結語：超越任務——Gen AI 對工作方式的衝擊#
本書展示了 35 種把 gen AI 用在管理工作上的方式。當你體會 gen AI 的力量後，下一步不是只用在自己身上，而是讓員工能規模化使用。但這不只是「告訴大家開始用 gen AI」那麼簡單。在開始前要思考四個問題：
- Gen AI 將如何重塑我團隊／單位／職能的營運？
- 是否需要修訂傳統工作流？方向為何？
- 我們需要哪些新技能？要怎麼培養？
- 要建立哪些新規則？
有效的路徑：從實驗開始，引出學習與技能升級，最終重構工作流——讓人與機器協同運作。
四步轉型旅程#
依序進行四個步驟：
- 兩種模式都實驗（Experiment in both modes）：從非關鍵的工作流開始，讓團隊以結構化的方式同時操作 Co-Pilot 與 Co-Thinker，建立熟悉度。
- 建立新技能（Build new skills）：學習如何與 gen AI 對話、精進提示技巧、並磨練 human-AI 對話設計。始終強調人類判斷與批判思考，避免過度依賴。
- 重構工作流（Redesign workflows）：以「人 AI 協作」為原則重思流程，決定什麼任務由 AI 執行（人輕量監督）、什麼由人主導，以及合作的順序。
- 建立集體責任（Establish collective responsibility）：提供準則與框架，培養負責任、合乎倫理的使用文化。
1. 兩種模式都實驗#
Co-Pilot 模式適合大規模實驗——許多人都在做的常見任務（資料分析、簡報草擬），衡量生產力提升。
Co-Thinker 模式適合特定、客製化的實驗——少數專家與 gen AI 在複雜任務（解決問題）上協作，迭代設計對話腳本與結構化提示。
混合：先 Co-Pilot 再 Co-Thinker（資料分析 → 策略制定），或反向（變革策略反思 → 客製化溝通）。
挑選實驗任務的準則
影響面
- 商業影響：短期（生產力、成本節省）、中期（產品創新）的效益。
- 職能契合度：任務對該單位是否關鍵（行銷的顧客研究、公關的演講準備）。
- 學習機會：對技能養成的潛力。
可行性
- 合規：公司政策與法規是否允許。
- 取用性：IT 部門能否提供合適的技術與功能。
- 風險：資料隱私、法規限制、倫理顧慮、輸出品質與可信度過高的任務應排除。
- 可規模化的限制：擴大應用時可能遇到的障礙。
把任務畫到影響／可行性的 2x2 矩陣上，聚焦「高影響、高可行性」象限。
Figure E-1: Sample impact/feasibility 2×2 for gen AI tasks
結構化的實驗方法
要量測什麼：
- 生產力（特定任務節省的時間、相同時間內的輸出量）
- 品質（準確性、深度、清晰度、創造力）
- 投入度（流失率、未使用的授權、訓練參與率）
- 情感（使用者體驗如何、是否會推薦給同事）
如何量測：
- 清楚描述任務與子任務、預期輸出格式。
- 為每個任務定義 KPI。
- 設立對照組（無 gen AI 取用權）。
- 時段化：給兩組相同時間。
- 評估準則：確保評審一致打分。
- 離群者訪談：了解最佳與最差表現者。
- 實踐社群：聽取用戶在企業聊天頻道的真實聲音。
權衡 trade-offs：
- 速度 vs. 品質（速度可能犧牲深度與準確）
- 個人使用 vs. 協作（個人效能提升可能阻礙集體創意）
- 短期收益 vs. 長期效應（成本下降可能導致長期不滿）
2. 建立新技能#
實驗會幫你看見團隊最需要的技能。提示技巧（基本與進階）通常是起點——大學與線上學習平台都有課程；許多公司也設立了「Prompt Academy」與「Prompt Library」。
提示技巧不夠——它建立在更基礎的人類技能之上：怎麼問好問題、怎麼進行有效對話、怎麼運用批判判斷。組織不能只投資於「提示」這層，更要持續投資讓人類真正異於 AI 的核心能力。
3. 重構工作流#
任務不在真空中存在——它們是工作流的一部分，也與其他流程、其他團隊有交集。Gen AI 的衝擊會超出個別任務，觸發整個工作方式的轉型。
重構流程的原則應是「為協作與對話而設計」——人和 AI 動態合作——而非把任務直接外包給機器。要建立清楚的人 AI 工作流規範：
- Gen AI 何時應徵詢人類意見？反之亦然？
- AI 與人如何溝通與協作？
- 例如：Gen AI 提出草案，再尋求人類修訂——而不是自己決策。
案例：產品開發團隊重構工作流 某創新產品線團隊的工作流：分析顧客洞察 → 構想新點子 → 收斂概念 → 評估概念與底層假設 → 測試與商業案例驗證。
Gen AI 在各任務中協作：
- 顧客洞察分析（Co-Pilot）：分析海量顧客資料找模式與趨勢；人類引導研究焦點與商業詮釋。
- 構想生成：AI 協助腦力激盪，人類創意收斂以對齊策略目標與營運限制。
