{"content_id":"okdh5nqah2","slug":"unlearning-in-the-ai-era","locale":"zh-hant","schema_type":"HowTo","category":"how_to","category_name":"操作教學","title":"AI 時代的去學習：拋開陳舊前提，重新學習的方法","summary":"去學習並非強迫自己遺忘知識，而是找出已不再有效的前提與工作方式，並降低其影響力的過程。本文說明如何驗證陳舊前提，透過小規模實驗，以新的判斷標準加以取代。","author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["去學習並非刪除記憶，而是重新驗證既有知識仍然適用的條件。","職務技能的半衰期並非標準化的單一統計數據，因此不應將特定年數當作普遍事實使用。","有效的轉型是透過去學習、重新學習與新學習的循環來實現。","與其立即廢除既有方式，不如透過小規模實驗，比較新方式的效果與風險。","即使 AI 能生成資訊，設定目標、判斷脈絡、驗證，以及對結果負責的責任，仍由人與組織承擔。"],"content_markdown":"如果持續學習新技術，卻仍擺脫不了落後的感覺，問題可能不在學習量，而在於腦中殘留的過時前提。在 AI 與自動化迅速改變工作流程的環境中，除了增加新知識的能力，也需要重新檢視既有知識適用範圍的 **去學習（unlearning）**。\n\n## 什麼是去學習\n\n去學習並不是徹底抹除已學過的內容，也不是讓過去的經驗變得毫無價值。它是**檢視曾經有效的知識、習慣或前提在當前情況下是否依然有效，並避免不再適用的部分繼續主導決策的過程**。\n\n例如，過去由人從頭撰寫所有報告，可能是合理的做法。在可以使用生成式 AI 的環境中，可以改變草稿撰寫流程，但事實查核與核准責任並不會因此自動消失。去學習不是廢除整套既有流程，而是重新區分哪些工作可以自動化，以及哪些工作仍應由人負責。\n\n### 去學習與遺忘的差異\n\n| 區分 | 意義 | 結果 |\n|---|---|---|\n| 遺忘 | 不論是否出於本意而失去記憶或資訊的現象 | 可能在需要時無法運用既有知識 |\n| 廢棄 | 決定不再使用特定資訊或流程 | 若沒有替代方案，可能造成工作空缺 |\n| 去學習 | 重新檢視既有知識的前提與適用條件 | 可以保留有效部分並替換過時部分 |\n| 再學習 | 在改變後的環境中重新掌握核心概念或技術 | 依照新標準重組既有經驗 |\n\n## 為什麼去學習在 AI 時代很重要\n\n### 職務所需的技能組合快速改變\n\n在世界經濟論壇的《Future of Jobs Report 2025》中，參與調查的雇主預計，從 2025 年至 2030 年，勞工現有技能組合中約有 39% 將會改變或落伍。這並不代表所有技能都會以相同速度消失，而是表示許多職務所需技能的組成與重要性很可能發生變化。\n\n人們常以「技能半衰期」形容職務技能的市場價值減半所需的時間。然而，這項數值會因職業、技能、產業與衡量方式而有很大差異，也不是共同的國際標準指標。因此，與其把「所有技能的半衰期都是 5 年」或「AI 技術是 2 年」之類的說法當作普遍事實，不如將其視為說明變化方向的比喻或有限的估算，這樣更為準確。\n\n### 新工具改變既有流程的前提\n\n工作流程通常是以當時的成本與技術限制為前提而設計的。典型例子包括：在搜尋需耗費很長時間的時期制定的調查流程、以面對面工作為基礎設計的核准體系，以及以人員撰寫所有初稿為假設的製作流程。\n\n當 AI 能支援搜尋、摘要、翻譯、程式碼與文件初稿撰寫時，這些前提中的一部分便會改變。但這並不表示所有既有流程都會失效。即使工具改變，仍有一些條件必須維持，例如個人資料保護、著作權、安全、事實驗證與最終責任。\n\n### 知道得更多與判斷得更好並不相同\n\nAI 能迅速提供許多選項，但不會決定哪個選項符合組織目的，也不會決定應承擔多少風險。判斷產出是否符合事實、是否對使用者有幫助，以及是否遵守法律與組織政策的責任，也不會自動轉移。\n\n因此，AI 時代的能力難以僅用資訊持有量來說明。還需要具備以下能力。\n\n- 準確定義問題與目標的能力\n- 驗證來源與依據的能力\n- 區分重要資訊與不必要資訊的能力\n- 反映組織與使用者脈絡的能力\n- 說明結果並承擔責任的能力\n\n## 去學習、再學習與新學習的循環\n\n去學習並不是可以單獨完成的活動。放下既有前提後，必須重新理解核心，並將新方法連結到實際工作。\n\n| 階段 | 核心問題 | 主要活動 | 產出 |\n|---|---|---|---|\n| 去學習 | 哪些不再是事實或必要條件？ | 識別前提、檢視適用條件、分析例外 | 應中止、維持、驗證的項目清單 |\n| 再學習 | 不變的目的與原則是什麼？ | 重新定義目標、確認最新依據、修正標準 | 新的判斷標準與工作原則 |\n| 新學習 | 運用新工具與條件可以創造什麼？ | 實驗、衡量、回饋、設計流程 | 經驗證的新工作方式 |\n\n這三個階段並非直線流程，而是不斷重複的循環。新方法也會在環境改變時再次成為檢視對象。\n\n## 實行去學習的 6 個步驟\n\n### 1. 尋找變化的訊號\n\n若反覆出現下列現象，就有必要檢視既有方式的前提。\n\n- 投入時間增加，結果品質卻沒有改善。\n- 導入了新工具，但工作步驟與過去完全相同。\n- 規定、技術或使用者需求已經改變。\n- 成員無法說明流程的目的，只是遵循慣例。\n- 相同的錯誤或返工反覆發生。\n\n### 2. 將隱藏的前提寫成句子\n\n把隱藏在流程背後的信念轉化為具體句子。應避免使用「本來就是這樣做」這類無法驗證的說法。\n\n例如：\n\n- 好的報告必須由人從頭到尾親自撰寫。\n- 必須長時間參加會議，才能理解工作脈絡。\n- 管理者必須比成員更了解所有實務工作。\n- 文件越長，就代表經過越充分的檢討。\n\n### 3. 區分事實、假設與偏好\n\n將每個句子分為以下三類。\n\n- **事實：** 依據目前證據可以確認的內容\n- **假設：** 僅在特定條件下成立，或尚未驗證的內容\n- **偏好：** 個人或組織想要的方式\n\n若將偏好當作事實，去學習就會變得困難。相反地，若把法律義務或安全標準誤認為單純慣例而加以取消，則可能造成風險。\n\n### 4. 確認適用條件與有效期限\n\n確認既有方式形成的時間、當時要解決的問題，以及當時可使用的工具。接著詢問目前是否仍維持相同條件。\n\n- 這項規則是為了防止什麼問題而制定的？\n- 那個問題現在仍然存在嗎？\n- 技術或成本結構是否已經改變？\n- 法規、安全或品質標準是否維持不變？\n- 停止採用這種方式時，最大的風險是什麼？\n\n### 5. 