『既然 AI 什麼都能做，實體教室和企業內訓是不是就沒有價值了？』
答案恰好相反。課堂的價值不再是單向傳遞知識，而是帶領大家學會「如何管理、引導和糾正 AI」。如果你只把 AI 當成翻譯機或搜尋引擎，那人類遲早會淪為 AI 的補丁，這點價值是非常低的 。以下我用這次帶領學生分析「克利爾布魯克糖尿病中心（CDC）」資料庫設計個案的流程，來說明我如何將生成式 AI 務實地融入個案教學。這個流程不只適用於大學生，對企業經理人也完全通用。
第一步：課前預習，將 AI 當作思考的對練對象
在上課前，學生必須閱讀 CDC 的個案內容，了解這家醫療機構如何面臨紙本記錄繁雜、無法有效追蹤病患血糖與營養數據的困境 。我要求學生在課前先與 AI（如 Gemini）討論個案，並把可編輯的對話紀錄匯出上傳 。
在課堂一開始，我會挑選幾份做得好的對話紀錄展示給全班看 。好的 AI 對話不是單純丟問題要解答，而是持續追問。例如，當學生不清楚資料庫設計的「複合鍵」或「一對多」概念時，他們要求 AI 解釋，甚至進一步探討如何整合第三方數據（如不同廠牌的血糖機或運動錶）以確保資料一致性 。透過檢視這些紀錄，我讓大家知道：提出好問題，比直接拿答案重要得多。
第二步：領域知識先行，絕對不讓 AI 先動手
進入核心的資料庫設計階段，我們使用的是巴克表示法（Barker Notation）。我嚴格要求學生先放下 AI，拿出手邊的紙筆或平板，手動把個案中的實體（Entities，如病患、衛教師、預約、診間）、屬性（Attributes）以及它們之間的連線關係（一對多、多對多）畫出來 。
為什麼要這麼做？因為 AI 不會通靈 。如果你對領域知識（Domain Know-how）一無所知，AI 吐出錯誤或過度簡化的架構，你根本無從判斷 。你必須自己先跑過一次流程，感受設計資料庫時要在「詳盡」與「精簡」之間取捨的掙扎，後續你才有能力去糾正 AI 的錯誤 。
第三步：AI 協作，從草圖到具體交付物
當學生腦中有了基本架構後，我才開放他們呼叫 AI 幫忙。
- 邏輯梳理與修正： 學生把手繪的草圖拍照，連同個案文本一起上傳給 AI，請 AI 根據巴克表示法的邏輯，檢查他們的屬性遺漏和關聯性錯誤 。
- 產出 SVG 向量圖： 接著，我會示範如何要求 AI 將資料庫模型渲染成 SVG 向量圖 。即使跑出來的圖有破圖或錯誤，只要把錯誤碼丟回給 AI 修正即可 。
- 建立可操作原型：最後，是 AI 利用這些資料表結構，直接寫出一個可以下載、可以實際填入資料的資料庫表單 。這讓商管領域的人了解，就算你不會寫程式，只要邏輯清晰，你就能利用 AI 快速做出能跟工程師溝通的原型 。
第四步：回歸管理本質，解決真實痛點
科技只是工具，管理才是核心。做完技術操作後，我們必須把視角拉高。
我們討論建立這個資料庫的商業與組織目的：它不只是為了減少櫃檯人員登錄資料的繁瑣時間，更是為了讓衛教師能利用這些資料找出病患的行為趨勢，避免誤判，進而改善病患的健康 。
更重要的是「擴散」的難題。如果 CDC 要把這個成功的數位系統推廣到其他中心，會遇到什麼阻礙？學生很快就想到：
- 資料隱私與權限管理：誰有權限查看資料？甚至是修改資料？
- 員工抗拒：對於拒絕改變的老員工或不習慣數位工具的高齡病患，該如何提供獎勵或簡化操作流程 。
- 硬體標準化：病患使用的測量設備（如不同廠牌的手錶或血糖機）格式不一，該如何說服病患轉換，或是在系統端做好資料介接 。
身為經理人，你必須精算：解決舊痛點所帶來的效益（C），是否大於導入新系統的成本（A）加上解決新衍生問題的成本（B）。只有當 C 大於 A+B 時，這才是一個值得推動的數位轉型專案 。
第五步：知識封裝，建立自己的 AI 工作流
課程最後，我會教導如何把整堂課的知識沈澱下來。我請學生打開 NotebookLM，匯入三個東西：
- 剛剛畫的資料庫架構照片 。
- CDC 的原始個案文件 。
- 我提供的整堂課錄音逐字稿 。
透過這三個來源，學生可以直接讓 AI 總結當天的學習重點，並延伸未來的思考方向 。
此外，我也公開了我自己設定的 AI 系統指令（System Instructions），教他們如何在 Gemini 或 ChatGPT 中建立專屬的「Gems」或「GPTs」。例如，如何設定分段翻譯的指令，或是如何設定精確的課堂筆記整理邏輯 。這就是「知識封裝」的過程，讓他們把重複性的繁瑣工作自動化，專注在更有價值的事情上。
把 AI 帶入課堂或內訓，目的不是展示技術有多炫，而是讓大家體驗「拆解問題、建立邏輯、善用工具、回歸管理決策」的完整循環。
你想了解如何針對你們公司目前的內部教育訓練，設計一堂結合真實商業痛點與 AI 實作的實戰工作坊嗎？歡迎一起交流！
