在 AI 資訊轟炸的年代，大多數人不是在「理解 AI」，而是在「消費 AI 焦慮」。每天打開社群都是末日預測、狂喜展望、各種局勢分析，看完以後呢? 除了更焦慮，你其實什麼也沒多理解。

Cedric Chin 最近在他的 Commoncog 上發布了一個 Sensemaking Series，三篇文章系統性地處理這個問題: 在快速變動的環境裡，你到底該怎麼「看懂」正在發生什麼? 他自己在推文中也說這是「Commoncog 今年對 AI 討論最重要的貢獻」。

Sensemaking 這個詞沒有很好的中文翻譯，直譯是「意義建構」，但更白話地說，就是「在混亂的資訊中搞清楚到底發生了什麼事，跟我有什麼關係」的能力。不是預測未來，而是看懂現在。

先介紹一下作者: Cedric Chin 是新加坡的商業寫作者，經營 Commoncog 多年，專門寫「如何從實務中學習」的主題，強項是把認知科學研究轉化成商業人士能用的思考框架，在歐美獨立寫作圈蠻有影響力的。

這個系列雖然用 AI 當案例，但 Cedric 說骨子裡講的是一套判斷方法論: 當快速變動的事件（不管是技術、社會還是地緣政治）可能影響到你的事業和職涯時，這套方法可以幫你判斷什麼該關注、什麼該忽略。以下摘幾個小編覺得最有料的觀點:

第一篇: 停止消費預測，專注「實戰報告」

📎 How to Make Sense of AI

Cedric 的核心論點很直接: 你該忽略幾乎所有的 AI 觀點文和預測文。 不管作者多聰明、文筆多好、論證多嚴密，預測就是預測，歷史反覆證明，即使是最頂尖的人也預測不準技術變革的走向。

那該看什麼? 他的答案是「詳細的使用實戰報告」。不是「AI 將改變世界」那種大敘事，而是「我花了六個月建了一套自主程式碼產生器，踩了這些坑，學到這些事」這種東西。至於那些夾帶在實戰報告裡的主觀意見? Cedric 說得很直白: 把它們當成「朋友嗑了 LSD 之後的喃喃自語」就好，聽聽就算了，不用當真。

編按: 他舉的例子包括 Sam Schillace（微軟副技術長）關於自主 coding 團隊的報告、Vaughn Tan 提出的「無聊小工具」(boring tiny tools) 概念、以及 Craig Mod 用 AI 做軟體開發的詳細記錄。

但光是「看實戰報告」還不夠，Cedric 強調整套方法的底層有一個前提: 結果導向。每次閱讀或行動之前，先問自己「我想達成什麼結果?」這個問題決定了你的注意力該放在哪裡，也決定了哪些報告值得你花時間。

讀到實戰報告之後，Cedric 建議問自己四個問題:

1️⃣ 這份報告暗示了什麼新的可能性? 例如「原來不會寫程式的人也能用 AI 做出實用小工具了」

2️⃣ 基於這些可能性，我可以採取什麼行動? 例如「花幾天實驗看看能不能用 AI 做一個自動化報表工具」

3️⃣ 這些可能性對我的具體處境有多大價值? 這會因人而異，對一個小公司老闆和一個大企業工程師，答案完全不同

4️⃣ 背後的因果關係是什麼? 例如「為什麼 TDD 和 CI/CD 這些傳統軟體工程實踐，在 AI 時代反而更重要了?」

這四個問題設計得蠻精巧的，它強迫你把抽象的資訊轉化成跟自己處境相關的判斷和行動。不是在吸收知識，而是在做判斷。

Cedric 還點出一個蠻尖銳的觀察: 讀別人的觀點文有真實的機會成本。 你花在消費預測的時間，就是你沒有花在實際動手實驗的時間。在技術快速變動的時候，自己動手得到的第一手認知，遠比讀一百篇分析文有用。

他也建議做「集體判斷」: 找一群同行建群組，專門分享實戰報告，大家各自根據四個問題來判斷對自己處境的意義。這比一個人悶著頭看文章有效多了，不同背景的人會注意到不同的訊號。