進行小型實驗，而非全面替換\n\n去學習並不是無條件廢棄。在可復原的範圍內，比較既有方式與新方式。\n\n例如，在取消整份週報之前，可以先由一個團隊將報告項目減少一半，再比較決策時間、錯誤、返工與使用者滿意度。導入生成式 AI 時，也可以先從可公開文件的初稿撰寫開始測試，並對敏感資料與最終核准維持獨立的管控流程，這樣會較為安全。\n\n### 6. 記錄新標準與廢棄理由\n\n根據實驗結果，維持、修改、保留或廢棄既有方式。不要只記錄改變了什麼，也要留下以下內容。\n\n- 過去方式的目的\n- 不再有效的前提\n- 應維持的原則與管控機制\n- 新方式有效的條件\n- 重新檢視日期與負責人\n\n這些記錄可以避免新方式固化成另一種未經驗證的慣例。\n\n## 工作中的應用範例\n\n### 報告撰寫\n\n- **既有前提：** 撰寫者必須親自閱讀所有資料並從頭寫出句子，品質才會高。\n- **去學習：** 檢視親自撰寫與準確性之間是否總是存在必然關係。\n- **再學習：** 將報告的本質重新定義為依據明確且有助於決策的文件。\n- **新學習：** 使用 AI 建立架構或草稿，但由人員負責對照原文、驗證數值與最終核准。\n\n### 會議運作\n\n- **既有前提：** 所有相關人員都必須參加即時會議。\n- **去學習：** 區分資訊共享與共同決策是否需要相同形式的會議。\n- **再學習：** 將會議目的明確界定為資訊傳達、徵詢意見或決策其中之一。\n- **新學習：** 將資訊傳達改為非同步文件，只有需要討論與決策的議題才在會議中處理。\n\n### 管理者的角色\n\n- **既有前提：** 管理者必須知道所有答案並親自下達指示。\n- **去學習：** 確認在專業知識分散的組織中，這種方式是否會延緩決策。\n- **再學習：** 將管理者的角色重新定義為設定目標、分配資源、協調衝突與管理責任。\n- **新學習：** 將實務判斷委派給負責人，並建立檢視重要假設與風險的架構。\n\n## 哪些不能捨棄\n\n快速變化並不能合理化廢棄所有原則。即使導入新工具，也應謹慎保留或強化下列項目。\n\n- 遵守法律與法規\n- 保護個人資料及機密資訊\n- 為安全與品質進行的必要驗證\n- 來源確認與記錄管理\n- 無障礙及防止歧視原則\n- 最終決策者與責任歸屬\n\n尤其 AI 產出可能包含看似合理卻錯誤的資訊、偏見或敏感資訊外洩風險。以效率為由連驗證與問責流程也一併取消，與其說是去學習，不如說更接近管控失敗。\n\n## 去學習失敗的常見原因\n\n### 全盤否定過去的經驗\n\n既有方式有其解決當時問題的理由。若抹去歷史，已經解決的風險可能再次出現。不應否定人員或經驗，而應將適用條件分開檢視。\n\n### 將流行工具視為正確答案\n\n新事物不會只因為新就更好。若導入工具本身成為目標，可能只會增加成本與複雜度。應先設定品質、速度、風險、使用者價值等可衡量的目標。\n\n### 捨棄既有方式卻未準備替代方案\n\n若只有中止而沒有再學習，就會造成工作空缺。必須確認待廢棄流程原先執行的功能，並制定可取代該功能的新標準。\n\n### 忽略心理成本\n\n長期培養的專業能力與身分認同緊密相連。要求改變既有方式，可能被理解為否定個人能力。與其聚焦於哪裡錯了，不如以哪些條件已經改變為中心加以說明，效果會更好。\n\n## 今天就能開始的去學習檢查表\n\n只要從下列問題中選一個回答，就可以開始。\n\n1. 過去 1 年間，有哪些工作在環境已經改變後仍維持不變？\n2. 是否有用「本來」、「當然」、「一直都是」來說明的流程？\n3. 該流程原本想解決的問題是什麼？\n4. 目前是否仍存在相同的問題與限制？\n5. 必須維持的核心原則與可以改變的形式分別是什麼？\n6. 在限制風險的同時，可以測試的最小改變是什麼？\n7. 要用哪些指標判斷成功與失敗？\n\n## 結論\n\n去學習並不是主張不再學習。它是**為了替新學習創造發揮作用的空間，而重新檢視既有知識有效條件的方法**。重要的不是捨棄多少，而是判斷要保留什麼、為何保留，以及要根據什麼替換哪些內容的能力。\n\n不需要今天就立刻改變所有方式。可以先寫下一個曾認為「這件事本來就是這樣做」的前提，再透過小型實驗確認該前提現在是否仍然有效。","content_html":"\u003cp\u003e如果持續學習新技術，卻仍擺脫不了落後的感覺，問題可能不在學習量，而在於腦中殘留的過時前提。在 AI 與自動化迅速改變工作流程的環境中，除了增加新知識的能力，也需要重新檢視既有知識適用範圍的 \u003cstrong\u003e去學習（unlearning）\u003c/strong\u003e。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E4%BB%80%E9%BA%BC%E6%98%AF%E5%8E%BB%E5%AD%B8%E7%BF%92\" class=\"anchor\" id=\"什麼是去學習\"\u003e\u003c/a\u003e什麼是去學習\u003c/h2\u003e\n\u003cp\u003e去學習並不是徹底抹除已學過的內容，也不是讓過去的經驗變得毫無價值。它是\u003cstrong\u003e檢視曾經有效的知識、習慣或前提在當前情況下是否依然有效，並避免不再適用的部分繼續主導決策的過程\u003c/strong\u003e。\u003c/p\u003e\n\u003cp\u003e例如，過去由人從頭撰寫所有報告，可能是合理的做法。在可以使用生成式 AI 的環境中，可以改變草稿撰寫流程，但事實查核與核准責任並不會因此自動消失。去學習不是廢除整套既有流程，而是重新區分哪些工作可以自動化，以及哪些工作仍應由人負責。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E5%8E%BB%E5%AD%B8%E7%BF%92%E8%88%87%E9%81%BA%E5%BF%98%E7%9A%84%E5%B7%AE%E7%95%B0\" class=\"anchor\" id=\"去學習與遺忘的差異\"\u003e\u003c/a\u003e去學習與遺忘的差異\u003c/h3\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e區分\u003c/th\u003e\n\u003cth\u003e意義\u003c/th\u003e\n\u003cth\u003e結果\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"區分\"\u003e遺忘\u003c/td\u003e\n\u003ctd data-label=\"意義\"\u003e不論是否出於本意而失去記憶或資訊的現象\u003c/td\u003e\n\u003ctd