- 概念評估（Co-Thinker）：AI 用方法論引導討論多面向與權衡。
整個歷程是迭代的人 AI 動態交換：AI 提供分析力、廣度、多元觀點、方法論；人類提供脈絡、批判思考、情緒智商、領域知識。
經理人要密切注意風險與監管陷阱——例如不要讓 gen AI 監視員工。也要關注 gen AI 對團隊關係的影響：
- 個別使用是否阻礙了團隊協作與溝通？
- 團員是否寧可問機器也不問同事？
- 集體會議數量是否大幅下降？
不要把 gen AI 限縮在 1:1 個人使用，要納入到協作型團隊腦力激盪（一對多）中。
4. 建立集體責任#
Gen AI 與過去技術的關鍵差異：它並非萬無一失。計算機永遠對；gen AI 不是。基於統計的本質讓它有出錯與不準確的風險，人類評估仍是驗證 LLM 輸出品質的必要步驟。再加上「信任陷阱」（過度信任系統），風險被放大。
平衡的責任路線
- 公司層級：領導者強調信任與責任，建立公平、安全、永續使用 gen AI 的倫理框架。
- 個人層級：使用者為人 AI 決策設定恰當脈絡，運用批判思考。
- 經理人：在每個層級裝備團隊這些關鍵能力，培養「能預先發現風險、能抓出捏造與幻覺」的判斷力。
個人判斷 vs. 集體判斷
- 個人判斷：判斷不只發生在「決策那一刻」——它從準確框定問題、考慮更廣脈絡開始。在與 gen AI 對話中，輸出品質取決於人類的輸入與回饋。要在事前（設定明確目標）、事中（提相關問題、提供脈絡）、事後（小心解讀建議）都運用判斷。
- 集體判斷：團隊應建立協作慣例——當機器提出落在某人專長領域的點子，向專家同事尋求驗證；建立同儕審查（peer review），讓隊友互相檢視 AI 產出。
邁向「HumanAIzed」未來#
本書不只展示如何把 gen AI 整合進管理，更勾勒出一條通往 HumanAIzed 組織的路徑——一個人與智慧機器在大規模上融合、愈來愈多工作流為人 AI 整合協作而設計的未來。
預測組織轉型的速度很難，但有一件事確定：公司必須現在就為 HumanAIzed 未來做準備。
- 站著不動已經行不通了。
- 用過時工具與工作方式想在市場上贏，並不可行。
- 經理人要靠實驗，向組織展示未來會是什麼樣子。
帶著自信與責任前進——身為經理人，你正在為一個更光明的協作與創新未來鋪路。
詞彙表（Glossary）#
AI 代理（AI agent）：能獨立執行任務的自主系統或程式。
人工智慧（Artificial Intelligence, AI）：由史丹佛教授 John McCarthy 於 1955 年提出，意為「製造智慧機器的科學與工程」。商業情境中通常由機器學習演算法驅動，能隨時間做出更好的決策或預測。
Co-Pilot：與 gen AI 互動的模式，技術用於促進任務執行、提升生產力。
Co-Thinker：與 gen AI 互動的模式，技術作為對練夥伴，促進對話式反思與批判思考。
對話（Dialogue）：人與機器的結構化對話，模擬擬人化的溝通流動。
捏造（Fabrication）：AI 幻覺的一種——AI 編造看似可信、實則不存在的引用或內容。
生成式 AI（Generative AI / Gen AI）：能從大量資料學習與仿擬，依輸入或提示產出文字、影像、音樂、影片、程式碼等內容的 AI。
生成式預訓練 Transformer（GPT）：OpenAI 提出的一種 LLM 設計，採「無監督預訓練 + 監督式微調」的混合訓練方法。
內容護欄（Guardrails on content）：在 prompt 中加入的指引——資訊類型、資料來源、範圍內外、合適與不合適、參考範例。
流程護欄（Guardrails on process）：在 prompt 中加入的步驟與指引——活動順序、方法論與準則、預期輸出格式。
幻覺（Hallucination）：AI 給出聽似合理但實際捏造、不正確的回答。
輸入框（Input box）：你輸入指令的地方，也就是 gen AI 的「聊天視窗」。
大型語言模型（Large Language Model, LLM）：AI 程式，內含跨多維度的字詞關係數學地圖（通常以 token 為單位）。
多 Agent 系統（Multi-agent system）：多個能互動、溝通、共享資訊、合作解決複雜問題的智能 agent 群組；相較於 chatbot，AI agent 能自主行動。
自然語言處理（Natural Language Processing, NLP）：AI 的分支，研究電腦如何像人類一樣處理語言；常見應用包括語音辨識、語言理解、語言生成。
提示（Prompt）：給 gen AI 模型用以產生內容的指令。
場景（Setting）：人機互動的脈絡，可為個人或群體（例如在工作坊中使用 gen AI）。
合成資料（Synthetic data）：人為生成、模仿真實資料特徵與關係的資料，但與實際事件或個人無直接連結。