以前整理一份課綱，可能需要花好幾個晚上。現在使用 AI，幾分鐘就能得到多個版本。這對需要備課、經營網站和服務客戶的講師而言，確實方便。
但如果一週產出十份教材，學員卻還是卡在同一個練習，這些產出真的讓課程更有價值嗎？答案得看教材能否使用、後續修改了多少，以及顧客是否得到原本期待的幫助。
Peter Drucker(彼得・杜拉克)很早就提醒管理者，知識型工作不能完全沿用工廠式的產量標準。工具能幫忙省時間，但你得先知道這段時間要用來完成什麼。
Peter Drucker(彼得・杜拉克)為什麼重視知識工作者生產力(Knowledge-Worker Productivity)？
1999 年，Peter Drucker(彼得・杜拉克)在《California Management Review》發表〈Knowledge-Worker Productivity: The Biggest Challenge〉，指出改善知識工作的生產力，會是二十一世紀的重要管理挑戰。
工廠生產大量同規格產品時，管理者比較容易先定義步驟，再觀察花多少時間、做出多少件。知識型工作往往相反：講師得先判斷學員的困難，顧問要弄清楚客戶問題，研究者則需要選擇值得追查的方向。成果不只取決於件數。
2009 年全球杜拉克論壇的一份學者簡報，把他的論述整理為六項條件：任務、自主權、持續創新、持續學習與教導、品質和數量，以及人才資產觀。這是學者依原著所做的整理，不是杜拉克本人為線上課程設計的流程。
把這套想法用到講師、顧問和個人品牌，可以從一個問題開始：目前最值得完成的工作，究竟是什麼？
條件一：先界定任務，再決定要不要加速
假設你準備推出第一門課，直接請 AI「幫我設計十堂線上課」，工具可以迅速列出章節。可是這十堂課究竟要幫誰？學員目前具備什麼能力？學完要完成哪個具體工作？如果沒有答案，初稿再漂亮，也可能需要全部重做。
比較合理的順序，是先寫下目標學員、他正在面對的困難、希望完成的成果，再請 AI 協助整理已有素材與找出缺口。工具負責加速整理；講師負責確定內容真的能教。
每件重要工作都可以用三個問題檢查：這是替誰做的？完成後會留下什麼可使用的東西？要達到什麼標準才能交付？
例如「更新課程網站」仍然很模糊。改成「讓新學員登入後找得到第一份作業與提問方式」，你就比較知道該改善的是網站導覽、教學說明，還是登入流程。
條件二：有自主權，也要對自己的成果負責
杜拉克認為知識工作者(Knowledge Worker)需要自我管理，也需要足夠的自主權。對一人公司而言，這並非想做什麼就做什麼，而是你要能選擇工作的先後順序，不讓每天收到的通知替你排定經營方向。
上午想錄課，下午看到別人拍短影音，又想重做社群內容；隔天出現一套新 AI 工具，於是把原本已經能用的流程換掉。時間用完了，最重要的課程作業示範卻還沒有完成。
這週可以先留一段不受打擾的時間，專心完成一件目標明確的事。例如把學員最常誤解的課程定位練習，改寫成他能一步步照做的示範。
管理自己也包含承認能力和時間的界線。有些固定格式工作適合交給工具，有些需要專家當場判斷；不要因為所有工作都能自己做，就認為每件事都值得自己做。
條件三：持續創新，先看顧客真的卡在哪裡
創新不一定要換新平台。有時候，最有價值的改善是把常見問題整理成一份教學說明，或在學生容易停下的地方新增一次操作示範。
例如學員反覆問「要先寫客群還是先做課綱？」這可能表示課程順序或前置說明不夠清楚。先蒐集真實問題、確認發生在哪個環節，再決定是否需要新增教材。
你可以把要改善的事記成四欄：遇到的問題、已有證據、預計修改的部分、修改後如何檢查。資料不足時就先觀察，不必每次都大幅修改內容。
這樣做也能避免另一個極端：看到 AI 能製作影片，就把所有文字教材改成影片；看到有人賣陪跑服務，就認定自己的學員一定需要同樣形式。沒有顧客證據，工具的新功能不一定等於創新。
條件四：持續學習，更要把專業變成別人能運用的方法
對講師來說，持續閱讀與學習很重要。但一個人懂得越多，並不代表他的課程就會越好教。你可能收藏了許多資料，卻仍說不清楚學員遇到不同情況時該怎麼判斷。
