當 AI 越來越會管事，管理者該如何帶人？

← 返回 Management & Leadership

近年，企業組織調整與 AI 投資的討論，持續引起人們對工作未來的關注。當企業一方面投入人工智慧，另一方面重新檢視人力配置、工作流程與組織層級時，一個問題也逐漸浮現：

當 AI 已經能協助完成越來越多管理工作，組織還需要什麼樣的管理者？

這個問題不能只靠一則新聞回答。企業裁員可能涉及成本控制、業務策略、組織重整、市場環境與技術投資等多重因素，不能直接將所有人力調整歸因於 AI，更不能因此斷言管理者即將被取代。

然而，AI 確實正在改變許多工作的執行方式。資料整理、報表生成、排程、流程分析、計畫草擬與進度追蹤，過去可能需要管理者或行政人員投入大量時間，如今已有部分可以透過 AI 協助完成。

這讓我想起自己在準備職能治療管理學課程時，重新思考過的一個經典問題：管理與領導，究竟有何不同？

管理者不只是把事情安排好，也需要帶領人共同完成目標。當 AI 逐漸能夠協助我們把事情做得更快、更有條理，管理者是否也應該重新思考：自己應該把更多心力放在哪裡？

這篇文章想討論的，不是 AI 會不會讓主管消失，而是當管理工作的分配正在改變，管理者如何從依靠資訊與行政控制，走向更重視方向判斷、團隊領導與人機協作的角色。

一、回到管理學：管理與領導，究竟有何不同？

在管理學中，管理與領導經常被一起討論，但兩者的關注重點並不完全相同。

管理通常強調透過規劃、組織、用人、領導與控制等功能，運用組織資源達成目標。它關心的是：我們要做什麼？如何安排資源？工作如何協調？成果是否符合預期？

領導則更重視方向、影響力與人的投入。它關心的是：團隊為什麼要朝這個方向前進？成員是否理解目標？如何建立信任、面對變革、處理衝突，並讓人願意共同承擔？

John P. Kotter 在管理與領導的經典討論中，將管理與處理複雜性、領導與因應變革加以區分。這個觀點有助於理解兩者不同的功能，但並不表示管理者只需要維持秩序，領導者則只負責提出願景。真實組織中的管理與領導往往相互交織，兩者都不可或缺。[1]

Henry Mintzberg 對管理者工作的研究，也提醒我們，管理工作並非只有規劃與控制，而是包含人際、資訊與決策等多元角色。因此，「管理」本來就不應被簡化成行政庶務，更不能將所有管理工作直接視為可自動化的任務。[2]

AI 可能改變管理工作的執行方式，卻不代表管理與領導可以被完全切開，更不代表管理者只要學會使用工具就足夠。

二、AI 越來越會管事，但究竟會哪些事？

如果把管理工作拆解成不同任務，便能更清楚看見 AI 的影響。

一位主管可能需要閱讀大量資料、彙整會議紀錄、製作報表、安排工作、追蹤進度、分析績效、草擬計畫，並與不同部門溝通。這些工作之中，有些具有明確規則、重複性高，或主要依賴資訊處理；有些則需要理解現場情境、權衡價值、處理人際關係與承擔責任。

生成式 AI 與相關自動化工具，可以協助部分資訊密集、結構化或可標準化的任務。例如整理大量文字、比較不同方案、產生初步分析、協助建立流程，或根據既有資料提出可能的異常與改善方向。

但「能產生建議」與「能夠負責做出管理決策」仍然不同。AI 可能不知道某項資料是否完整，也可能無法理解組織內部未被記錄的限制；即使分析正確，管理者仍須判斷建議是否符合服務目的、倫理要求與實際資源。

若以管理五大功能來看，AI 的影響可以整理如下：

這張表並不是說某些功能可以完全交給 AI，而是提醒我們：同一項管理功能中，執行任務與管理責任可以重新分配。

例如，AI 可以協助產生一份排班建議，但它不應單獨決定誰應承擔較多夜班、如何兼顧勞動公平，以及人力不足時應如何維持安全。AI 可以提出績效分析，卻不能僅憑數字判斷一位員工的努力、困難與發展潛力。

