了解AI能力的「鋸齒邊界」，才能聰明委派AI任務
這幾天，我看到一位朋友在 FB 寫道：「我的朋友九天年假期間都在忙著養龍蝦（設置 AI 代理），看得我也焦慮起來。」先不談這種接近全自動的 AI 代理工作法，光是一般任務委派，主管就已經需要重新思考一個問題：哪些工作該交給 AI，怎麼交，才能在可控風險下取得效率。
事實上，這並非單純的工具選擇問題，而是管理判斷問題。你在評估的，其實是時間、品質與風險的綜合結果。在決定之前，至少有三個判斷面向需要先想清楚：
首先，AI 的速度優勢是明確的。它能在短時間內產出多個版本，特別適合用在草稿生成、整理資訊、改寫格式、初步發想等工作。對主管與團隊來說，這代表方案實驗的成本下降了，你可以更快看到不同方向，再決定要不要投入更多人力深化。其次，在許多標準化任務上，AI 的邊際成本通常低於人力。相較於專業人員的工時成本，AI 的使用成本往往更低，因此多跑幾個版本、多測試幾種寫法，都是合理的做法。不過，這個前提只成立在你有能力審核結果的情況下。高風險任務的審核成本與責任成本，不能因為 AI 便宜就被忽略。
第三，也是最關鍵的一點，是判斷 AI 的能力範圍。哪些任務適合交給 AI，哪些不適合，不能只靠「看起來難不難」來判斷。這裡可以用「鋸齒邊界」（jagged frontier）的概念來說明。
什麼是AI能力的「鋸齒邊界」？
這個概念來自 2023 年一項由哈佛商學院、Wharton、MIT 與 BCG 研究團隊進行的研究，研究對象是波士頓顧問集團（BCG）的顧問。研究指出，一般人常把 AI 能力曲線想像成一條平滑曲線：簡單任務做得好，複雜任務做不好；但實際情況不是這樣。
AI 的能力範圍邊界更像一條凹凸不平的鋸齒線。它可能在某些看起來很高階的任務上表現流暢，例如撰寫策略報告草稿、整合大量資料、生成分析建議；但在某些看似基本的任務上，例如數量計算、需要穩定推理或具體情境常識的判斷，卻可能出現明顯錯誤。
AI的能力曲線呈現「鋸齒邊界」
問題在於，這條邊界不平滑連續，也不容易靠直覺預測。主管若只用「這任務很簡單」或「這任務很複雜」來做委派判斷，容易誤判。
更值得注意的是，研究發現當參與者把「落在能力範圍以外」的任務交給 AI 處理時，整體表現可能比完全不使用 AI 的對照組更差。原因不難理解：AI 的輸出往往語氣完整、格式漂亮、內容流暢，容易讓人降低審查的嚴格度，結果把看起來像答案的內容當成正確答案。
流暢度不等於正確度。這是主管在導入 AI 時最容易忽略，也最容易付出代價的地方。
如何評估是否適合委派給AI
因此，決定是否把某項任務交給 AI，不應只看「快不快」。這裡先談效率判斷的三個變數；但在進入計算之前，必須先通過一個前提：錯誤風險是否在可控範圍內。
- 人類基準時間：這件事由你或團隊成員直接完成，需要多久。
- AI 成功機率：AI 在單次嘗試中產出符合標準結果的機率有多高。
- AI 處理時間：從下指令、等待輸出、來回修正到審核完成，總共要花多久。
用簡化的管理語言來說，在錯誤風險可控的前提下，只有在「AI 節省的時間」大於「審核成本 + 重工時間」時，委派才真正划算。
評估是否適合委派給AI
舉例來說，假設一項任務你自己做需要 1 小時，AI 只要5 分鐘可產出初稿，但你需要花 20 分鐘審核，且有一定機率要再修改一輪（10分鐘）。這種情況下，只有在 AI 成功機率很高、錯誤代價又低時，委派才有明顯效益。否則，來回修改與審核的時間，很可能已經接近甚至超過你自己完成的時間。
但如果同一件事你自己做需要 10 小時，即使你要花 1 ～ 2 小時和 AI 協作、拆解任務、逐步審核，仍然可能是值得的。這時候 AI 的價值不只是省時間，也包括降低啟動成本、加快版本迭代，以及讓團隊把人力放到更高價值的判斷工作上。
上述三變數框架處理的是效率問題；但此一任務是否能交給 AI，仍要先看錯誤風險是否可控。如果 AI 給出錯誤結果而未被及時發現，代價可能非常高時（例如客戶信任、法規風險、財務損失或品牌傷害），仍然需要審慎。
提高 AI 委派品質的三個方向
如果要讓 AI 委派真正有效，核心不是追求一次就產出完美答案，而是提高成功機率，並降低反覆溝通與重工的次數。實務上可以從以下幾個方向改善。
第一，給出更清晰的任務指令。
AI 需要的指令不只是「做一份行銷報告」，而是明確的任務目的、輸出格式、完成標準與限制條件。你希望它解決什麼問題，讀者是誰，哪些資料可以用，哪些推論不能做，最後要產出什麼形式，這些如果沒有交代清楚，輸出偏離預期幾乎是必然結果。
第二，提高評估與回饋的能力。
