30個人能在一天內就AI使用規則達成共識嗎？

一家30人的工程新創公司應該如何使用AI，又應該在哪些情況下拒絕使用？2026年9月，來自Lyfe Catalyst的資深引導者Jean Lou Fourquet與這家公司的全體團隊，用一整天的時間探討了這個問題。

大多數企業工作坊以良好的意願結束，卻沒有可以付諸行動的結果。這次工作坊最終形成了一份AI使用章程草案：團隊跨越分歧達成共識，再親自為這些原則排序。

關鍵在於依序使用Agora的兩種模式。對話模式在全天持續呈現團隊的共識與分歧。隨後，優先順序排序模式把達成共識的陳述轉化為按重要性排列的共同優先事項。

對話模式揭示群體的共識；優先順序排序模式決定先做什麼。

挑戰：工作坊傳遞了知識，卻沒有做出決定

AI培訓日通常遵循熟悉的流程：專家演講、熱烈討論，再加上幾張便利貼。每個人都有收穫，卻沒有形成決定。結論往往留在會議室裡，而且常常受發言最響亮或職位最高的人影響。

對這家新創公司而言，問題非常具體。團隊成員使用AI工具的方式和程度各不相同，卻沒有共同規則。有些問題涉及風險：能否將公司機器的圖面和參數輸入外部AI助理？另一些涉及公司的定位：公司宣傳其機器能減少30%的能耗，那麼使用耗能很高的AI，在多大程度上與這一理念一致？

當天的目標很明確：不只是提高認識，而是由團隊親自撰寫一份AI使用章程初稿，並對它擁有共同的責任感。

會前：從真實實務中提煉初始陳述

初始陳述來自團隊自己的經驗，而不是通用清單。工作坊開始前，參與者填寫了包含三個問題的表單：

1. 最近一次在工作中使用生成式AI工具（ChatGPT、Claude、Copilot）時，你具體提出了什麼要求？它為你節省了什麼，又讓你付出了什麼代價？
2. 如果要說服一位從不使用AI的同事，你工作中的哪一個具體用例確實值得採用？為什麼？
3. 如果要提醒一位經常使用AI的同事，哪一種具體情況絕不應該使用AI？為什麼？

這些回答被整理為初始陳述：具體、可討論，並使用團隊自己的表達方式。有些是規則，有些是良好實務，還有些是尚未解決的矛盾。例如：

• 「我們應該使用AI，根據工程師已經寫好的筆記來改寫和釐清報告，而不是讓它生成內容本身。」
• 「涉及機器圖面、示意圖和技術參數的任何工作，都應禁止使用外部AI助理。」
• 「採用新的AI工具前，我們應該將其環境足跡與實際節省的時間或帶來的品質提升進行比較。」
• 「我們應該鼓勵在設計過程中使用AI快速探索尺寸設計或計算方案，但最終決定仍由工程師做出。」

對話說明為新增貢獻設定了標準：具體建議比抽象原則更有價值。與其寫「我們必須負責任」，不如寫「在把AI生成的數字放入客戶交付成果之前，我們應該始終先查核」。

當天：一場從上午持續到下午的開放對話

Agora對話「我們希望如何在公司中使用AI？」於9:00現場開啟，所有人都透過手機加入。對話全天保持開放，現場持續展示QR碼。

參與者被邀請：

• 對每條陳述投票，選擇「同意」「不同意」或「不確定」
• 分享新想法
• 定期返回，對新增陳述投票

活動交替安排簡短演講與討論，內容包括AI的運作原理、環境和社會影響、民主數位科技的原則，以及在科研和工程領域審慎使用AI的方法。每個環節結束時，都會引導參與者返回Agora投票並補充陳述。演講為對話提供素材，對話又為下一輪討論提供方向。

15:45，團隊暫時停下，一起閱讀意見圖譜。他們明確指出並記錄存在分歧的陳述，而不是淡化分歧。目的是先把團隊看作一個整體：關注的不再只是「我怎麼想」，而是團隊整體處於什麼位置，然後再聚焦共識。