杜拉克把持續學習與持續教導列為同一項生產力條件。應用在課程事業，值得問的是：最近學到的方法，是否改善自己的工作？能不能說明適用條件與限制？能否示範給其他人使用？
AI 可以協助比較資料、找出教學初稿的重複處，或整理過去已取得授權的問題紀錄。但它不能憑空生成你做過的客戶案例，也無法替你證明某種教學安排對真實學員有效。
教學時若發現很多人看不懂同一個概念，這也是一種回饋。你需要重新檢查自己的說明方式。把專業整理成教材時，除了確認內容講得完整，也要看學員有沒有理解。
條件五：重視品質，不代表產量完全不重要
用 AI 把四小時的工作縮成四十分鐘，乍聽之下很有吸引力。但如果接著要花很久改錯誤、查證來源、補上不適用的條件，先前省下的時間就不全是實際收益。
對講師來說，可以先為內容訂幾項具體標準：教材是否切中學員的起點、例子是否真實且適合公開、重要步驟是否有示範，以及網站上的學習承諾是否和實際交付一致。
文章篇數、錄製時數、教材頁數仍可用來管理進度，但應搭配查證情況、修改次數、學員提問與實作作品。沒有這些資料時，可以誠實寫下「尚待檢查」，不必替自己補上一個漂亮數字。
特別要分清楚學員「看過」和「做得到」的差別。影片播放紀錄可以顯示進度，卻不能直接證明學員已經會設計課綱或完成一場提案。成果評量要回到課程原本承諾的能力。
如果工作是整理固定格式、容易查驗的資料，速度和數量當然重要。杜拉克的觀點並不是要你放棄效率，而是先確保工作的品質與用途沒有被忽略。
條件六：把人才與專業能力視為資產
杜拉克第六項條件提醒管理者，把知識工作者(Knowledge Worker)視為資產，而不是只看需要支付多少成本。這段原始討論面向組織；放到一人公司時，需要轉成不同的管理問題。
有的講師為了少花費，把網站維護、影片剪輯、客服、資料整理和專業診斷全部留給自己。結果大部分時間都在處理行政細節，反而沒有空檢查學員的實作問題。
這不代表凡事都該委外或自動化。某些學員提問，正是講師理解教學缺口的寶貴資訊；若完全不看問題內容，只求快速回覆，就可能失去改善課程的線索。
更值得檢查的是：哪些工作需要本人經驗與判斷？哪些可以交給工具準備，再由人驗收？把重複工作整理成清楚流程，通常能讓專業時間用在更需要人的地方。
哪些工作適合 AI？先看判斷難度與風險
UNESCO 在《Guidance for generative AI in education and research》強調以人為中心的教育使用方式，也指出資料隱私與教學驗證的重要性。AI 能加速資料處理，不等於它會自動符合教學目的。
| 工作類型 | AI 可以協助 | 最後仍要確認 |
|---|---|---|
| 重複性整理 | 統一格式、分類已授權的問題資料 | 是否漏項、是否涉及個資 |
| 教材與網站初稿 | 提供大綱、比較文字版本、找重複 | 事實、教學順序、交付承諾 |
| 專業診斷與評量 | 協助整理選項與檢查點 | 由適當專業人員負責判斷 |
例如有人問「我的課應該賣多少錢」，AI 可以提醒你確認客群、成本、交付方式與市場反應，卻不知道你還沒有提供的真實資料。不能只因答案寫得流暢，就把它當成經過驗證的定價建議。
如果想深入了解 AI 參與研究、課綱、教材與營運的界線，可以延伸閱讀AI 可以幫我做線上課程到什麼程度？。本文則聚焦在杜拉克六項條件，以及你要用什麼證據檢查工作的成果。
一週時間盤點：哪些忙碌值得保留？
不需要立刻換一套管理系統。你可以先試做一週，每天記下幾項重要工作：為什麼做、花多少時間、留下什麼成果、後續還需要哪些修正。
以下是用來說明方法的假設分類，不是實際講師的工時研究。
| 工作 | 應留下的成果 | 下週檢查什麼 |
|---|---|---|
| 查找課程題材 | 有來源的顧客問題紀錄 | 是否仍只靠自己猜測需求 |
| 用 AI 生成教材 | 已查證並能實際教的內容 | 修正與查證時間 |
| 調整課程網站 | 學員找得到第一步的流程 | 是否仍反覆詢問同一問題 |
| 回覆學員作業 | 能協助修正的具體回饋 | 哪類錯誤持續出現 |
回顧時先找一項花很多時間、卻說不出具體貢獻的工作。也看看哪些工作雖然無法大量生產，卻直接影響信任與學習成果。生產力不該變成每天把自己排得更滿。
