AI 需要資料，因為它需要知道要依據什麼回答
很多人會覺得 AI 很聰明，所以應該什麼都知道。這個想法容易讓人忽略一件事：AI 要回答得貼近你的工作，通常需要你的資料和情境。
如果你問「幫我寫一封回覆客戶的信」，AI 可以寫。但它不知道客戶原本說了什麼，不知道公司能不能退費，不知道你們的服務條款，也不知道主管希望語氣強硬還是溫和。
這些就是資料。資料不一定是大型資料庫，也可以是一段客戶訊息、一份會議紀錄、一張表格、一份產品規格，或你補充的背景。
AI 需要資料，不是因為它不夠強，而是因為沒有資料，它就只能用通用模式回答。通用回答看起來順，但不一定適合你的工作。
資料角色
AI 回答要貼近工作，就需要足夠情境資料
資料品質會決定 AI 結果品質
AI 很常被形容成放大器。你給它清楚資料，它可以更快整理出有用結果。你給它混亂資料，它也可能更快產生混亂結果。
資料品質包含幾件事：內容是否完整、來源是否可靠、欄位是否一致、格式是否清楚、是否有過期資訊、是否混進無關內容。
例如你要 AI 幫你整理銷售表格，但表格裡有些欄位空白，有些客戶名稱寫法不一致，有些日期格式不同。AI 可能還是能整理，但結果會變得不穩。
這就是為什麼真正使用 AI，不是只學 Prompt。你也要開始有資料觀念。資料越乾淨，AI 越容易變成幫手。資料越亂，AI 越容易變成風險來源。
品質檢查
資料進 AI 前，先看四個品質問題
Prompt 很重要，但資料常常比 Prompt 更重要
很多人遇到 AI 回答不好，第一個反應是找更強的 Prompt。這不一定錯，但有時候真正的問題不是 Prompt，而是資料不足。
你請 AI 分析一份履歷，卻沒有提供職缺內容。你請 AI 寫客服回覆，卻沒有提供客戶問題。你請 AI 產生報告摘要，卻只貼了一小段不完整資料。這時候 Prompt 寫得再漂亮，結果還是有限。
好的 Prompt 可以讓 AI 知道任務方向，好的資料則讓 AI 有東西可以依據。兩者要一起看。
這個觀念對轉職很重要。因為 AI 工具不是只靠一段神奇提示詞。你還要設計資料怎麼來、怎麼整理、怎麼送進模型，以及結果怎麼被檢查。
工作裡的資料，通常就藏在文件、表格和訊息裡
當你聽到資料，可能會想到資料庫、工程系統或很大的數據。但對一般上班族來說，最常接觸的資料其實很普通。
你的 Email 是資料，會議紀錄是資料，PDF 文件是資料，Excel 表格是資料，客服對話是資料，社群留言也是資料。
AI 工作應用的第一步，常常就是把這些散落的資料整理成可以使用的形式。你把資料整理得越清楚，AI 就越能幫你摘要、分類、比較、判斷下一步。
所以不要覺得資料是資料工程師才需要懂。只要你想讓 AI 真正幫你處理工作，你就需要基本資料觀念。
職場資料
上班族每天都在接觸資料，只是以前沒這樣稱呼它
資料也代表風險，不是什麼都能丟給 AI
資料越重要，越要小心。客戶個資、公司內部策略、合約內容、財務資訊、員工資料，都不應該隨便貼進不確定的 AI 工具。
新手常只看到 AI 很方便，忘記資料一旦送出去，就可能涉及隱私、權限和公司規範。這不是嚇你，而是工作上一定要有的基本判斷。
比較安全的做法，是先分級。低風險資料可以拿來練習，高風險資料要遮蔽、摘要、去識別化，或只在公司允許的工具裡處理。
會用 AI 的人，不是用得最多的人，而是知道什麼資料能用、什麼資料不能用、什麼資料需要先處理的人。