從個人生產力走向組織價值
我們不先問要使用哪一種工具，而是先問需要改變什麼。定義組織的瓶頸、客戶的問題與必要的決策後，再將 AI 作為解決手段導入。
TIL AI 驅動的教育與工作坊
比起學會使用 AI 工具，
我們更重視學會如何與 AI 一起深入思考
讓 AI 代為產出結果的教育，留下的是快速答案。然而，若要超越 AI 工具的操作方法，就不會因此自然產生真正的學習與遷移。The Innovation Lab 的教育設計，是先由人定義問題，再運用 AI 的交叉回饋進行更深入的檢視，最後仍由人承擔最終判斷與責任。
我們讓成果從個人工作效率延伸為組織的問題解決能力，也從一次性的產出延伸為能應用於新任務的學習遷移。
以人為本 · 問題驅動 · 實證為本 · 遷移導向
01 · 為什麼
單靠使用更多 AI 工具，並不會改變組織
個人更快完成一項工作，與組織發現更重要的問題並做出更好的決策，並不是同一件事。必須先定義組織需要解決的問題與創造的價值，再把 AI 配置到解決流程中。
從產出結果走向能力成長
AI 產出的好結果，可能不同於人真正保留下來的能力。即使沒有 AI 的協助，也能說明、判斷並應用於新問題，學習才能沉澱為組織能力。
AI 越能成為捷徑，學習設計就越需要細緻
複製提示詞來取得結果，雖然能讓執行變得容易，卻可能導致認知外包、缺乏批判的接受、對產出的掌控力下降，以及群體思考多樣性縮減。AI 不應是提供正確答案的一方，而應成為協助探索反駁觀點、盲點與替代方案的協作夥伴。
不只培養有 AI 時表現良好的人，
更要打造與 AI 共同學習後，仍能做出更佳判斷的個人與組織。
02 · 如何進行
The Innovation Lab 的 AI 教育方法 HAMMA
Human-AI Mentoring Motif Approach
HAMMA 會設計人與 AI 的角色及順序，避免 AI 代替人提出第一個答案與最終結論。從人的思考開始，以人的判斷完成。
之前由 AI 建立草稿，再由人潤飾
之後由人建立草稿與假設，再由 AI 提供交叉回饋
之前以節省時間與提高產量為主
之後以提升成果品質、協作與學習能力為主
之前認知外包與缺乏批判的接受
之後透過學習摩擦維持批判思考與人的主導性
之前提高個人產出的平均水準
之後維持個人觀點與群體構想的多樣性
之前AI 支援消失後顯現的學習損失
之後能自行說明、判斷與應用的概念遷移
03 · 實證依據
我們的設計不只建立在善意之上
生成式 AI 能讓任務快速完成，但如果連過程中應由人進行的規劃、驗證與反思也一併代勞，獨立思考能力便可能弱化。研究的結論並不是要減少使用 AI，而是更接近以下主張：應設計協作的順序與條件，讓人先嘗試、控制 AI 的協助，並再次承擔最後的判斷與說明。
TIL 的 HAMMA 依循這套流程，運用生成式 AI 與學習、創造力及獨立執行相關的實證研究，以及生產性失敗、自我解釋、提取等學習科學原理。
即使 AI 能協助妥善完成任務，也不代表人的能力會隨之成長
在沒有任何引導的情況下使用 AI，學習者很容易略過診斷問題與評估協助是否適切的過程，直接尋找可立即執行的答案。即使有 AI 時的表現變好，規劃、檢查、反思等自我調節學習仍可能弱化。這正是我們需要的不是直接給出答案的 AI，而是讓人先回答、提供提示並引導自行修正的 AI。
查看更多研究依據
- 有 AI 時取得的高分，與沒有 AI 後保留下來的能力並不相同。Bastani et al. 在高中數學現場進行的隨機對照試驗中，使用自由形式 GPT 的組別練習分數較高，但在沒有 AI 的測驗中，成績比對照組低 17%。相較之下，以逐步提示取代正確答案的 GPT Tutor，將獨立執行表現的下降幅度縮減至對照組水準。這項發現指出，重點不是取消 AI 的協助，而是必須限制協助的方式。
