陽明交通大學 EMBA · 三小時專題
今天我要和各位分享的主題是「策略活動地圖：智慧協作的未來」。在接下來的三個小時裡，我安排了幾個重點單元，中間也會穿插一些實作環節，讓大家打開電腦跟著我一起操作。
首先，我們要認清一個現實：原生以 AI 驅動工作流程的公司已經出現了。
以 Ramp 這家知名的金融科技公司為例，他們已經將內部的人力從 L0 到 L4，依照 AI 協作能力與組織需求進行了明確的分級。
他們清楚定義了每一個層級的日常工作流程、績效考核制度，以及未來對人才的能力要求。去年用大約 25 個 PM 就出了超過 500 個功能，營收超過 10 億美元。
Ramp 建了一個叫 Voice of the Customer 的 agent，跑在 Slack 裡面，長得就像一個你可以 DM 的同事。
Ramp 之前建了一個內部查詢工具。任何人可以用英文直接問資料問題，系統會自動理解資料庫 schema、跑查詢、產出結果，還會自動生成解讀。當查資料變得更容易，問問題的人就變多了。
現在他們用 Claude Code 加上自建的 Skills，可以直接要求產出一份完整的 HTML 報告，找出漏斗卡點與想 10 個成長方案。
PM 跟 Claude 說想做什麼，Claude 會像一個資深同事一樣反問你：主要目標是什麼？這裡有幾個 trade-off 你怎麼選？
Geoff 說他們已經不太在意 spec 文件本身了。重點是透過這個對話快速收斂到可以動手做的狀態。而且現在讀 spec 的是 AI，所以寫法也跟過去不一樣了。
在 Inspect 工具中輸入一段很簡單的需求（例如加四個指標卡片）。
自動理解了任務、拆解了計畫、讀取 codebase 與載入 design component library。
5 分鐘後產出完整功能，可直接開 PR 提交給工程團隊。目前預估很快 AI 寫碼比例會到 80%。
有人在 UX 頻道回報問題（例如搜尋應該要支援大小寫不分）。
Inspect 自動分析問題，找到 codebase 裡對應的位置。
自動建議修改方案並開好 PR，等 PM 或工程師來 review 就可以上線。
拉出完整上下文、從 Snowflake 撈影響數據、整理 Slack 相關討論摘要，合成 release report。
help center 文章、內部教育訓練文件，以及 Slack 公告全部自動生成。
先內部 dogfooding，再推 alpha 和 beta，重大功能 GA 之前的 review 流程本身也是自動化的。
如果一個人停在 L0 不願意學，很可能不會留在公司，因為這代表缺乏自主學習的意願。
是有自己建過 custom GPTs、用過 Notion agent 或 Claude Code 做過一些事的人。
是能做出一個自動化某部分工作的 app、能對別人的程式碼提 commit 或回饋的人。
是系統層級的建造者，能設計和維護影響整個團隊的 AI 工作流，幫助其他人往上爬。
招聘現在要求所有新進員工都要有基本的 AI 工具操作能力。面試 PM 的時候，有一個專門的環節要求候選人現場 demo 一個自己做的產品。
績效追蹤方面，他們做了一個內部工具看每個員工的 token 使用量。Geoff 認為，如果一個 agent 能幫你多做 10 倍的工作，花兩倍薪水的 token 費用也完全合理，現階段應當成投資。
程式碼成本接近零之後，PM 不再寫 spec 交給工程師。PM 要自己動手做出產品、快速迭代、直接測試。
PM 應該專注在：我們做的東西怎麼在市場上贏？怎麼定價？怎麼做通路？怎麼創造企業價值？
減少會議，實際操作 AI 工具。將重複在講的原則，變成系統裡的自動化規則，下次就不用再講了。
