不能保證。
昨天我們學了一個很實用的寫法：
叫 Copilot 建立：
Word。
Excel。
PowerPoint
以前，
先寫：
「資料裡沒有的日期、金額、數字、承諾或結論，不要自行補。」
這句話：
很值得寫。
但不要把它理解成：
只要寫了這一句，AI 從此絕對不會補錯東西。
它做不到這種保證。
因為 Prompt 是工作指令，不是硬性資料鎖
你告訴 Copilot：
「不要自行補。」
等於告訴一位助理：
「這份報告只能用桌上這些資料。」
正常情況下，
它會盡量照做。
但 AI 仍然需要：
閱讀。
摘要。
分類。
推理。
重新組織。
決定：
哪些東西重要。
哪些東西相關。
哪些句子應該合併。
所以最後仍可能：
出現錯誤。
Microsoft 自己也沒有說 Copilot 產出的東西一定正確
Microsoft 對 Word、Excel、PowerPoint Agents
的官方提醒非常直接：
產生檔案以後，
分享以前要先檢查準確性。
Microsoft 對一般 Copilot Output
甚至另外做了一套：
Validation。
因為一份內容：
看起來很完整。
文字很順。
格式很漂亮。
並不代表：
它已經可以直接使用。
「沒有亂編一個新數字」只是第一層
很多人想到 Hallucination，
會以為只有這種：
原始資料沒有：
100 萬元。
AI 卻突然寫：
100 萬元。
當然這算問題。
但實際工作裡，
更常見的錯誤：
沒有這麼明顯。
第一種：原文有資料，但 AI 理解錯
例如原始文件寫：
「預算上限 50 萬元。」
Copilot 最後整理成：
「專案預算為 50 萬元。」
兩句只差一點點。
但意思完全不同。
一個是：
最多不能超過。
另一個變成：
已經確定要花。
AI 沒有憑空發明：
50 萬。
但它仍然：
改變了事實。
第二種：把「可能」寫成「確定」
例如會議紀錄：
「客戶可能把活動改到星期五。」
簡報最後變成：
「活動將於星期五舉行。」
日期：
本來就出現在資料裡。
所以你很難一眼發現：
它不是亂補。
但真正錯的是：
確定程度被改掉。
這在工作文件裡：
非常危險。
第三種：兩份都是真的資料，被 AI 拼成一個錯答案
例如：
舊版 Proposal：
活動時間 14:00。
新版 Email：
活動時間改成 15:00。
兩個來源：
都是真的。
如果 Copilot：
沒有判斷出版本先後，
可能在簡報寫：
14:00。
甚至：
不同頁面出現兩個時間。
這不是：
AI 自己編資料。
而是：
選錯來源。
第四種：資料沒有寫清楚，AI 自己完成語意
原始資料：
「供應商尚未確認。」
AI 為了讓 Project Summary
讀起來更完整，
可能整理成：
「供應商預計明天確認。」
它可能認為這只是：
合理補充。
但對公司來說：
這已經是：
一個新的事實。
所以：
「不要補」
真正要防的不只是：
亂生數字。
還包括：
把推論寫成事實。
第五種：它可能省略一個真正重要的限制
例如原始資料：
「方案 A 預估每月可省 10 小時，但只適用資料格式固定的客戶。」
PowerPoint 為了縮短文字，
最後只留下：
「方案 A 每月可省 10 小時。」
它沒有：
增加錯誤資訊。
但它把：
限制條件刪掉。
結果仍然會：
誤導。
Microsoft 的 Validation Guidance
也特別提醒：
Copilot Output
可能：
遺漏會改變判斷的重要 Context。
所以：
錯誤不一定來自：
多寫。
有時來自：
少寫。
第六種：Excel 看起來最像「一定對」，其實一樣可能出錯
Excel 特別容易讓人放心。
因為：
有公式。
有 Chart。
有百分比。
有合計。
看起來不像：
AI 在寫作文。
但 Microsoft 自己也提醒：
Copilot 在 Excel
可能：
誤解資訊。