- AI 越是代替人完成任務，學習者就越可能減少檢查自己的思考。Fan et al. 的隨機寫作實驗顯示，GPT-4 支援提高了文章的改善幅度，卻未能提升所測得的知識獲取與跨領域遷移。研究團隊指出的「後設認知怠惰」，警示我們不應把高品質產出直接解讀為學習者的成長。
- 向 AI 尋求協助的方式本身也發生了變化。Chen et al. 以多模態資料分析 38 名大學生寫作與修改歷程的實驗中，ChatGPT 組比人類專家組更常呈現跳過回饋評估階段的非線性求助行為，也提出更多可以立即操作的問題。這項發現指出，AI 越容易取得，就越需要把問題診斷與回饋評估明確納入學習程序。
- 加入預先作答與自行修正後，AI 就不只是「支撐」，而會成為學習機制。Lee et al. 的研究顯示，「先提出我的答案 → 以提示取代正確答案 → 自行修正」的引導結構，在行為參與、知識與自我調節相關的多項指標上，都比一般 ChatGPT 得到更好的結果。這證明要求預先作答與自行修正的機制，可以改變學習者的參與方式。
- TIL 的運作方式是先由人提出草稿與假設，AI 不給正確答案，而是提供問題、提示與反例，再由人說明修正理由。目標不是使用 AI 期間的績效，而是 AI 離開後依然保有的判斷力。
AI 能提升個人的構想，卻也可能讓所有人的想法變得相似
生成式 AI 有助於讓個人的構想更創新、更實用，對難以從零開始發想的人尤其有幫助。然而，如果每個人都從同一個 AI 的建議出發，即使個人的平均水準提高，整體群體的觀點也可能趨於相似。
查看更多研究依據
- 個人創造力的提升與群體多樣性的縮減，可能同時發生。Doshi & Hauser 的實驗中，獲得 AI 構想的寫作者，其平均新穎性與實用性評分提高，原本創造力評分較低者獲益更大。然而，獲得 AI 支援的故事彼此更加相似。這項發現顯示，AI 雖能縮小個人之間的成果差距，也可能讓群體構想收斂到少數框架。
- 何時導入 AI，造成了獨立創造力的差異。Wong & Qiu 的隨機實驗中，從一開始就自由使用 AI 的組別，在第一項任務中的優勢，未能延續到沒有 AI 的後續任務。相較之下，先由人提出原始構想，再將 AI 作為改善與評估夥伴的條件，在後續獨立任務中仍獲得較高的創造力評分。
- 綜合兩項研究可知，導入 AI 的時間點十分重要。相較於讓 AI 取代構想的起點，運用 AI 精煉人所提出的不同觀點更有益。TIL 的設計是先讓個人與團隊各自建立草稿與假設，再取得 AI 回饋，以提升個人創造力並維持群體觀點的多樣性。
比起完整的 AI 答案，先自行解題的歷程更能培養問題解決能力
如果先看到完整的 AI 答案，就會減少思考如何定義問題、比較哪些替代方案的機會。即使不熟練或答錯，先建立假設與解決方案的過程，也能揭示自己知道什麼、遺漏了什麼。之後再銜接說明與 AI 回饋，才能建立可應用於新問題的問題解決架構。
查看更多研究依據
- 生產性失敗研究並不是說「先失敗就一定學得更好」。研究顯示，學習者在課程前先建立多種表徵與解決方法，再透過說明與回饋將這些嘗試連結至正確概念時，概念學習與遷移可能會改善。預先嘗試會啟動能深入吸收後續回饋的基模。
- 重要的不是解決方法的數量，而是曾以不同方式表達並解決問題的經驗。Kapur, Saba & Roll 的研究中，學生在預先解題過程所建立之解決方法的多樣性，可以預測後續學習。不過，該研究中的所有學生都接受了生產性失敗教學，因此不將此結果擴大解讀為單純的因果效果。
