哪些是可測試的任務，哪些涉及承諾、權限與責任？
不要先問 AI 能不能取代一個人
職位是一整組任務、判斷、協調、例外處理與責任。企業真正要管理的，不是「要不要用 AI」這個單一選擇，而是每個工作環節應交給誰、用什麼方法檢查，以及出錯時能不能停下來。
流暢說明只是輸出；證據來自重現、變因測試與獨立查核。
先找高後果例外，再設計發現、停止、修正與追溯。
把人的判斷轉成資料條件、邏輯規則與人工核准。
課程前導 / MANAGEMENT FRAME
生成式 AI 進入企業後，主管真正要管理什麼
從任務拆解、結果驗證、錯誤控制到責任分工，先建立企業應用生成式 AI 的共同判斷框架。
管理起點
觀念一
任務可以自動化，工作需要重新設計
| 層級 | 組成 | 例子 | 管理方式 |
|---|---|---|---|
| 任務 Task | 明確輸入、處理步驟與輸出 | 比對條款、整理訂單、草擬回覆 | 可個別測試，適合評估 AI、程式或規則 |
| 工作 Job | 多項任務＋情境判斷＋協調＋責任 | 處理客訴、審閱合約、核准付款 | 必須重新劃分分工、權限、例外與責任 |
拆解工作時，先回答五個問題
- 哪些任務有明確規則，可以個別測試？
- 哪些環節涉及商業判斷、人際互動或對外承諾？
- 哪一種錯誤可能造成客訴、損失或法律責任？
- 異常發生時，流程由誰接手？
- 最終由誰驗收並承擔責任？
觀念二
看起來像思考，不等於已經證明
生成式 AI 依輸入、訓練資料與目前上下文，產生接下來最合適的文字、數字或程式內容。它看過大量人類的分析、解題與討論，因此能呈現分步推理、正反比較與專家語氣。這些內容有助於工作，但不能單憑文字表象來證明答案可靠。
輸入與上下文→生成候選內容→流暢的分析說明
真正的驗證在輸出之外| 主管要檢查什麼 | 具體測法 | 為什麼重要 |
|---|---|---|
| 能否重現 | 在相同條件下重新執行，觀察結論與關鍵數字是否穩定 | 避免只採信一次表現良好的回答 |
| 能否承受變因 | 替換資料、數字或邊界條件，檢查推論是否合理改變 | 找出模型只是套用常見模式的情況 |
| 能否獨立查核 | 用原始文件、程式、另一位專家或另一套方法驗證 | 把說明轉成可被查證的證據 |
觀念三
錯誤可以降低，不能假設會消失
生成合理內容
資料不足時，模型可能依循常見模式，補足成看似完整的答案，而非停在「無法確認」。
遇到少見例外
新法規、特殊合約、帳戶變更或多項異常同時發生，都可能讓表現快速下降。
不確定感不可靠
模型可能很肯定地說錯，也可能保守地說對；自評信心只能參考。
每次生成會變動
相同輸入仍可能得到不同答案，創意工作的優點會成為高風險流程的管理成本。
假設錯誤率5%×一年處理10,000 筆=可能需要處理500 筆錯誤
平均正確率高，不代表企業風險低。主管還要看錯誤集中在哪裡、後果有多嚴重，以及流程能否及時發現。
工具會降低錯誤，也會帶來新的檢查點
| 控制方法 | 能降低什麼 | 仍要防什麼 |
|---|---|---|
| 指定文件與可信資料 | 減少模型自行補寫 | 文件可能過期、版本錯誤或擷取不完整 |
| 計算器與 Python | 固定公式與數值計算 | 程式、欄位定義或參數可能寫錯 |
| 人工覆核 | 處理情境、例外與責任 | 覆核者可能只看結論，而沒有回頭檢視證據 |
觀念四
用邏輯規則決定何時繼續、何時停止
邏輯表達式就是把人的判斷條件，轉成可執行、可檢查的規則。它不一定是程式，也可以是決策樹、核對表、公式、表格條件或核准門檻。
付款流程範例
| 檢查條件 | 系統動作 | 人工責任 |
|---|---|---|
| 發票金額與採購單不同 | 立即停止，列出差異 | 採購與財務確認正確資料 |
| 供應商帳戶曾變更 | 標示高風險，不接受純文字確認 | 承辦人以既有聯絡方式交叉確認 |
| 缺少驗收紀錄 | 不得產生付款建議 | 權責單位補齊驗收證據 |
| 金額超過核准上限 | 送交指定主管 | 主管決定是否核准 |
| 所有必要條件通過 | AI 草擬付款摘要 | 財務完成最後確認後才付款 |
經營檢核
帶著六個提醒，進入接下來的課程
- 不要購買思考的外觀驗收正確、穩定、可查核、可重現的成果。
- 不要把完整工作一次交給 AI先拆任務，再分配 AI、規則、工具與人工責任。
- 不要只看平均正確率找出最嚴重的錯誤、例外與停止機制。
- 讓專家成為控制者由領域專家辨識錯誤、補充情境與判斷結果。
- 把規則與覆核寫進流程不要只留一段提示詞，卻沒有資料來源與通過條件。
- AI 執行任務，人承擔責任明確指定誰驗收、誰核准、誰處理錯誤與補救。