我們如何使用 AI
我們每天在自己的工作中使用 AI。
多數顧問實務告訴你該怎麼用 AI，卻不展示自己用 AI 在做什麼。這一頁反過來：具名的工具、具名的治理決定。我們套用在客戶合作上的同一套方法論、框架與量測標準，也治理我們自己的 AI 使用。我們不會推薦給客戶的東西，自己也不會跑。
為什麼我們公開這些：杜克大學的研究（PNAS 2025，n>4,400）發現，工作中使用 AI 的人會被認為較懶散、能力較弱——除非評斷者本身也使用 AI。12 當使用是可見的，這項成本就消失了。所以我們展示。
我們的運作層級
我們的運作層級是 Coach。
我們訓練客戶走過的四個認知層級（Intern、Coworker、Teacher、Coach）同樣套用於內部。我們的運作層級是 Coach：AI 挑戰假設、壓力測試決定、揭露盲點、對薄弱的推理進行反駁。本站上的每一份公開產出、每一份客戶交付物、每一份合作設計，都先以 AI 作為思考夥伴測試過才交付。人類擁有產出。AI 之所以贏得位置，是因為它讓產出更難出錯。
我們使用的工具
在我們日常實務中運作的 AI 工具——用於起草、程式、研究與營運。工具相關的知識大約 90 天就會折舊，所以以下這份清單是有時效的。在預設這些內容仍然是最新之前，請先確認頁尾的「上次審閱」時間戳。
Claude Code (Anthropic)
程式、腳本與技術文件的主要工具面。Far West 內部運行一套生產規模的 Claude Code 環境，含多代理人工作流與 MCP 整合——與我們向客戶提案的基礎設施同一套。
Claude Pro + Projects (Anthropic)
客戶面向起草工作的主要工具面：案例研究、訓練素材文案、內部備忘、合作設計。每個合作專屬的 Project 都將客戶的聲音描述納入為指引。
MCP 整合（多個）
連接 Claude 與實際工作工具的 Model Context Protocol 伺服器：Obsidian 作為專案知識庫、Firecrawl 用來查核研究宣稱的原始來源、Sequential Thinking 用於多重限制條件的規劃、scheduled-tasks 處理週期性運作。
Microsoft Copilot for M365（Excel、Outlook、Word）
用於產出本來就在套件裡的工作：Excel 中的差異說明、Outlook 中的起草—再編輯、Word 中的結構化備忘。我們使用它，因為客戶在用。
ChatGPT、Gemini、Perplexity、NotebookLM
跨平台測試、研究驗證，以及對我們訓練客戶使用的工具保持熟練度。訓練目錄裡的每一項工具都是我們在用的工具，所以教學反映的是目前的能力，而不是上一季的說明文件。
我們如何為工作選擇工具
工具跟著工作流走。每一次都是。
結構化起草 + 複雜推理
Claude
程式、腳本、技術建置
Claude Code
Microsoft 原生工作流
Copilot
研究 + 來源查核
Perplexity（速度）、NotebookLM（深度）
跨平台熟練度
ChatGPT + Gemini
多工具編排
MCP 整合
選擇原則：沒有任何工具是萬用預設。每一項都要靠它對所服務的工作流的適配度，來贏得位置。當客戶問「我們應該用哪個 AI 工具？」答案永遠是「為哪一條工作流？」——而我們能展示這套推理，因為我們每天都在做同樣的決定。
我們如何治理自己的 AI 使用
我們套用在客戶身上的同一套框架，治理這間事務所。
我們向客戶提案的治理標準——NIST AI RMF 用於風險識別、ISO/IEC 42001 用於管理系統層——同樣套用於 Far West 自己的 AI 基礎設施。不是一句行銷宣稱。是運作標準。
風險識別（NIST AI RMF，內部套用）
每一份 AI 輔助的產出都帶有風險：事實錯誤、幻覺、聲音漂移、機密外洩。我們依產出物類型分類風險。客戶面向的交付物受最高審查強度；內部營運使用採標準控管；研究與構思採基線查核。
控管設計
每一條引用的來源在發布前都會對照原始出版物確認——與套用於客戶合作的同一條廠商宣稱折扣規則。AI 起草的內容會由實務者逐行檢視，才會送到 Far West 以外的任何受眾面前。
營運究責
每一個 AI 輔助的決定都有一位紀錄上的負責人：Paul。沒有任何自動化產出在未經人類審查的情況下交付到客戶手上。沒有任何 AI 生成的建議能凌駕實務者的判斷。診斷引擎建議；實務者拍板。
資料處理
進入任何 AI 工具的客戶資料皆遵循我們的保密與資料治理標準。合作專屬的資料留在合作專屬的 Project 內。沒有任何客戶資料被用於訓練外部模型。保密協議（NDA）為標準配置。
我們如何將 AI 用於研究
AI 輔助研究。不取代查核。
AI 工具加速文獻回顧、來源識別、引文查核。它們不決定證據在說什麼。本站上每一條引用同行評審研究的宣稱，都已對照原始出版物確認過，而不是對照 AI 的摘要。當廠商生產力宣稱與同行評審發現不一致，我們以同行評審的證據為準。套用在客戶合作上的是同一條標準：依據實證設計，而不是依據行銷。
我們不外包給 AI 的事
有意思的問題不是 AI 出現在哪裡。是它不出現在哪裡。在我們的實務裡有三個類別保持由人完成；在你的實務裡也會是同樣這三個類別。
判斷的拿捏。
某位客戶是否適合某項合作。某項建議是結構上誠實，還是只是有利可圖。某份草稿讀起來是真誠，還是只是乾淨。這些決定由實務者承擔，不是工具。
受規管的決定。
任何牽動具法規分量的客戶資料的事項（PIPEDA、GDPR、領域別規範）走我們的治理框架，不走生成模型。AI 協助起草一份關於規範的備忘；規範本身是由人閱讀、由人查核、由人引用。
聲音。
案例研究、提案，與本頁的聲音都是 Paul 的。AI 協助起草與結構；聲音本身在每一份公開產出上逐句檢視。若某句讀起來像生成的，就改寫或刪掉。
與客戶工作的連結
我們賣什麼，就跑什麼。
訓練目錄裡的每一項工具都是我們在用的工具。我們向客戶提案的每一套治理框架，治理我們自己的運作。我們套用在客戶成果上的每一條量測標準（行為改變、產出品質、工作流留存），也套用在我們自己的 AI 使用上。方法論不是理論。基礎設施不是展示。四個認知層級不是我們描述的訓練模型。它們就是我們每天工作的運作層級。如果我們自己過不了自己的診斷，就不會把這份診斷提案給客戶。
參考文獻
12Reif, J.A., Larrick, R.P., & Soll, J.B. (2025). Evidence of a social evaluation penalty for using AI. Proceedings of the National Academy of Sciences. n>4,400 across four experiments. DOI: 10.1073/pnas.2426766122.
Far West Consulting 引用的完整實證基礎，請見 參考文獻頁。