當 GPT 開始審 GPT

AI × Practice｜Allen Mind Lab

近年來，使用生成式 AI 協助撰寫文章、整理資料與製作內容，對許多人而言，已經逐漸成為日常工作的一部分。從構思、擬定架構到完成初稿，AI 往往能在短時間內產出一篇看起來相當完整的文章。

而我自己在使用 AI 寫作時，也逐漸遇到一個有趣的現象：當 AI 已經把文章整理得很流暢、架構也相當完整，留給人直接修改的地方，有時反而沒有想像中多。

但這是否代表文章已經足夠好了？還是因為我們面對一份看起來很完整的稿件時，反而不容易再看出其中的問題？

這個疑問，讓我開始思考另一種可能：

如果我們不只是請 AI 寫稿，而是再請另一個 AI 來審查 AI 產出的文章，究竟會發生什麼事？

它會不會只是換一種方式稱讚原稿？會不會提出不同的意見，甚至推翻原本看似合理的論述？如果兩個 AI 的判斷不一致，又該由誰決定要採納哪一個版本？

最近，我在準備職能治療管理學的課程時，正好有機會實際嘗試這個想法。我將第一週的授課簡報重新拆解、整理，延伸成四篇網站長文，並搭配海報，作為學生課後複習與延伸學習的資源。這是原本沒有預期會在一天之內完成的工作。

從文章架構、文字整理、文獻核對、海報設計，到網站 HTML、排版與上稿，AI 確實讓許多原本需要不同專業協助的工作，可以在同一個工作流程中逐步完成。

但真正讓我覺得有意思的，並不是「AI 一天幫我寫了四篇文章」，而是自己使用 AI 的方式，開始和過去不太一樣了。

如果 AI 已經能夠快速產出內容，我們是否也應該為它建立分工、審查與品質檢核的流程？

這個念頭，讓我開始嘗試一種有點像小型編輯室的工作方式。

從「請 AI 幫我做」，到「如何安排 AI 一起做」

過去使用數位工具，大多是人先決定要做什麼，再操作工具完成任務。即使生成式 AI 已經能夠協助構思、寫作、分析與程式設計，我們也很容易延續這種線性的使用方式：

人提出要求 → AI 產出 → 人修改或使用。

這樣的方式並沒有不好。對許多簡單任務而言，它快速、直接，也已經非常有幫助。但當工作變得比較複雜，尤其是需要公開發布的專業文章、教學教材或網站內容時，單純追求「產出完成」似乎還不夠。

一篇文章可能文字流暢，卻不一定符合作者原本的意思；架構看起來完整，卻可能存在論述跳躍；參考文獻列得很漂亮，卻仍然需要確認來源是否正確、是否真的支持文中的主張。生成式 AI 的相關研究也提醒我們，流暢的文字不應被直接等同於可靠的知識。[1]

因此，我開始嘗試把「產出」與「審查」分成不同任務。

這並不是什麼新的技術發明。熟悉 AI 的朋友可能早已接觸過多代理人協作、Agent、自動化工作流程，或不同模型互相審查的設計。相關研究也已探討透過不同 AI 角色之間的對話、回饋與分工，完成較複雜的任務。[2,3]

我想分享的，只是一位非資訊背景的專業工作者，如何從自己的實際需求出發，慢慢開始理解：

AI 不一定只能是一個等待指令的工具，也可以被安排成不同任務角色，參與同一套由人統籌的工作流程。

我的 AI 寫作與審稿流程

目前，我在 AML 文章製作上，開始採用一套相對簡單、由人主導的協作流程。

首先，由我決定文章主題、教學目的、核心觀點與希望保留的經驗，再與一般 GPT 協作，完成架構與初稿。這個階段的重點，是讓原本散落的想法逐漸成形，成為可以閱讀、討論與修改的文字。

接著，我會將稿件交給另一個自訂 GPT（My GPT）進行校閱。這個 GPT 事先設定了 AML 的寫作風格、編輯原則與審查要求，因此它的任務不是重新寫出一篇自己喜歡的文章，而是檢查現有稿件是否符合既定標準。

校閱內容包含文字語氣、論述結構、重複段落、參考文獻、專業界線，以及是否需要補充安全警語。它也會透過紅黃綠燈分析，區分哪些地方可以保留、哪些需要補強，以及哪些問題在發布前必須處理。

完成校閱後，我會將審稿意見帶回原本的 GPT 對話，逐項討論與整合修訂。修訂後，也可能再次送交自訂 GPT 檢查。這個過程並不是一次審稿、一次修稿就必然結束，而是依照問題性質來回數次，直到重要的論述、引用與安全疑慮獲得適當處理。

