「AI 說的」不是答案：不同職級之間的 AI 牆，以及拆牆的方法

By shortie學習

「AI 分析過了，這個預估太樂觀。」如果你在公司聽過類似的回覆，大概能體會那種說不上來的悶。你花了幾週準備的提案，被一段幾分鐘就生成的評語擋下來，而且不知道該跟誰爭。

《哈佛商業評論》繁中版的節目《請聽，哈佛管理學！》，2026 年 10 月 13 日的 Dear Mary 單元談的就是這件事。主持人楊瑪利讀了一封聽眾來信，再用企業教練錢慧如的專欄〈當 AI 成為決策裁判〉來回答。

這篇把節目內容整理給公司同仁，再往前多走一步：AI 用得不恰當的時候，不同職級之間會各自卡在哪裡，又可以怎麼拆掉這道牆。

兩個故事，同一道牆

寫信的 B 小姐是執行者。她的主管愈來愈常把 ChatGPT 的建議直接當成工作重點。這些建議看起來四平八穩，卻跳過了執行面的複雜度。同事拿出過去做過、效果不好的數據提醒，主管還是照模型的方向下指令。團隊只好去做一件自己不看好的事。

錢慧如在專欄裡寫到她輔導過的一位資深營運主管。這位主管以前最期待的，是帶著提案走進老闆辦公室的那一小時：兩人為彼此的假設爭論，談完反而更有默契。現在提案一交上去，老闆先丟給 AI，幾分鐘後只回兩句模型的評語。那一小時的討論消失了，兩人之間像多了一道牆，AI 成了夾在中間的新主管。

兩個人的位置不同：一個只能執行，一個還能提案。但兩人收到的訊號很像——我在現場累積的判斷，比不上一個幾分鐘就生成的答案。

牆是怎麼砌起來的

錢慧如把這個過程稱為「信任讓渡」。在她的觀察裡，主管一開始只是請 AI 幫忙整理資料、檢查邏輯。可是在市場不確定、時間不夠、壓力又大的時候，一個看起來客觀又快的答案特別好用。於是不知不覺間，連價值判斷、決策責任，以及對部屬的信任，也一起交了出去。

麻煩的是，牆的兩邊可以同時成立。主管覺得自己只是多聽一個意見；底下的人讀到的卻是「你不信任我了」。楊瑪利的說法是：主管無心，部屬卻讀成有意。組織真正被磨損的，常常是這層解讀，而不是模型答得準不準。

再往下一步，就變成 AI 對 AI。既然老闆用 AI 挑報告，提案的人就先用 AI 猜老闆會挑什麼，預先把答覆寫好。資料愈來愈厚，真正在想的人卻愈來愈少，對話只剩看起來嚴謹、其實沒有溫度的攻防。

節目也提到凱捷管理實驗室的艾麗莎．法瑞（Elisa Farri）。她主張把生成式 AI 從「數位助理」升級成「協思夥伴」（co-thinker）。共同思考的前提是人還在挑戰假設；如果把輸出奉為圭臬，那就不是協思，而是外包。

不同職級看到的牆不一樣

節目談的是上對下。放到一般公司裡，AI 用得不恰當時，每一層卡住的地方其實不同。下面這張表是依節目內容延伸整理的常見情況：

職級常見的不當用法對方收到的訊號造成的障礙
高階主管／決策者把提案丟給 AI 審，直接轉述評語；把模型建議當成指令「我的經驗不算數」提案前的真實討論消失；第一線資訊不再往上傳
中階主管當傳聲筒，把上面的 AI 評語原封不動往下丟；或帶著團隊用 AI 做防守「主管也不知道為什麼要改」團隊學到的是揣測與自保，而不是判斷
基層執行者用 AI 產生看似完整的回報，自己卻沒消化；或反過來一句「AI 不懂現場」就拒絕討論「你沒有真的想過」或「你在抗拒」主管更依賴 AI 驗證；衝突變成人與工具的對立
同儕／跨部門把「AI 說的」當成爭論時的權威「我不需要聽你的理由」討論變成比誰的模型答案比較漂亮

四種情況的根源都一樣：AI 被放在人與人之間，取代了原本應該發生的對話，而不是站在兩人旁邊，當作雙方都能檢查的材料。

拆牆的關鍵：改變 AI 站的位置

錢慧如的建議不是去證明「我比 AI 準」，也不是要求老闆別再用 AI。她要改的是 AI 站在哪裡：不要讓它夾在兩人中間當裁判，而是讓它成為雙方一起看過的起點。以下按職級整理。

