裡，感受到人的關懷。

行動指南：怎麼開始你的 AI 陪練之旅？

升級思考系統，不必死背工具。可以從這三個行動開始：

1. 實踐「附帶學習（Incidental Learning）」：別為了學 AI 而學 AI。挑一個教學裡最煩的問題（例如：批改某一類特定的作業），讓 AI 陪你一起解。解完之後的成就感，就是最深刻的學習。

2. 啟動 21 天對比任務：每天花 15 分鐘，把同一個教學難題丟給不同的 AI（ChatGPT、Gemini、Claude），看它們不同的思考路徑，慢慢建立你的「指揮感」。

3. 採行「高標準、高支持」的互動模式：借用 NBA 傳奇教練奇普・恩格蘭的做法，對 AI 的產出保持「高標準」的挑剔，同時用 AI 給自己「高支持」。讓 AI 當你的挑戰者，逼你想得更深。 

結語：做一個 Prepared for Surprise 的終身學習者

詹姆斯・卡斯在《有限與無限的遊戲》裡，區分了「訓練」和「教育」。訓練是為了「防範驚奇」（Prepared against surprise），教我們應付已知的操作；教育是為了「準備迎接驚奇」（Prepared for surprise）。

傳統的工具研習，多半只停在「訓練」，教我們怎麼應付已知的操作。真正的思考升級比較接近「教育」，就算下個月又冒出新的 AI，我們一樣能從容面對。AI 不是威脅，它比較像是你的「超級大腦」。

老師，別再追著工具的幻影跑了。你最在乎的，從來不是會用幾個 AI，而是教室裡那些孩子。當你把力氣放回思考習慣，AI 就只是你手邊一個好用的幫手，幫你把更多時間和溫度，留給真正需要你的學生。新工具會一直來，但能讓教育有溫度的，始終是你。