data-label=\"結果\"\u003e可能在需要時無法運用既有知識\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"區分\"\u003e廢棄\u003c/td\u003e\n\u003ctd data-label=\"意義\"\u003e決定不再使用特定資訊或流程\u003c/td\u003e\n\u003ctd data-label=\"結果\"\u003e若沒有替代方案，可能造成工作空缺\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"區分\"\u003e去學習\u003c/td\u003e\n\u003ctd data-label=\"意義\"\u003e重新檢視既有知識的前提與適用條件\u003c/td\u003e\n\u003ctd data-label=\"結果\"\u003e可以保留有效部分並替換過時部分\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"區分\"\u003e再學習\u003c/td\u003e\n\u003ctd data-label=\"意義\"\u003e在改變後的環境中重新掌握核心概念或技術\u003c/td\u003e\n\u003ctd data-label=\"結果\"\u003e依照新標準重組既有經驗\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E7%82%BA%E4%BB%80%E9%BA%BC%E5%8E%BB%E5%AD%B8%E7%BF%92%E5%9C%A8-ai-%E6%99%82%E4%BB%A3%E5%BE%88%E9%87%8D%E8%A6%81\" class=\"anchor\" id=\"為什麼去學習在-ai-時代很重要\"\u003e\u003c/a\u003e為什麼去學習在 AI 時代很重要\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E8%81%B7%E5%8B%99%E6%89%80%E9%9C%80%E7%9A%84%E6%8A%80%E8%83%BD%E7%B5%84%E5%90%88%E5%BF%AB%E9%80%9F%E6%94%B9%E8%AE%8A\" class=\"anchor\" id=\"職務所需的技能組合快速改變\"\u003e\u003c/a\u003e職務所需的技能組合快速改變\u003c/h3\u003e\n\u003cp\u003e在世界經濟論壇的《Future of Jobs Report 2025》中，參與調查的雇主預計，從 2025 年至 2030 年，勞工現有技能組合中約有 39% 將會改變或落伍。這並不代表所有技能都會以相同速度消失，而是表示許多職務所需技能的組成與重要性很可能發生變化。\u003c/p\u003e\n\u003cp\u003e人們常以「技能半衰期」形容職務技能的市場價值減半所需的時間。然而，這項數值會因職業、技能、產業與衡量方式而有很大差異，也不是共同的國際標準指標。因此，與其把「所有技能的半衰期都是 5 年」或「AI 技術是 2 年」之類的說法當作普遍事實，不如將其視為說明變化方向的比喻或有限的估算，這樣更為準確。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E6%96%B0%E5%B7%A5%E5%85%B7%E6%94%B9%E8%AE%8A%E6%97%A2%E6%9C%89%E6%B5%81%E7%A8%8B%E7%9A%84%E5%89%8D%E6%8F%90\" class=\"anchor\" id=\"新工具改變既有流程的前提\"\u003e\u003c/a\u003e新工具改變既有流程的前提\u003c/h3\u003e\n\u003cp\u003e工作流程通常是以當時的成本與技術限制為前提而設計的。典型例子包括：在搜尋需耗費很長時間的時期制定的調查流程、以面對面工作為基礎設計的核准體系，以及以人員撰寫所有初稿為假設的製作流程。\u003c/p\u003e\n\u003cp\u003e當 AI 能支援搜尋、摘要、翻譯、程式碼與文件初稿撰寫時，這些前提中的一部分便會改變。但這並不表示所有既有流程都會失效。即使工具改變，仍有一些條件必須維持，例如個人資料保護、著作權、安全、事實驗證與最終責任。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E7%9F%A5%E9%81%93%E5%BE%97%E6%9B%B4%E5%A4%9A%E8%88%87%E5%88%A4%E6%96%B7%E5%BE%97%E6%9B%B4%E5%A5%BD%E4%B8%A6%E4%B8%8D%E7%9B%B8%E5%90%8C\" class=\"anchor\" id=\"知道得更多與判斷得更好並不相同\"\u003e\u003c/a\u003e知道得更多與判斷得更好並不相同\u003c/h3\u003e\n\u003cp\u003eAI 能迅速提供許多選項，但不會決定哪個選項符合組織目的，也不會決定應承擔多少風險。判斷產出是否符合事實、是否對使用者有幫助，以及是否遵守法律與組織政策的責任，也不會自動轉移。\u003c/p\u003e\n\u003cp\u003e因此，AI 時代的能力難以僅用資訊持有量來說明。還需要具備以下能力。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e準確定義問題與目標的能力\u003c/li\u003e\n\u003cli\u003e驗證來源與依據的能力\u003c/li\u003e\n\u003cli\u003e區分重要資訊與不必要資訊的能力\u003c/li\u003e\n\u003cli\u003e反映組織與使用者脈絡的能力\u003c/li\u003e\n\u003cli\u003e說明結果並承擔責任的能力\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%8E%BB%E5%AD%B8%E7%BF%92%E5%86%8D%E5%AD%B8%E7%BF%92%E8%88%87%E6%96%B0%E5%AD%B8%E7%BF%92%E7%9A%84%E5%BE%AA%E7%92%B0\" class=\"anchor\" id=\"去學習再學習與新學習的循環\"\u003e\u003c/a\u003e去學習、再學習與新學習的循環\u003c/h2\u003e\n\u003cp\u003e去學習並不是可以單獨完成的活動。放下既有前提後，必須重新理解核心，並將新方法連結到實際工作。