A用管理學的委派邏輯運用 AI 代理
有時候和一些朋友聊起 AI 的應用，發現一部分的朋友仍然以「問問題、找答案」為主要運用情境，另一些朋友會用 AI 工具幫自己完成特定任務（文字、影像、做簡報…）。也有少部分的朋友已經開始用 AI 寫程式，做出產品原型，把它當成一個隨傳隨到，不需要薪水的工程師。
前一陣子，OpenClaw 這類本機代理工具帶起一波 AI 代理熱潮，一時之間「養龍蝦」（幫電腦安裝 AI 代理）成為熱門話題，很多人開始意識到：AI 不只是可以回答問題、單次執行任務，還可以自動自發去做事。我因為有自知之明，對於自己要在電腦設定 AI 代理的安裝環境與後續問題排除的能力完全沒信心（笑），因此沒有搭上這波 AI 代理熱潮。但在 Claude 推出 Cowork 功能之後，我發現 Claude Cowork「限定範圍」的設計邏輯，對我來說是個合適的入口。一試之下大為驚艷！發現它能做的事，比我預期的多很多。
簡單說，Claude Cowork 是一個可以存取你的檔案、制定計畫、自主執行多步驟任務的代理工具。
和一般的 AI 聊天工具不同，Claude Cowork 在你的電腦桌面應用程式裡執行，你授權它存取特定資料夾，它就能直接讀取、編輯、建立檔案：它不只是告訴你「你可以這樣做」，而是真的幫你做完。
你可以把一堆散落的會議記錄丟給它，請它整理成一份報告；可以把幾個月的收據截圖交給它，請它匯整成一張費用明細表；可以描述一個複雜任務，讓它自己拆解步驟、依序執行，你去做別的事，回來驗收成果就好。
我以自己在運用 Cowork 的一項任務舉例：我在寫作時的習慣是，只要有某個可寫的想法、引子、資料、情境，我就會先單獨用一個文件先記下，當作是未來的寫作素材庫。但資料夾裡存了一堆素材文件，卻也一直沒動手。
於是，我讓 Cowork 幫我逐一審閱一個個的素材檔案，請他在每個檔案裡幫我加上寫作大綱的建議，另外我給 Cowork 一些評估標準，要它幫我評估後分成「最值得馬上寫」與「目前素材有欠缺」以及「不值得寫」三大類，指令下完讓它跑，睡一覺醒來 Cowork 就完成了我的要求。
它不是升級版的搜尋引擎，也不是更聰明的自動完成。它比較像是一個真正能接手工作的數位助理：前提是，你得知道怎麼把工作交給它。
但我觀察到一個現象：很多人裝了 Cowork，用的還是聊天的邏輯。（坦白說，我一開始時也是）
他們打開 Claude Cowork，輸入一個任務，等了幾分鐘，結果出來了，然後花更多時間請 AI 修改。修改完之後，得出一個結論：「AI 輔助的效果還好，沒有想像中省事。」
有這樣的結果，表面上是怪工具不給力，實際上是自己的工作習慣造成。問題在於沒有給 Claude Cowork 一個真正可以執行的任務。他們給出的是一個模糊的想法。但「模糊想法」和「明確任務」之間的差異，比大多數人以為的要大很多
你用的是哪一種邏輯，決定了 AI 幫不幫得上你
首先，要搞清楚一件事：Claude Chat 和 Claude Cowork 是兩種根本不同的工作模式，但大多數人帶著完全相同的心態在操作這兩個工具。
Chat 是對話邏輯。你問，它答；你補充、修正，它因應調整。整個過程是線性的、即時的、互動的。你必須一直在場，每一步都在旁邊盯著。
Cowork 是代理邏輯。你描述一個成果、給它資料夾存取權限，然後讓它執行。它會自己制定計畫、拆解子任務、逐步完成，並在關鍵節點回報進度。 你不需要全程盯著，因為這樣做只是把一個代理工具當成聊天工具在用，既浪費它的能力，也浪費你的時間。（但涉及不可逆動作、對外輸出或高風險決策時，仍需設定人工核准的節點。）
上述的差異，用管理的語言來說，就是「指示」與「委派」的差異。
指示，是你站在旁邊一步一步告訴對方怎麼做。委派，是你清楚說明目標和標準，然後授權對方自主執行，你負責驗收成果。兩者需要的準備工作完全不同，對應的責任歸屬也完全不同。
用 Chat 心態操作 Cowork，就像一個主管把所有員工都叫進會議室，然後對著他們口述每一個步驟，卻還以為自己正在授權。
說不清楚你要什麼，AI 只能猜
管理學對於「有效委派」的研究，累積了幾十年的實踐與理論。最核心的觀念是，把一個完整的委派拆解成五個要素：目標（What）、背景脈絡（Context）、標準（Standard）、資源（Resource）、回報機制（Feedback）。
