在各家企業爭相搶購算力、把生成式 AI 塞進各個工作流程的今天，經營團隊最常緊盯的指標往往相當一致：員工每週省下了幾小時、產出了多少份分析報告，以及簡報製作速度究竟加快了幾倍。
表面上看，這是一場無可挑剔的效率勝利。但英國巴斯大學（University of Bath）的 Dirk Lindebaum 等學者在《管理學會評論》（Academy of Management Review, 2026）發表的一篇研究，直接點出了繁榮表象下的深層隱憂：當主管習慣在動腦思考前先召喚 AI，眼前的例行公事固然能迅速交差，但未來面對混亂、充滿矛盾且毫無標準答案的複雜變局時，真正關鍵的實務判斷力恐怕正在悄悄退化。
這種難以量化的核心能耐被稱為「管理實踐智慧」（Managerial Phronesis）。要理解組織當前所面臨的真實風險，我們必須先跳脫單純的技術崇拜，深入剖析這種智慧到底由哪些要素構成，以及它為何永遠無法被演算法輕易取代。
實踐智慧的三個支柱：為什麼 AI 代替不了管理者的舌頭
亞里斯多德曾精闢區分過「技術熟練」（Techne）與「實踐智慧」（Phronesis）的本質差異。技術熟練講求把事情做得精準、迅速且符合標準規格；實踐智慧則是在牽涉價值衝突與利益角力的複雜情境中，精準拿捏「當下究竟該採取什麼合宜行動」。
依據 Shotter 與 Tsoukas（2014）的論述，管理實踐智慧主要由三個相互交織的核心要素所組成：
道德洞見（Moral Insight）：能敏銳察覺一項決策背後究竟造福了誰、又讓誰默默承受代價。裁員在財務報表上固然能換來漂亮的成本精簡，但它對組織內部的信任資本、研發團隊的冒險文化，以及基層員工家庭的實質衝擊又是什麼？
情境敏感度（Contextual Sensitivity）：精準掌握眼前特例與常態通則的微妙差異。同一套激勵考核辦法在業務團隊推行得順風順水，移植到研發部門卻引發強烈反彈，管理者是否看得出兩者在工作情境上的根本不同？
實務訣竅（Practical Know-how）：在危機爆發或衝突升溫的當下，懂得何時該打破砂鍋問到底、何時該適時打住，又在何時需要私下溝通協調。這種高度仰賴身體化經驗的臨場應變，絕非幾頁靜態的工作手冊所能涵蓋。
生成式 AI 產出的本質上是「合成內容」（Synthetic Outputs）。模型依據歷史編碼資料計算出機率最高、行文最流暢的文字，但它從未親身涉入過真實世界的生活體驗。
AI 能在幾秒內列出一千種調味配方，但它自己沒有舌頭，從未親口嚐過任何一滴滋味。
當主管將決策分析全面交由合成資訊主導時，他與真實營運現場的互動之間，便悄悄隔上了一層厚厚的數位玻璃。
判斷力的基準循環：主管原本是如何變厲害的？
在沒有生成式工具介入的情境下，優秀主管的實踐智慧是歷經長期經驗摸索與反思循環慢慢淬鍊出來的：
這個成長歷程具備兩個不可或缺的關鍵特點：
事前的前瞻性想像：學習絕不只是事後的檢討覆盤，更在於主管動手前願意運用先驗推想（A priori imagining），預先假設「事情或許有其他可能性」（例如：同仁績效低落未必是能力不足，很可能是跨部門流程互相卡關）。這種求知探索的動機會驅使主管走進現場，而成功的排解經驗又會進一步強化下一次主動思考的意願。
事後的反身性追問：事情告一段落後，主管會主動深究主導決策的核心假設（Governing Variables）：「我們當時為什麼會認定這個目標是正確的？我們在過程中忽略了誰的真實心聲？」
