從知識工作者到判斷工作者：AI正在改寫我們的專業價值

過去，我們很容易把管理學理解成「主管才需要學的東西」。帶領團隊、分配工作、設定目標、管理績效、控制成本，這些內容看起來都和管理職有關。對多數學生、第一線工作者，甚至專業人員來說，似乎只要把自己的專業做好，就已經足夠。

但生成式 AI 的出現，正在悄悄改變這件事。當 AI 可以協助我們快速搜尋、整理、比較、分析，甚至在很短的時間裡產生一份結構完整、語句流暢、看起來相當專業的成果時，真正困難的工作，也開始往另一個地方移動。問題已經不只是「你知不知道答案？」，而逐漸變成「這麼多答案裡，你準備選哪一個？為什麼？」

從知識工作者走向判斷工作者

這可能正是知識工作正在發生的一個重要轉變。我們正在從「知識工作者」，逐漸走向「判斷工作者」。

AI讓分析變快，卻沒有讓選擇變簡單

近年的研究發現，生成式 AI 確實可以提升部分知識工作的速度與成果品質；但 AI 的能力並不是一條整齊的界線，而比較像一道高低不一的「鋸齒狀邊界」。有些工作 AI 表現得非常好，換一個看似相近的問題，卻可能突然失準。

這也提醒我們：使用 AI 並不是單純把工作交給它，而是要知道什麼可以交給它、什麼仍需要自己判斷，以及什麼時候應該對它的答案保持懷疑。

以常見的 SWOT 分析為例。過去，要整理一個組織或方案的優勢、劣勢、機會與威脅，再進一步發展 SO、ST、WO、WT 等策略，往往需要花不少時間蒐集資料、整理想法與反覆討論。

現在，只要提供足夠的背景資料，AI 可能在幾分鐘，甚至幾秒鐘內，就協助我們完成一份相當完整的分析，連後續策略都可以一次提出很多套。乍看之下，我們似乎突然都變得很會做策略分析了，但真正困難的地方，其實才正要開始。

因為 AI 可以提出十個看似合理的策略，卻不會自動知道哪一個最適合「此時、此地、這群人」。一個方案究竟能不能執行，必須回到真實世界裡考量：目前有多少人力與預算？團隊是否具備能力？組織文化能不能支持？利害關係人是否能接受？現行制度與法規允不允許？甚至還可能受到政策方向、社會氛圍與政治氣候影響。

有些策略寫在紙上非常漂亮，實際上卻推不動；有些做法理論上不是最完美的解方，卻因為阻力較小、成本較低，反而更適合現在先做。因此，真正的專業不再只是能不能「產生策略」，而是能不能進一步判斷：哪些資訊真正重要、哪些風險可以接受、哪些資源值得投入、哪些策略應該優先，以及哪些看起來很精彩的方案，其實現在並不適合。AI 可以協助分析，但選擇仍然需要人。

當基礎執行工作被壓縮，專業價值會往哪裡移動？

AI 帶來的改變，並不只發生在寫作、整理資料或做分析這些表面工作上，它也正在重新分配許多專業工作的價值。過去，一個組織往往需要大量人力完成基礎執行工作，例如整理資料、撰寫初稿、進行標準化分析、製作報表、修改程式、整理需求，或依照既有規則完成大量重複性任務。這些工作曾經需要相當多時間與人力，但當 AI 可以協助快速完成其中一部分，組織對人力的需求也會逐漸改變。

這不代表所有基礎工作都會消失，而是那些高度標準化、容易拆解、可以被清楚描述的任務，會愈來愈容易被壓縮。真正留下來、甚至變得更重要的，反而是那些需要理解情境、辨識例外、整合不同觀點，並在時間壓力下做出取捨的工作。換句話說，未來的專業需求，可能不只是「做得更快」，而是要能做出更精準、更彈性，也更即時的價值判斷。

AI 可以快速產生十個方案，但人仍然需要回答：哪一個現在最值得做、哪一個風險可以接受、哪一個符合組織的文化與資源，以及當環境突然改變時又應該如何重新排序。因此，AI 時代真正稀缺的，未必是更快執行的人，而是能在變動中持續做出適切判斷的人。

管理，不再只是「管理別人」

如果重新理解管理學，就會發現它真正處理的，其實不只是如何當主管。它也在教我們如何設定目標、界定問題、排列優先順序、配置有限資源、評估風險、比較不同方案，以及在執行之後檢視結果並重新修正。