若參考文獻出現疑慮，我會要求 AI 協助調閱原始文獻或可取得的原文資料，再由自己檢視相關內容，確認研究是否支持文章主張，以及引用是否需要修正。若無法取得原文，就不能把尚未完成的查證宣稱為已經確認。

整個流程並不是單向的：

人設定目的 → AI 協助初稿 → 審稿與修稿反覆循環 → 必要時調閱原文、由作者檢視 → 人工驗收與發布。

文獻檢視也不是只能安排在最後。只要任何一輪審查出現疑慮，就可以暫時回到原始資料，確認後再繼續修稿。

為了讓不同工作角色更容易辨識，GPT 在協作過程中曾自行提出「曦兒」與「汐靈」兩個名稱，經我確認後沿用。前者主要協助創作與製作，後者則依照我設定的 AML 風格與審查規範進行校閱。於是偶爾就會出現「曦兒交稿，汐靈退件」的有趣情況。XDD

但這些名稱只是工作角色的暱稱，並不代表 AI 具有獨立人格。真正重要的，是透過不同任務設定，讓同一份作品獲得不同的檢視角度，並形成持續改善的循環。

不同角色，為什麼可能帶來不同的檢視角度？

如果一個 AI 已經參與了文章的構思與寫作，它在後續修改時，可能會延續原本的架構、假設與表達方式。因此，我希望透過另一個具有不同任務設定的 GPT，讓它暫時不以「協助完成文章」為主要目標，而是改以「找出可能需要修正的地方」為任務。

例如，初稿階段可能比較重視內容是否完整、段落是否連貫；審稿階段則特別檢查：文章是否偏離作者原意？是否有過度肯定的說法？研究結果與作者推論是否混在一起？參考文獻是否支持相應主張？健康、臨床或行為支持相關內容，是否需要補充適用範圍與安全提醒？

這種分工的價值，不在於第二個 AI 一定比較正確，而在於不同任務設定，可以協助我們刻意建立不同的檢查視角。

AI 研究已有模型自我回饋、反覆修訂及多角色協作的相關探索。[2][3][4] 不過，這些研究的方法與評估條件，並不等同於我目前使用的自訂 GPT 流程，只能作為概念參照，不能直接證明我的流程一定能提升文章正確率。

紅黃綠燈分析，也讓審稿意見不只是「這篇寫得很好」或「建議再潤飾」，而是進一步區分問題的性質與優先順序。

紅燈代表可能有重大錯誤、來源問題或安全風險，需要在發布前處理；黃燈代表論述、證據或表達仍需補強；綠燈則表示目前檢查範圍內未發現重大問題，可以進入下一階段。

這些燈號只是輔助判斷的工具。綠燈不代表文章完全正確，紅燈也不代表 AI 的判斷必然正確。它們的目的，是協助作者辨識需要重新檢查的地方，而不是取代作者的決定。

AI 審 AI，並不等於完成事實查證

即使使用兩個不同設定的 GPT，它們仍然可能共享相似的知識限制、錯誤假設或推論盲點。第一個 AI 寫錯的內容，第二個 AI 不一定能發現；第二個 AI 提出的修正，也不一定就比原稿正確。

因此，我不會把「另一個 GPT 也認為正確」當成完成查證的依據。

尤其是參考文獻，當審稿過程出現疑慮時，我會要求 AI 協助調閱原始文獻或可取得的原文資料，再由自己親自檢視。需要確認的，不只是文獻標題、作者、年份或 DOI 是否正確，更包括研究實際討論了什麼，以及這些內容是否真的能支持文章中的主張。

如果只能取得摘要，就應該明確知道目前判斷的限制；如果無法取得原文，也不能將 AI 的推測或二手摘要包裝成已完成的全文查證。

當作者發現引用不夠精確，或研究證據不足以支持原本的說法，文章就必須回到修稿階段。必要時，可以縮小主張、補充限制、尋找更適切的來源，或直接刪除無法支持的內容。

這種做法與學術出版對 AI 使用的基本要求相呼應：AI 可以協助寫作，但作者仍須對內容的正確性、完整性與適當引用負責，也不能將 AI 列為承擔責任的作者。[5,6]

同樣地，安全警語也不是文章後面加上一句「僅供參考」就算完成。真正重要的是，作者是否理解內容的適用範圍、個別差異、可能風險，以及哪些情況需要進一步的專業評估。

因此，我比較願意把 AI 審稿視為一種風險篩檢與品質輔助機制，而不是獨立的事實認證。它可以協助我發現問題、取得需要檢視的資料並提出修訂建議，但不能替我完成所有專業判斷，更不能替我承擔作者責任。