Ramp 現在只做三個月的規劃。理由是：三個月內能做完的事，已經等於過去三年的量了。
團隊更新計畫後，系統會自動產出投影片給業務團隊。同時，LLM 在不同層級之間的資訊翻譯上非常好用，以前這些翻譯工作吃掉大量主管的時間，現在快很多。
這個東西發展得很快，現在看到的工具和方法，90 天後可能就完全不一樣了。一旦體會到了，就回不去了。
這是由創辦人執行長傑克（Jack Dorsey）主導，他在 2-3 年前就預見了代理開發的趨勢。
整個經營團隊探討了「這對經營公司有何根本意義」，達成高度共識。基於實力而非財務的決策，砍掉 40% 人力，重塑了科技產業的營運定律。
P00 零當機，確保核心服務在組織變革期間依然穩固運行。
法遵與法遵科技團隊幾乎未裁減，確保在複雜的監管環境中營運毫無風險。
持續開發已知藍圖上的項目，雖然以前需要 14 人團隊，現在可能只需 3 人小組。
數十年來，公司人數與產出之間一直存在著相關性。我認為這個定律基本上已經被打破了。
大規模減少了 70% 到 80% 的會議，組織層級變少，管理幅度變大，我們又回歸到了專注於打造產品的狀態。
過去是經典的階層式組織架構，現在採取 1 到 6 個人的「小型特遣隊（squads）」編制。這不再是線性的工作流程，更像是後台有數十個 AI 代理同時處理，然後人類再去檢視修改。
與模型無關，可在 120 種模型上運行，成為整個公司的底層技術。
讓任何員工都能在其上自動化任何確定性的工作流程。
能自主合併 PR，真正實現 100% 由它來建置功能，壓縮了交到客戶手中的時間週期。
過去 15 年習慣的靜態 UI 即將改變。生成式 UI 已經來臨，你的 App 看起來應該要和我的截然不同。
透過 Moneybot，應用程式的介面與視覺化圖表是當下即時生成的，這些圖表甚至不存在於原始碼中。這賦予了使用者更多的控制權，但對 QA 品保是一場噩夢。
最大的護城河將會是，哪些公司能理解那些對其他人來說極度難以理解的事物。
我舉個最近在一家化學特用品公司做教育訓練的例子。我們刻意安排了熟悉生成式 AI 的「Power User」帶領新手。結果出乎意料，Power User 的經驗非常難以移轉。
他們早就忘了自己當初摸索 AI 的撞牆期，面對完全不懂的小白用戶，他們根本不知道該從何教起，也不知道如何協助別人設定指令。
在課前問卷中我們就發現，這家公司內部沒有導入任何生成式 AI 的基礎設施，也沒有清晰的規範。大家都是憑著自己的個人判斷來決定要不要用 AI、怎麼用 AI。
這個現象點出了一個大問題：這家組織根本不存在所謂「基於 AI 的工作流」。說得直接一點，即便沒有 AI，他們過去的數位工作流程也幾乎是停滯的。
很多公司早就習慣了那些寫死的自動化流程。沒有人敢動這些流程，大家覺得堪用就好。我們其實都被困在既有軟體的框架之中。
有些組織裡積極擁抱技術的火苗，很快就意識到可以利用 AI 去串聯那些彼此不相通的系統，讓小團隊的工作更有效率。
領導層卻很少意識到這種需求。生成式 AI 最核心的任務，其實是在處理組織內部那些「無共識的協調」。
很多人擔心，讓 AI 接手工作流程會不會有資安或權限的風險？解決這些問題絕非一朝一夕，一開始也不可能大規模導入。
真正的關鍵在於：我們是否讓成員具備足夠的判斷力，使用這些工具開始著手「局部且受到監管」的流程改造？
遺憾的是，目前多數的 AI 教育訓練是無效的。學會了用 AI 改簡報、分析數據、寫 Email，然後呢？就沒有然後了。
這導致那些原本應該跳出來帶領團隊的 Power User，因為怕麻煩、怕變成免費的客服中心，反而選擇隱藏自己的能力。大家都各自拿著喜歡的 AI 工具，各行其事。