主要發現：共同基礎與真實分歧

截至當天結束，25名參與者針對42條陳述投出了730票。其中只有6條是初始陳述，其餘36條均由參與者在當天撰寫。

大家達成了哪些共識

Agora辨識出10條獲得兩個意見群體共同支持的陳述，構成了明確的共同基礎：

• 查核：只有在回到原始來源核實的前提下，才使用AI追蹤科技資訊。這條陳述的同意率為84%，是當天支持率最高的一條。
• 揭露：藉助AI製作的技術文件必須註明這一點（68%同意，無人反對）。
• 保護：涉及公司機器的圖面、示意圖和參數時，不使用外部AI助理（68%同意，無人反對）。向AI傳送任何公司資料都必須獲得公司批准（60%同意）。
• 培訓：每位新員工從到職第一天起，就應了解公司內部批准的AI使用方式（64%同意）。

值得注意的是，10條共識陳述中有7條由參與者在當天撰寫，而非由組織者預先準備。

哪些問題引發了分歧

• 「向AI提問之前，員工應先確認具備相關知識的同事是否已經知道答案。」
• 「我們是否應該開發公司專屬的內部AI？」

但團隊並不是簡單地分成支持AI與反對AI的兩派。只有8%的人認為公司完全不應使用AI。這些分歧被保留為章程中有待繼續討論的問題，而不是強行達成一致。

兩個意見群體

• 務實派（15人，60%）：認為負責任地使用AI能夠帶來價值。他們全都支持在查核來源的前提下使用AI追蹤技術資訊，以及將繁瑣流程自動化。他們希望保護個人資料，並由公司支付AI訂閱費用。
• 人本派（6人，24%）：優先考慮人的專業能力與人際互動。其中83%認為，生成式AI的社會和環境成本遠高於加快任務速度帶來的收益；務實派中持這一觀點的比例為20%。三分之二的人認為，涉及人際互動的流程絕不應由AI完全自動化。

未被歸入意見群體的參與者（4人）對少於7條陳述投過票。

從共識到優先事項：為章程排序

共識告訴團隊大家同意什麼，卻不告訴團隊從哪裡開始。因此，當天的工作沒有停留在意見圖譜上。

這10條獲得跨群體共識的陳述被移入第二場Agora對話，這次使用優先順序排序模式。參與者對這些陳述進行相互比較並排序。目標不是面面俱到，而是得到一份既有共識基礎、又具有優先意義的簡短清單。

排名靠前的共同優先事項包括：

1. 使用AI時，我們應該留意可能暴露的機密內容，以防止資料外洩、製程被竊取等風險。
2. 我們允許使用AI加快科技資訊追蹤工作（例如總結論文和專利），但在依據資訊採取行動前，必須始終回到原始來源核實。
3. 使用AI進行研究時，使用者必須查核至少一部分來源。

16:30，團隊朗讀了根據排序結果形成的章程草案，並將其採納為一份持續更新的文件。此後，每三個月由一個抽籤產生的委員會重新審議。

為什麼這很重要：集體理解，而不只是腦力激盪

腦力激盪收集想法，集體理解則呈現群體真正的想法。Agora圖譜給團隊提供了兩種依據：可以據此推進工作的共同基礎，以及值得繼續討論的分歧。參與者能夠深入探討不同意見，並在已有共識的地方合作。

兩種模式回答不同的問題：

• 對話模式：跨越彼此的差異，我們同意什麼？
• 優先順序排序模式：在已經達成共識的事項中，什麼最重要？

兩者結合，讓一天的演講與討論形成了團隊共同擁有的成果。規則不是由管理層或引導者自上而下制定，而是來自將要執行這些規則的人。

展望未來

這份章程從一開始就被設計為持續演進的文件。每季度由抽籤產生的委員會進行審議，讓它隨著工具、使用方式和團隊的變化而更新。

這種形式遠不止適用於AI：任何面臨共同決策的組織都可以採用相同流程。

工作坊不必止步於良好意願。採用合適的流程，就能形成整個團隊共同支持的優先事項。

想舉辦類似的工作坊嗎？

Lyfe Catalyst是Agora的官方合作夥伴，可以為您的團隊、社群、學生或合作夥伴設計並引導工作坊，討論AI或任何其他需要共同做出的決定。聯絡Lyfe Catalyst。

您已經是一位經驗豐富的引導者？立即開始使用Agora，或直接與我們交流。