若原本的課程交付還不穩定，優先改善最常出錯的一環；等這條路走得順，再考慮增加內容產量。
假設案例：兩位口才講師，怎麼比較生產力？
假設甲講師很會使用 AI，每週生成許多教材與短文。乙講師也會使用 AI，但他先整理學員最常遇到的簡報架構問題，再改善一份示範與練習，要求學員完成能被檢查的提案大綱。
只看文章和教材數量，甲似乎更有效率；若想知道哪一種方式對學員幫助更大，還需要看內容是否正確、對應的對象、實際作品，以及完成這些工作所花的時間。
這是教學用的假設，沒有真實成交或學員成果資料。不能因此宣稱乙一定能賣得更好，也不能武斷認為大量內容沒有價值。真正需要比較的是任務、品質和成果，而不是偏好哪一種工作風格。
如果乙修改練習後，學員仍然不知道怎麼開始，他也需要重新檢查問題。下次再看到新問題，就依實際結果調整做法。
四個容易把 AI 生產力用錯的地方
把草稿當成完成稿。十份有待查證的教材和十份可以正式交付的教材，不是同一回事。修稿、驗證與更新要算進成本。
每次看到新工具，就重做原本能用的流程。切換工具同樣花時間；只有當新方法真的減少負擔或改善品質，才值得持續投入。
只看招生前的速度，不看購買後的學習。網站文案生成得很快，但學員如果連第一份作業都找不到，問題還沒解決。
把專業責任一起交給 AI。涉及學員隱私、可承諾的成果、事實來源與重要判斷，仍要有人負責確認，不能因工具給出答案就跳過。
常見問題
Peter Drucker(彼得・杜拉克)提出哪六項知識工作者生產力(Knowledge-Worker Productivity)條件？
六項分別是明確任務、自我管理與自主權、持續創新、持續學習和教導、品質至少和數量同樣重要，以及把知識工作者(Knowledge Worker)視為資產而非成本。這些條件源自他在 1999 年的研究。
AI 讓我更快做出課綱，算不算提高生產力？
代表草稿產出速度可能提高，但整體成果仍須考慮查證、修改、正式交付與學員使用情況。如果後續花費很多時間重做，不能只看第一版的生成速度。
講師適合把哪些工作交給 AI？
已有資料的分類、重複格式整理、教材初稿與文字比較較容易讓 AI 協助。但課程的專業事實、學習成果與對顧客的承諾，仍應由具備相關能力的人最後確認。
文章數量和錄課時數都不重要嗎？
數量仍有助於管理進度，並非不重要。問題是不同內容的用途與品質可能相差很大，應先訂出可接受的標準，再用件數與時間作輔助判斷。
沒有實際學員，怎麼衡量教學品質？
可以先確認教學目標、練習和預計的驗收標準，並檢查資料來源。但若還沒有學員作品或測試，就應把成效標成待驗證，不要寫成已證實的學習成果。
這套觀念和計畫性放棄(Planned Abandonment)有何不同？
知識工作者生產力(Knowledge-Worker Productivity)處理專業工作如何創造有品質的成果；計畫性放棄(Planned Abandonment)側重判斷哪些事情不值得繼續投入。兩者有關聯，卻不是同一種管理方法。
先確認成果，下一次加速才有方向
當 AI 幫你省下整理資料的時間，當然值得利用。但更重要的問題是：省下來的時間去了哪裡？工作品質是否有改善？專業判斷有沒有用在真正需要的地方？
你可以先回頭檢查杜拉克的六項條件，挑出目前最難回答的一題。如果一門課已經有許多教材，卻不知道學員是否能完成第一個練習，就先改善交付與驗收；如果需求還只是猜測，就先了解真實的顧客問題。
把這件事做好，再決定要用哪些工具加速。生產力才不會停留在完成更多工作，而是幫助真正需要的人更順利地往前走。
參考資料
California Management Review｜Knowledge-Worker Productivity: The Biggest Challenge｜1999年
Global Drucker Forum｜How to Lead Knowledge Workers｜2009年
UNESCO｜Guidance for generative AI in education and research｜2023年
元氣電商｜AI 可以幫我做線上課程到什麼程度？從研究、課綱到營運的完整邊界｜2026年