這種由好奇心驅動、親身走入現場，並在事後深度自我剖析的完整循環，正是管理者鍛鍊敏銳判斷力的真實修練場。
兩條分水嶺：走下坡的去技能化 vs. 逆勢而上的能耐提升
當生成式 AI 介入日常決策後，Lindebaum 等學者（2026）指出了兩條截然相反的演化路徑：
1. 知識去技能化（Epistemic De-skilling）
在繁重的時間壓力下，管理者極容易順應人性選擇最省力的捷徑：
認知外包（Cognitive Offloading）：在自己尚未釐清問題全貌之前，直接要求 AI 提供整套策略方案。這等於直接跳過了前瞻想像的鍛鍊，極易滋生「後設認知怠惰」。
以合成摘要取代現場接觸：主管習慣依賴 AI 整理的意見分析與數據摘要，替代親自走訪產線與進行跨單位溝通。雖然避開了面對人際衝突的心理壓力，卻也徹底失去了感知現場微小徵兆的敏銳度。
抑制效應滾雪球（Inhibitor Effect）：外包思考一次，就少累積一輪第一手經驗；下一次遇到非典型難題時，自行判斷的信心就更低，進而更加依賴工具給予指引。
2. 知識能耐提升（Epistemic Up-skilling）
這條路徑的關鍵，在於決策者懂得善用 AI 的「解釋沉默」（Explanatory Silence）——也就是 AI 雖然能給出流暢的答案，但被深入追問決策脈絡與因果依據時，往往只能產出空泛的公版套話。
想要實現知識能耐的提升，必須踏實走過三個步驟：
生成多元對照情境：主管先建立自己的初步主見，再要求 AI 針對此想法提供極端反例、邊界情境或利益衝突版本。
辨識推論缺口：主動追問 AI「這項建議奠基於哪些未言明的假設？在何種組織情境下會徹底失效？」並精準察覺生成內容中缺乏在地脈絡的死角。
親自補足實務論證：主管結合第一線的實戰經驗，親手補齊現場人際關係、倫理代價與歷史包袱，形成真正經得起考驗的在地決策。
這兩條路徑是不對稱的。去技能化順應了避重就輕的本能，極易自然發生；能耐提升則要求決策者本身必須先具備扎實的實務經驗底子（Verifying Anchor），且願意持續投入高強度的認知心力進行思辨。
大型組織的結構性困境：深度反思為何如此困難？
許多企管論述在探討判斷力時，往往開出過於理想化的解方，例如「請主管每天保留一小時沉澱反思」。然而在大型企業的真實生態中，個人的深度思考往往受到內部制度的強力壓抑：
時間匱乏與產能導向考核
科層體制高度依賴可量化的產出速度與里程碑進度。當數位工具替團隊省下時間，系統通常只會塞入更多會議、更多專案與更緊迫的死線。在時間極度匱乏的工作環境中，停下腳步反思「這個目標背後的假設是否合理」，在短期績效考核中往往會被貼上缺乏效率的標籤。
演算法成為官僚體系完美的卸責護身符
在龐大的體制內部，做出展現個人主見的判斷必須承擔政治風險。如果主管依據現場觀察調整方向卻遭遇挫折，責任全由個人承擔；但若他選擇採用符合系統歷史數據推薦的平均方案，就算成果平庸，也能輕易歸咎於市場與演算法。工具成了免於被究責的安全防護罩，實質上削弱了決策者堅持自主判斷的意願。
內部知識庫的近親繁殖與同溫層封閉
許多企業積極打造檢索增強生成（RAG）系統，把過往專案結案報告與會議紀錄全數匯入作為資料源。如果這些文件本身就是基層主管為了應付流程、使用 AI 快速拼湊產出的去技能化內容，內部專屬模型就只是在平庸的文件中自我循環。這種「知識鏡像」（Epistemic Mirroring）會進一步過濾掉帶有爭議但極具價值的現場真實雜訊，讓組織越來越難接觸到多元的衝突視角。
