最近整理自己的作品集，我願意先讓 AI 判斷資料可以怎麼組織，看過它的整理，再決定要集中呈現什麼方向。和朋友談起時，我想到另一種順序：過往可能很大程度先由自己選好範圍、收斂重點，再與 AI 討論。這個差異讓我開始想，我們願意把多少判斷交出去，又希望保留哪些部分親自形成？
先讓 AI 整理，對我而言是一種探索。我還沒有完全確定作品之間可以建立什麼關係，希望藉另一種組織方式，看見原本沒想到的可能。但如果先確立方向，也有它的理由：作品集承載著一個人想如何被理解，選擇與捨棄本身就可能是重要的思考。兩種順序讓我回到上一篇的判斷迴路：意圖、委派、產出、檢驗與修正，究竟要由誰先走哪一步？
先交出去的，是工作還是方向？
我想，這種取捨可能與價值觀有關。有人更重視自主形成方向，有人願意透過外部建議打開選項。但一次工作方式的不同，還不足以說明一個人的價值觀；熟悉程度、時間、資料是否適合交付，以及對 AI 的信任，都可能影響選擇。同一個人也可能在作品集上想親自收斂，在另一項工作裡願意先看 AI 的提案。
更值得觀察的是這個順序帶來什麼影響。先自己選擇，可能讓方向更清楚，也可能提早排除其他可能；先看 AI 的整理，可能發現新的關係，也可能讓第一個看起來合理的分類，成為後續思考的邊界。把判斷往前放或往後放，都需要留意自己因此看見了什麼，又略過了什麼。
熟練裡藏著沒有交出去的步驟
交付工作時，最容易說清楚的往往是看得見的動作：整理資料、比較方案、寫成報告。但熟練者親手執行時，可能還做了許多沒有被列為步驟的判斷。假設要比較兩年的問卷結果，熟悉業務的人可能會先想到題目是否改過、受訪對象是否一致，再決定哪些數字可以放在一起。這些確認早已融入工作，以至於交辦時，只留下「幫我整理年度趨勢」。
如果 AI 交回一份結構完整、圖表清楚的報告，驗收又只停留在呈現效果，原本應該被確認的比較基礎，就可能再漏掉一次。這類交接問題在人與人之間也會發生。我想探討的變化是：當成果很快就足以供人閱讀和修改，我們是否更容易直接進入修飾，忘了回頭查看它成立的條件？有些把關步驟之所以沒有交代，恰恰是因為我們太習慣自己會做。
從修改累積的標準，能涵蓋多少問題？
我常採取的方式，是先做完一輪，邊修改邊把要求整理成下次的品質標準。探索型工作很難一開始就規定完整，看到成果後，才說得清楚哪裡不足。這個過程讓經驗逐漸留下來，但它也有一個限制：從修改整理出的標準，首先涵蓋的是我已經察覺的問題。 沒注意到的條件，可能始終沒有進入清單。
而且，同一次修改可以留下不同深度的經驗。「不要把這兩年的數據畫成趨勢圖」，能避免特定錯誤；「比較之前要確認指標定義與樣本條件」，才有機會用到下一份不同的資料。若只記住這次要刪哪張圖，下次換個形式，問題仍可能出現。規則愈來愈多，並不能直接證明我們的判斷愈來愈完整；還要看它有沒有保留修正背後的理由。
有些留白，讓品質超出原本的想像
但這也不表示，我們應該盡可能把每一步都規定好。假設比較基礎已經確認，分析的目的也清楚，讓 AI 自行選擇圖表與整理方式，仍可能帶來更好的呈現。如果只接受自己慣用的格式，就可能錯過更容易理解的安排。回到作品集，我願意先看 AI 如何整理，也是希望它提出我還沒有想過的關係，而非只把既定分類填滿。
因此，沒有交代的事情需要再細分：有些是我知道、卻以為對方也知道的必要條件；有些是我尚未確定，刻意留下來探索的空間；還有一些，是我根本沒意識到需要確認的事。困難在於，開始時我們未必分得清楚。我們需要辨認哪些條件支撐成果成立，哪些做法只是自己已經用得很熟。 前者需要被說明與檢驗，後者則可以讓新的成果來挑戰。
即使是作品集，也仍有可以區分的地方：可以探索如何分類、如何敘述，卻需要守住經歷真實、個人貢獻清楚等條件。至於最終突出哪一面，則涉及我想向誰介紹自己、願意如何理解自己的工作。AI 的整理能參與這個思考，我仍需要說明自己接受它的理由。
讓標準保有被修正的可能
從這個角度看，與 AI 協作也在讓我們重新認識自己的工作習慣。熟練可能讓必要的判斷隱而不見，也可能讓習慣的做法看起來不可更動。前一篇談把判斷說清楚，這一篇則更想追問：當判斷被寫成標準後，我們是否仍願意檢查它的依據，以及它沒有涵蓋的部分？
整理作品集時，我選擇先留白，再透過成果理解方向；另一個人也可以先形成方向，再邀請 AI 參與。兩種方式都需要保留重新選擇的餘地。對我來說，值得練習的工作心態，是既能說明哪些條件不能忽略，也能承認好的成果可能超出自己原先的想像。當我們不再把熟悉等同於完整，判斷迴路才有機會帶來新的理解。
