一句話答案

為什麼大多數人用 AI 沒變強？ 不是工具不夠多、不是模型不夠強，是停在「蒐集 skill」的階段沒往下做。麥肯錫 2025 年的全球 AI 調查：88% 的企業已導入 AI，但只有 6% 從 AI 拿到顯著價值。剩下那 6% 在做同一件事——把零碎的 AI skill 接成一條會自己跑、會記住、會反饋的閉環（pipeline）。本文從 Voxyz 創辦人 Vox 的 6 個月實戰報告 + 我自己把 30 個 Claude Code skill 串成 content-pipeline 的經驗，拆解閉環的 4 個關節，並給你一個今天就能起跑的最小可行版本。

快速摘要（3 分鐘讀懂全文）

一、承認吧——「看得多，用得少」

承認吧——我們在用 AI，但很多時候是「看得多、用得少」。新工具一直裝、新技術一直追，但從來沒把它們串成一條會自己跑的線。

你的 Notion 裡躺著 47 個 prompt。你的 ChatGPT 收藏了 60 個「神級 GPT」。你的 Claude Code 裝了 30 個 skill。你訂閱了 7 個 AI 電子報，追蹤 29 個自動化頻道，存了 33 個 n8n 模板，買了 3 門課還沒打開——

但你昨天的工作流程，跟一年前比，其實沒差多少。

你每天還是手動把研究材料貼進 ChatGPT、手動複製回覆、手動改格式、手動上傳。AI 沒讓你少做事，它只讓你做事的時候，多了一個視窗要切換。

老實說，我自己在 2024 年大半時間，就是這樣過的。

二、你不是沒用 AI，是沒把它串起來

如果你以為這只是你個人的問題，看數據。

麥肯錫 2025 年跑了一份全球 AI 調查，覆蓋 105 個國家、近 2000 家公司。88% 的企業已經在至少一個業務領域導入 AI。但只有 6% 從 AI 拿到「顯著」的價值。剩下 94%——投了錢、買了工具、訓練了人——什麼都沒看到。

MIT NANDA 的《State of AI in Business 2025》報告更殘酷：95% 的企業 GenAI pilot 沒帶來任何 P&L 影響。

最弔詭的數字在個人層級：使用者「感覺」自己省了 5.4% 的工時，但組織整體生產力只提升 1.1%。中間那 4.3% 去哪了？蒸發了——在切換工具、改 AI 輸出、整理 prompt 的縫隙中蒸發了。

AI 沒讓你省時間，它讓你的時間漏得更隱形。

2025 年多份產業調查顯示，AI 採用者的工時普遍變長、不是變短，而且花在「修改 AI 輸出」上的時間占比顯著上升。

我知道你想問：「這些都是企業層的數據，跟我有什麼關係？」有關係。企業沒拿到價值的原因，跟個人沒拿到價值的原因，其實是同一個——零件多、流水線少。

我第一次看到這幾組數據時，第一反應是抗拒：「不可能，我明明感覺有變快。」第二反應才是承認：那種「感覺有變快」，跟「整理書房感覺很有生產力」是同一種錯覺。

三、Workslop 與「假進度」的真相

哈佛商業評論 2025 年 9 月跟史丹佛 BetterUp Labs 做了一份研究，訪問 1,150 個全職工作者，發現一個新名詞 workslop——AI 生成的「看起來像工作但其實沒內容」的東西。

41% 的人收過 workslop。每處理一次平均要花 2 小時補救。對一家大公司來說，這每年大概要燒掉 900 萬美元的生產力。

但 workslop 不是 AI 的問題，是使用方式的問題。

當你只有零碎的 skill、沒有閉環、沒有反饋層、沒有品質關卡——AI 吐出來的東西當然是 workslop。因為沒有任何機制把「這次的爛輸出」變成「下次少犯的錯」。

每次都從零開始。

每次都靠你判斷。

每次都靠你整理。

這就是蒐集症候群的真相：你蒐集的不是工具，是「我有在進步」的錯覺。

而且更可怕的是——當你越會蒐集，看起來就越不像是在浪費時間。

四、你買的是零件，還是組裝出一條會自己跑的生產線？

我這幾個月才真正想清楚一件事。

Skill 跟閉環的差別，不是「工具好不好」的差別。是「你買的是零件，還是組裝出一條會自己跑的生產線」的差別。

零件再貴，放著就是零件。

生產線串好之後，每天自己會跑。

把這兩件事混為一談，是這一波 AI 革命裡最大的誤會。

把它講清楚：

注意對比的不是「skill 好不好」——不是 skill 沒用，是 skill 沒接線之前，它只是樂高散裝。

最右欄最後一格是整篇文章最關鍵的一句話：閉環不會老。它會學。

零件不會自己變好。只有閉環會。

五、四個案例，看「閉環會複利」到底是什麼意思

Voxyz AI 的創辦人 Vox 寫了一份 6 個月實戰報告，裡面有四個案例讓我思考許久。

第一個是他的寫作 skill。 從 v1.0 演進到 v1.3，6 個月時間。但這個演進不是他手動改的——是系統在閉環裡自己累積出來的。系統會比對「初稿」跟「他最後送出去的版本」，每偵測到 10 到 15 次相同的編輯，就自動抽出一條規則加進去。