逆向察覺：我們如何看出「認知肌肉」正在萎縮？
判斷力退化之所以極具危險性，是因為它在初期往往被包裝在亮眼的產能成長數據之中：
| 表面上的轉型紅利 | 深層的認知退化警訊 |
|---|---|
| 專案報告產出週期大幅縮短 | 主管無法用自己的話，清楚說明方案若失敗時究竟誰該承擔實質代價。 |
| 提案行文流暢、架構完整體面 | 面對突發的跨部門衝突或非典型異常時，主管展現出明顯的無力感與被動抽離。 |
| 內部資料庫與方案數量激增 | 提案內容高度同質化，鮮少有人主動質疑歷史數據未曾涵蓋的資料盲區。 |
| 新進同仁迅速上手各類分析工具 | 新生代主管缺乏第一線的經驗錨點，失去辨識 AI 輸出真偽與偏誤的能力。 |
高階經營團隊可以透過幾個關鍵徵兆，及早辨識組織內部是否出現認知退化：
失去同理溫度的決策風格：管理團隊在研議涉及組織重組、資源重分配或人員異動時，只聚焦於財務指標的最佳化，對第一線同仁承受的衝擊與長遠文化傷害失去敏感度。
過度套用標準化框架：方案看似面面俱到，卻完全看不出針對公司內部派系脈絡、信任基礎或非典型例外的實質應變對策。
自動化偏誤與忽視資料盲區：決策者全盤採信演算法的分析結論，不再質疑「哪些關鍵客群或現場邊緣的真實聲音，從頭到尾根本沒有被記錄進資料庫」。
經驗錨點產生世代斷層：資深主管因為過去在泥巴路裡摔過跤，看得出 AI 建議背後的漏洞；但入職第一天就全盤依賴 AI 產出方案的新世代，尚未建立起親自驗證事實的實務直覺。
高階經營層的焦點轉向：別把技術工具綁在最前面
當生成技術的取得成本越來越低廉，企業真正的核心護城河不再是「誰的工具導入得更快」，而是「組織內部是否還保有具備深度判斷力的人才」。
經營高層應重新審視內部的認知鍛鍊與經驗傳承機制：
清楚劃分「交付型任務」與「育才型任務」：格式排版、跨語言翻譯與基礎資料彙整可以大量依賴工具協作；但牽涉到跨部門衝突協調、突發例外處置與深度客戶訪談等關鍵任務，必須保留給主管親身歷練，避免跳過必要的實務鍛鍊。
建立「追問決策脈絡」的審核機制：在重大決策會議上，審查重點不該只停留在簡報結論本身，更應檢視決策者的思辨歷程：在詢問 AI 之前，你的原始假設是什麼？面對 AI 產出的備選方案，你依據哪些現場情境否決了特定選項？這項決定是否會對其他單位造成未預期的連鎖衝擊？
制度化當責要求（Accountability）：當主管清楚知道自己必須為「為何採納或推翻 AI 的建議」提出合理說明時，這股當責壓力會促使他主動深入現場查證細節，將生成工具轉化為自我檢視的對照鏡子。
捍衛基層幹部的實務涉入機會：刻意安排跨部門輪調、現場訪查與面對面的利益協商，確保年輕主管在職涯初期累積足夠的人際互動經驗，建立起未來能精準辨識系統盲點的經驗錨點。
生成工具就像一台效率極高的起重機。當起重機普及之後，如果組織裡的所有人都因此停止鍛鍊體能，全體同仁的肌肉萎縮將是無可避免的必然結果。
管理終究是一門以人為核心的實踐藝術。那些存在於現場眼神中的猶豫、長期累積的信任基礎，以及對決策結果的主動擔當，都不是合成演算法能夠代勞的。
在追求效率的同時，刻意替團隊保留走入現場的機會與深度反思的餘裕，這正是當前領導者最不可或缺的經營定見。
