作者背景#

本書是《哈佛商業評論》（Harvard Business Review, HBR）「Guide to」系列的合輯型作品，由 HBR 編輯團隊精選並重組多篇核心文章而成，作者群涵蓋學界與業界的指標性人物。供稿者包括以《Competing on Analytics》與《Only Humans Need Apply》聞名的 Babson College 教授 Thomas H. Davenport、長期研究自動化與工作未來的 Erik Brynjolfsson、Andrew Ng（吳恩達）、Vegard Kolbjørnsrud、Richard Amico、Robert J. Thomas，以及 Accenture、MIT Sloan Management Review、BCG Henderson Institute 等機構的研究團隊。HBR 一貫以「給管理者讀的研究」自我定位，本書延續此定位：所有內容皆經編輯重新組織，避免技術細節壓過管理視角。

完整摘要#

全書圍繞一個核心命題：**理解 AI 與機器學習，已不再是技術顧問或資料科學家的專利，而是每位管理者的必修基礎。第一部 AI Fundamentals 把 AI 拆解為三類——流程自動化（process automation）、認知洞察（cognitive insight）、認知互動（cognitive engagement），並把機器學習定位為「為大數據而生的統計學分支」，強調 AI 的本質是預測（prediction）而非因果。第二部 Building Your AI Team 指出 AI 失敗的最常見原因不是模型不夠先進，而是團隊組合錯誤、缺乏部署能力，並區分資料科學的三種能力（商業洞察、產品資料科學、研發）。第三部 Picking the Right Projects 提出「AI Canvas」七格畫布（預測、判斷、行動、結果、輸入資料、訓練資料、回饋資料），並主張以能力建構（capability-building）**為標準排序專案。第四部 Working with AI 處理人機協作的核心問題，提出四階段上線法（Assistant → Monitor → Coach → Teammate）與四種人機治理模式（HITL、HITLFE、HOTL、HOOTL）。第五部 Managing Ethics and Bias 把倫理從抽象議題轉為七步驟的「作業化（operationalize）」治理流程，並警告法律合規只是入門資格。第六部 Taking the Next Steps 介紹無程式碼平台、NLP 與強化學習三大前沿。第七部 Scaling AI 引入 MLOps 紀律，把 AI 從實驗帶到企業規模。書末附核心 AI 名詞詞彙表。全書貫穿一個態度：管理者不需與機器競賽，但必須學會把智慧機器當作「同事」。

本書的貢獻與定位#

在 AI 商業書市場中，本書與 Davenport《The AI Advantage》、Iansiti & Lakhani《Competing in the Age of AI》形成互補。後兩者偏重個別作者的整合論述與案例深度，本書則發揮 HBR 「合輯型指南」的優勢：在 200 餘頁中橫跨從基礎概念到企業規模化的整條光譜，每章皆濃縮自原本獨立的長文，密度極高。其獨特定位是寫給「不寫程式但需要做 AI 投資決策」的中階主管——尤其適合產品經理、業務主管、HR 與營運負責人，作為導入 AI 前建立共同語言的閱讀材料。