具體例子：系統發現他刪掉「spent X weeks doing Y」這種句型超過 10 次，自動把它加進禁用清單。從那之後初稿不再出現這種 AI 痕跡濃厚的句子。

注意這個細節：不是他下指令叫 AI 別寫，是系統自己學會的。這就是反饋層存在的價值。

第二個是研究 skill。 從過去手工整理 1 小時，變成現在 15 分鐘拿到完整資料包。早上他打開電腦，5 分鐘內看到 30 篇貼文的整理摘要，再花 10 分鐘篩出 3 份值得深讀的資源。整個研究流程從「我要做研究」變成「研究自己跑完了」。

第三個是評論 skill。 同一篇文章，系統用「懷疑者、新手、客戶、同行」四個虛擬讀者各跑一輪，第一輪評分 4/10。他改寫之後第二輪 5/10。再改一次第三輪 7/10。整個過程他只動手三次，但每次都有一個「不是他自己」的視角給他打分。

第四個案例我覺得最有殺傷力。 Vox 在記憶層追蹤了 2 個月，發現一個 pattern：沒有附連結的貼文雖然有互動數，但帶來的網站流量是零。沒有任何單一 skill 能告訴他這件事，因為這個結論需要連續兩個月的資料累積才會浮現。

他另外觀察到，文章流量高峰的半衰期大概是 2 天。所以他現在的發布節奏，是根據這個半衰期反推回來的——不是猜的。

只有閉環會留下這種記憶。

六、我自己怎麼從「蒐集者」變成「閉環擁有者」

我做 AI 自動化教育有幾年了。但講真的，2025 年大半時間，我也是個蒐集者。

那段時間我打開 Claude Code 的第一件事，不是寫東西，是逛 GitHub 看新的 skill repo——anthropics/skills 又更新了什麼、obra/superpowers 多了什麼新功能、有沒有又冒出一份 awesome-claude-skills 清單。看到有趣的就 clone、就裝、就加進我的 ~/.claude/skills/。

我以為我在累積資產，其實我在累積負擔。

我的 Claude Code 裡裝了快 30 個 skill。article-copilot、kie-thumbnail-generator、branded-social-visual、publish-to-wordpress、mixpost-scheduler、newsletter-to-kit、carousel-generator、deep-reading-analyst……一個比一個炫。每裝一個新的，都覺得「這次真的可以了」。

但寫一篇文章的時候我還是在做什麼？

打開 Claude Code，叫 article-copilot 幫我寫初稿。寫完。手動複製到另一個視窗，叫 kie-thumbnail 生圖。生完。手動下載圖、改檔名、放到文章資料夾。然後手動打開 publish-to-wordpress，貼文章、選分類、上傳圖。發布完成。然後手動打開 mixpost 排程社群文。

每個 skill 都很厲害。但中間的「手動接」是我自己做的。

我不是在用 AI，我是在當一個「整理 AI 的人」。

那一刻我承認了一件事：我不缺 skill，我缺一條把它們串起來的線。

後來這條線是怎麼接起來的，講白一點，就是把所有 skill 接成一個叫 content-pipeline 的 Supervisor。它做的事就一件：研究 → 寫稿 → 配圖 → 上 WordPress → 排社群 → 寄電子報。一條龍。

第一次跑通的版本其實第三步就崩了——配圖跑出來不是我要的風格，又改了三輪。但崩三輪、比手動接三十次便宜。

修完之後，我做的事情只剩兩件：在最前面餵主題，在最後面按 OK。中間所有的接縫，是系統自己接的。寫完的文章會自己生圖、自己嵌入、自己上傳成草稿、等我看過點發布、自動排社群、自動寄電子報。