因此，未來管理者需要學習的，不只是「哪些事可以交給 AI」，還包括「哪些判斷必須由人來完成，以及如何建立可靠的複核與責任機制」。

三、如果 AI 已經會盯進度、做考評，還需要您這位主管嗎？

不妨進一步想像一個高度自動化的工作日。

員工早上打卡後，AI 便依照工作計畫、昨日進度與待辦事項，提示今天應完成的任務。工作期間，系統持續追蹤進度、提醒期限，並在遇到例行問題時提供協助。

員工完成工作並提交成果後，AI 立即依照預先設定的標準進行初步檢核，產生回饋與績效資料。到了月底，系統彙整完成率、品質指標與工作紀錄，甚至可以依照既定規則計算獎金。

如果一位主管的工作，真的只剩下交辦任務、盯進度、檢查成果與計算獎金，那麼在這樣的系統逐漸成熟之後，組織確實可能重新思考：這個管理職位，是否還需要維持原本的形式？

這個思想實驗並不是說目前所有組織都已具備如此完整的系統，也不是主張應該讓 AI 自動決定員工的考績與報酬。它只是將管理工作拆解到極致，讓我們看見：當例行監督與資訊處理的成本降低，管理者的附加價值便需要重新被定義。

尤其是「AI 考評連結獎金」這一步，牽涉的不只是技術，更是管理制度。

系統可以計算完成率，卻未必知道不同任務的難度是否相同；可以統計產出數量，卻未必能充分反映團隊合作、專業判斷與不可量化的貢獻。若員工因支援同事、處理突發事件或照顧高需求服務對象而延遲原定工作，單純依照進度扣分，也可能產生不公平的結果。

此外，當績效指標直接連結獎金，員工可能更傾向完成容易被計算的工作，而忽略難以量化、卻同樣重要的任務。這類指標與行為之間的關係，是績效管理需要審慎面對的問題，不能假設數據越多，考評就一定越公平。

因此，即使組織使用 AI 協助績效分析，仍需要建立合理的評估標準、資料品質檢核、人工複核、申訴機制與明確的責任歸屬。AI 可以協助形成考評資料，但不應讓管理者以「系統就是這樣算的」作為迴避責任的理由。

當 AI 已經能協助我們把事情管得井井有條，管理者是否準備好，把更多心力放在真正需要人的地方？

四、當資訊不再是主管的優勢，管理者的價值在哪裡？

過去，管理者常因掌握較多資訊、具備豐富經驗，或擁有組織授予的決策權，而在團隊中扮演重要角色。員工遇到問題時，往往需要向主管請示、等待指示，再依照組織層級執行。

AI 的出現，正在改變這樣的資訊關係。

現在，一位基層員工也可以透過 AI 快速取得政策摘要、分析資料、比較方案，甚至產生一份看起來相當完整的管理計畫。主管不再必然是資訊的唯一來源，也不一定是最先提出解決方案的人。

這並不意味著主管失去價值，而是讓一個問題變得更清楚：

如果一位管理者的主要價值，只在於彙整資訊、傳遞指令與追蹤進度，那麼當這些工作逐漸能由 AI 協助時，他的角色確實可能面臨重新設計。

但真正的管理者，從來不只是資訊轉運站。

當團隊面對人力不足、資源衝突、服務風險、專業意見不一致，或組織必須改變既有做法時，管理者仍需要理解情境、比較選項、說明理由，並為最後的選擇負責。

更重要的是，管理者需要讓人願意共同前進。

AI 可以協助草擬一封溝通信件，卻無法保證員工因此信任主管；可以建議如何處理衝突，卻不能取代主管親自理解不同成員的立場；可以產生教育訓練內容，卻不能自動建立一個願意學習、嘗試與回饋的團隊文化。