產生不準確結果。
Formula。
Insight。
Table
都要：
檢查。
例如：
AI 沒有亂補原始收入。
但它可能：
公式抓錯 Range。
漏掉一列。
把百分比：
分母用錯。
最後 Chart：
仍然非常漂亮。
所以「資料沒有就不要補」到底有沒有用？
有。
而且值得繼續用。
因為它把：
Evidence Boundary
說得比：
「幫我做完整一點」
清楚很多。
它是在告訴模型：
完整性不要優先於真實性。
這是一條很好的：
行為規則。
只是不能把：
比較不容易出錯
理解成：
保證不會出錯。
那要怎麼補第二層？
最簡單的方式：
AI 做完後，
不要再問：
「你確定嗎？」
因為它很可能回答：
「確定。」
這沒有增加多少驗證價值。
改問：
「把文件中的日期、金額、數字、正式承諾與主要結論逐項列出，並指出每一項來自哪份原始資料；找不到來源的標成未確認。」
這才是在做：
Source Check。
Microsoft 現在也直接建議做 Source Check
Microsoft 的 Copilot Validation 指南
建議使用者檢查：
產出的 Claim
是不是：
真的反映原始資料。
重要敘述：
能不能追溯到：
可靠來源。
Copilot 是否：
混合不同資訊。
誇大確定性。
或用：
Assumption
填補缺口。
這和我們今天的問題：
完全一樣。
如果找不到來源，就先當成「未確認」
不要因為：
AI 寫得很像真的
就替它找理由。
例如：
「這應該是它分析出來的吧。」
如果這份文件是：
內部腦力激盪，
可以保留，
但標成：
推論。
如果它是：
對外 Proposal。
正式報告。
報價。
財務表。
客戶承諾。
那：
來源找不到
就不應該寫成：
已確認事實。
可以把昨天四行再加上一個「第五步」
昨天是：
成品。
對象。
必留。
不能補。
今天補上：
來源核對。
流程就變成：
產生前
成品：
我要什麼？
對象：
誰要看？
必留：
什麼不能被刪？
不能補：
哪些資訊不能猜？
產生後
來源核對：
重要 Claim 到底從哪裡來？
這樣才形成：
完整迴圈。
不用整篇每一句都查來源
這也沒有必要。
真正要查的是：
會造成後果的資訊。
例如：
人名。
日期。
Deadline。
價格。
數量。
百分比。
公式。
正式結論。
法律要求。
客戶要求。
外部承諾。
以及：
任何會影響：
決策
的句子。
一般語句：
「本專案希望提升效率。」
未必值得花時間逐字確認。
但：
「預計降低 30% 成本。」
就一定要問：
30% 從哪裡來？
可以直接用「高風險資訊」做 QA
例如 AI 做完 PowerPoint，
先只檢查：
所有數字。
所有日期。
所有帶：
一定。
已確認。
已決定。
將會。
保證。
預計節省
等語意的句子。
這些地方：
最容易把：
推測
變成：
事實。
Word 則要特別看結論是不是超出原文
例如原始訪談：
三個人說：
「導入流程有點複雜。」
Copilot 最後寫：
「員工普遍反對新系統。」
這就超過：
原始 Evidence。
它可能沒有：
編造任何一句訪談。
但：
結論太大。
所以 Word Report
一定要檢查：
結論強度
有沒有超過：
原始資料。
PowerPoint 特別要看「濃縮後有沒有改意思」
簡報頁面空間有限。
AI 很容易：
把一大段：
條件式敘述
壓縮成：
一句很有力的標題。
這對 Presentation：
很好看。
但對事實：
可能很危險。
例如：
原文：
「如果 Q4 需求維持目前速度，且新設備如期交付，產能可能提升約 15%。」
標題變成：
「Q4 產能提升 15%」
所有字：
都來自原始 Context。
但結論：
已經被改寫。
Excel 則看「數字來源＋公式」
如果 Copilot 建立：
一張 Summary。
你至少要確認：
原始 Rows：
有沒有漏。
公式：