第二篇: 專家和新手的差異不在認知能力，而在「框架」

📎 How Experts Sensemake

第二篇引入了理論基礎: Gary Klein 等人為美軍開發的「資料-框架理論」(Data-Frame Theory of Sensemaking)。這個理論的核心概念是:

人靠「框架」來組織資訊。 框架決定了你怎麼解讀資料、什麼資料重要、什麼資料可以忽略。沒有框架，資料就只是噪音。

理論描述了四個循環:

🔹 基本循環: 用幾個「錨點」數據建立框架，再用框架去評估新資料

🔹 精緻化循環: 主動找更多資料來豐富現有框架

🔹 保守循環: 碰到不符合框架的資料時，選擇維持現有框架（這看起來很像確認偏誤，但 Cedric 認為事情沒這麼簡單）

🔹 重構循環: 當現有框架實在撐不住了，建構全新的替代框架

這裡最有意思的發現是: 專家和新手用的是完全相同的流程。 差別不在認知過程，而在專家擁有更豐富的「因果心智模型」。他們對領域裡事物運作的方式有更深的理解，所以能建構出更好的框架、更快發現異常、更快知道該怎麼行動。

Cedric 在推文中還特別點出: 很多人主張用貝氏更新來改善判斷，但資料-框架理論提供了不同的思路。判斷的核心不是不斷修正機率估計，而是建構和切換框架。

他也挑戰了一個常見觀念: 很多人覺得「確認偏誤」是一種認知缺陷，但 Klein 的研究發現，專家在精緻化替代框架時，刻意去找確認證據反而能產生更好的結果。換句話說，「看起來像確認偏誤的行為」其實可能只是用框架在引導資訊搜尋。關鍵不在於你有沒有偏誤，而在於你的框架夠不夠好。

原文還有一個更強的主張值得注意: 沒有正確的框架，你連「資料」都看不見。 傳統的分析模型假設資料會自然呈現、分析師只需要整理和解讀，但資料-框架理論認為資料是被框架「建構」出來的，框架決定了什麼算資料、什麼被忽略。這對所有依賴 AI 做決策輔助的人來說都是個重要警示。

他用 Walmart 的案例做了精彩的示範: 當年 Walmart 的競爭對手也都在導入電腦化，但 Walmart 用資訊技術「重構了組織的決策方式」，讓門市和供應商能根據即時數據做去中心化的決策。技術本身不是護城河，用技術重塑組織結構才是。這個邏輯放到 AI 時代一樣成立。

第三篇: 三個讓你判斷力升級的實用技巧

📎 How to Improve at Sensemaking AI

第三篇把理論變成方法，提出三個具體做法:

技巧一: 平行持有多個框架

最危險的不是持有「錯的」框架，而是只持有「一個」框架。Cedric 稱之為「框架固著」(frame fixation)，你太相信自己的解讀方式，以至於看不見其他可能性。

解法: 不需要放棄你現在的框架，但同時建構一個替代框架。 他用軟體工程界對 AI coding 的爭論來示範:

  • 「拒絕 AI」派: 基於倫理或技術理由拒絕 AI 工具
  • 「務實採用」派: 整合 AI 但維持既有的軟體工程實踐
  • 「全自動工廠」派: 相信 AI agent 可以在極少人類介入下自主產出、審查和部署程式碼

你不需要相信全自動工廠的框架，但你應該「知道它存在，並理解它建立在哪些假設上」。平行持有替代框架，讓你在現實發生變化時能更快轉換，而不是被打個措手不及。

AWS 的 Marc Brooker 就說過: 「我們職業生涯中發展出來的許多直覺法則，現在已經不正確了……這是我職涯中見過最大的變化。」這種來自資深工程師的觀察，就是你框架需要更新的訊號。