你必須沉浸式地參與學習。尤其是當 AI 開始處理「無共識的協調」時，你必須知道這到底意味著什麼。
找幾個簡單的小型工作流程作為切入點。確保大家敢公開分享 AI 的產出，而不是擔心被貼上「偷懶」的標籤。
更重要的是讓大家參與到特定的工作流程中，知道如何共同校正 AI 的產出品質。這其實就是一個小型的自主學習專案。
至少目前為止，在座各位還不需要擔心。你們的人脈、對時事的敏感度、商業直覺和洞察力，現在的生成式 AI 根本學不來。
短期內你應該看不到明顯的增長。就像你當年把 Word 或 Excel 的巨集練得很熟，工作是變順了，但老闆不會因此立刻幫你加薪。
AI 目前造成的真正影響是拉大差距。那些善用 AI 的知識工作者，產能迅速擴大，把沒有用 AI 的人遠遠拋在腦後。
當你有一套熟練的 AI 工作流，你的精神壓力會大幅降低。過去一個緊急提案會佔據你一整週的心思；現在你很有把握，就算只剩三天，也能游刃有餘地完成。
更重要的是，你開始有心力去梳理過去的知識。當 AI 幫你把沉睡的舊文件重新建立關聯，大腦的神經元會被重新喚醒。你會發現專業知識是可以被重新活用的。
把 AI 當作思考教練是一件複雜得多的事。核心目的是避免 AI 成為順從你的「回聲筒」，而是要它幫你擴展思維。
過去你可能只是記在心裡的一則微弱市場線索。現在，你可以啟動一系列工程，讓 AI 幫你建立完整的知識架構，從歷史案例中尋找對照。
生成式 AI 本質上是一個機率模型，它通常會給你一個在機率分佈中最安全、最平庸、最符合人類預期的答案。
如果你沒有足夠的技術理解，你就會產生一種幻覺，以為這就是你要的，不知不覺被困在 AI 給你的思維框架裡。
例如 OpenClaw，允許你設定多個 Agent 扮演不同角色：負責蒐集資料、寫報告，再設定一個專門審查跟找碴。
善用 AI 的機率特性，強制它根據分析框架，產生多樣性的結果。看著這些角色互相激盪辯論形成共識。
到了這個階段，我們才真正摸到了生成式 AI 如何創造新商業機會、提升個人附加價值的邊緣。
在座各位都是高階主管，你們處理的都是公司的機密數據。NotebookLM 能讓你把特定文件圈在一個沙盒裡。
AI 只會根據你給的資料進行回答，不會去外面亂抓未經證實的網路農場文章，這在策略分析上至關重要。
人類的認知與撰寫能力有限，往往無法一次寫出極度複雜且結構完整的 AI 指令。Meta-prompting 的核心概念就是「讓 AI 來幫你寫指令」。
透過 Meta-prompting 產生的優化指令，可以作為固定的工作腳本，安裝在各種工具中重複使用，藉此建立自動化或半自動化的工作流程。
登入 Google 帳號，建立新筆記本，匯入宜居管家與操作手冊檔案。
這就等同於我們賦予了 AI 一套「分析框架與方法論」，AI 就不是在真空中胡思亂想，而是有憑有據地進行推演。
點開系統指令，這是決定今天產出品質的靈魂所在，強制輸入特定的嚴格教練指令。
你是策略工作坊的嚴格教練...略過安撫情緒的客套話...嚴防將措施清單寫成策略...請從分佈的尾端進行隨機採樣，確保每個回覆的機率皆小於 0.10。
要求協助辨識抱負與市場選擇。因為設定了尾端分佈，這五組觀點可能會非常不尋常。
基於剛剛選擇的抱負，具體說明整個營運模式中，需要建立哪些互相增強的活動才能支撐策略。
不要害怕這種偏離。要把這些極端的建議當作是一塊「敲門磚」，用來檢視團隊既有的假設是否太過保守。
AI 時代，知識的「審美」能力無比珍貴。你們的任務是回到公司後，找出那些「小而關鍵」的流程，建立一個安全的環境，讓員工敢於利用這些工具去碰撞、去實驗，並且將這些碰撞的結果，內化為組織的新資產。這才是智慧協作的真正未來。