很多人第一次用 AI 規劃課程，會直接輸入一句：「幫我設計一門某某主題的完整線上課程。」
幾秒後就得到 8 章、10 章，甚至 20 章課綱，看起來非常完整。
問題是，這份課綱很可能只是在整理公開世界裡常見的知識。它不一定知道你實際做過什麼、客戶最常卡在哪裡、哪個步驟你曾經踩過坑、哪些情況需要例外處理，更不知道哪些方法是你實際驗證過的。
所以要把「自己的專業」整理成課程，第一步應該先讓 AI 讀到你的專業證據，再談生成更多內容。
AI 最適合做的，是把散落的專業變成可整理的結構
成熟的專業通常散在很多地方，未必是一份已經排好的教科書：
- 你平常回答客戶的問題。
- 做案子時使用的流程。
- 成功與失敗案例。
- 判斷客戶適不適合的方法。
- 常見錯誤與修正方式。
- 舊簡報、文章、直播、錄音與筆記。
- 只有你自己知道、但從來沒有寫下來的直覺。
AI 的價值，是幫你把這些分散內容先整理成可檢查的資料。它可以找重複、做初步分類、整理共同步驟、比較不同案例，也可以指出哪一個環節資料很少。
但整理不等於判定。NIST 的 Generative AI Profile 特別提醒生成式 AI 可能出現虛構內容（confabulation）：系統會以很有把握的方式產生錯誤、虛假的內容，甚至可能生成看似合理但不存在的引用。對專業課程來說，這就是為什麼 AI 不能替你補出「你曾經做過的經驗」。
第一步：先建立你的「專業素材庫」
不要一開始就要求 AI 生課綱。先把你真的有的材料整理出來。
最有價值的素材通常包括：
- 真實案例：客戶當時遇到什麼問題，你怎麼判斷、怎麼處理，結果如何。
- 重複流程：每次遇到類似問題，你通常先做什麼、再做什麼。
- 判斷條件：什麼情況用 A 方法，什麼情況改用 B 方法。
- 常見錯誤：新手最容易在哪裡做錯，錯了會發生什麼。
- 例外情況：哪些狀況不能照標準流程硬套。
- FAQ：客戶、學員或同事最常反覆問你的問題。
- 成果證據：作品、紀錄、前後差異、可公開數據或其他能支持方法的資料。
素材不用先整理得很漂亮。逐字稿、聊天紀錄、舊文章、語音轉文字都可以先進來，AI 再協助做第一輪整理。
第二步：先讓 AI 分類，不要急著叫它下結論
把素材交給 AI 後，第一輪最適合做的是「看見你已經有什麼」。
可以請 AI 幫忙：
- 把重複出現的問題聚在一起。
- 把案例依情境或客戶類型分類。
- 列出反覆出現的步驟。
- 找出哪些判斷條件在多個案例都出現。
- 把成功案例和失敗案例的差異整理出來。
- 標記資料不足、互相矛盾或需要你確認的地方。
這一階段不要急著問「所以我的方法是什麼？」比較安全的做法，是先讓 AI 呈現模式，再由你確認這個模式是不是你真的會這樣做。
第三步：把「直覺」改寫成可以教的判斷
專業做久之後，最難說清楚的往往是判斷。
你可能會說：「這個案子我一看就知道不能這樣做。」但學員不知道你看到了什麼。
這時可以把案例交給 AI，比較你在不同情況下的決定，再追問：
- 我做這個判斷前，看了哪些訊號？
- 如果沒有這個訊號，我會怎麼處理？
- 哪些條件出現時，原本方法要停止？
- 我怎麼知道這一步已經做完？
AI 可以幫你把回答整理成決策表、檢核表或流程，但最終條件要由你確認。
如果你想更深入整理這一層，可以搭配專業人士如何建立自己的方法論？把多年經驗整理成可教、可賣的系統一起做。
第四步：從學員要完成的進步，決定哪些專業要放進課程
把所有專業都塞進一門課，是很常見的錯誤。