- 也有初步證據顯示，在詢問 AI 前短暫努力，可能改變之後的遷移。Akgün & Toker 的預印本研究中，相較於立即詢問 ChatGPT 的組別，先獨自嘗試統計問題再使用 ChatGPT 的組別，在相似的新情境中獲得較高分數。由於這是小樣本、未經同儕審查的研究，因此僅作為輔助證據。
- TIL 先讓人定義問題並建立多項假設與替代方案，再以 AI 提出的反例、遺漏變項與替代解釋加以檢視。AI 不是省略預先思考與嘗試過程的捷徑，而是把先行嘗試連結至更深入問題解決的回饋夥伴。
即使在使用 AI 時，規劃、檢查與評估仍應由人負責
只宣稱最終判斷由人負責，並不會自然產生主導性。必須將設定目標、檢查解決策略，以及評估 AI 回答與自身理解的程序納入學習過程。批判思考也不是由與 AI 對話的次數培養，而是在說明比較了哪些證據，以及如何修正判斷的過程中形成。
查看更多研究依據
- 即使在生成式 AI 環境中，也必須另外設計後設認知機制。Xu et al. 針對 68 名大學生進行的四週準實驗中，加入協助任務策略與自我評估的明確支援後，自我調節學習歷程與學習經驗指標有所改善。由於組別間的學業成就差異並不顯著，這並非保證成績提升的證據，但顯示有必要設計讓學習者自行調節 AI 使用過程的機制。
- 規劃、監控與評估不是與生俱來的態度，而是可以教導的策略。de Boer et al. 綜合 48 項後設認知策略介入的後設分析顯示，同時教授這三項要素的介入，其學業表現效果不只在事後可見，後續追蹤時也仍被觀察到。這是一般學習科學的證據，指出在 AI 時代若要維護人的判斷權，就必須訓練判斷程序本身。
- 批判思考不會只靠對話自然產生。Abrami et al. 的後設分析顯示，結構化對話、真實問題與案例，以及引導，是批判思考教學的正向條件。因此，比起要求頻繁與 AI 對話，更需要一套結構，讓學習者將 AI 的反駁觀點應用於實際任務、比較證據，並說明修正判斷的理由。
- 僅僅增加說明，也不一定能減少對 AI 的過度信任。Buçinca, Malaya & Gajos 對 199 名參與者進行的實驗中，阻止參與者立即遵循 AI 建議並要求審慎思考的認知強制機制，比單純提供說明的條件更能降低對錯誤 AI 建議的過度信任。然而，最能降低過度信任的設計，其主觀評價最低，而且對審慎思考傾向較高的參與者更有幫助。這證明適當的學習摩擦雖有必要，但也必須一併設計易用性代價與個人差異。
- TIL 先讓人訂定目標與評估標準，檢視 AI 提出的反駁觀點與替代方案後，再記錄採用、修正或否決了什麼，以及原因為何。我們優先訓練的不是使用 AI 的技巧，而是評估與調節 AI 協助的能力。
關閉 AI 後提取、說明並應用，學習才能保留下來
重新閱讀 AI 整理的內容時所產生的熟悉感，可能不同於真正的理解。要知道學習是否保留下來，必須關閉 AI 後從記憶中提取核心概念、用自己的話說明，並嘗試應用於其他問題。這就是 HAMMA 最後階段不是提交成果，而是在不使用工具的情況下說明與再次應用的原因。
查看更多研究依據
- 相較於重新閱讀，從記憶中提取的活動更有利於保留。Adesope, Trevisan & Sundararajan 的後設分析指出，練習測驗等提取活動，整體而言比重新閱讀更有助於長期保留學習內容。這並不是要增加考試，而是要在收起 AI 答案後，加入回想、比較與應用核心內容的低風險活動。
