有次上課，我的學員是一位非常資深的企業人資顧問。工作二十幾年，專業能力很強。平常用電腦就是收信、回信、開 Word、開 Excel，檔案習慣用幾個 USB 隨身碟管理。
在我開始教 Claude Code 之前，我以為「門檻比較高的地方」是操作介面。
我錯了。
真正的門檻更前面。在他能學會怎麼用 Claude Code 之前，我必須先處理一批他從來不知道自己不知道的事。
以下是我在教這類學員時，反覆遇到的五個知識落差。
1. 習慣自己動手，不習慣指揮 AI
最常見的場景：學員一碰到任何問題，第一反應是自己去弄。滑鼠移過去、開視窗、開始操作。
他沒有意識到，這件事可以叫 AI 做。
他認為 AI 就是一個可以「回答問題」的東西，不是一個可以「幫他做事」的工具。
我的處理方式： 在他伸手去動的那一刻打斷他，說「等一下，試試看叫 AI 幫你做」。讓他看到結果。接著打開工具調用鏈，讓他看見 AI 背後在做什麼——不是魔法，是一步一步有邏輯的執行。這個透明度非常重要，它讓學員從「覺得神奇」變成「覺得可以信任」。
2. 對自己的指令缺乏信心，不知道怎麼開口
很多人對著空白的輸入框發呆。
他不是不知道自己要什麼。他只是不確定「這樣說對不對」「AI 聽得懂嗎」「我的問題是不是太笨了」。
這個猶豫讓很多人在學習的第一關就卡住。
我的處理方式： 先請他把需求講給我聽。他說完，我一字不漏打給 AI。讓他看到「你怎麼對下屬說話，就可以怎麼對 AI 說話」。我有時候直接開語音輸入，請他口說，讓 AI 聽。口語比打字更自然，對這類學員幫助很大。
3. 只有模糊的想法，就認為 AI 無用
「我也不知道我要做什麼，所以 AI 應該也幫不上我。」
這個誤解很普遍。他認為 AI 需要一個清楚的指令才能運作，而他自己的想法還沒那麼清楚，所以 AI 暫時幫不上忙。
實際上，這恰好是 AI 最有用的地方之一。
我的處理方式： 請 AI 上網搜尋、問他幾個問題，用計畫模式給他一個草案。讓他看到草案就會有靈感，接下來就可以繼續了。「讓 AI 把你的模糊想法具象化」，是這類學員最容易看到價值的場景。
4. 不知道怎麼把前 AI 時代的能力帶過來
這一條最值得細說。
很多在技術圈外的資深工作者，他們有非常好的判斷力、管理能力、溝通能力。但他們誤以為這些跟 AI 協作「無關」，覺得自己需要從零開始學一套全新的東西。
其實不是。
我的方式是把 AI 協作對應到他熟悉的工作語言：
- 「如果沒有 AI，你會怎麼做這件事？第一步是什麼？」——拆任務
- 「這個步驟你預計讓他跑多久？如果跑五六個小時出來不對，你會怎麼想？」——先小規模試
- 「你怎麼讓對方知道你想要的規則？」——給範例
- 「這個東西做好之前，你會拿去給客戶看嗎？」——先在安全環境測試
他聽到這些，通常會說：「這就是一般管理啊。」對，就是。AI 協作的底層邏輯，跟管理一個有能力但需要明確指示的新員工差不多。
5. 不知道電腦的操作邏輯跟人類工具根本不同
這是最底層的一條，也是最少人講的。
人類介面（GUI）是為人類設計的：點擊、拖拉、看圖示。但電腦跟外部服務溝通的方式是 API，是結構化的格式，不是圖形介面。
Claude Code 能做的很多事，是因為它可以直接透過 API 跟各種服務溝通。但如果學員不理解這個基礎，他會誤以為「Claude Code 只能做他看得見的那幾件事」，而不知道這個工具的真正邊界在哪裡。
沒有裝工具的 AI，就像在飛航模式用電腦——功能受限，到處碰壁。
我的處理方式： 不去教 API 是什麼，而是讓他看到「裝了工具之前 vs 裝了工具之後，Claude 能做的事有什麼差別」。讓他透過對比感受到，而不是透過理論理解。
這五件事，在技術圈裡幾乎沒有人會特別提，因為大家都預設對方知道。但在技術圈以外，這是 80% 以上白領工作者的真實起點。
帶麻瓜學 AI，第一步不是教他用工具，是幫他重新理解他跟工具之間的關係。