當員工的 AI 建議與主管經驗不同時，主管也不應只憑職位權威否定對方。相反地，這可能是一個共同檢視資料、比較選項、說明判斷依據的機會。

因此，AI 時代的管理者，或許更需要從「我知道答案」轉向：

「我能帶領團隊理解問題、做出好的判斷，並共同承擔結果。」

五、管理者的新角色：從單一主管到人機協作整合者

當 AI 開始參與組織工作，管理者的責任也不再只是安排人與人之間的分工，而需要進一步設計人與 AI 如何共同完成任務。

綜合前面的討論，我們可以從五個面向，重新理解 AI 時代管理者可能需要強化的能力。這是一種實務上的整理，而不是一套固定不變的管理公式。

1. 方向判斷者：在更多答案之中，釐清真正的問題

AI 可以快速產生多種方案，但方案增加，不代表組織就知道應該選擇哪一個。

管理者需要先確認：我們真正要解決的是什麼問題？哪些需求最重要？有哪些資源限制？哪些價值不能因追求效率而犧牲？

例如，一個復健部門希望增加服務量，AI 可能提出延長時段、調整排程或重新分配人力等建議。但主管仍需判斷，服務量增加是否符合部門使命、是否影響治療品質，以及是否造成員工不可承受的負擔。

方向判斷的核心，不只是選擇效率最高的方案，而是確認組織正在朝值得前進的方向努力。

2. 團隊領導者：建立信任，讓人願意面對變革

AI 導入不只是技術問題，也可能改變員工的工作方式、專業角色與對未來的安全感。

有些同仁可能期待 AI 減少繁瑣行政，有些人則可能擔心自己的工作被取代、能力不足以適應新工具，或害怕使用 AI 出錯後需要承擔責任。

管理者若只宣布「以後大家都要使用 AI」，未必能真正推動變革。更重要的是說明導入目的、傾聽疑慮、提供學習支持，並讓成員有機會參與工作流程的調整。

領導不是要求所有人立刻接受改變，而是協助團隊理解改變、建立能力，並在過程中維持信任。

3. 人機協作設計者：讓技術成為系統的一部分

AI 不應只是每位員工各自使用的工具，而可以被納入有明確分工與品質要求的工作流程。

管理者需要思考：哪些任務適合由 AI 協助？哪些資料不能輸入未經核准的系統？哪些結果需要專業人員複核？AI 產生錯誤時如何發現與修正？如果系統無法使用，是否有備援流程？

例如，AI 可以在符合機構授權、資料治理規範與適用法令的前提下，協助整理經適當去識別化的個案支持資料，形成團隊討論草案。實際使用時，仍須確認系統是否經機構核准、資料是否適合輸入，以及是否具備必要的存取控制與安全措施。去識別化並不等於資料可以任意提供給公開 AI 工具。

正式紀錄、功能假設、介入決策與高風險處置，仍需要由具備權責的專業人員確認。AI 可以提供分析與建議，但不能取代專業判斷，也不能讓主管免除服務安全與品質的責任。

真正成熟的人機協作，不是讓 AI 做得越多越好，而是讓每一個角色都清楚知道自己的任務、權限與責任。

4. 人才與文化培育者：讓效率提升成為學習的機會

當 AI 能夠協助完成部分初階或重複性工作，組織也需要重新思考人才如何培育。

如果年輕員工不再需要親自整理資料、撰寫初稿或參與基礎分析，他們是否仍有機會理解這些工作的邏輯？如果主管過度依賴 AI 產出，是否可能減少自己與團隊累積判斷能力的機會？

因此，管理者不應只追求「AI 幫我們省下多少時間」，也應思考如何把這些時間轉化成教育訓練、現場觀察、跨專業討論與專業能力發展。

AI 可以成為學習的輔助，也可能成為直接跳過學習歷程的捷徑。兩者之間的差別，往往取決於組織如何設計工作與學習環境。

5. 品質與責任守門者：AI 可以協助，當責不能外包

管理者可以運用 AI 協助分析、建議與執行，但不能因為「這是 AI 建議的」就免除自己的責任。

尤其在醫療、長照與社會福利服務中，資料隱私、服務對象權益、專業倫理與安全風險，都必須受到重視。

例如，AI 協助產生一份照護策略，並不代表該策略已經適合特定服務對象；AI 整理出的異常事件趨勢，也不代表主管可以不再了解現場發生什麼事。

管理者需要建立查證、複核、紀錄、權限與持續改善的機制，讓 AI 成為可以被監督與修正的協作工具，而不是責任模糊的黑箱。

六、AI 不只改變工作，也可能改變組織的形狀

當 AI 能夠協助資訊彙整、跨部門協調與流程管理，企業可能重新檢視組織層級、管理幅度與職務配置。

過去需要多個層級傳遞的資訊，現在可能更快速地被整理與分享；原本由不同人員分別完成的行政任務，也可能透過新的工作系統整合。這些變化可能讓組織出現更扁平的設計，或使部分職務的工作內容重新組合。

