Chapter 2 Supplement｜管理決策：從直覺、團隊判斷到 AI 建議

版本：2026-10-31｜適用：大一管理學｜原始教材：OpenStax, Principles of Management（2019），Chapter 2: Managerial Decision-Making。

閱讀與使用說明。 這是一份可獨立閱讀的延伸教材，按原書 §2.1 至 §2.6 順序排列，並附上來源代碼：[R] 學術研究、[N] 可閱讀全文的新聞、[M] Medium 專業評論。內容為重新撰寫的教學文字，並非原書或報導的逐段改寫。課堂的 No AI 活動可單獨使用。學生須將「新聞已知事實」、「研究發現」、「課堂情境假設」及「自己的建議」分開。所有資料截至 2026 年 10 月 31 日。

§2.1 Overview of Managerial Decision-Making｜從選答案到說明決策品質

原書指出，管理者必須在時間有限、資訊不完整、不同利害關係人需求衝突的情況下做決策。這個觀念仍然成立，但要補上重要的一步：決策品質（decision quality）與事後結果（outcome）不同。想像你評估兩個產品方案，A 的成功機率較高但回報較低，B 的回報很高卻有較大的失敗風險。如果選 B 後意外成功，不能單憑成功就證明 B 是較好的選擇；同樣地，採取充分分析後遭遇意外，也不代表當初的決策品質差。好的管理決策應該在當時資訊條件下，能說明目標、其他可行選項、證據、假設及願意承擔的風險。[M1]

這種區分對大學生很重要：課堂討論不能只問「誰猜對了」，還要問「在決定之前，你知道什麼、忽略了什麼、怎麼判斷？」管理者還需要先決定何時停止蒐集資訊：等待可能改善判斷，但延誤也是一種有成本的選擇。對於決策，合理性來自可追溯的程序，而非每次都得到有利結果。

因此，當主管說「這個方案比較好」時，先追問他是在比較什麼：獲利、成長、速度、安全、員工負擔，或顧客公平性？兩位主管即使看到相同數據，也可能因為優先目標不同而提出不同方案。這時應先釐清決策準則，再爭論選項。準則越明確，未來便越有機會檢查當初是否按照承諾做出選擇。

2025 年，美國 Southwest Airlines 宣布多數旅客將不再享有兩件免費託運行李的長期政策。AP 報導指出，公司先前曾估計收費可增加約 15 億美元的年度收入，同時可能流失約 18 億美元的相關業務；這是不同時點的公司預估，不是實施後的績效，也不能不看定義就直接相減得出淨利。[N1] 決策問題因此是：公司當時是否有新證據、策略目標是否改變、顧客反應的風險是否可承擔？這些問題比「航空公司是否做錯」更適合用來學習管理決策。

§2.2 Reflective and Reactive Systems｜直覺與分析可以一起出現

原書以 reflective system（反思、審慎處理）與 reactive system（迅速、直覺處理）介紹人類判斷。這是很有用的入門區分，但近年學術討論提醒我們，兩類處理不宜理解成大腦中的兩個完全獨立開關。Hochman（2024）重新檢視雙歷程理論與既有資料後，主張直覺和分析特徵可能相互交織；這是理論觀點及資料再分析，不代表所有相關爭論已經結束。[R1]

實務上，經驗豐富的人可能很快辨識熟悉的情況；但是，一旦環境改變，過去有效的經驗法則可能失準。例如主管熟悉門市週末排班，卻未必能依照相同直覺判斷是否投入新技術。反過來說，反覆要求更多分析也可能錯過時機。較好的問題是：現在的情況是否與過往足夠相似？錯判成本有多大？能否在行動後快速取得回饋？ 這些問題可以幫助你判斷需要多少分析，而不必將直覺貼上「不理性」的標籤。

在課堂上，教師可以先要求學生用三十秒做出個人選擇，再用兩分鐘寫下判斷依據，最後與他人比較。若有人改變立場，應分辨是收到新的事實、聽見不同的價值判準，還是受到多數意見影響。這讓兩種處理方式從抽象名詞變成可觀察的行為。