Jobs to Be Done 的觀點很適合用在這裡：先問學員在什麼情境下，想完成什麼進步，以及最後希望能做到什麼。
例如你有十年顧問經驗，可能累積了上百個知識點，但某一門入門課只需要幫學員完成「能自己判斷一個課程主題值不值得做」。那麼和這個成果無直接關係的進階知識，不一定要塞進第一門課。
可以先寫一句：
「當學員處在＿＿情境，我希望他能完成＿＿進步，最後可以＿＿。」
再請 AI 把你的素材對照這個成果，分成：
- 必要內容。
- 前置知識。
- 重大錯誤預防。
- 成果品質提升。
- 目前不需要深入教的內容。
這樣產生的課綱，比「把我所有專業排成十章」更有學習邏輯。
把案例交給 AI 時，可以先用這 6 個欄位
如果你的專業大多存在腦中，可以先挑 3～5 個真實案例，不必急著寫成文章。每個案例只要先回答六件事：
- 情境：當時是什麼狀況？客戶或學員遇到什麼問題？
- 目標：他想完成什麼結果？
- 判斷：你先看哪些訊號，才決定怎麼處理？
- 行動：你實際做了哪些步驟？
- 結果：最後發生什麼？有哪些可驗證證據？
- 例外：如果條件不同，哪個步驟會改變或不適用？
把多個案例都用同一套欄位整理後，再請 AI 比較哪些判斷反覆出現、哪些步驟只是個案、哪些條件會讓方法失效。這樣比較容易挖出可教的規則，也能降低 AI 把偶然事件誤整理成固定方法的風險。
如果某個欄位你自己也答不出來，就先保留空白。空白本身就是重要訊號：代表這部分需要補訪談、回頭查紀錄，或還沒有足夠證據，不需要讓 AI 自動補滿。
第五步：讓 AI 從成果倒推初步課綱
到了這一步，才適合請 AI 產生課綱。
輸入至少要有：
- 學員是誰。
- 目前狀態。
- 目標成果。
- 你已確認的方法與步驟。
- 常見錯誤與例外。
- 可用案例。
- 哪些內容不在本課範圍。
接著請 AI 依「成果 → 必要步驟 → 課程架構」排列，避免照知識百科的方式分類。
每一章都要問一遍：如果拿掉這一章，學員還能不能完成成果？如果可以，這章可能只是補充；如果不行，就要說清楚它承擔哪一個必要能力。
第六步：讓 AI 找缺口，但不要讓它偷偷補成「你的經驗」
AI 很適合在課綱完成後做缺口檢查。例如：
- 某個步驟沒有案例。
- 前置概念沒有教。
- 有方法，但沒有練習。
- 有作業，但沒有完成標準。
- 某個強聲明缺少來源。
這時 AI 可以建議「需要補什麼」，但要分清楚兩種補充：
第一種是外部知識。可以做公開研究、找官方資料、補理論與證據。
第二種是你的個人經驗。這只能由你補。AI 不能因為文章需要一個案例，就替你生成一段看似真實的客戶故事。
第七步：把方法變成可以練習的任務
一門課如果只有「講解」，學員可能知道概念，卻不一定會做。
AI 可以根據每一個單元，協助產生：
- 情境題。
- 檢核表。
- 實作模板。
- 比較題。
- 作業步驟。
- 自我檢查問題。
但作業必須對應成果。假設你要教的是「能判斷客戶是否適合某個方案」，最後就不能只考名詞定義，而要讓學員真的完成一次判斷。
前一篇AI 可以幫我做線上課程到什麼程度？已經把教材、簡報、作業、學員問答與營運的 AI 分工拆開，可以接著看。
一張表看懂：哪些資料適合餵給 AI？
| 資料 | AI 可以幫什麼 | 你要確認什麼 |
|---|---|---|
| 案例 | 分類、找共同模式、整理流程 | 案例是否真實、條件是否完整 |
| FAQ | 聚類、排序、找高頻問題 | 是否真的是目標學員問題 |