但組織扁平化並不必然是 AI 導入的結果，也不一定適合所有機構。管理幅度能否增加，仍取決於工作複雜度、員工能力、服務風險、組織文化與所需的支持密度。

例如，一個高度標準化的行政流程，可能適合透過 AI 減少中間協調；但一個需要密集照顧、即時應變與跨專業合作的服務單位，未必能因為報表自動化，就大幅減少現場管理與支持人力。

這也提醒我們，不能把「行政效率提高」直接等同於「組織可以減少相同比例的人力」。

更值得管理者思考的是：技術創造的效率，究竟應如何被使用？

是增加服務量、降低成本、改善品質、減輕員工負擔，還是投入新的服務與人才培育？不同選擇可能各有合理性，但都需要根據組織使命、資源條件與利害關係人的需求進行判斷。

效率提升不必然等於服務品質提升，更不必然等於員工福祉改善。管理者必須有意識地決定，技術帶來的能力要用來創造什麼價值。

七、回到職能治療與社福現場：AI 能幫忙，但不能替我們照顧人

某社福機構導入 AI，協助整理會議紀錄、彙整異常事件、製作教育訓練教材，以及分析部分服務流程。經過一段時間，行政工作所需時間有所減少，主管開始思考下一步的資源配置。

有人建議：「既然 AI 已經可以協助這麼多工作，是否可以減少行政人力，或讓每位主管管理更多服務單位？」

也有人認為：「目前第一線人力已經很吃緊，或許應該把節省下來的時間，用於現場支持、跨專業討論與員工培訓。」

這兩種想法都涉及管理選擇，不能只依靠 AI 產出的效率數字決定。

主管需要進一步確認：哪些工作真的減少了？是否有新的複核與資料治理負擔？服務品質是否受到影響？員工是否具備使用能力？如果增加管理幅度，主管還有足夠時間理解現場、支持同仁與處理高風險事件嗎？

假設機構進一步使用經核准的 AI 系統，協助整理符合資料使用規範的情緒行為支持資料，產生 ABC 分析與 PBS 策略草案，主管仍須確認資料是否正確、功能假設是否合理、服務對象的意願是否被尊重，以及策略是否符合實際照顧環境。相關資料的使用，也必須符合機構授權、適當去識別化、資料保護與適用法令要求。

AI 可以協助團隊看見更多資訊，卻不能取代專業人員與服務對象之間的理解，也不能讓主管免除服務安全與品質的責任。

這正是管理與領導需要同時發揮作用的地方。

管理者需要設計流程、配置資源、建立品質檢核；也需要帶領團隊理解導入目的、處理疑慮、培養能力，並在不同專業意見之間建立合作。

如果 AI 的導入只是讓員工必須完成更多工作，卻沒有改善支持條件，技術未必能真正帶來更好的服務。相反地，如果組織能把 AI 作為環境支持的一部分，減少不必要的重複負擔，讓同仁有更多時間投入專業判斷與人際互動，便可能創造另一種工作方式。

這也與正向行為支持（PBS）所強調的環境調整與適當支持，有一個值得思考的呼應：與其只要求人更加努力，不如檢視環境與系統，是否能提供足夠的支持，讓人更容易把事情做好。

當然，這是一種管理上的概念連結，並不表示 PBS 理論可以直接用來證明 AI 導入的成效。

八、從「我來管理」到「我們如何共同完成」

我自己在準備職能治療管理學教材與 AML 網站文章時，也逐漸感受到這樣的變化。

過去使用 AI，常是提出一個問題、取得一份答案，再由自己修改或使用。現在，當工作需要跨越文章撰寫、資料查證、視覺設計與網站工程時，我開始嘗試把不同任務分開，讓 AI 協助初稿、校閱、資料整理與技術工作，再由自己決定方向、檢查品質並完成最後驗收。