- 用自己的話說明所提取的知識，可以確認程序與概念之間的連結。Rittle-Johnson, Loehr & Durkin 對數學自我解釋進行的後設分析中，自我解釋提示對程序性知識、概念性知識及部分程序遷移，呈現小至中等程度的即時效益。能引導良好說明的問題與回饋十分重要，而關於課堂情境與延宕保留的證據仍有限。
- 提取練習不只在受控實驗室中有效，在真實學校與課堂也一再顯示效益。Agarwal, Nunes & Blunt 的系統性回顧涵蓋 50 項實驗與 5,374 人，在 49 個效果量中，有 57% 觀察到中等或大型效益。並非所有實驗都呈現大型效果，非西方地區的研究也僅占整體 6%，但將無工具提取應用於實際教育的證據正持續累積。
- 三項研究共同支持一套學習流程：不能停留在重新閱讀 AI 的答案，而要從記憶中提取、用自己的話說明，並應用於新問題。TIL 在課程末段加入這套程序，確認留下來的不是只有成果，而是學習遷移。
每項研究都是在特定年齡、任務、期間與 AI 使用條件下進行。TIL 不會將個別結果直接概括至所有情境，而是綜合檢視多項實證研究與學習科學原理，再將其應用為教育設計原則。
04 · 課程
從組織的真實問題中學習，產出可立即使用的成果
這不是依照預設範例操作工具的練習。我們會帶入參與組織的營運、研究與產品、客戶、市場及事業課題，以 HAMMA 方法分析，完成可用於實際決策與後續執行的成果。
01 · HAMMA
運用 AI 的經營策略工作坊
洞察局勢、做出選擇，並連結至執行。解讀組織與事業環境，找出核心策略議題與替代方案，再具體化為執行方案。
查看詳細內容 → 02 · HAMMA以趨勢感知找出洞察
將分散的變化訊號轉化為下一個機會。運用民間與公部門資料、API 及 NextBM200，建立變化訊號與持續監測機制。
查看詳細內容 → 03 · HAMMA發掘客戶洞察
發現隱藏的問題與價值機會。將深度研究、合成使用者與模擬訪談作為探索工具，設計可銜接實際驗證的客戶假設。
查看詳細內容 → 04 · HAMMA制定商業模式與市場進入策略
設計能被選擇的價值與成長路徑。診斷商業模式與產業環境，將目標市場、定位、通路與合作夥伴連結為執行策略。
查看詳細內容 → 05 · HAMMAAX 商業轉型工作坊
將模糊的 AI 導入構想，落實為轉型策略。將客戶價值、人與 AI 的角色、資料、經濟效益、風險管理及執行路線圖整合為一套策略。
查看詳細內容 →05 · 課程內容
各課程詳細內容
可展開查看各課程的詳細內容。實際執行時，會依組織目標、參與者職務與實務課題調整範圍及順序。
01運用 AI 的經營策略工作坊
策略議題地圖 · 策略替代方案 · 優先任務 · 執行計畫
這是一套實務型策略課程，協助洞察組織面對的局勢、定義核心議題，並判斷應從多項替代方案中選擇哪一項。由人解讀情勢，AI 提出反駁觀點、盲點與替代方案，最終策略與執行標準則由人決定。
共同學習流程
- 1. 洞察局勢的觀點
- 連結外部環境、競爭態勢、客戶變化與內部能力
- 2. 定義策略議題
- 區分現象與原因，設計核心策略問題
- 3. 設計策略替代方案
- 由人先提出替代方案，再由 AI 紅隊檢視
- 4. 選擇與執行
- 結構化優先順序、成功條件、風險與執行任務
選配執行方案
- 運用 AI 的全局工作坊— 共 6～8 次，15～20 小時
- 全局研討會— 半日 4 小時
- AI 驅動的經營計畫與事業計畫一日工作坊— 8 小時
- 輔助教材：《策略是一種工具：洞察局勢的能力》、《策略女王》
02運用 AI 的趨勢感知洞察工作坊