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e階段\u003c/th\u003e\n\u003cth\u003e核心問題\u003c/th\u003e\n\u003cth\u003e主要活動\u003c/th\u003e\n\u003cth\u003e產出\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"階段\"\u003e去學習\u003c/td\u003e\n\u003ctd data-label=\"核心問題\"\u003e哪些不再是事實或必要條件？\u003c/td\u003e\n\u003ctd data-label=\"主要活動\"\u003e識別前提、檢視適用條件、分析例外\u003c/td\u003e\n\u003ctd data-label=\"產出\"\u003e應中止、維持、驗證的項目清單\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"階段\"\u003e再學習\u003c/td\u003e\n\u003ctd data-label=\"核心問題\"\u003e不變的目的與原則是什麼？\u003c/td\u003e\n\u003ctd data-label=\"主要活動\"\u003e重新定義目標、確認最新依據、修正標準\u003c/td\u003e\n\u003ctd data-label=\"產出\"\u003e新的判斷標準與工作原則\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"階段\"\u003e新學習\u003c/td\u003e\n\u003ctd data-label=\"核心問題\"\u003e運用新工具與條件可以創造什麼？\u003c/td\u003e\n\u003ctd data-label=\"主要活動\"\u003e實驗、衡量、回饋、設計流程\u003c/td\u003e\n\u003ctd data-label=\"產出\"\u003e經驗證的新工作方式\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003e這三個階段並非直線流程，而是不斷重複的循環。新方法也會在環境改變時再次成為檢視對象。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%AF%A6%E8%A1%8C%E5%8E%BB%E5%AD%B8%E7%BF%92%E7%9A%84-6-%E5%80%8B%E6%AD%A5%E9%A9%9F\" class=\"anchor\" id=\"實行去學習的-6-個步驟\"\u003e\u003c/a\u003e實行去學習的 6 個步驟\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-%E5%B0%8B%E6%89%BE%E8%AE%8A%E5%8C%96%E7%9A%84%E8%A8%8A%E8%99%9F\" class=\"anchor\" id=\"1-尋找變化的訊號\"\u003e\u003c/a\u003e1. 尋找變化的訊號\u003c/h3\u003e\n\u003cp\u003e若反覆出現下列現象，就有必要檢視既有方式的前提。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e投入時間增加，結果品質卻沒有改善。\u003c/li\u003e\n\u003cli\u003e導入了新工具，但工作步驟與過去完全相同。\u003c/li\u003e\n\u003cli\u003e規定、技術或使用者需求已經改變。\u003c/li\u003e\n\u003cli\u003e成員無法說明流程的目的，只是遵循慣例。\u003c/li\u003e\n\u003cli\u003e相同的錯誤或返工反覆發生。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-%E5%B0%87%E9%9A%B1%E8%97%8F%E7%9A%84%E5%89%8D%E6%8F%90%E5%AF%AB%E6%88%90%E5%8F%A5%E5%AD%90\" class=\"anchor\" id=\"2-將隱藏的前提寫成句子\"\u003e\u003c/a\u003e2. 將隱藏的前提寫成句子\u003c/h3\u003e\n\u003cp\u003e把隱藏在流程背後的信念轉化為具體句子。應避免使用「本來就是這樣做」這類無法驗證的說法。\u003c/p\u003e\n\u003cp\u003e例如：\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e好的報告必須由人從頭到尾親自撰寫。\u003c/li\u003e\n\u003cli\u003e必須長時間參加會議，才能理解工作脈絡。\u003c/li\u003e\n\u003cli\u003e管理者必須比成員更了解所有實務工作。\u003c/li\u003e\n\u003cli\u003e文件越長，就代表經過越充分的檢討。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-%E5%8D%80%E5%88%86%E4%BA%8B%E5%AF%A6%E5%81%87%E8%A8%AD%E8%88%87%E5%81%8F%E5%A5%BD\" class=\"anchor\" id=\"3-區分事實假設與偏好\"\u003e\u003c/a\u003e3. 區分事實、假設與偏好\u003c/h3\u003e\n\u003cp\u003e將每個句子分為以下三類。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003e事實：\u003c/strong\u003e 依據目前證據可以確認的內容\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e假設：\u003c/strong\u003e 僅在特定條件下成立，或尚未驗證的內容\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e偏好：\u003c/strong\u003e 個人或組織想要的方式\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003e若將偏好當作事實，去學習就會變得困難。相反地，若把法律義務或安全標準誤認為單純慣例而加以取消，則可能造成風險。