在生成式 AI 席捲各產業的當下，大型語言模型 (LLM) 的輸出品質卻常受限於「語言精準度」的缺失。有趣的是，這項挑戰正讓文科生迎來一場「邏輯逆襲」，他們所擅長的古典修辭學，成為引導 AI 產生精準且具商業脈絡回應的關鍵，尤其在提示工程（Prompt Engineering）領域，其價值日益凸顯。
現象觀察：AI 時代的「精準度」瓶頸
儘管開發者們持續優化參數、推升算力，並調整模型架構，但當生成式 AI 技術實際應用於企業時，卻經常面臨一個尷尬的瓶頸：即使擁有最強大的模型，其輸出的結果仍顯平庸，甚至可能偏離實際的商業脈絡。許多人習慣將此歸咎於 AI 的「幻覺」，認為是訓練資料不足、模式誤判或上下文理解偏差所致。然而，這其中更深層的問題，其實是對於「語義精準度」的嚴重缺乏，這正是當前技術發展中被低估的關鍵環節。
過往的資訊時代，人機互動的核心奠基於「語法」（Syntax），我們必須學習電腦能理解的程式語言，將人類意圖轉譯為嚴謹的邏輯結構。然而，進入大型語言模型（LLM）的時代，核心已然轉向了「語義」（Semantics），也就是對語言意義的精準定義與邏輯架構。這項轉變，正悄然凸顯出文科背景人士在解讀與形塑語義方面的獨特優勢。
原因剖析：人類「不會發問」的挑戰
大型語言模型本質上是一座龐大的機率預測機器，它根據上文來預測下一個字詞出現的機率。然而，商業決策與創意產出，往往需要的是「符合特定脈絡的精準解方」，而非模糊的機率組合。筆者觀察到，目前的技術瓶頸，其實很大一部分在於人類「不會發問」。當開發者過度依賴調整模型參數，例如 Temperature 或 Top-P 等，卻忽略了指令中詞彙的權重與語境的邊界時，AI 的輸出結果自然會滑向模糊與不確定。這正是文科生對語言細微差別的敏感度，能夠精準填補機率輸出與精準需求之間鴻溝的關鍵。
「在 AI 時代，被低估的關鍵能力之一，是對語義的精準定義與邏輯架構，這也正是文科背景者的守備範圍：提示工程（Prompt Engineering）。」
影響評估：古典修辭學在提示工程中的應用
在討論提示工程（Prompt Engineering）時，不少人習慣尋找現成的「模板」來套用，卻忽略了其背後的學術根源。追溯至兩千年前，亞里斯多德（Aristotle）提出的古典修辭學，其三個核心概念竟能為提示工程提供一套完善的框架，讓 AI 的回應更具深度與廣度：
- 人格特質（Ethos）：透過在 Prompt 中明確設定角色（Persona），例如要求 AI 以「資深顧問」或「批判性學者」的身份回應，就能有效縮小模型的搜尋範圍，並顯著提升輸出的權威性與針對性。
- 情感共鳴（Pathos）：精準定義目標受眾，能讓文科背景人士發揮其獨特優勢，深入分析讀者的心理預期，進而引導 AI 調整語氣（Tone of Voice），使內容不僅正確無誤，更能具備強烈的穿透力與感染力。
- 邏輯論證（Logos）：這可說是提示工程的核心。藉由「思維鏈」（Chain of Thought）等手法，將複雜問題拆解為層層遞進的論點，確保 AI 的推理過程嚴謹且具說服力，避免產生邏輯上的謬誤。
筆者認為，一位優秀的提示工程師，其能力在於構建一個邏輯嚴密的場域。當我們運用修辭學中的「結構化敘事」來約束 AI 的發散性思維時，大型語言模型所展現出的邏輯程度會更為嚴密，產出也更符合人類的預期。
趨勢預測：文科生在 AI 時代的策略性優勢
長期以來，文科生常被標籤化為「感性、缺乏邏輯」，然而現今的 AI 時代，這樣的偏見正在被翻轉。這是因為自然語言的邏輯本質是「開放式」的，而文科訓練中強調的批判性思考、文本解構與詮釋學，正是處理這類開放式問題的利器。
當企業需要將抽象的願景轉化為 AI 可執行的具體步驟時，文科生所具備的「定義模糊邊界」與「脈絡化思維」能力便顯得至關重要。他們能釐清概念與概念之間的邏輯關聯，有效避免 AI 在概念滑轉中產生「幻覺」，並能深入理解技術產出在社會、法律或道德層面可能帶來的影響。這些，都是單純優化演算法所無法觸及的領域。
「文科生的競爭力不僅是產出內容，更在於『設定標準』。在內容生產過剩的未來，需要具備審美眼光、價值判斷與邏輯檢核能力的文科通才，將成為管理 AI 決策的關鍵人物。」
可以這麼說，AI 雖然降低了技術門檻，卻反而拉高了「敘事門檻」。未來，真正能脫穎而出的人，將是那些既能理解技術潛力，又能以深刻的人文視角進行跨學科敘事的人。所謂「跨學科敘事力」，指的是將枯燥的數據、複雜的模型邏輯，轉化成具備商業洞察與情緒價值的價值主張。當 AI 越強大，對「人之所以為人」的論述就越顯重要，社會更需要的是能與機器深度對話，並在對話中堅守邏輯底線與創意靈魂的人。