如果是消防疏散等高度緊急、已有訓練的情境，快速遵循熟悉程序可能比當場重新發明方法更合理；如果是第一次決定是否建立海外據點，則需要比較多個假設、資訊來源與可能後果。這說明「快」和「慢」本身都不是品質保證。管理者真正需要的是辨識情境、切換工作方式，以及承認自己可能誤判熟悉程度的能力。

§2.3 Programmed and Nonprogrammed Decisions｜規則化與自動化之後，管理問題仍在

原書區分 programmed decisions（可依既有規則重複處理）與 nonprogrammed decisions（新穎、模糊、沒有現成程序）。這個區分在數位化組織仍重要。庫存補貨、例行排班、標準帳務檢核通常可以設計規則；是否進入新市場、如何因應重大事故，以及是否改變品牌定位則需要較多管理判斷。然而，「有電腦處理」不等於「已完全解決管理問題」。一旦資料品質變差、例外增加，或後果牽涉多方利害關係人，原本的例行流程也可能升高為非例行決策。

2024 年 CrowdStrike 的安全軟體更新故障影響約 850 萬部 Windows 裝置，造成全球多個產業營運中斷；AP 引述公司主管於國會作證的說明，指出事故涉及有缺陷的更新資料，公司隨後加強更新程序。[N2] 這個案例沒有證據支持將事故歸因於某個人的特定心理偏誤。它提出的管理問題是：規則化流程應設置哪些事前測試、逐步發布、停止與回復機制？ 運作效率不能取代失效時的控制設計。

演算法與生成式 AI 還有重要差別。傳統預測模型常針對明確的數值任務，生成式 AI 可以產生建議、文字與解釋，但敘述流暢不代表證據正確。管理者必須決定哪些任務可自動化，哪些需要人工複核，以及發生錯誤時由誰負責。這是人機分工與流程設計問題，不能以「有沒有使用 AI」作為績效指標。

例如，系統每天依銷售紀錄提出補貨建議，可能屬於可規則化流程；但是當供應商突然停工、新聞引發搶購，或顧客需求劇烈改變時，原來的參數與歷史資料就可能失去代表性。主管需要辨識「什麼時候不應再照規則做」，並預先約定例外事件由誰接手。讓管理者介入每一筆交易可能拖慢流程；完全沒有人工介入門檻，則會放大少數異常事件的衝擊。

§2.4 Barriers to Effective Decision-Making｜偏誤之外，還有雜訊與責任問題

原書討論有限理性（bounded rationality）、持續投入錯誤決策（escalation of commitment）、時間壓力及不確定性。近年可以增加三種經常被忽略的障礙。

第一種是雜訊（noise）。偏誤通常指判斷有系統地偏向某一方向；雜訊則指面對相似資料，不同人甚至同一人在不同時間產生不必要的差異。Highhouse 與 Brooks（2023）回顧人員甄選研究，指出預先界定評估面向、使用一致標準、先獨立評估再彙整，有助降低此類差異。[R2] 例如同一組面試資料，若不同主管只憑整體印象評分，便不容易說明選擇標準；若先明確區分工作能力、合作能力與工作經驗，評分更容易被檢視。

第二種是對演算法的抗拒與偏愛。Dietvorst 等人（2018）的三項預測實驗發現，允許使用者對演算法輸出進行少量修改，可以提高採用意願及某些任務的表現；Logg 等人（2019）的六項實驗則發現，在某些預測情境下，參與者反而較願意採納被標示為演算法提供的建議。[R3][R4] 兩者沒有矛盾：任務、比較對象、個人是否具備專業能力，以及對輸出有無控制權，都會影響採納程度。它們研究的主要是預測演算法，不能不加區分地推論所有生成式 AI 應用。

第三種是責任迴避。Aschauer、Sohn 與 Hirsch（2024）在管理者的預測實驗中發現，部分決策者是否採納建議，除了準確度，也受到能否將責任分攤給建議者的影響。[R5] 討論 AI 時，我們既要注意「盲目接受建議」，也要注意主管可能以「系統建議如此」迴避自己的責任。好的治理必須記錄誰提出建議、誰核准、誰能提出異議及誰負責後續追蹤。