Range 對不對。
空白：
有沒有被當 0。
百分比：
分母對不對。
Chart：
是不是選錯 Series。
因為 Excel AI
最危險的地方就是：
錯誤也可能長得非常專業。
只讓 Copilot 自己檢查自己夠不夠？
也不夠。
它可以：
幫忙找：
Mismatch。
Assumption。
Missing Context。
這非常有用。
但 Microsoft 自己也明確說：
Copilot 可以幫你：
Validate Output，
卻不能替自己的正確性做最終認證。
真正重要的資料：
仍然要回：
Original Source。
這就是：
AI Review
和：
Human Verification
的差別。
AI 可以當第二個 Reviewer，但不能當自己的公證人
你可以要求：
「指出哪些敘述沒有直接 Evidence。」
「列出所有 Assumption。」
「比對原始資料和簡報是否一致。」
「找出數字、日期與名字的差異。」
這些都值得做。
但如果它說：
「全部正確。」
不能因此：
自動結案。
高風險資料：
仍然要：
人確認。
那這樣用 AI 不是很麻煩嗎？
不一定。
真正要比較的是：
以前你從：
空白頁
開始做整份文件。
現在：
AI 先做 80%。
你花：
10 分鐘
查：
高風險 20%。
如果最後總時間：
還是下降，
就有價值。
問題不是：
AI 需要檢查
就代表沒有用。
而是：
不要把：
First Draft 很快
錯認成：
Final Output 已經好了。
最容易犯的錯，就是看到一份漂亮檔案後降低警戒
純文字 Chat：
寫錯一個數字，
你可能馬上懷疑。
但一份：
排好版的 Word。
有 Chart 的 Excel。
漂亮的 PowerPoint。
會讓人有一種：
「這已經做完了。」
的心理。
其實：
Format 完成
和：
Evidence 完成
是兩件事。
所以今天答案可以濃縮成一句公式
「不要自行補」
＝
比較清楚的：
Prompt Boundary。
但：
不等於：
Accuracy Guarantee。
真正可靠的流程是：
先限制。
↓
再生成。
↓
查重要 Claim。
↓
回原始來源。
↓
人確認。
和 9 月 12 日的 Plaud 問題其實是同一個核心
當時我們問：
Plaud Agent
做出的 PPTX
已經 Grounded in Conversation，
是不是就能：
直接寄給客戶？
答案也是：
不能直接推論。
有 Context
不代表：
AI 歸納零錯誤。
今天則再往前一步：
即使你已經明確告訴 Copilot：
「不要補。」
也只是：
增加一層限制。
不是：
消除所有錯誤。
8 月 9 日多文件問題也是一樣
AI 可以把：
三份文件
整理得非常漂亮。
但如果：
三份來源本來就：
互相矛盾，
AI 整理完成
並不代表：
矛盾消失。
它甚至可能：
替你選了一個版本。
所以 AI 文件 Workflow
最後都會回到同一個問題：
你知不知道哪個來源才是真的？
最後記住這個判斷
如果 Copilot 寫了一句：
你原本沒有印象的：
數字。
日期。
承諾。
結論。
不要先問：
「它是不是亂編？」
先問：
「我能不能回到來源找到它？」
找到：
再確認 Context 有沒有被改變。
找不到：
先標：
未確認。
這比單純相信：
「我 Prompt 已經寫不要補了」
安全得多。
因為好的 AI Workflow
不是：
設計一個永遠不會犯錯的 Prompt。
而是：
就算 AI 犯錯，你也有一個很快能把錯誤抓出來的方法。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
AI 快問快答｜2026/09/12：Plaud Agent 做出的 PPTX 已經引用會議 Context，就可以直接寄給客戶嗎？