過去，這些能力似乎集中在主管或組織管理者身上。但在 AI 協作環境裡，其中很大一部分正在快速變成每一位知識工作者都需要具備的共通素養。

原因很簡單：AI 大量增加了我們的選項。以前，我們可能苦於找不到方案；現在更常遇到的問題，反而是 AI 一口氣給了我們十個方案，而選項愈多，判斷就愈重要。因此，管理的概念也開始產生變化，它不再只是「我如何管理別人」，也包括我如何管理資訊、管理選項、管理優先順序、管理資源、管理風險，以及最終管理自己的判斷。

真正成熟的決策，不是一次就做對

管理思維還有一個很重要的地方：它並不要求我們第一次就找到完美答案。

在真實世界裡，多數重要決策都不是在資訊完整、資源充足、所有人都同意的情況下做出的。我們往往只能根據當下掌握的資訊，先選擇一個相對合理的方向，再透過小規模試作觀察實際執行後發生什麼事：使用者是否接受、團隊是否負荷得了、資源消耗是否合理、原先預期的效果有沒有出現，以及有哪些事前沒有想到的問題浮現。接著，再根據這些新的資訊進行滾動修正，形成「判斷 → 試作 → 觀察 → 修正 → 再判斷」的循環。

AI 可以幫助我們快速提出假設、整理方案、模擬不同可能性，但真實世界永遠比提示詞複雜。因此，真正重要的不是期待 AI 第一次就給出一個「完美答案」，而是我們能不能判斷哪些建議值得先試，並設計一個可以觀察、修正與持續學習的過程。

管理學真正教的，也許不是如何永遠做對決定，而是如何在不確定之中，持續做出更適切的決定。

當 AI 會做 SWOT，學生作業還要評量什麼？

這樣的轉變，也正在重新改寫教育現場。例如，我在管理學課程中讓學生進行 SWOT 分析。

過去批改這類作業時，很容易把注意力放在四個象限寫得完不完整、分析是否豐富、提出的策略夠不夠多，以及整份報告看起來是否精彩。但到了今天，這些事情 AI 已經做得相當好了。

如果評量仍然停留在「寫得多不多、完整不完整、漂不漂亮」，我們其實愈來愈難知道學生真正學到了什麼，因此，我發現自己的評量焦點也開始改變。比起學生「提出了多少策略」，我更在意的是：你為什麼選這一個？

如果 AI 提出了十個方向，你認為現在最值得做的是哪一個？你根據哪些條件做出判斷？你考慮了哪些限制？有哪些看起來很好的策略，是你刻意決定暫時不做的？如果資源只夠做一件事，你會先做什麼？

於是，在 AI 時代，我愈來愈在意的，不只是學生最後交出來的答案，而是作品裡留下了多少屬於他自己的「判斷痕跡」。

那可能是一個有理由的取捨、一個對現場限制的敏感度、一個不同於標準答案的觀點，也可能是一個願意先縮小範圍試作、再依結果調整的策略；甚至只是清楚說明「這個策略很好，但我現在不選它。」只要背後有充分的情境理解與理由，這本身就是一種重要的專業能力。

知識愈來愈多，我們反而需要更加謙卑

AI 不只增加了我們取得知識的速度，也加快了知識更新、重組與傳播的速度。與此同時，我們所處的環境也正在以前所未有的速度改變。

新的工具出現了，新的規則改變了，新的政策上路了，新的社會期待形成了。昨天有效的方法，今天未必仍然適用；此刻看似最佳的策略，也可能因為明天出現的新資訊、新科技、新制度或新的利害關係，而需要重新調整。

所以，我們面對的不只是資訊爆炸，而是一片高度密集、快速更新、不同觀點彼此競逐的知識紅海。在這樣的環境裡，真正重要的能力已經不是試圖掌握所有答案，而是能夠在有限資訊、不完整條件與快速變動之中，仍然做出當下相對合理的選擇，而這份判斷，需要一點謙卑。

謙卑，不代表沒有立場，也不是不敢做決定。真正的謙卑，是知道自己的判斷具有邊界，是知道現在做出的選擇，只是根據此刻掌握的資訊所形成的最佳判斷，也是願意採取行動，同時保留修正的空間。謙卑，並不是放棄判斷，而是讓我們做出更成熟的判斷。