「請扮演一位有 20 年經驗的行銷總監。」
「請一步一步思考，直接給我答案。」
「內容要活潑、有吸引力，絕對不要出現幻覺。」
如果你在生成式 AI 剛開始流行時，存過一份「萬用 Prompt 大全」，應該對這些句子不陌生。要寫社群貼文、回覆客戶信件或整理資料時，只要換掉角色和任務名稱，就能直接貼進對話框。
這類指令通常寫得很長，產出的內容仍可能出現「在快速變化的時代」「為你帶來全新體驗」等罐頭套話。請 AI 寫一封開發信，它也許能把文字整理得通順，信裡仍缺少這次聯繫的目的，客戶也看不出回覆的理由。最後，你只好繼續增加限制，或把內容刪掉重寫。
如果這個情況經常發生，可能的原因是：AI 工具持續更新，你下指令的方式仍停留在兩、三年前。
AI 工具更新了，指令習慣還留在過去
近幾年，AI 模型理解上下文、處理複雜任務及使用工具的能力都有變化。GPT-5、新一代 Gemini 與 Claude 等模型，已經能自行規畫多個處理步驟，也能在取得授權後讀取資料、操作工具，完成一段較長的工作流程。
模型能力改變後，部分早期流行的提示詞技巧，已經不需要套用在每一項任務上。有些寫法甚至會增加多餘的限制，讓 AI 把資源花在無關的設定上。
輝達創辦人黃仁勳曾說過，使用 AI 來處理你本來就會做的事，其實是一種「算力浪費」。AI 的運行成本（電力與運算資源）極高，其真正的價值在於幫助你完成「能力圈之外」的工作。
當 AI 能做的事變多，使用者該怎麼交代工作，才不會收到一份方向正確、內容普通的答案？
經理人商管 LAB 推出的「2026 Prompt 全攻略」線上課程，由《經理人》數位內容主編林柏源主講。課程整理 Google Gemini、OpenAI GPT 與 Anthropic Claude 的官方提示詞指南，協助職場工作者調整與 AI 合作的方法。
3 種常見的舊技巧，現在該怎麼調整？
1. 不必每次都要求 AI「一步一步思考」
早期使用生成式 AI 時，許多人會在指令後面加上「請一步一步思考」，希望模型能做出較完整的推論。
新一代推理模型本身已具備拆解任務與規畫步驟的能力，每個任務都加上這句話，未必能提高答案品質，也可能增加處理時間。
真正需要交代的是任務中的判斷條件，例如，請 AI 比較 3 個行銷方案時，與其提醒它要思考，不如提供預算上限、目標受眾，以及這次企畫最在意的成果。這些資訊會直接影響它如何比較方案。
2. 專業角色要提供工作脈絡，不能只寫年資
「請扮演一位有 20 年經驗的行銷總監」曾經是常見的提示詞開頭，這句話能指定大致的專業領域，沒有說明這位行銷總監正在處理什麼產品，也沒有交代市場狀況與工作限制。
角色設定仍可使用，前提是角色與任務有直接關係，單純增加年資、頭銜或形容詞，對產出幫助有限。背景設定寫得太多，也可能分散模型處理任務時的注意力。
若要請 AI 撰寫新品上市貼文，可以提供產品特色、溝通對象，以及讀者看完後應採取的行動。這些內容比虛構一份完整履歷更有用。
3. 禁止指令無法取代資料與查核標準
「絕對不要出現幻覺」「不要提供錯誤資訊」讀起來很嚴格，AI 仍然不知道哪些資料可信，也不知道遇到不確定資訊時該如何處理。
如果工作重視正確性，就要提供可參考的資料，並說明查核方式。你也可以要求 AI 標出無法確認的內容，不要自行補寫。這樣才能讓它判斷哪些資訊可以使用。
網路上下載的提示詞範本也有相同限制，範本可以幫助使用者起步，無法預先涵蓋每項工作的目的與條件。當工作情境改變，原本好用的指令也需要跟著調整。
參考主管交辦過程，把 AI 當成剛加入團隊的同事
想像團隊裡來了一位處理速度很快的新同事，他具備廣泛的知識，也願意立刻開始工作，但還不了解公司的客戶、過去的決策及你的偏好。
如果主管只說「明天交一份簡報」，同事只能自行猜測簡報要給誰看、這場會議要解決什麼問題。即使準時交件，也可能需要大幅修改。
對 AI 下指令時，也經常出現相同的落差。使用者花很多篇幅要求語氣、角色和格式，真正影響工作方向的資訊反而沒有寫清楚。開始一項任務前，可以先回答兩個問題：
這項工作為什麼要做？
同樣是整理一份產業資料，如果用途是主管會議，內容需要集中在決策與風險；如果要提供給新進同事閱讀，則需要補充基礎背景。只說「幫我整理這份資料」，AI 無法知道哪一種內容更重要。
交代目的時，不需要寫成完整的企畫書，只要說明成果的使用者、使用場合及希望解決的問題，AI 就有足夠的方向。
什麼樣的成果才算合格？
「寫得專業一點」「內容要有吸引力」很難作為驗收標準，因為每個人對專業和吸引力的理解不同。
合格標準需要落在可以檢查的內容上，以電子報為例，你可以說明文章的篩選條件、每篇摘要的長度，以及哪些資訊需要保留來源。AI 才能據此檢查自己的產出。當目的與標準說清楚後，指令不一定會變長，但內容會更貼近真正的工作需求。
你的 AI 使用方式，是否卡在這些地方？
即使經常使用 AI，許多人仍得反覆修改產出。每次遇到相同任務，也要重新解釋工作需求。當任務變得更複雜，單次問答更難涵蓋整段工作流程。
「2026 Prompt 全攻略」線上課會從模型能力的變化談起，協助你調整交辦方式。課程也會以寫作、企畫提案與數據分析等工作情境，示範如何提供背景、設定成果標準，並逐步修正產出。
當一套合作方式經過多次測試，課程也會說明如何將它整理成技能包（Skills），供後續任務重複使用。讓你不用每次回頭尋找新的萬用 Prompt，可以把已經驗證有效的工作流程保留下來。
2026 年重新學習 Prompting，目的在於適應模型能力的變化。比起繼續收集固定句型，更值得練習的是把工作說清楚，並且知道自己要用什麼標準驗收成果。