如果你是部門主管：向上的三步

  1. 先自己做壓力測試，並寫進提報。送出前先讓 AI 挑風險，在報告裡說清楚：模型提了哪些風險、哪幾項成立所以已經修正、哪幾項沒看到第一線所以維持原判斷。這樣老闆就算再問一次 AI，也會知道這份報告不是躲著模型寫的，而是看過模型之後，由人做了取捨。
  2. 被質疑時，把資料以外的現場帶回來。不必急著說 AI 錯了，而是問：這個結論建立在哪些假設上？哪些第一線的資訊沒有放進分析？加上客戶真實的反應、團隊現在扛不扛得住，判斷還會一樣嗎？談判桌上的遲疑、供應商沒說出口的焦慮、嘴上答應但士氣已經掉下去的團隊——這些都還沒變成數據，也正是人比模型多知道的部分。
  3. 把老闆從審查者邀回決策者。例如問對方：「模型列了三個方向，數據上各有利弊；以你過去帶公司度過難關的經驗，你最擔心哪一個？」當老闆開始用自己的判斷回答，就不再只是 AI 的傳聲筒。

錢慧如還用賽局理論補了一層。她指出，主管和部屬會一再交手，這是「重複賽局」。你這一次怎麼回應，會改變下一次對方怎麼對待你。權力不對等，不等於沒有影響力。

同時也別忘了往下：不要把上面的 AI 評語原封不動轉給團隊。先自己消化，再用自己的話說明為什麼要改、哪些地方你同意、哪些你已經替團隊爭取過。

如果你是執行者：指令已經下來的時候

你可能沒有部門主管的提案時間，也改不了老闆打開 ChatGPT 的習慣。專欄的三步不能直接照搬，但可以調整成下面幾件做得到的事：

  • 把衝突寫下來。過去做過什麼、當時的數據如何、這次照做可能多出哪些問題。這不是對抗，而是讓決策者事後回頭看時，知道現場曾經提醒過。
  • 用模型聽得懂的方式補資料。與其說「ChatGPT 不懂」，不如寫出它的建議假設了哪些條件（例如資源、客戶接受度、時程），而我們實際的條件是什麼；在這些條件下，建議會變成什麼？你是在補上模型看不到的事實，而不是在比誰比較懂。
  • 把「方向」和「做法」分開。方向如果已經定了，就爭取一個你有證據撐得住的做法，並約好檢查點，不要一次把整季都押上。
  • 自己用 AI 時，交出去之前先消化。AI 幫你寫的回報，你要能說出每一段為什麼這樣寫；不然只會讓主管更想丟給另一個 AI 驗證。
  • 如果你的主管也只是在轉述更上層的 AI 審查，就把第一線的訊號整理成主管敢帶上去的三個問題，而不是要求對方當場承認模型錯了。

如果你是決策者：使用 AI 的時候

這一段節目沒有直接展開，以下是依同樣的邏輯延伸的提醒：

  • 把 AI 的意見當成提問，而不是結論。與其回「AI 說預估太樂觀」，不如問「AI 覺得預估太樂觀，你的依據是什麼？」
  • 轉述之前，先加上自己的判斷。部屬想聽的是你怎麼想；模型只是你參考過的其中一個意見。
  • 保留討論的時間。AI 省下來的時間，應該拿來談假設和風險，而不是把對話也一起省掉。
  • 決策責任留在人身上。採用 AI 的建議沒有問題，但出事時要負責的，仍然是把建議變成指令的那個人。

團隊可以一起約定的規則

拆牆不只是個人的功課。如果團隊願意，可以把下面幾條當成共同的溝通規則：

  1. 「AI 說的」不能單獨當成理由。引用 AI 的結論時，要一併說明它根據的假設，以及你自己同不同意。
  2. 交出去的東西，標明 AI 參與了哪些部分、人做了哪些取捨。
  3. 收到 AI 給的評語，先由收到的人消化，再往上或往下傳。
  4. 重要的決策，至少留一段人與人的討論時間；討論的是假設與風險，不是格式。
  5. 第一線的經驗、歷史數據和模型的建議，放在同一張桌上比較，誰都可以被質疑。

結語

古人說「盡信書，不如無書」，楊瑪利借這句話提醒大家：盡信 AI，一樣有風險。AI 可以是很好的思考夥伴，但它不該變成你和同事之間那個不用負責的第三個老闆。

公司多了一個很快的意見來源，應該讓討論變得更有品質，而不是讓討論消失。

資料來源

本文整理自上述節目與文章，並延伸到不同職級的情境。其中「不同職級看到的牆不一樣」的表格與「如果你是決策者」一節是延伸整理，不是原文內容。

發佈留言