30 天不會把零基礎使用者變成 AI 工程師，但足以測出一件更重要的事：你能不能用 AI 完成一個真實任務，指出答案哪裡需要查證，並把成功做法留成下次可重複的流程。
如果你平常只偶爾聊天、收藏工具清單，卻不知道怎麼把 AI 放進工作或學習，這份路線就是起點。每天預留 20–30 分鐘即可；時間更少時延長週期，不必為了追日期跳過練習。
整個月只需要一個主力聊天工具、一個真實任務與一份練習紀錄。先把方法練穩，再決定要不要學自動化、API、Python 或機器學習。
開始前先選對自學目標
「學 AI」至少有三種不同目標。選錯路線，最容易發生學了很多名詞，卻無法完成手上的事。
想把 AI 用在日常工作或學習： 直接照本文走。重點是描述任務、提供資料、檢查答案、保護隱私與保留人工決定。完全不需要先會寫程式。
想做自動化或串接工具： 先完成本文，再補試算表結構、API、JSON、權限與錯誤處理。這時可接著讀 AI 應用怎麼做，不要第一天就把聊天、資料庫與 Agent 全串在一起。
想訓練模型或成為 AI 工程師： 這 30 天只當使用者基礎。後續還要學 Python、線性代數、機率、資料處理、機器學習與評估；可從 機器學習入門建立正確概念。
UNESCO 的 AI 學生能力框架把能力分為理解、應用、創造三個進程，並涵蓋人本思維、倫理、技術與系統設計。對零基礎者來說，先成為能判斷、能負責的使用者，再走向創造，會比背模型名稱更穩。
開始前建立一個資料夾，保存五種內容：任務原文、使用的 Prompt、AI 原始輸出、你的修正版、驗收紀錄。不要在紀錄中留下客戶個資、密碼、未公開文件或可辨識的病歷資料。
30 天路線總覽
第 1–3 天： 選一個真實任務，定義不能交給 AI 的決定，留下任務卡與風險界線。
第 4–7 天： 固定使用一個工具，完成三次低風險練習，保存原文、輸出與人工修正版。
第 8–14 天： 練背景、限制、格式、範例與追問，做出一份可重複的 Prompt 範本。
第 15–21 天： 查來源、日期、數字、隱私與不確定性，留下三筆查核紀錄與資料清理規則。
第 22–27 天： 把任務拆成輸入、處理、驗收與交付，畫出工作流程並寫下失敗時如何停止。
第 28–30 天： 換一份新資料重跑完整流程，完成一件期末作品與自評。
30 天只是練習框架。某一階段還無法獨立完成，就多練幾天；「照表走完」不等於已經能安全使用。
第 1–7 天：先完成三個低風險任務
第一天先寫一張任務卡，不要先比較模型：
我想改善的任務：[例如把會議筆記整理成待辦]
現在怎麼做：[目前步驟與花費時間]
可提供給 AI 的資料：[去識別化後的資料]
不能交給 AI 的決定：[例如指派負責人、承諾期限]
完成標準：[例如每一項都有原文依據，缺負責人時標示待確認]第 2–3 天選一個主力工具。沒有偏好時，可從已經能登入的 ChatGPT、Claude 或 Gemini 選一個；需要安裝可看 ChatGPT 下載與安裝。這一週不評比誰最聰明，只確認你能否穩定輸入、保存結果與找到資料設定。
第 4–7 天用同一個工具做三次練習。適合的低風險任務包括：把自己的散亂筆記分組、改寫一封不含機密的 Email、從你提供的文章產生摘要。每次都保留 AI 原稿，再用另一個顏色標出你刪除、補充與查證的地方。
第一週的合格成果是一組「原文 → Prompt → AI 輸出 → 人工修正版」。若只留下最後答案，就看不出 AI 幫了什麼，也無法知道下次能否重現。
第 8–14 天：把問題改成可驗收任務
第二週不追求華麗的角色設定，練四個會直接影響結果的欄位：背景、限制、輸出格式、完成標準。OpenAI 的提示工程指南也把清楚指示、提供相關脈絡與反覆評估列為核心做法。
把第一週最常用的 Prompt 改成這個結構：
任務：把會議筆記整理成後續行動。
背景：讀者是參與會議的專案成員。
資料：[貼上已去識別化的筆記]
限制：不得自行補負責人、期限或決議；原文沒寫就標示待確認。
格式：用「決議、待辦、負責人、期限、原文依據」五欄輸出。
完成標準：每一列都能回到原文，重複項目已合併，未知欄位沒有被猜測。接著故意測三種變化：刪掉一項背景，看輸出如何改變；換一份新資料，確認範本沒有只對單一案例有效；放入一個資訊缺口，觀察它會標示未知還是自行補完。
第二週的合格成果是一份能通過新資料測試的 Prompt 範本。若每次仍要重寫整段，先縮小任務，不必急著做「萬用提示詞」。更多例子可看 Prompt 基礎教學。
第 15–21 天：練查核與資料界線
第三週先接受一個現實：語句通順、附有連結、列成表格，都不能證明內容正確。NIST 的生成式 AI 風險文件把模型自信地生成錯誤內容稱為 confabulation；開放式長文與高風險領域尤其要小心。