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#4-%E7%A2%BA%E8%AA%8D%E9%81%A9%E7%94%A8%E6%A2%9D%E4%BB%B6%E8%88%87%E6%9C%89%E6%95%88%E6%9C%9F%E9%99%90\" class=\"anchor\" id=\"4-確認適用條件與有效期限\"\u003e\u003c/a\u003e4. 確認適用條件與有效期限\u003c/h3\u003e\n\u003cp\u003e確認既有方式形成的時間、當時要解決的問題，以及當時可使用的工具。接著詢問目前是否仍維持相同條件。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e這項規則是為了防止什麼問題而制定的？\u003c/li\u003e\n\u003cli\u003e那個問題現在仍然存在嗎？\u003c/li\u003e\n\u003cli\u003e技術或成本結構是否已經改變？\u003c/li\u003e\n\u003cli\u003e法規、安全或品質標準是否維持不變？\u003c/li\u003e\n\u003cli\u003e停止採用這種方式時，最大的風險是什麼？\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#5-%E9%80%B2%E8%A1%8C%E5%B0%8F%E5%9E%8B%E5%AF%A6%E9%A9%97%E8%80%8C%E9%9D%9E%E5%85%A8%E9%9D%A2%E6%9B%BF%E6%8F%9B\" class=\"anchor\" id=\"5-進行小型實驗而非全面替換\"\u003e\u003c/a\u003e5. 進行小型實驗，而非全面替換\u003c/h3\u003e\n\u003cp\u003e去學習並不是無條件廢棄。在可復原的範圍內，比較既有方式與新方式。\u003c/p\u003e\n\u003cp\u003e例如，在取消整份週報之前，可以先由一個團隊將報告項目減少一半，再比較決策時間、錯誤、返工與使用者滿意度。導入生成式 AI 時，也可以先從可公開文件的初稿撰寫開始測試，並對敏感資料與最終核准維持獨立的管控流程，這樣會較為安全。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#6-%E8%A8%98%E9%8C%84%E6%96%B0%E6%A8%99%E6%BA%96%E8%88%87%E5%BB%A2%E6%A3%84%E7%90%86%E7%94%B1\" class=\"anchor\" id=\"6-記錄新標準與廢棄理由\"\u003e\u003c/a\u003e6. 記錄新標準與廢棄理由\u003c/h3\u003e\n\u003cp\u003e根據實驗結果，維持、修改、保留或廢棄既有方式。不要只記錄改變了什麼，也要留下以下內容。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e過去方式的目的\u003c/li\u003e\n\u003cli\u003e不再有效的前提\u003c/li\u003e\n\u003cli\u003e應維持的原則與管控機制\u003c/li\u003e\n\u003cli\u003e新方式有效的條件\u003c/li\u003e\n\u003cli\u003e重新檢視日期與負責人\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003e這些記錄可以避免新方式固化成另一種未經驗證的慣例。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%B7%A5%E4%BD%9C%E4%B8%AD%E7%9A%84%E6%87%89%E7%94%A8%E7%AF%84%E4%BE%8B\" class=\"anchor\" id=\"工作中的應用範例\"\u003e\u003c/a\u003e工作中的應用範例\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E5%A0%B1%E5%91%8A%E6%92%B0%E5%AF%AB\" class=\"anchor\" id=\"報告撰寫\"\u003e\u003c/a\u003e報告撰寫\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003e既有前提：\u003c/strong\u003e 撰寫者必須親自閱讀所有資料並從頭寫出句子，品質才會高。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e去學習：\u003c/strong\u003e 檢視親自撰寫與準確性之間是否總是存在必然關係。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e再學習：\u003c/strong\u003e 將報告的本質重新定義為依據明確且有助於決策的文件。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e新學習：\u003c/strong\u003e 使用 AI 建立架構或草稿，但由人員負責對照原文、驗證數值與最終核准。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E6%9C%83%E8%AD%B0%E9%81%8B%E4%BD%9C\" class=\"anchor\" id=\"會議運作\"\u003e\u003c/a\u003e會議運作\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003e既有前提：\u003c/strong\u003e 所有相關人員都必須參加即時會議。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e去學習：\u003c/strong\u003e 區分資訊共享與共同決策是否需要相同形式的會議。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e再學習：\u003c/strong\u003e 將會議目的明確界定為資訊傳達、徵詢意見或決策其中之一。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e新學習：\u003c/strong\u003e 將資訊傳達改為非同步文件，只有需要討論與決策的議題才在會議中處理。