| 流程 | 拆步驟、找缺口、整理成檢核表 | 步驟是否符合實際工作 |
| 成功／失敗紀錄 | 比較差異、提出可能因素 | 因果是否成立、是否只是相關 |
| 舊文章／簡報 | 整理主題、去重、重新排序 | 內容是否仍正確、是否過時 |
| 外部研究 | 摘要、比較、建立證據表 | 來源是否可信、是否真的支持主張 |
最容易出錯的 5 種做法
- 一句 Prompt 就直接生完整課綱：容易得到通用知識，不是你的方法。
- 沒有標示來源：最後分不清哪些是自己的經驗、哪些是外部知識、哪些只是 AI 建議。
- 只輸入成功案例：會漏掉重要的失敗條件與例外。
- 把 AI 推論直接當事實：特別是數字、研究、案例與因果關係，都需要查證。
- 有課綱就開始錄：還沒確認市場、成果、練習與驗收，就容易把製作完成誤當成課程成立。
一套可以直接使用的整理流程
- 收集：把案例、流程、FAQ、文章、逐字稿與工作紀錄集中起來。
- 分類：用 AI 找重複問題、步驟、判斷與例外。
- 校正：逐項確認哪些真的是你的方法，刪掉 AI 自行推測的部分。
- 定成果：寫清楚學員在什麼情境要完成什麼進步。
- 排課綱：從成果倒推必要步驟、前置能力與練習。
- 補缺口：外部知識去研究，個人經驗由你補，不混在一起。
- 驗收：確認每個單元都有作用，作業能驗證成果，案例與來源可追溯。
這套流程的重點，是先把 AI 當整理與放大工具，同時避免讓它替你發明一套看起來很專業、實際上和你沒有關係的方法。
如果你不是老師，也一樣可以這樣整理
很多顧問、教練、自由工作者會覺得自己「會做，但不會教」。其實這正是 AI 很適合協助的地方：把你已經會做的事情拆成步驟、判斷、示範與練習。
但教學設計仍然要檢查學員能不能理解、練習與完成，不能只看講師講得有沒有完整。
如果你卡在「我沒有教師背景，到底能不能開課」，可以延伸閱讀我不是老師，也可以開線上課程嗎？重點不是頭銜，而是能不能教會。
常見問題
我要先把所有資料整理好，才能交給 AI 嗎？
不用。可以先把原始資料集中，再讓 AI 協助做第一輪分類。但重要案例、數字、來源與個人經驗要能回頭核對，避免整理後失去原始脈絡。
只有工作經驗，沒有寫過方法論，也能做嗎？
可以。可以從案例、FAQ、成功與失敗流程開始，讓 AI 協助找重複模式，再由你確認判斷條件。方法論不一定要先存在，整理過程本身就能幫你把隱性經驗說清楚。
AI 找出的「共同模式」可以直接當我的方法嗎？
不建議。AI 找出的模式只是一個假設，需要你回頭看案例，確認是否真的反覆成立、有哪些例外，以及是否能被其他人重複使用。
AI 可以幫我補我不懂的專業內容嗎？
可以協助研究外部知識，但要清楚標示來源，並由具備足夠能力的人確認。不要把外部資料或 AI 生成內容包裝成自己的實務經驗。
整理出課綱後，可以直接開始錄課嗎？
不一定。還要確認市場需求、成果、練習、案例、交付方式與驗收標準。尤其是第一次做課，先驗證主題與方案，再大量錄製，通常能降低做完才發現方向不對的風險。
參考資料
National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.
UNESCO, Guidance for Generative AI in Education and Research.
UNESCO, AI Competency Framework for Teachers.