變化訊號地圖 · 機會假設 · 優先洞察 · 監測看板
第 1 天 — 發現變化訊號並解讀為趨勢
- 1. 趨勢感知的觀點
- 區分流行、現象與結構性變化
- 設定對組織與事業有意義的訊號標準
- 2. 資料來源與探索設計
- 了解民間與公部門資料集及 API
- 運用 NextBM200 與 MCP 蒐集訊號
- 3. 以 HAMMA 為基礎的訊號分析
- 檢視人的變化假設，以及 AI 提出的相反訊號與盲點
- 4. 趨勢感知畫布
- 完成潛力訊號群集與初步趨勢地圖
第 2 天 — 轉化為商業機會與持續性洞察
- 1. 從訊號到機會假設
- 連結客戶、市場、技術與法規變化
- 2. 提升洞察品質
- 區分事實、解讀與假設，並評估證據層級
- 3. 排定機會優先順序
- 評估影響程度、急迫性、不確定性與組織適配度
- 4. 機會監測看板
- 設定核心指標、更新週期與臨界訊號
輔助教材：《Next Business Model 2026 — 總論篇、產業篇》 · 使用服務：NextBM200 Trend Explorer、MCP
03運用 AI 的客戶洞察發掘工作坊
客戶問題假設 · 實證型人物誌 · 客戶旅程地圖 · 價值主張機會方案
第 1 天 — 以問題與證據理解客戶
- 1. 客戶洞察的起點
- 區分客戶資訊與客戶洞察
- 2. 客戶問題假設
- 以 Turtleback Framework 與 Flower Model 結構化關係
- 3. AI 驅動的客戶研究
- 運用公開資料、深度研究與 9 個國家的合成使用者資料
- 4. HAMMA 交叉驗證
- 檢視相反觀點、極端使用者、遺漏情境與偏誤
第 2 天 — 將客戶聲音轉化為價值主張
- 1. 實證型人物誌
- 以行為、目的、情境、痛點與選擇標準為核心進行定義
- 2. 客戶旅程與關鍵時刻
- 找出流失點、未滿足需求與關鍵時刻
- 3. 機會領域與價值主張
- 運用 ERRC、策略畫布與 AI 紅隊驗證
- 4. 客戶洞察執行方案
- 設計要在實際客戶調查中驗證的問題與下一步行動
合成使用者與模擬訪談並不是能取代真實客戶的正確答案。我們將其作為探索工具，在實際驗證前擴大假設範圍並發現盲點。
04運用 AI 制定商業模式與市場進入策略
商業模式診斷書 · 改善後商業模式方案 · 市場進入策略 · 成長路線圖
第 1 天 — 診斷商業模式並重新設計價值結構
- 1. 檢視商業模式的觀點
- 連結客戶價值、提供方式、收益結構與核心能力
- 2. 目標市場與優先客戶
- 運用 TPM Circle 評估市場與組織適配度
- 3. 以 BM ZEN 為基礎具體化
- 結構化客戶問題、價值主張、價值鏈與收益邏輯
- 4. 診斷現行商業模式
- 運用 BM HealthCheck 與 IndustrySight
第 2 天 — 轉化為市場進入與成長執行策略
- 1. 探索替代方案與紅隊檢視
- 檢視替代模式、競爭觀點、失敗條件與盲點
- 2. PM 市場進入策略
- 具體化定位、訊息、通路、合作夥伴、價格與提案
- 3. 策略壓力測試
- 檢視競爭因應、失敗情境與遺漏變項
- 4. 成長階段路線圖
- 設定探索–驗證–進入–擴張各階段的目標與指標
使用服務：BM HealthCheck、IndustrySight、AI ToolBox、BM Explorer（開發中） · 框架：BM ZEN 工具包、TPM Circle、PM 市場進入策略
05運用 AI 的 AX 商業轉型工作坊
AX 轉型命題 · 人–AI 協作架構 · 資料與績效飛輪 · 執行路線圖