我不再蒐集 skill。我開始問另一個問題：「這個東西能不能在我睡覺時自己跑？」

不能的，就不用接進來。

能的，就先讓它跑一次看看。

七、閉環的四個關節：排程 × 記憶 × 反饋 × 審查點

Vox 講得很清楚，閉環有三個關節。我自己跑了一年下來，想補上第四個。

第一個是排程。

不是你想到才跑，是時間到了它自己跑。一個 cron job、一個 webhook、一個事件觸發——重點是「不靠你記得」。記憶這種東西不可靠，會被生活雜事擠掉。但 cron 不會。

第二個是記憶。

這次的結果寫進檔案，下次執行時讀進來。不是放在你腦子裡，是放在系統讀得到的地方。可以是一個 markdown 檔，可以是 Notion database，可以是 Supabase——形式不重要，重點是「下次系統知道上次發生過什麼」。

第三個是反饋。

這是最容易被跳過的一環。系統要能對比「期望輸出」跟「實際輸出」，自動抽出規則更新自己。Vox 那個「同句型刪超過 10 次自動禁用」就是反饋層的具體實作。

第四個是審查點。

這是我自己加上去的，因為踩過坑。

有一次我寫了一篇大約 8,000 字的 FB 長文，整套 pipeline 自動跑完——配圖、tag、排程一氣呵成。我以為一切 OK，但我用的 Mixpost 排程工具有個我事前不知道的內建限制：FB 文章字元上限 5,000。我那篇 8,000 字的文，後面 3,000 字被它默默截斷、照樣排程進去。

如果沒有在最後一步看一眼，那篇文章會在 FB 上斷在某個句子中間——像被誰拔了電。

從那次之後我學到一件事：自動的是工序，判斷永遠是你的。閉環不是要消滅你，是要把你從工序裡撈出來。

我的 pipeline 在最後一步留一個關卡，所有東西都已經準備好、貼好、配圖好——但等我看過、按下 OK 才會送出去。每天 10 分鐘審。

10 分鐘 vs 原本一整天。已經是兩個世界。

排程 × 記憶 × 反饋 × 審查點。四個關節接好，閉環就會自己呼吸。

八、從一個 cron job 開始就好

你可能想：「聽起來太遠了，我哪有技術能力做這個。」

Vox 的建議我覺得超實用——從一個 cron job 開始。

最簡單版本：每天下班前，自動把你今天的工作日誌（行事曆、提交紀錄、寫的東西）餵給 AI 評論一次。隔天早上 8 點，自動把昨天的評論變成簡報摘要推到你信箱。

兩個 cron job。一個下午跑，一個早上跑。中間用一個檔案串。

就這樣。

不需要 LangChain、不需要 multi-agent、不需要懂程式。n8n 拉幾個節點、Make 串幾個 webhook、甚至 Apple 捷徑都能做。

關鍵不是技術深度，是「會自己跑」這件事本身。

麥肯錫那份報告裡有一條數據我特別在意：那些重新設計工作流程（不是只裝 AI 工具）的公司，產生 EBIT 影響的機率比同業高 3.6 倍。

零件再多 3.6 倍沒用。重做工作流，3.6 倍。

一個能跑的閉環，比十個躺著的 skill 值錢。

九、真正的槓桿，不是更多工具，是更少手動

你可能覺得我在講創業者的事，跟你無關。但這件事其實跟你的人生主控權直接相關。

舉一個你可能聽過的名字。Pieter Levels，一個人經營 PhotoAI、NomadList、RemoteOK 等多個產品，年營收做到 300–500 萬美元。

他不是天才。他贏的原因也不只是「閉環」——他懂個人品牌、懂 SEO、懂找到 niche 市場、懂用最小成本上線。但你不會看到一個 Pieter Levels 是手動接所有東西的。他的內容、客服、營運、發布——全部都串成自走線。

閉環可能不是他贏的原因，但沒有閉環他撐不住規模。

我也不是說「接了閉環就會變成下一個 Pieter Levels」。失敗的 solopreneur 比成功的多 100 倍。閉環不是保證成功的銀彈，它只是一個前提條件——讓你有資格上場的那張票。

Anthropic 的 CEO Dario Amodei 在公開談話裡認為，第一家員工只有一個人的 10 億美元公司「很可能」會在不久的將來出現。不是因為一個人變超人，而是因為一個人現在可以擁有一條會自己跑的生產線。

我講這個不是要你變成 10 億美元獨角獸。我講這個是因為——

真正的槓桿，從來不是更多工具。

是更少手動。

不是你不夠勤勞。是你的勤勞還沒接上槓桿。

如果你還在蒐集階段，今天先別下載新的 skill 了。挑一個你已經會用、但每次都要手動跑的工具，給它接上一個觸發器——一個 cron、一個 webhook、一個 event。讓它從「你開的程式」變成「會自己醒來的東西」。一個就好。