挑第一、二週的三份輸出，各做一次查核。先圈出會影響行動的主張，再打開原始來源確認發布者、日期、數字、單位與上下文。找不到依據時寫「未確認」，不要用另一個聊天工具的回答互相背書。
可以把查核結果記成四行：
主張：AI 寫了什麼？
證據：我打開哪一個原始來源、哪個段落？
結果：支持、部分支持、不支持或無法確認？
處理：保留、改寫、刪除，還是交給專業人員？同一週再做資料清理。姓名換成甲、乙，刪除電話、地址、帳號、病歷號、客戶名稱與未公開專案細節，只提供任務必要內容。OpenAI 的資料控制說明可用來理解產品設定，但關閉模型改進不代表所有敏感資料都適合上傳。完整判斷可看 AI 隱私自保指南。
學生與研究者還要先看課程規定。教育部臺灣學術倫理教育資源中心整理的生成式 AI 教學與研究資源涵蓋引用、著作權與研究倫理；作業是否能用、要如何揭露，應依教師與學校規範。
第三週的合格成果是三筆查核紀錄，以及一份你自己的「可以上傳／先去識別化／禁止上傳」資料規則。
第 22–30 天：做出一個可重跑的工作流
最後一週選前面成功率最高的任務，拆成四段：
輸入： 需要哪些資料、格式與去識別化步驟？
處理： 哪一段由 AI 整理、改寫、分類或產生草稿？
驗收： 誰檢查事實、語氣、數字、授權與遺漏？不通過時回到哪一步？
交付： 最終文件放哪裡、誰批准、是否要揭露 AI 協助？
例如讀書流程可以是：自己先讀一節並寫摘要 → AI 根據教材出題 → 你閉卷作答 → AI 依教材指出差異 → 你回原文訂正 → 三天後再測一次。這樣 AI 擔任出題與回饋助理，理解與作答仍由你完成；更完整的方法可看 用 AI 學習的 7 種方法。
第 28 天換一份從未看過的新資料重跑，記錄失敗點。第 29 天只修流程，不替那份資料寫一次性補丁。第 30 天完成一件期末作品，並回答：節省的是哪一步？新增了哪些查核成本？出錯時能不能停下來？沒有 AI 時是否還能完成？
期末作品可以是一封經人工核對的 Email、一份有原文引用的研究筆記、一組含錯題紀錄的小測驗，或一份會議待辦。作品不必大，但必須能看見輸入、Prompt、修正與驗收證據。
30 天後怎麼繼續？
如果流程已能穩定重跑，先連續使用兩週，再決定是否付費或換工具。用量、長文件、協作或權限真的成為阻塞時，再比較方案；不要因為某個新模型跑分更高就搬動整套流程。
想做自動化，可先把輸入欄位與驗收規則固定，再學 API、試算表或工作流工具。想走工程路線，從 Python、資料處理與 機器學習開始，並把「能跑」與「答案正確」分成兩種測試。
每月保留一份失敗案例，比只收藏成功 Prompt 更有價值。失敗案例會告訴你哪些資料不足、哪些限制常被忽略，以及哪個步驟必須由人負責。
FAQ
每天一定要練 30 分鐘嗎？
不用。20–30 分鐘只是便於安排的範圍。重點是完成一個可保存的小成果；時間不足可以把 30 天延長成六週。不要為了打卡，把查核與人工修正省掉。
30 天後就算學會 AI 了嗎？
你可以建立基本使用、查核與流程能力，但不代表已具備模型開發、資料科學或特定產業專業。用一份新資料重跑成功、能說明失敗條件，才算這條入門路線通過。
自學 AI 一定要會寫程式嗎？
日常工作、學習、寫作與資料整理不需要先會程式。要做 API 串接、自動化、模型訓練或 AI 產品時，再逐步補 Python、資料庫、機器學習、部署與評估。
應該同時學 ChatGPT、Claude 和 Gemini 嗎？
第一個月不需要。先固定一個工具，才能分辨進步來自你的任務設計，還是工具差異。建立穩定流程後，再拿同一份測試資料比較其他工具，記錄品質、速度、資料政策與成本。
要不要先買 AI 課程？
先完成一週低風險練習，再判斷缺口。需要固定進度、作業回饋或特定專業技能時，課程才可能值得；若連想改善的任務都還說不清楚，先買課通常只會多一份待看清單。
參考資料
- UNESCO：AI competency framework for students
- NIST：Artificial Intelligence Risk Management Framework, Generative AI Profile
- OpenAI：Prompt engineering
- OpenAI：Data Controls FAQ
- 教育部臺灣學術倫理教育資源中心：生成式 AI 應用於教學與研究
- 臺灣師範大學：生成式 AI 之學習應用及參考指引
完全零基礎可先回到 AI 新手村確認順序；工具已經能打開，就從本文的任務卡開始。今天只做第一件事：選一個下週還會發生的真實任務。