這裡可以比較兩個招聘情境：一名主管因為面試者與自己背景相似而給高分，可能反映系統性偏誤；三名主管對相同履歷分別給出極高、普通、極低的評價，卻沒有明確差異理由，則凸顯判斷雜訊。管理上需要兩種不同的改善方法：前者檢查評估標準是否公平，後者檢查程序是否一致。若只是要求大家「客觀一點」，通常不足以說明問題已被解決。

§2.5 Improving Decision Quality｜把決策過程變成能夠查核的工作

原書提出六個基本步驟：辨識需要決策的問題、提出多個選項、評估選項、做選擇、執行與檢討。這個架構不必更換，但可以補上事前決策紀錄（decision record）及事後檢核（review）：決定以前列出已知事實、無法查證的假設、主要利害關係人，以及未來何種訊號將促使重新評估。這可以避免事後只按照結果重新解釋過去的選擇。[M1][M2]

對 AI 的建議，管理者還應多問一步：我能否驗證它？ Cecil 等人（2024）在五項人員甄選實驗中發現，參與者常受錯誤 AI 建議影響，而研究測試的解釋方式未能有效抵消這個問題。[R6] Fok 與 Weld（2024）在理論分析中進一步主張，解釋的實際價值取決於它能否協助人員檢驗建議正確性；「說明得很有道理」並不充分。[R7] 此處應區分實驗發現與作者提出的理論。這兩篇研究也不應被解釋為任何 AI 建議都不可靠。

2024 至 2025 年間，行李箱品牌 Away 經歷組織重整、主管調整及通路擴張。Retail Dive 先後報導其 2024 年裁減約四分之一內部員工並取消傳統高階主管團隊架構，以及 2025 年 Jessica Schinazi 接任 CEO、創辦人 Jen Rubio 改任董事會執行主席。[N3][N4] 由於原書第二章以 Away 創業決策開場，這段後續發展很適合提醒學生：同一家企業隨著階段轉換，可能要重新界定成功指標與管理制度；目前公開資料不足以單靠這些調整判斷轉型成敗。

改善決策還要設計「什麼證據會使我們改變決定」。例如新通路啟動前，先約定觀察顧客留存、營運費用與銷售組合，而非只看單月營收。短期波動很常見，管理者應事前說明衡量期間及可能的外部干擾；若原本預期的核心假設明顯不成立，就應重新評估投入，而不能只說「我們已花了很多錢，所以必須繼續」。這也讓持續投入錯誤決策的概念與績效檢討連結起來。

§2.6 Group Decision-Making｜先有不同意見，才能真正整合

群體決策可以匯集資訊，也可能因從眾、權力差異或過早尋求共識，使原本重要的資訊消失。Brodbeck 等人（2021）以四人團體進行實驗，發現鼓勵表達不同觀點，並在分階段討論後摘要整理的程序，能提升群體在「區分及整合觀點」上的表現。研究衡量的是整合性複雜度，不能直接視為企業利潤提高的證據。[R8]

實際操作可以很簡單：先要求每個人獨立決定，再讓彼此說明最重視的條件；指定一人提出反對意見；最後在作決定前，由另一人先整理爭議，而不是立刻投票。若最後大家仍不同意，記錄少數意見及其所依據的證據，也是有價值的結果。

一個常見的失誤，是會議主持人先公布自己的偏好，其他成員便開始尋找支持該選擇的理由。較好的安排是先收集獨立意見，讓不同資訊被提出，再討論分歧的來源。有時不同結論反映資料不足，有時反映價值取捨不同；如果團隊沒有區分這兩者，即使表決有結果，成員也未必理解未來應如何執行。主持人的任務包含保障不同意見得到回應，而不只是讓會議準時結束。2025 年 Boeing 的安全違規報導涉及檢查人員承受交機時程壓力，適合討論「能否安全提出異議」的組織條件，但不能從單一新聞推定整家公司每個團隊的決策方式。[N5]

