AI 團隊首部曲：學會 Briefing

「Claude，幫我寫一篇關於缺工的文章。」Enter。

三秒後，AI 吐出了一篇兩千字的「完美」文章。我看完第一段，眉頭一皺，直接滑走。

為什麼？因為那篇文章實在太像「中國商業周刊」，滿滿的「優化、賦能、閉環、打造」。完全不是我的語氣，也不是"我習慣的"台灣人講話方式。文章寫得很工整、還有對仗，但實在沒什麼溫度，也沒有屬於我這二十幾年在服務業打滾的實戰味道。

AI 產出的品質，取決於你餵給它的「劇本」。

上一篇聊到，在 2026 年這個人才斷層的深水區，我開始訓練自己的 AI 團隊。其實，每個人使用工具的習慣不同，但無論你用哪個 AI，最核心的關鍵在於：你有沒有進行專業的 Briefing（任務說明）？

在聊 AI 之前，我們先回頭看傳統管理模式。

過去我帶團隊，交辦任務時不會只給一句話，例如：「把年度企劃提給我」。那叫「指令」，沒有說明的指令，就是各自揣測、集體空轉。

一份專業的 Briefing，必須包含四個結構性面向：

這套邏輯，是從業經驗的骨幹。當把這套邏輯套用到 AI 身上時，奇蹟才會發生。

有次跟 Gemini 說：「請幫我設計一個親子住房專案。」

結果它產出了一個定價 12,000 元的「五星級豪華親子套房」，附設私人管家、兒童 SPA...。很棒，但我原本是針對「平價商旅」的小資家庭。

這就像叫一位夥伴去採買吹風機，沒告訴他預算，他直接買回一台 Dyson。你唸他亂花錢，他覺得委屈：「你又沒說不能買好的！」這不是他的錯，是 Briefing 不夠清楚。

IBM 從 1960 年代就講過：垃圾進，垃圾出（Garbage In, Garbage Out, GIGO）。

根據研究，企業因為資料品質不佳，平均每年損失 1,200 萬至 1,500 萬美元；更有高達 87% 的自動化系統，因為無法解決資料品質問題而無法進入生產階段。

到了 AI 時代，這個問題沒有解決，反而被放大好幾倍。AI 通常不會質疑你的指令，它只會盡力用它的方法完成。如果你的 Briefing 是模糊的，AI 產出的東西再精緻，也只是一堆漂亮的垃圾。

來看看這兩者的差距：

不夠好的 Briefing：「幫我寫一篇關於缺工的文章。」AI 反饋：產出一篇無趣且充滿外來語法的廢紙。
專業 Briefing：「請針對 2026 年台灣服務業人才斷層現況，結合『僕人領導』管理心法，撰寫深度分析。
語氣以資深經理人角色，帶點冷靜的幽默，使用繁體中文台灣慣用語法，嚴禁使用中國外來語法。
目標讀者是面臨團隊斷層的 40-55 歲中高階經理人。」

當給了相對完整的 Briefing，AI 就能模擬你的思維高度，甚至能接住那種「中年人的冷幽默感」。這就是現在流行的「提示詞工程（Prompt Engineering）」。

史丹佛教授 Erik Brynjolfsson 曾分析 2,500 萬名全職工作者，發現：「年長員工因經驗與技能仍不可替代，受衝擊較小。」

為什麼？因為 AI 時代需要的不是操作技術，而是「知道要問什麼問題」的智慧。年輕人可能很會玩 AI，但不見得有 20 年的試錯經驗。我們知道：

當 Claude 給我一份完美的成本分析時，我會追問：
「這個人事成本是不是只算了固定薪資，沒算勞健保、加班費與訓練成本？」
「今年國定假日與往年不同，淡旺季落差有考慮進去嗎？」

這些問題，都是經理人被打臉才學會的「隱性知識」。

在我的矩陣式 AI 團隊中，「戲路」截然不同：

對 Claude：我的對話非常「公事化」，直接提出要求：「不要安撫與刻意解釋，給我我要的東西就好。」我曾跟 Claude 來回修改了 10 次，結果額度瞬間用完，我才驚覺：這不是 AI 的問題，是我一開始 Briefing 就不夠精準。從那之後，我寧願多花 5 分鐘想清楚，也不要浪費 10 次對話在錯誤的方向打轉。
對 Gemini：我會敘述畫面感。例如：「像夏天在石梯坪海邊、清晨五點的感覺。文案要像李宗盛的歌，帶著中年後的頓悟與省思，不要『放鬆身心靈』這種爛梗。」
對 Grok：我會設定座標與關鍵字，要求它去 X（原 Twitter）查找即時輿情，掌握第一線的勞方心聲。

我習慣讓 AI 互相檢查與制衡。

舉個上週的例子，我要做一個住房率預測。
透過 Claude：分析過去三年數據，提出樂觀預估。

結果發現預估過於理想與完美，直接沒理由衝出新高點，看起來沒考慮國人瘋狂出國，以及對國內旅遊的排擠效應，所以我透過其他 AI 進行對應任務。

Grok：查現今旅遊市場的負面輿論（如經濟不景氣、出國意願提高）。
NotebookLM：整合觀光局統計數據與旅遊相關同業公會報告。

最終將兩份總結丟回 Claude 重新思考，產出整體下修 15% 但相對合理的預測。這就是「制衡機制」的價值。

但無論產出結果如何，有個致關重要的重點：AI 再強，也無法承擔風險。

上個月，我透過 AI 規劃「客房備品最佳成本方案」。數據分析很漂亮，但我重新查證後發現，推薦的那家廠商有「漂綠」爭議，這與我們目前推動的永續方向完全衝突。

AI 可以算出「最佳解答」，但只有「人」能決定什麼是「對的答案」。而所謂的「對」，往往不在數據裡，而在你二十幾年職場生涯累積的堅持裡。

AI 沒辦法決定企業的靈魂，但透過精準的 Briefing，能強化你的智慧能量，讓你在人才荒的沙漠中，依然擁有專屬的綠洲花園。

下一篇，我想聊一個更嚴肅的話題：「當 AI 給出完美答案，但你選擇不用時——論經理人的必要堅持。」

因為再強大的 AI，也無法替你承擔那份責任。更不會在凌晨三點，為了一個有瑕疵的決策而失眠。

Dantès 筆記：

經營管理不是百米衝刺，是馬拉松。工具會變，但專業堅持不變。如果你在 Briefing AI 時遇到了障礙，歡迎來到我的沙龍，一起分享。