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E7%AE%A1%E7%90%86%E8%80%85%E7%9A%84%E8%A7%92%E8%89%B2\" class=\"anchor\" id=\"管理者的角色\"\u003e\u003c/a\u003e管理者的角色\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003e既有前提：\u003c/strong\u003e 管理者必須知道所有答案並親自下達指示。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e去學習：\u003c/strong\u003e 確認在專業知識分散的組織中，這種方式是否會延緩決策。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e再學習：\u003c/strong\u003e 將管理者的角色重新定義為設定目標、分配資源、協調衝突與管理責任。\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003e新學習：\u003c/strong\u003e 將實務判斷委派給負責人，並建立檢視重要假設與風險的架構。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%93%AA%E4%BA%9B%E4%B8%8D%E8%83%BD%E6%8D%A8%E6%A3%84\" class=\"anchor\" id=\"哪些不能捨棄\"\u003e\u003c/a\u003e哪些不能捨棄\u003c/h2\u003e\n\u003cp\u003e快速變化並不能合理化廢棄所有原則。即使導入新工具，也應謹慎保留或強化下列項目。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e遵守法律與法規\u003c/li\u003e\n\u003cli\u003e保護個人資料及機密資訊\u003c/li\u003e\n\u003cli\u003e為安全與品質進行的必要驗證\u003c/li\u003e\n\u003cli\u003e來源確認與記錄管理\u003c/li\u003e\n\u003cli\u003e無障礙及防止歧視原則\u003c/li\u003e\n\u003cli\u003e最終決策者與責任歸屬\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003e尤其 AI 產出可能包含看似合理卻錯誤的資訊、偏見或敏感資訊外洩風險。以效率為由連驗證與問責流程也一併取消，與其說是去學習，不如說更接近管控失敗。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%8E%BB%E5%AD%B8%E7%BF%92%E5%A4%B1%E6%95%97%E7%9A%84%E5%B8%B8%E8%A6%8B%E5%8E%9F%E5%9B%A0\" class=\"anchor\" id=\"去學習失敗的常見原因\"\u003e\u003c/a\u003e去學習失敗的常見原因\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E5%85%A8%E7%9B%A4%E5%90%A6%E5%AE%9A%E9%81%8E%E5%8E%BB%E7%9A%84%E7%B6%93%E9%A9%97\" class=\"anchor\" id=\"全盤否定過去的經驗\"\u003e\u003c/a\u003e全盤否定過去的經驗\u003c/h3\u003e\n\u003cp\u003e既有方式有其解決當時問題的理由。若抹去歷史，已經解決的風險可能再次出現。不應否定人員或經驗，而應將適用條件分開檢視。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E5%B0%87%E6%B5%81%E8%A1%8C%E5%B7%A5%E5%85%B7%E8%A6%96%E7%82%BA%E6%AD%A3%E7%A2%BA%E7%AD%94%E6%A1%88\" class=\"anchor\" id=\"將流行工具視為正確答案\"\u003e\u003c/a\u003e將流行工具視為正確答案\u003c/h3\u003e\n\u003cp\u003e新事物不會只因為新就更好。若導入工具本身成為目標，可能只會增加成本與複雜度。應先設定品質、速度、風險、使用者價值等可衡量的目標。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E6%8D%A8%E6%A3%84%E6%97%A2%E6%9C%89%E6%96%B9%E5%BC%8F%E5%8D%BB%E6%9C%AA%E6%BA%96%E5%82%99%E6%9B%BF%E4%BB%A3%E6%96%B9%E6%A1%88\" class=\"anchor\" id=\"捨棄既有方式卻未準備替代方案\"\u003e\u003c/a\u003e捨棄既有方式卻未準備替代方案\u003c/h3\u003e\n\u003cp\u003e若只有中止而沒有再學習，就會造成工作空缺。必須確認待廢棄流程原先執行的功能，並制定可取代該功能的新標準。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E5%BF%BD%E7%95%A5%E5%BF%83%E7%90%86%E6%88%90%E6%9C%AC\" class=\"anchor\" id=\"忽略心理成本\"\u003e\u003c/a\u003e忽略心理成本\u003c/h3\u003e\n\u003cp\u003e長期培養的專業能力與身分認同緊密相連。要求改變既有方式，可能被理解為否定個人能力。與其聚焦於哪裡錯了，不如以哪些條件已經改變為中心加以說明，效果會更好。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E4%BB%8A%E5%A4%A9%E5%B0%B1%E8%83%BD%E9%96%8B%E5%A7%8B%E7%9A%84%E5%8E%BB%E5%AD%B8%E7%BF%92%E6%AA%A2%E6%9F%A5%E8%A1%A8\" class=\"anchor\" id=\"今天就能開始的去學習檢查表\"\u003e\u003c/a\u003e今天就能開始的去學習檢查表\u003c/h2\u003e\n\u003cp\u003e只要從下列問題中選一個回答，就可以開始。\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e過去 1 年間，有哪些工作在環境已經改變後仍維持不變？