他提到一個觸發自己重新思考的轉折點: 一位資深工程師問了一句「程式碼現在很便宜了，這會改變什麼?」這個問題動搖了一個核心錨點，當錨點鬆動，框架就有了重構的空間。

編按: 他拿雲端運算的歷史做對照。當「伺服器是昂貴且獨特的」這個錨點被「伺服器是便宜且可拋棄的」取代之後，整個產業的基礎設施實踐就徹底翻轉了。基礎設施即程式碼、自動擴展、Netflix 的 Chaos Monkey 都是在新框架下才會出現的東西。

技巧二: 把「觀點文」當作框架偵測工具

有趣的是，第一篇叫你忽略觀點文，第三篇卻說觀點文其實有用，但用法不一樣。不是去看結論對不對，而是反向推導: 這個作者是在什麼框架下思考的? 他的錨點假設是什麼?

比如有人堅持「規格先行的開發方式行不通」，有人卻說「規格驅動開發配合 AI agent 效率超高」。觀點相反，但兩邊都不是傻子。差異在於他們操作的框架不同: 一個把規格視為「本質上比程式碼更難寫清楚的東西」（引用 Dijkstra），另一個把規格視為「讓 AI agent 自主運作的地圖」。當你把觀點文當成框架偵測器，你就不是在消費意見，而是在擴充自己的框架庫。

技巧三: 收集歷史「碎片」來校準你的預期

Cedric 建議收集 10 到 20 個「技術變革實際上是怎麼發生的」歷史案例。不是宏大敘事，而是具體的: 哪些公司因為新技術贏了或輸了? 技術擴散的實際時間軸是什麼? 有哪些反直覺的社會影響?

他舉了一個很好的例子: 汽車剛出現的時候，馬的數量反而增加了。這跟「新技術立刻取代舊技術」的直覺完全相反。這種歷史碎片的價值在於校準你對「變革實際上長什麼樣子」的預期，通常比想像中更慢、更亂、更出人意料。

社群迴響和一些值得思考的反面觀點

這個系列在社群上的迴響相當正面。Tom Morgan（Leading Edge Newsletter）稱讚它「在混亂世界中非常實用」；多個 Substack newsletter 推薦轉載（#257、Food for Agile Thought）；也有人直接把核心框架整理成實作指南；Commoncog 論壇上則有讀者延伸討論資料-框架理論跟其他認知科學派別（如捷思偏誤研究）之間的互補關係。

不過也有一些值得思考的反面角度:

🔸 「完全忽略預測」是不是太極端? 有人認為應該結合人類的詮釋性推理和 AI 的模式辨識能力，而不是二選一。尤其在高風險領域，完全不看預測可能會錯過有價值的模式。

🔸 平行持有多個框架的認知負擔: 有讀者指出，在快速變動的環境中同時維持多個框架是很累的事。值得注意的是，原文也有提到專家通常最多平行持有兩到三個框架，超過這個數量決策表現反而會下降，所以這不是「越多越好」，而是要有策略地選擇。

🔸 實戰報告本身也有偏差: 實戰報告不是客觀真相，它是某個人在某個特定情境下的主觀經驗。有成功偏差（失敗的人比較少寫文章）、有情境偏差（在某個組織有用的東西換一個地方未必有用）。Cedric 在原文中也強調，讀實戰報告時要考量作者的背景、使用情境和目標，讀完後更要自己動手驗證，不是照單全收。

這些反面角度不見得推翻 Cedric 的框架，但它們是有用的補充。

小編的觀察

小編覺得這個系列最大的價值，不是告訴你「AI 會怎樣」，而是教你一套面對不確定性時如何思考的方法。這在 AI 領域尤其重要，因為這個領域變化太快，任何具體的技術判斷可能幾個月就過時了，但「怎麼做判斷」的元能力是持久的。

Cedric 用 Walmart 案例點出的那個洞見也值得再強調: 技術本身不是競爭優勢，用技術重構決策方式和組織結構才是。大家都能導入 AI，但怎麼用 AI 來改變你做決策的方式，這才是真正的差異化所在。

如果你也覺得自己花太多時間在「消費 AI 資訊」而不是「理解 AI 對自己處境的意義」，這三篇很值得花時間讀一遍。