這並不是一套已經驗證有效的管理模型，也不是 AI 可以自行完成所有工作的證明。它比較像是一個小型的實務實驗，讓我開始思考：當 AI 能夠參與越來越多工作，管理者是否也需要重新學習如何分工、建立流程與承擔責任？

例如，AI 可以產生一篇文字流暢的文章，但流暢不代表事實正確；不同 AI 可以互相校閱，但彼此可能共享相同的盲點；網站程式可以快速生成，卻仍需要實際測試，才能確認讀者真的能正常使用。

因此，管理者的價值並不是「每件事都由我親自完成」，而是能否建立一個讓不同能力相互協作、錯誤能被發現、品質能被改善的工作系統。

這也讓我重新理解管理與領導的關係。

管理讓我們知道如何安排資源、建立流程與追蹤成果；領導則讓我們思考，如何讓人理解方向、願意參與，並在變化中持續成長。

而在 AI 時代，兩者可能比過去更加需要被整合。

九、管理者真正需要面對的，不只是 AI，而是自己的角色轉型

AI 浪潮可能改變某些職務、組織層級與人力需求，也可能讓部分工作消失或重新組合。這些影響不應被輕描淡寫，尤其對正在面臨轉型的員工而言，工作不只是生產力數字，也涉及收入、專業認同、生活安排與未來安全感。

因此，管理者不能只把 AI 視為提高效率的工具，也需要思考如何公平地面對轉型、提供適當的培訓與支持，並讓員工有機會參與工作重設。

對管理者自己而言，這也是一個重新學習的機會。

如果過去的角色主要建立在資訊優勢、職位權威與行政控制之上，AI 的發展可能使這些優勢逐漸受到挑戰。但如果管理者能夠持續培養方向判斷、領導能力、跨專業協作、人才發展與責任治理，便有機會在新的工作環境中，創造不同的價值。

未來的管理者，不一定需要知道所有答案，也不必親自完成每一項工作。

但他需要知道：什麼問題值得解決？什麼工作可以交給 AI？哪些判斷需要由人來完成？如何讓團隊共同學習？當成果不如預期時，又該如何承擔責任並持續改善？

這些問題，正是管理學在 AI 時代仍然重要的原因。

留給每一位管理者的問題

當 AI 能夠協助我們完成越來越多工作，或許值得重新問自己：如果不再需要花大量時間盯進度、整理報表與傳遞指令，我希望把這些時間用在哪裡？

我是否真正理解團隊目前面對的困難？是否有能力帶領同仁面對變革，而不只是要求他們適應新的工具？當 AI 提出與自己經驗不同的建議時，我能否放下職位上的權威，與團隊一起檢視資料、比較選項？

更重要的是，當技術讓組織變得更有效率，我們是否也願意思考，這些效率應該如何回到人的身上？

管理者的價值，或許不再只是確保每一項工作按時完成，而是讓團隊知道為什麼而努力、如何共同完成，以及在變化之中，仍然能夠持續成長。

結語：當 AI 讓我們更有效率，我們想成為什麼樣的管理者？

AI 讓我們有機會把事情做得更快、更有條理，也可能重新改變組織的分工與管理層級。但技術本身並不會自動決定，這些效率應該如何被使用。

是讓員工承擔更多工作，還是減少不必要的負擔？是只追求成本下降，還是同時改善服務品質與人才發展？是讓管理者離現場越來越遠，還是讓他有更多時間理解人、支持團隊與處理真正重要的問題？

這些選擇，仍然需要管理者與組織共同做出。

因此，AI 時代的管理者，不是從「管事」退場，而是需要從親自處理大量事務，走向設計更有效的管理系統；同時，把更多心力投入方向、領導、協作與人的發展。

AI 可以協助我們把事情做得更好；管理者的責任，則是決定這些能力要讓誰受益、如何被使用，以及能否讓團隊與服務對象的生活變得更好。

這或許也是管理學值得我們持續學習的原因：管理不只是追求效率，而是讓有限的資源、不同的專業與人的努力，能夠共同創造有意義的成果。