主管用AI，為什麼要親自實作？Karim Lakhani談判斷力與管理變化

主管用AI，若只看團隊最後的簡報，容易錯估工作是怎麼完成的。哪些步驟變快、哪些地方仍要反覆修正，光靠展示結果很難看清楚。

哈佛商學院教授Karim Lakhani在10月30日上架的訪談，反覆強調領導者需要自己動手使用AI。他談的是管理者如何理解新能力，並為產出的品質負責。

因為使用次數增加，不代表判斷能力跟著累積。同樣把人留在流程裡，有人持續質疑與修正，有人只是轉貼答案，兩者對組織的意義差很多。

他參與的顧問研究把這些使用方式拆開，觀察到不同的技能累積。這提供一個比「有沒有導入AI」更細的問題：人實際保留了哪些決定？

哈佛近期的管理教育安排也強調實作與評估，但課程要求本身並不能證明所有主管都會因此變得更好。它更像一個訊號，說明只理解概念已經不夠。

主管用AI的目的，應是重新理解品質、責任與團隊分工。先親自完成一段熟悉工作，再要求組織改變，才比較能提出具體而可驗收的期待。

Lakhani為什麼要求主管用AI，而不只聽報告？

親自實作能讓主管看見工具的能力與摩擦，避免只憑展示設定目標。

在Silicon Valley Girl原始訪談，Lakhani談到領導者需要直接使用AI，也強調人不能把不好的產出推給工具。他的重點是讓管理者理解變化，並保留對工作的責任。

