近年來各地學校都在加速導入人工智能（AI），教師利用生成式AI製作教案、簡報，行政人員以AI處理會議紀錄，更有學校甚至把AI應用延伸到校務分析、課程規畫及學生自主學習。
如果幾年前的問題是「學校要不要使用AI」，那麼在AI進入教育現場後，這個問題已逐漸失去討論的意義。真正值得討論的反而是：當AI從偶爾使用的工具，逐步成為學校日常運作的一部分，我們是否也陷入另一種新的依賴？
問題未必出在AI本身，許多學校往往在工具快速增加之後，才開始思考系統之間是否互通、學生資料能否轉移，以及若未來想更換系統，究竟要付出多少成本。
AI教育下一階段需要處理的，或許不是工具的軍備競賽，而是建立一套更清楚的導入原則。
先診後藥（Problem before Product）
教育科技很容易陷入一種迷思，一套系統可以生成教案、整理簡報、批改作業、帶來學習洞察；另一套又增加行政管理、親師溝通或個人化學習。功能愈來愈多，學校也很容易從「我們有什麼問題」轉向「這套AI還可以幫我們做什麼」。
如果先從產品出發，學校可能不斷尋找使用場景；如果先從教育問題出發，則必須先回答：目前哪一個工作流程真的出了問題？AI介入之後，希望改善的是時間、品質、學習效果，還是教師負擔？要用什麼證據判斷改善真的發生？
AI教育應優先遵循Problem before Product，不是因為一項工作可以使用AI，就代表它必須使用AI。工具選擇之前，應該先完成問題定義。
可攜為先（Portability before Personalization）
AI教育另一個常見願景，是「個人化學習」。
理論上，學生累積的資料愈多，AI便愈能理解其學習歷程、能力差異與需要。不過，這個願景有一個經常被忽略的前提：資料必須能夠持續累積，而且不同系統之間至少要有一定程度的互通。
問題是當不同科目、年級與學校採用不同AI系統，每一套系統都可能使用不同賬戶、資料格式與儲存方式。學校看似累積了大量數位資料，實際上卻可能形成一座又一座彼此分離的資料孤島。
這會產生一個弔詭：AI用得愈多，資料可能愈多；但資料愈多，卻未必愈能拼湊出完整的學習歷程。
換言之，在談個人化之前，應該先處理可攜性的問題。學生轉校時，資料能否帶走？學校更換系統時，過去數年的紀錄是否仍可使用？系統停止服務時，資料能否以通用格式保存？如果這些問題沒有答案，所謂「個人化學習」很可能只是特定系統內部的個人化，而不是學生真正可以持續擁有的學習歷程。
未思退 勿輕進（Exit before Entry）
AI系統真正的成本，往往不是第一年的採購價格。一套系統使用愈久，學校投入的便不只是授權費，還包括教師培訓、學生使用習慣、行政流程，以及多年累積的資料。當這些投入逐漸形成慣性，即使後來出現更合適的系統，更換系統也可能變得愈來愈困難，這即是教育科技最昂貴的「退出成本」。
這意味着，學校採購AI時，不應只問它今天具備什麼功能，也應該及早思考一些更重要的問題：資料可以完整匯出嗎？採用什麼格式？轉移到其他系統需要多少成本？停止服務後資料如何處理？不用這套工具之後，原有教學與行政流程還能不能運作？
換句話說，AI教育需要第三個原則：Exit before Entry。如果一套系統連如何退出也說不清楚，學校或許還沒有準備好讓它進入核心流程。這並不是反對長期使用某套系統，而是要求學校保留改變決策的能力。
AI成熟度也可用「選擇權」衡量
我們很容易用AI工具的數量衡量一所學校是否創新：教師用了多少工具、學生完成多少AI作品、有多少行政流程開始自動化。另一種AI成熟度可能更值得注意：學校在導入科技之後，還剩下多少選擇？
今天可以採用，明天也可以更換；資料可以累積，也可以帶走；科技可以改變工作流程，但學校不必因此永久依賴特定系統。
所以，AI教育真正需要建立的，未必只是更快的採用能力，而是更好的判斷與修正能力。
教育界正在快速學習如何使用AI，真正的考驗也許不是再學一套新工具，而在於確保使用科技之後，我們仍然有能力改變方向。
撰文：鐘國晉
長期關注科技政策、產業結構與決策風險，研究與寫作背景橫跨科技與知識產權領域。近年聚焦於高度不確定環境中，制度敘事與資訊品質如何影響組織判斷與行動。