\u003c/li\u003e\n\u003cli\u003e是否有用「本來」、「當然」、「一直都是」來說明的流程？\u003c/li\u003e\n\u003cli\u003e該流程原本想解決的問題是什麼？\u003c/li\u003e\n\u003cli\u003e目前是否仍存在相同的問題與限制？\u003c/li\u003e\n\u003cli\u003e必須維持的核心原則與可以改變的形式分別是什麼？\u003c/li\u003e\n\u003cli\u003e在限制風險的同時，可以測試的最小改變是什麼？\u003c/li\u003e\n\u003cli\u003e要用哪些指標判斷成功與失敗？\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E7%B5%90%E8%AB%96\" class=\"anchor\" id=\"結論\"\u003e\u003c/a\u003e結論\u003c/h2\u003e\n\u003cp\u003e去學習並不是主張不再學習。它是\u003cstrong\u003e為了替新學習創造發揮作用的空間，而重新檢視既有知識有效條件的方法\u003c/strong\u003e。重要的不是捨棄多少，而是判斷要保留什麼、為何保留，以及要根據什麼替換哪些內容的能力。\u003c/p\u003e\n\u003cp\u003e不需要今天就立刻改變所有方式。可以先寫下一個曾認為「這件事本來就是這樣做」的前提，再透過小型實驗確認該前提現在是否仍然有效。\u003c/p\u003e\n","tags":["解除學習","重新學習","AI時代","職務能力","學習方法"],"faqs":[{"question":"去學習是指忘掉已學會的內容嗎？","answer":"不是。去學習並非刪除記憶，而是重新檢視既有知識或習慣成立的前提與適用條件。仍然有效的原則予以保留，只降低過時部分的影響力，或以新方式取代。"},{"question":"去學習與再學習有何不同？","answer":"去學習是擺脫已不再有效之前提的階段，而再學習則是因應變化後的環境，重新理解概念與技能的階段。一般而言，先透過去學習騰出空間，再藉由再學習建立新標準，之後連結到實際工作中的實驗。"},{"question":"工作技能的半衰期實際上是幾年？","answer":"並不存在適用於所有工作技能的標準半衰期。技能價值變化的速度會因產業、職務、地區及衡量標準而異。特定年數可能是源自個別調查或比喻的估計值，因此應同時確認其來源與定義。"},{"question":"去學習是指要忽視既有經驗嗎？","answer":"不是。既有經驗是能說明某種做法為何形成的重要資料。去學習並非拋棄經驗，而是區分該經驗至今仍適用的條件，以及不再適用的條件。"},{"question":"在組織中開始去學習，最安全的方法是什麼？","answer":"從變更範圍小且可復原的實驗著手較為安全。應比較既有方式與新方式的品質、時間、成本、錯誤及風險，而與法律、資安及安全相關的必要管控，即使在實驗期間也必須維持。"},{"question":"如果 AI 持續發展，人的判斷也會變得不再必要嗎？","answer":"AI 雖然可以產生更多候選方案與草稿，但不會自行決定組織目標、可接受的風險、使用者價值與最終責任。事實查核、情境判斷、核准及對結果的責任，應明確分配給特定人員或組織。"},{"question":"如何衡量去學習的成效？","answer":"比起學到了多少新知識，衡量重工減少幅度、決策時間、錯誤率、品質、使用者滿意度及是否發生風險更為實用。應取得變更前的基準值，並在一段時間後比較相同指標。"},{"question":"如果今天就要進行去學習，應該從什麼開始？","answer":"從工作中選擇一項以「原本就是這樣做」來解釋的流程。寫下該流程原本要解決的問題、建立當時的限制，以及目前仍存在的風險，然後設計最小規模的變更實驗即可。"}],"sources":[{"url":"https://www.weforum.org/publications/the-future-of-jobs-report-2025/","title":"世界經濟論壇，《2025年未來就業報告》","type":"data_point"},{"url":"https://hbr.org/2016/11/why-the-problem-with-learning-is-unlearning","title":"《哈佛商業評論》，〈學習的問題為何在於忘卻所學〉","type":"source"},{"url":"https://books.google.com/books?q=%22By+instructing+students+how+to+learn%2C+unlearn+and+relearn%22","title":"艾爾文·托夫勒，《未來的衝擊》","type":"expert_quote"},{"url":"https://www.nist.gov/itl/ai-risk-management-framework","title":"NIST AI風險管理框架","type":"source"}],"images":[{"id":336,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzkxMywicHVyIjoiYmxvYl9pZCJ9fQ==--895d9fef4ea5fbfb5ab9a739efd6c892766fd90c/ai-4fd2b3f4.webp","is_representative":true,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"깨진 톱니바퀴, 나침반, 윤리 상징, AI 큐브를 순환 화살표로 연결한 일러스트","caption":"낡은 지식을 버리고 방향과 윤리를 점검하며 AI를 다시 배우는 과정을 나타낸다.","description":null},"en":{"alt":"Illustration linking broken gears, a compass, ethics symbols, and an AI cube with circular arrows","caption":"The cycle represents discarding old assumptions and relearning AI with direction and ethics.","description":null},"ja":{"alt":"壊れた歯車、コンパス、倫理の象徴、AIキューブを循環する矢印で結んだイラスト","caption":"古い前提を捨て、方向性と倫理を確かめながらAIを学び直す過程を表している。","description":null},"es":{"alt":"Ilustración