這是一套為期兩天的到場工作坊，超越僅測試 AI 技術的 PoC，將客戶價值、人與 AI 的角色、資料、績效改善、經濟效益與風險管理，以及導入路線圖，整合為一套商業轉型策略。
第 1 天 — 將 AI 導入構想轉化為轉型藍圖
- 1. AX 商業轉型的觀點
- 自動化與 AI 功能導入和商業轉型的差異
- 2. 轉型課題與轉型命題 — Why ①
- 定義核心問題、轉型目標與成功標準
- 3. 客戶價值與經濟機會 — Why ②
- 定義目標客戶、核心價值與經濟機會
- 4. 人與 AI 的角色 — What ①
- 區分判斷與責任，以及 AI 支援的工作
第 2 天 — 形成可執行的商業策略與路線圖
- 1. 資料與績效 — What ②
- 設計資料–學習–反應–績效飛輪
- 2. AI 模型、運作邏輯與治理 — How ①
- 設定 AI 角色、品質標準、風險與人工核准節點
- 3. 經濟引擎與執行路線圖 — How ②
- 制定收益、成本、導入效益與分階段執行計畫
- 4. 分享與回饋
- 各團隊發表策略、進行交叉回饋並確定後續任務
以參與組織的實際營運、研究、產品與事業課題為核心，將各部門觀點彙整到同一張畫布，並在兩天結束時留下可供後續決策使用的 AX 轉型策略草案。
06 · 價值
超越 AI 使用方法，為組織留下真正的能力
超越短期工作效率，培養定義問題、做出更佳判斷，並將所學遷移至新任務的能力。
與 AI 一起深入思考，做出更好的決策。
定義組織的核心問題，批判性驗證 AI 的建議，並轉化為可執行的策略與解決方案。
設計能遷移至實務工作的 AI 學習。
以人的主導性、協作、問題解決能力與學習遷移為核心，提升教育成效。
探索不確定性並驗證成長假設。
洞察趨勢與客戶、診斷商業模式，完成市場進入策略與成長路線圖。
從證據與公民觀點出發，建立負責任的解決方案。
運用開放資料與 AI，但證據驗證和最終判斷仍由人主導。
07 · 執行方式
依組織課題設計課程與執行方式
執行形式企業與公部門機構到場培訓、團隊工作坊、研討會、專案導向學習
教育設計依組織目標、參與者職務與實際課題調整課程
進行方式概念講授、團隊討論、AI ToolBox 與專用框架實作、交叉回饋
主要產出畫布、診斷結果、策略方案、洞察看板與執行路線圖
時程、人數與地點確認組織課題與執行條件後，透過諮詢共同討論
每個組織的問題都不相同。我們不會反覆套用固定的工具清單，而是以當下需要處理的問題與決策為基準，安排最合適的課程與實作。
答案引擎
常見問題
可從課題角度快速了解 The Innovation Lab 的角色與方法論。
什麼是 HAMMA？
HAMMA 是 The Innovation Lab 的 AI 教育方法，其設計是先由人建立問題與假設，批判性檢視 AI 的交叉回饋後，由人做出最終判斷，再由 AI 協助整理與執行。
與一般 AI 工具教育有何不同？
我們不只停留在學習特定生成式 AI 的功能或提示詞使用方法，而是先定義組織的真實問題，與 AI 一起檢視策略、趨勢、客戶、商業模式及 AX 轉型課題，同時建立可用於實務工作的成果與判斷能力。
哪些組織可以參加？
課程對象包括企業主管與員工、HRD 組織、新創公司及公部門機構。我們會事先確認組織目標、參與者職務與實際課題，再安排為到場培訓、團隊工作坊、研討會或專案導向學習。
完成教育課程後會留下哪些成果？
依所選課程，將留下策略議題地圖與執行計畫、變化訊號與機會監測看板、客戶問題假設與客戶旅程地圖、商業模式診斷書與市場進入策略，以及 AX 轉型藍圖與執行路線圖。