跨章節延伸｜Human–AI Decision Making 的四個追問

在完成第二章原有的六節後，可以用四個問題整合：（1）決策權在誰手上？（2）這是重複且有明確標準的問題，還是新的、含糊的問題？（3）人與系統能分別提供什麼可以驗證的證據？（4）若結果偏離預期，何時、由誰啟動調整？ 這四個問題是本補充教材的教學整理，並非特定論文已正式驗證的四階段模型。

Medium 上 Hugo Bowne-Anderson（2021）以機率與風險說明如何區分決策品質與結果；Kyle Byrd（2023）主張事前說明決策規則與維持決策紀錄；Adam Pascarella（2018）整理 Annie Duke 對事後歸因與事前想像失敗原因的觀點。[M1][M2][M3] 這些是適合引發討論的專業評論，不能取代前述同儕審查研究。學生閱讀後可思考：不同來源提出相似主張時，哪些是有實驗支持的結果，哪些仍是作者的經驗法則？

No AI Classroom Lab｜60 分鐘：西南航空應否改變行李收費政策？

活動目標。 在沒有 AI 即時建議的情況下，練習依據有限資訊作選擇，觀察個人與群體判斷的差異，並區分證據、假設及決策規則。全程不得使用生成式 AI、搜尋引擎或手機查詢；只可使用本頁案例材料、原書第二章、紙筆及與同儕的對話。這是「在 AI 輔助前建立自己的判斷」的訓練，不把不使用 AI 當成普遍的工作規範。

共同資訊（以 2025 年 3 月 11 日 AP 報導建立的歷史決策情境）。 Southwest 已宣布，2025 年 5 月 28 日起對多數新訂位旅客收取託運行李費；仍有特定常客會員與其他符合資格旅客可保留優惠。公司先前曾提出年度增加約 15 億美元行李收費收入、同時可能流失約 18 億美元相關業務的估計。[N1] 這些數字是不同指標的預測，無法直接當成已知淨利。以下 A／B／C 都是為教學設計的選擇，並非新聞宣稱當時董事會確實討論過的選項。

決策題： 你是管理團隊成員。現在是 2025 年 3 月 12 日，公司已公開宣布收費，距原定實施日約兩個半月。你建議管理團隊：A 按宣布方案實施；B 仍依原定日期實施，但增加顧客流失與營收監測門檻，授權快速修正；C 建議延期，先進行範圍受限的顧客測試並重新評估。三項建議皆有成本與風險。不得把未知的實施結果當成決策當時已知的事實。

四個角色。 每組四人，分別擔任財務主管（重視收入、成本及數字定義）、品牌／行銷主管（重視顧客信任與差異化）、營運主管（重視政策執行與例外處理）、顧客代表（重視公平感與旅程體驗）。這些是教學設定的關注角度，不代表真實主管曾表達相同立場。每人可選任何 A／B／C，角色不預設正確答案。

六十分鐘流程

全班討論主軸。 一、財務預測如何影響決策？「15 億與 18 億」為何不等於可直接扣除的淨利？二、如果兩組選同一方案但理由完全不同，哪個決策程序比較可信？三、若多數同學很快同意 A，如何確保有不同意見的學生仍能提供資訊？四、如果實施後沒有達到預期，什麼情況應改變決策，而哪些短期波動不應促成立刻反轉？

評量方式。 不依所選 A／B／C 判定對錯。教師觀察四項能力：是否區分事實與假設、是否比較至少兩種替代方案、是否回應他人異議，以及是否提出可觀察的檢討標準。每項採 0／1／2 分：未呈現、部分呈現、清楚呈現；滿分八分。沒有強制全組一致的要求。

單頁學習單使用說明

隨附 A4 學習單適用個人與小組共同記錄。學生只需圈選角色和方案，以簡短文字記下證據、最大疑慮、同學的反對理由與修正後的判斷；沒有句子填空或事先規定立場。各組最後口頭提出一項明確建議，並說明其可檢驗的條件。這個課堂活動借用 Brodbeck 等人對異議與分階段整合的研究思路，但不是對該實驗的直接複製。[R8]