如果你已經在跑閉環了，別停下來。每補一個反饋規則、每加一個記憶層、每刪掉一個冗餘的人類動作——你的閉環就比昨天多一份複利。

複利不在工具上，在閉環上。

工具會折舊，閉環會生利。

停止蒐集 AI 技能。

開始接你的第一條閉環。

常見問題（FAQ）

Q1：我完全不會寫程式，可以做閉環嗎？

可以。閉環的核心不是「會寫程式」，是「會自己跑」。

• 零程式選項：Apple 捷徑、Notion Automation、Zapier、Make.com、n8n（self-hosted 也有 GUI）
• 半程式選項：Google Apps Script、Airtable Automations
• 進階選項：cron + Python / Node.js script

我自己的 content-pipeline 看起來像工程師作品，但底層只是「Claude Code skill + 檔案系統 + 簡單觸發」——不需要寫一行 algorithm。

Q2：閉環跟 Zapier 那種自動化有什麼不一樣？

差在「記憶」和「反饋」兩個關節。

Zapier 做的是「事件 A 觸發動作 B」——這是單向自動化，沒有跨次記憶、沒有反饋學習。事件每次發生它都做同樣的事。

閉環在這之上多兩層：

1. 記憶層：每次執行的結果寫進檔案 / database，下次執行可以讀。
2. 反饋層：對比「期望輸出 vs 實際輸出」，自動更新規則。

簡單版閉環可以用 Zapier 起頭，但要長期複利就需要主動設計記憶和反饋。

Q3：從零到第一個能跑的閉環，需要多久？

如果用無程式工具（n8n / Make），一個下午（4–6 小時）可以做出第一個版本。

但這個版本一定會崩。第一週修 3–5 次很正常。修崩 5 次的成本，遠低於手動接 30 次的成本。

完整成熟、穩定運行的閉環，通常需要 4–8 週的「跑 → 崩 → 修」循環。但從第一週開始，你就在省手動時間。

Q4：什麼樣的工作流不適合做閉環？

三種情況不適合：

1. 每週執行少於一次的任務：自動化成本 > 手動成本。
2. 每次邏輯都不一樣的任務：例如客戶定制提案——這類任務 AI 可以協助，但很難「會自己跑」。
3. 錯了會出大事的任務：例如付款、合約、法律相關——這類任務即使做了閉環，也要把審查點放得非常前面。

判斷準則：這個任務你每週重複 3 次以上嗎？錯了還能修嗎？ 兩個都是 Yes，就值得自動化。

Q5：閉環會不會把人取代掉？

短期不會，長期會取代「工序型工作」，不會取代「判斷型工作」。

閉環擅長：重複動作、規則明確、結果可驗證的任務。

閉環不擅長：跨域整合、品味判斷、人際協商、目標設定。

正確的心態不是「我會不會被取代」，而是「我能不能用閉環把工序的部分丟出去，把時間留給判斷」。

自動的是工序，判斷永遠是你的。

關於作者

追日 Gucci（Gucci Chang），一人企業家、AI 自動化教育者。曾任美光（Micron）半導體大數據工程師，2019 年離開外商（年薪 170–180 萬）創業。經營美股投資內容十年，2024 年起全力轉向 AI 自動化教育，創立 YouTube 頻道「AI 效率革命聯盟」（6.3 萬訂閱）及同名付費社群。

教學重點：n8n、Make、Flowise、Claude Code（Vibe Coding）、AI 工作流自動化。日常用自己建的 content-pipeline 跑 YouTube + 部落格 + 電子報 + 社群的多平台發布閉環。

免費資源：AI 效率啟動營（含 5 個 APP 建設提示詞）
付費社群：AI 效率革命聯盟

延伸閱讀

• 88% 的人裝完 AI Agent 就放棄了。剩下那 11% 在做這件事。 — 從 OpenClaw 社群 10 條踩坑經驗收斂的安裝後陷阱
• 原文參考：Vox / Voxyz AI — I Stopped Collecting Agent Skills, Started Wiring Them Into Loops

引用來源

1. McKinsey & Company, The State of AI 2025: Global Survey, 2025（105 國、近 2,000 家公司）
2. MIT NANDA, State of AI in Business 2025
3. Harvard Business Review, AI-Generated “Workslop” Is Destroying Productivity, September 2025（Stanford BetterUp Labs 合作研究，1,150 全職工作者樣本）
4. Voxyz AI, I Stopped Collecting Agent Skills, Started Wiring Them Into Loops, 2026-04
5. Pieter Levels — PhotoAI / NomadList / RemoteOK 公開營收資料