只看成品，主管容易把一次成功展示當作每次都能重現的能力。但展示通常看不見前面補了哪些資料、排除了哪些例外，以及工作者花多久才得到可用結果。

這個落差會影響交辦。如果主管認為一句話就能完成整項任務，部屬卻還得處理資料缺漏與跨部門確認，雙方對合理工時便會出現不同理解。

親自做一次熟悉的工作，有助於把這些差異找出來。例如，在一個假設情境中，主管請AI把顧客訪談整理成新品建議，可以直接比較它抓到的需求，是否符合自己掌握的背景。

如果工具把一名顧客的偏好寫成所有人的共通需求，主管就有了具體問題可討論：這項建議需要多少佐證、是否要保留不同意見，以及誰來確認資訊。

這比只要求大家「更積極用AI」多了一步。團隊知道要改善哪一種工作，也知道什麼樣的結果還不能拿來作決定，後續討論才有共同基礎。

不過，親自實作也不代表主管要接手所有人的專業。目的是建立足以追問與安排工作的理解，遇到自己不熟悉的領域，仍需要相應專家參與。

但要從實作得到理解，還得分清自己究竟如何使用工具。

同樣有人審核，為什麼判斷品質仍有差別？

人出現在流程裡，不代表他有認真選擇問題、檢查證據與決定方法。

Lakhani參與的BCG顧問田野研究，追蹤244位顧問與生成式AI互動。研究辨認出幾種工作模式，差別在於由誰決定做什麼，以及怎麼做。

研究觀察到，主導分工者較能累積領域知識，融合合作者較能累積與AI工作的技能，而大幅交付者沒有增加這兩類專業能力。

這些模式依參與者行為辨認，並非把人隨機分成三種使用方式。因此，可以把結果當成理解互動差異的線索，不能直接宣稱某一模式必然造成特定結果。

對管理者而言，表格也不適合拿來替員工貼永久標籤。同一個人可能在不同任務採取不同做法，例行格式整理與重要商業判斷，本來就不需要一樣程度的投入。

更有用的用途，是檢查審核是否只剩形式。例如負責人看過一份建議書，卻無法說明來源、替代選項與限制，流程雖然有人簽名，關鍵判斷可能仍交給了工具。

反過來，能指出不採某個建議的理由，也是一種工作成果。若主管只獎勵順利產出，員工可能不願報告自己推翻AI的過程，公司也看不到判斷的價值。

因此，評估人機合作時，可以先問這次有哪些決定由人作出、依據是什麼。比起計算用了多少次工具，更接近管理者真正需要了解的責任分配。

看懂這些差異之後，主管才能決定自己要練哪一種判斷。

主管該用什麼任務建立第一手理解？

先挑自己熟悉、能辨認好壞的真實任務，較容易看出模型哪裡需要引導。

如果一開始就選完全陌生的專業問題，主管可能分不清結果真的可靠，還是只是寫得流暢。熟悉的材料則能提供比較基準，讓實作不至於停在新奇感。

以前述新品建議的假設情境為例，可以先交付一組已獲准使用的訪談資料，要求AI區分直接陳述、合理推論與仍缺證據的想法。目標是看它如何整理資訊，而非立刻決定產品方向。

主管接著選一項自己不同意的結論，請工具說明依據，並比較另一種可能解釋。這會讓他看到，原本的問題是資料不足、條件沒說清楚，還是工具在沒有根據時補上了內容。

如果缺的是工作背景，就應調整交辦。如果資料根本沒有支持，就不能靠更有說服力的措辭補救。能分辨這兩種情況，才知道該要求部屬改善哪個部分。

過程中也可以記錄自己改了哪些要求。第一次想要的是漂亮結論，實作後發現更需要可追查來源，這種改變就是管理期待逐漸具體的證據。

但一次經驗仍有侷限。模型、資料及任務不同，結果都可能改變，所以不宜把這次成功使用的提示詞當作跨部門標準，更不宜據此要求所有工作縮短相同比例。

比較好的交付，是整理出驗收條件。例如重要推論須有來源、不同意見不能被抹平，遇到資訊不足需明示。讓專業同事依自己的情境補充，才能形成可用規則。

一次實作的價值，在於把模糊期待變成團隊能討論的品質條件。

管理教育改變，能給企業什麼啟發？

實作、檢查與反思可以放進管理訓練，而不必只停在概念簡報。

在哈佛商學院的MBA課程說明中，一年級學生必修Data Science and AI for Leaders。官方也把親手實驗與應用研究列入AI融入管理教育的方式。

另外，HBS Online在10月28日宣布的線上證書課，由Lakhani與Iavor Bojinov共同主授，安排建立、部署及評估AI代理的實作。

MBA必修與線上證書課是不同安排。兩者說明管理教育正在納入實作，但課程存在本身，仍不能當成參與者管理績效一定提升的證明。

企業可以借用的思路，是讓主管的學習有可檢查的成果。例如實作前寫下原本的任務假設，完成後再說明哪些判斷改變，以及這會如何影響交辦與驗收。

如果活動只要求做出一段漂亮展示，反而可能複製原本問題。管理者應有機會呈現失敗案例，讓同事理解什麼條件下不適合直接採用產出，或需要額外驗證。

訓練也應容納部門差異。業務主管可能熟悉客戶脈絡，營運主管較了解流程例外，兩人對同一份AI建議的追問不同，正好能讓組織看見被忽略的條件。

這不需要把每位主管都訓練成工程師。需要技術整合時，仍可以由專人處理，但管理者至少應能描述要解決的問題，並說清楚什麼結果會讓自己改變決定。

對較少接觸工具的人，也可以從小範圍、已有資料的任務開始。先建立能自行辨認問題的經驗，比要求他立即策畫整個公司的AI轉型更容易落實。

學習方式變了，主管對部屬的評估也需要跟著調整。

主管如何把AI經驗變成更好的管理？

把實作發現轉成清楚的驗收與分工，比把自己的提示詞複製給所有人更有用。

首先，交辦時要描述目的與限制。以新品建議的假設情境來說，是要探索顧客需求，還是準備供決策的結論，會影響需要的資料、核對程度與最後負責的人。

接著，把重要的品質條件放進驗收。若公司重視可追查來源，就應真正抽查來源。若重視顧客差異，就要檢查少數意見是否被摘要忽略，而不只看簡報是否整齊。

主管也需要承認，有些省下的時間會移到其他地方。草稿更快，不代表確認需求、協調取捨與承擔責任也會同樣變快，這些工作仍要有人負責。

因此，討論人力時應回到整項任務。員工使用AI後多完成了什麼，驗證又多花多少時間，兩者一起看，才不容易把工作負擔藏在產量數字後面。

遇到錯誤時，追問也應具體。與其只說AI不可靠，可以找出資料何時進來、誰確認過，以及在哪一步本來有機會發現問題，接著修正相應安排。

領導者自己做過相似任務，就比較能理解這些問題，而不只是把責任向下交。但他仍要接受部屬提供的新證據，因為工具能力與實際使用情境會持續改變。

這也是為什麼親自實作不宜成為一次性的資格證明。主管可以定期重做一項熟悉工作，或與團隊比較新的結果，用來更新交辦條件，避免拿舊經驗限制新做法。

Lakhani的訪談提醒的是管理者需要參與變化。對正在要求團隊全面使用AI的主管，值得先從自己能判斷的一段工作開始，留下過程，再把經驗轉成共同標準。

當管理者願意更新判斷依據，團隊才不必在工具進步與舊考核之間反覆拉扯。

歡迎免費訂閱AI郵報，持續追蹤AI如何改變管理，以及企業可以核對的實際證據。

FAQ：主管用AI常見問題

主管用AI，需要先學會寫程式嗎？

不一定。可以先從自己熟悉的分析、資料整理或提案任務開始，練習說明要求與驗收品質，再依需要找技術同事協作。

三種使用模式，哪一種永遠最好？

研究不支持永遠適用的單一模式。任務目的、人的專業與需要保留的判斷不同，適合的分工也會不同。

主管親自做過一次，就能要求所有人照辦嗎？

一次經驗只能提供起點。更好的做法是保留品質條件，讓不同專業補充情境，再依實際結果調整。

延伸閱讀：AI 能力為何有人覺得普通、有人覺得驚人？從 Karpathy 熱文建立工作實測方法

延伸閱讀：AI 代理接手工作，如何保留批判性思考？Addy Osmani 的交辦與驗證方法

資料來源

• Karim Lakhani原始訪談，2026年10月30日上架。
• Silicon Valley Girl官方完整逐字稿，2026年10月30日。
• Cyborgs, Centaurs and Self-Automators原始工作論文，HBS Working Paper 26-036。
• 哈佛MBA AI課程與整合說明，2026年11月8日查詢。
• HBS Online新課程公告，2026年10月28日。