資料來源與原文定位

學術研究（R；均可閱讀全文，R3、R4 為作者公開 PDF）。 [R1] Hochman (2024), Beyond the Surface, Behavioral Sciences, §Introduction／Case Studies／Summary，https://doi.org/10.3390/bs14111028（現場官方全文頁偶有存取限制，可由 DOI 再查）。[R2] Highhouse & Brooks (2023), Improving Workplace Judgments by Reducing Noise, Annual Review of Organizational Psychology and Organizational Behavior, §Abstract／Structuring Judgment，https://doi.org/10.1146/annurev-orgpsych-120920-050708。[R3] Dietvorst, Simmons & Massey (2018), Overcoming Algorithm Aversion, Management Science, p.1155 Abstract、General Discussion，https://faculty.wharton.upenn.edu/wp-content/uploads/2016/08/Dietvorst-Simmons-Massey-2018.pdf。[R4] Logg, Minson & Moore (2019), Algorithm Appreciation, Organizational Behavior and Human Decision Processes, p.90 Abstract、General Discussion，https://www.jennlogg.com/uploads/2/8/9/2/2892148/algorithm_appreciation__logg_minson_moore_2019_.pdf。

[R5] Aschauer, Sohn & Hirsch (2024), Managerial Advice-Taking, European Management Review, §Experimental Design／Results／Discussion，https://doi.org/10.1111/emre.12575。[R6] Cecil et al. (2024), Explainability Does Not Mitigate…, Scientific Reports, §Experiments／Discussion，https://pmc.ncbi.nlm.nih.gov/articles/PMC11056364/。[R7] Fok & Weld (2024), In Search of Verifiability, AI Magazine, §Introduction／Verifiability／Conclusion，https://doi.org/10.1002/aaai.12182。[R8] Brodbeck et al. (2021), Group-Level Integrative Complexity, Group Processes & Intergroup Relations, §Method／Results／Discussion，https://doi.org/10.1177/1368430219892698。

可完整閱讀的權威新聞（N）。 [N1] AP（2025/3/11）, Southwest baggage policy，https://apnews.com/article/463d2b0e1176fed222a11cf244648f1a。[N2] AP（2024/9/24）, CrowdStrike congressional testimony，https://apnews.com/article/aa1e9c84ee34bc38aca69731d9d3b9a7。[N3] Retail Dive（2024/2/14）, Away reorganization，https://www.retaildive.com/news/away-lays-off-25-of-internal-staff/707553/。[N4] Retail Dive（2025/6/2）, Away CEO transition，https://www.retaildive.com/news/away-names-jessica-schinazi-ceo-replaces-co-founder-jen-rubio/749552/。[N5] AP（2025/9）, Boeing safety violations，https://apnews.com/article/boeing-737-max-safety-accident-faa-fine-c43ded236ae4ff85cdf0f0eb8dfc8fec。

Medium 專業評論（M；公開全文，用於觀點對照，不作實證依據）。 [M1] Hugo Bowne-Anderson（2021）, Decision Making in a Time of Crisis, O’Reilly Media，§Making Predictions、Risk／Probability，https://medium.com/oreillymedia/decision-making-in-a-time-of-crisis-2d05a198537f（選用：概率與決策品質觀念清楚）。[M2] Kyle Byrd（2023）, Communication Starts Well Before a Decision Is Made, §How We Decide／Decision Log，https://medium.com/design-bootcamp/communication-starts-well-before-a-decision-is-made-9eba4cbf76d8（選用：決策紀錄可直接轉成管理實作）。[M3] Adam Pascarella（2018）, All-In: Lessons on Decision Making From a Legendary Poker Player, §Resulting／Premortem，https://medium.com/swlh/all-in-lessons-on-decision-making-from-a-legendary-poker-player-6cebf6edfdaf（選用：訪談 Annie Duke 的概念容易與大一學生討論，但非同行審查研究）。

授權提醒。 本補充教材為原創文字，僅以 OpenStax 2019 版第二章作章節定位及概念來源，不直接複製教材圖表、新聞全文或受保護段落。若未來出版、翻譯、使用 AI 改寫 OpenStax 原文，仍須依使用版本的實際授權條款另行確認。