de engranajes rotos, una brújula, símbolos éticos y un cubo de IA unidos por flechas","caption":"El ciclo representa desechar viejas premisas y reaprender la IA con orientación y ética.","description":null},"id":{"alt":"Ilustrasi roda gigi rusak, kompas, simbol etika, dan kubus AI yang dihubungkan panah melingkar","caption":"Siklus ini menggambarkan melepas asumsi lama dan mempelajari kembali AI dengan arah serta etika.","description":null},"pt":{"alt":"Ilustração de engrenagens quebradas, bússola, símbolos éticos e cubo de IA ligados por setas","caption":"O ciclo representa abandonar velhas premissas e reaprender IA com direção e ética.","description":null},"zh-hant":{"alt":"破裂齒輪、指南針、倫理符號與AI方塊由循環箭頭連結的插畫","caption":"循環呈現拋開舊有前提，並兼顧方向與倫理重新學習AI的過程。","description":null},"de":{"alt":"Illustration mit kaputten Zahnrädern, Kompass, Ethiksymbolen und KI-Würfel im Pfeilkreislauf","caption":"Der Kreislauf steht dafür, alte Annahmen abzulegen und KI mit Orientierung und Ethik neu zu lernen.","description":null}}},{"id":337,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzkxOSwicHVyIjoiYmxvYl9pZCJ9fQ==--c2124f79e9b74bcb94be864024ff33010e5e4e50/ai-a5e4790e.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"사람들이 기존 지식과 AI 기반의 새 학습 경로를 비교하는 과정도 일러스트","caption":"낡은 지식을 걷어내고 AI 시대에 맞는 새로운 판단 체계를 구축하는 과정을 보여준다.","description":null},"en":{"alt":"People compare old knowledge and AI-driven learning paths in a workflow diagram","caption":"The illustration shows a shift from outdated assumptions to AI-enabled ways of learning and deciding.","description":null},"ja":{"alt":"人々が従来の知識とAIを活用した新しい学習経路を比較する工程図","caption":"古い前提を手放し、AI時代に合う学び方と判断基準を築く過程を表している。","description":null},"es":{"alt":"Personas comparan el conocimiento antiguo con una nueva ruta de aprendizaje basada en IA","caption":"La ilustración muestra el paso de viejos supuestos a nuevas formas de aprender y decidir con IA.","description":null},"id":{"alt":"Orang-orang membandingkan pengetahuan lama dan jalur pembelajaran baru berbasis AI","caption":"Ilustrasi ini menunjukkan peralihan dari asumsi lama menuju cara belajar dan mengambil keputusan dengan AI.","description":null},"pt":{"alt":"Pessoas comparam conhecimentos antigos e uma nova jornada de aprendizagem com IA","caption":"A ilustração mostra a transição de antigas premissas para novas formas de aprender e decidir com IA.","description":null},"zh-hant":{"alt":"人們透過流程圖比較舊有知識與人工智慧驅動的新學習路徑","caption":"圖中呈現拋開過時假設並建立人工智慧時代新學習與決策方式的過程。","description":null},"de":{"alt":"Menschen vergleichen altes Wissen mit einem neuen KI-gestützten Lernpfad","caption":"Die Illustration zeigt den Wechsel von überholten Annahmen zu neuen Lern- und Entscheidungswegen mit KI.","description":null}}}],"published_at":"2026-07-29T05:29:15+09:00","updated_at":"2026-07-29T05:29:15+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/unlearning-in-the-ai-era"}