AI 幾分鐘做出一門課，但人學得沒有比較快

AI 現在能在幾分鐘內把一份素材轉成結構完整的課程——章節、學習目標、測驗題、摘要一應俱全。而人類消化這些內容所需要的時間，與五年前沒有差別。這個落差看似只是效率問題，實際上正在改變學習環境的性質。

過去，製作課程的成本是一種天然的篩選機制。開發一門課需要投入數十到數百小時，因此組織必須先問：這門課真的需要嗎？誰要學？學完之後要能做什麼？這些問題不是因為大家特別嚴謹才問，而是因為成本逼著人問。

當製作成本趨近於零，這道篩選就消失了。可預期的結果是課程數量暴增——每個部門都能生出自己的訓練模組，每個主題都能有一門課。而學習者的時間沒有增加，注意力也沒有增加。於是真正的瓶頸從「有沒有課」移到了「該學哪一門」，而多數組織的機制還停留在前一個階段。

第二個後果是品質訊號失效。過去一門製作精良的課程本身就代表有人認真投入過；現在光看外觀已經無法分辨——AI 生成的課程在版面、結構、完整度上都相當漂亮。判斷品質需要實際檢視內容的準確性與教學設計的合理性，而這件事的成本並沒有下降。

第三個後果比較細微但影響長遠：內容與練習的比例失衡。AI 擅長生成的是內容——解說、範例、摘要。而學習真正發生在練習、回饋、修正的循環裡，這部分需要有人設計情境、判斷回應、提供針對性的指導，難以被自動化。當內容的供給暴增而練習的量能不變，課程會越來越像資料庫，而不是訓練。

比較合理的因應方向，是把重心從製作移向策展與驗證。具體來說：不是問「我們能不能做這門課」，而是問「學完之後應該能做什麼、怎麼確認」；不是比較課程數量，而是追蹤實際完成後的行為改變；並且把省下來的製作時間，投入原本最缺的部分——設計練習與提供回饋。

值得補充的是，這個現象並非只發生在企業訓練。學校端同樣面對它：教師現在能快速生成教材與練習題，而學生的時間仍然固定。同樣的問題會以「作業變多」的形式出現。

業界分析人士指出，任何生產環節被自動化之後，瓶頸都會移動到下一個未被自動化的環節，而組織通常要花幾年才會意識到自己該重新配置資源。

對台灣的教育與訓練單位而言，這個提醒可以轉成一個很實際的檢查：如果今年的課程數量比去年多了一倍，學習者的完成率與實際應用率有沒有跟著變化？如果沒有，那麼多出來的那一半，可能只是增加了選擇的困難。