原來，我正在把管理學用在自己的工作上

這次經驗還有一個讓我覺得很有趣的地方：我剛好正在準備管理學課程。

課堂上，我們討論管理如何透過目標、資源、分工、流程與評估，讓一項專業服務能夠穩定運作；也討論 SOP、品質改善、風險控管與當責，如何協助組織持續修正。

回頭看自己的 AI 協作流程，竟然也出現了相似的邏輯。我需要先決定文章的目的，再安排不同角色的工作；需要建立編輯標準，讓審稿不只是憑感覺；需要檢查成果、處理問題，最後決定是否可以發布。

某種程度上，這不就是一個小型的管理實驗嗎？

以 PDSA（Plan–Do–Study–Act）循環為例，透過規劃、執行、研究結果與採取行動，讓工作形成反覆學習與改善的過程。[7] 我的 AI 編輯流程雖然不是正式的品質改善研究，卻可以借用這個概念，理解審稿、修稿與再次檢核的循環。

當然，我並不是把 AI 當成真正的員工，也不是說一個人加上幾個 GPT，就能取代完整的專業團隊。只是 AI 的出現，讓個人有機會以更低的協作門檻，嘗試組織過去需要多種專業協助才能完成的工作。

這也讓我逐漸意識到，自己需要學習的，可能不再只是「如何把 Prompt 寫得更好」，而是：

如何拆解任務、選擇合適的工具、設定工作標準、安排相互檢核，並整合不同 AI 所提供的成果。

這些能力，反而與管理學所關心的問題越來越接近。

未來的工作，可能不再只是「人與一個 AI」

如果把這個經驗再往前想一步，未來的知識工作，或許會逐漸出現更多由人主導的多角色 AI 協作形式。

不同 AI 可以依照任務設定、工具能力與工作強項，分別參與資料整理、寫作、分析、程式設計、審查或其他工作。人則需要在其中設定方向、安排分工、整合成果，並決定哪些事情必須保留給自己或交由真人專家處理。

這不一定意味著所有工作都會變成自主運作的 Agent 系統，也不代表每個人都需要建立一間 AI 公司。對許多人而言，最適合的方式可能仍然是簡單的人機協作；對較複雜的任務，則可能需要更多角色、工具與檢核機制。

相關人機協作研究也提醒我們，AI 的導入不只是技術能力問題，還涉及人與系統如何分配任務、理解彼此的能力限制，以及如何設計有效的合作關係。[8] 因此，更多 AI 角色並不必然代表更好的成果；角色是否適合、工作是否需要、成本是否合理，以及人能否有效監督，仍然需要依情境判斷。

但我認為值得思考的是：

當個人可以調度的數位能力越來越多，我們對「工作能力」的理解，是否也會跟著改變？

過去，我們可能比較重視一個人能否親自完成某項工作。未來，除了專業知識與執行能力之外，如何界定問題、組織資源、與不同 AI 協作、判斷成果品質，可能也會成為越來越重要的能力。

這並不是說人不再需要學習專業。相反地，當 AI 能夠快速產出看似專業的內容時，人若缺乏基本知識與判斷能力，反而更難辨識其中的問題。

AI 可以擴大我們能夠嘗試的事情，但專業知識、倫理判斷與責任意識，仍然是我們決定如何使用這些能力的重要基礎。

從產出更多，走向更有意識地工作

回頭看這段時間，我確實因為 AI，開始做了許多過去不曾想過的事情。從網站、文章、海報到教學資源，很多原本覺得需要不同專業協助才能完成的想法，逐漸有機會被實現。

但這個過程也讓我發現，AI 的價值或許不只是讓事情變快、讓產出變多。

更重要的，是它讓我們有機會重新思考：一件事情應該如何被完成？哪些工作適合交由 AI 協助？哪些地方需要第二道檢查？哪些判斷必須由人保留？而我們又希望這些新的能力，最後服務什麼樣的目的？

對我而言，這套 AI 編輯流程目前仍然只是持續摸索中的實驗，談不上什麼成熟的系統，更不是技術上的創新發明。

但它讓我開始從「使用 AI」，逐漸走向「設計 AI 協作」。

而這個思維轉變，我覺得很值得留下。

AI 的進步，讓我們能夠完成更多事情；但真正值得學習的，也許是如何重新設計工作，讓不同能力形成協作，並讓人的判斷與責任始終留在其中。

至於那間小型 AI 編輯室，目前仍然只有一位真人總編輯。偶爾還得兼任資訊長、品管主管與網站維修人員。

看來組織架構雖然逐漸成形，人力編制仍有待改善。XDD