能快速辨識 AI 哪裡做對、哪裡做錯，能大幅減少來回修改次數。這項能力的基礎不是「懂 AI」，而是「懂你的專業」。專業知識越深，你越知道哪些段落只是寫得順，哪些判斷其實站不住腳，也越能提供有效回饋讓 AI 修正。
領域專家與既有經驗的價值，正在 AI 委派情境中重新被凸顯。原因不在於專家比較會下指令，而在於專家更能快速辨識哪些結果「看起來合理但其實有問題」。很多錯誤不是出在語句不通順，而是出在脈絡判讀、例外條件、產業慣例、風險邊界與實務可行性。這些判斷高度依賴長期累積的工作經驗，短時間內很難被取代。
對主管而言，這代表 AI 導入的重點不只是讓團隊更快產出內容，更是把資深同仁的經驗，轉化為可重複使用的委派標準、審核規則與案例判斷。
第三，加快審核流程的效率。
不是每個部分都要用同樣強度檢查。主管與團隊需要建立審核優先順序，例如哪些內容必須逐句核對（數字、法規、對外承諾、關鍵決策），哪些內容可以快速抽查（措辭、格式、一般性整理）。審核效率本身就是一項能力，需要刻意練習與流程設計。
領域專家與其經驗更顯重要
這三個方向背後有同一個規律：專業能力越強，AI 委派效益越高。因為專家更能定義任務、辨識錯誤、快速修正，也更清楚何時該停止讓 AI 繼續嘗試，改由人直接接手。
委派文件：最被低估的 AI 技能
很多主管把 AI 導入理解成「學 prompt（提示指令）」，但在實務上，更重要的往往是「把要求寫清楚」。
在 AI 出現以前，成熟的工作場景就已經有各種需求文件。軟體開發有產品需求文件（PRD），電影製作有分鏡，建築有設計意圖文件，顧問業有結案規格書。它們的功能都一樣：把一個人腦中的想法，轉成另一個執行者可以實際執行的行動。
放到 AI 工作情境裡，這類文件不只仍然有效，通常還更重要。因為 AI 可以高速執行，但前提是你要把任務定義得夠清楚。很多團隊導入 AI 成效不穩，不是模型不夠強，而是委派規格太模糊。
一份實用的 AI 需求溝通文件，至少可以包含以下內容：
- 任務目的（要解決什麼問題）
- 使用情境與讀者（寫給誰、在哪裡使用）
- 輸入資料來源（可用資料、不可用資料）
- 輸出格式與完成項目（報告、摘要、表格、腳本、簡報草稿等）
- 完成標準（品質標準、判斷依據）
- 授權範圍（哪些決策不能由 AI 直接做）
- 審核方式（誰審、審哪些重點）
- 例外條件（出現哪些情況必須改由人處理）
如果主管能把這些內容想清楚、寫清楚，其實已經在做最有效的 AI 提示工程。因為你真正提升的不是某一句 prompt，而是整個委派品質。
主管真正要管理的，不只是工具
AI 導入後，很多工作不會立刻變成「全自動」，而是先變成「人機協作」。在這個階段，主管最有價值的能力不是親自下場生成最多內容，而是建立任務分級與審核機制。實務上可以先把任務分成三類：
- 一類是可直接交給 AI 的任務：低風險、標準明確、結果容易驗證。
- 一類是適合人機協作的任務：AI 可先產出草稿，但需要專業判斷與修正。
- 一類是不宜直接委派的任務：高風險、非例行性、錯誤代價高或涉及關鍵責任判斷。
這樣的分級方式，比單純要求團隊「多用 AI」更有效。因為它處理的是管理上的核心問題：責任歸屬、品質控制與決策風險，而不只是工具使用率。
管理 AI，其實是在重新發現管理的本質
在部分技術團隊中，已經可以看到一個明顯轉變：工作重心從「自己完成所有執行」移向「管理 AI 代理完成一部分執行」。這種變化最早出現在軟體開發領域，但不會只停留在那裡。行銷、研究、營運、客服、人資、內部知識管理，都會陸續遇到類似情境。
這個轉變對主管的真正提醒是：當執行變得更便宜、更快，稀缺資源就不再只是人力工時，而是界定問題、設定標準、配置風險與判斷品質的能力。
能清楚界定任務範圍、定義交付標準、設計審核流程、知道何時該讓人接手的人，在 AI 時代的價值不會下降，通常會上升。這些能力過去常被放在「軟實力」的分類裡，但在 AI 協作的工作場景中，它們直接決定產出品質、決策速度與組織風險控制，已經是主管最核心的管理能力。
隨著AI的普及，執行力不再是稀缺資源，管理者的價值因而面對巨大的轉型機會。
「 #當管理學遇上AI 」不只是給管理者的 AI 操作指南，從深厚的經典管理智慧出發，拆解 AI 時代的真實挑戰，協助管理者跨越「工具操作」的表層，進入「組織協作」的深層核心。
除了幫你的「管理工具箱」增添配備之外，AI 將成爲管理的力量放大器，而你則是負責校準方向的引導師。我們在追求效率的同時，更要練習在複雜中找到平衡，讓你在 AI 時代，當個更從容、也更有溫度的領導者。