這五個要素，幾乎等同於一份好的 Cowork 任務描述所需要的元素。
- 目標（What）： 你要的成果是什麼？不是「幫我整理一下」，而是「產出一份包含三個月費用明細、依類別分類、格式為 Excel 的財務報表」。成果描述越具體，AI 的執行越精準。
- 背景脈絡（Context）： 這個任務的前因後果是什麼？這份報表是給誰看的？要用在哪個場合？有什麼限制條件？提供背景資訊並非可有可無的步驟，而是讓 AI 做出正確判斷的必要輸入。
- 標準（Standard）： 什麼叫做「完成了」？格式要求、語言風格、精確度門檻，這些都是 Cowork 在執行過程中需要參照的準則。沒有標準，AI 只能猜你的需求。
- 資源（Resource）： 它需要存取哪些檔案、哪些資料夾？在 Cowork 裡，你需要明確授權 Claude 存取特定資料夾，它才能真正讀取、編輯、建立檔案，而不只是描述怎麼做。 資源不授權，委派就是空談。
- 回報機制（Feedback）： 你在什麼節點要介入確認？哪些決策需要你批准再繼續？Cowork 會顯示執行進度與關鍵步驟，讓你在必要時介入校正。但這個機制要發揮效果，前提是你事先想好哪些地方是關鍵決策點。
五個要素，缺一個，委派就會出現對應的問題。目標模糊，方向就偏離；背景不足，AI 做的判斷就是猜測；沒有標準，你驗收時就缺乏根據；資源不夠，它根本無法執行；沒有回報機制，你就必須全程緊盯，否則就會拿到成果才發現方向錯了。
補充：幸好 AI 有與我們互動的能力，可以讓它主動問我們問題，補足上述五要素。務必在你的 Prompt 裡加上這句話：「在回答之前，先用 AskUserQuestion 工具蒐集足夠的背景資訊。」這個功能叫做 AskUserQuestion，是內建在 Cowork 的工具。讓 Claude 逼你清晰思考，它問對問題，之後才能給出符合需求的成果。
花每次都要重新解釋？你少做了Global Instructions 這一步
有一個 Cowork 功能，幾乎是所有使用者在剛開始時都跳過的：設定 Global Instructions。
這個設定讓你可以給 Claude Cowork 跨所有工作階段都適用的背景說明，包括你的角色、偏好的輸出格式、語氣要求。你也可以針對特定資料夾建立 Folder Instructions，當 Cowork 開啟那個資料夾時，相關背景會自動套用。
為什麼這個設定如此重要？用管理的邏輯來解釋：這相當於一個新員工的「職務說明書」加上「公司文化手冊」。
一個沒有讀過職務說明書的員工，他缺乏做出正確判斷所需要依據的原則。他不知道什麼決定自己可以自主，什麼決定需要回報；不知道組織對品質的要求，不知道有哪些地雷要避開。結果，主管要花大量時間在事後修正，而不是事前授權。
需要特別說明的是，Cowork 的 Global Instructions 和 Chat 的個人化設定是完全獨立的，兩者不會互相沿用。你在 Chat 裡設定的偏好，Cowork 不會自動讀取。跳過 Global Instructions，每次開啟 Cowork 就等於找了一個不知道你是誰、不知道你在做什麼行業、不知道你有哪些偏好的新員工。你之後的每一次交辦，都要從零開始解釋背景，不斷重複地下指令。
開始前，花十分鐘把 Global Instructions 設定好，一次工但影響深遠，值得投資時間。Global Instructions 沒有固定格式，但有幾個方向值得優先填入：你的職業角色與工作背景、常用的輸出語言與格式偏好、需要 Cowork 特別注意的限制條件。舉例來說，一個內容創作者可能會寫：「我是繁體中文內容創作者，文章風格偏向口語但有邏輯架構，輸出請避免條列式清單，優先使用散文段落。」這樣一段描述，就能讓每次的 Cowork 任務省去重複解釋背景的時間。
Skills 不只是功能，是你對「重複工作」的管理態度
Claude Cowork 對 Skills 功能的描述很貼切：原本只存在某人腦袋裡的工作流，變成整個組織都可以使用的標準動作。
從管理的角度，這對應的是精實生產（Lean Production）裡的「標準作業」（Standard Work）概念。豐田生產方式的核心邏輯之一，是把目前最好的工作方法記錄下來、讓它可以穩定重現，然後在這個基準上持續改善。標準化不是為了固定不動，而是讓改善有所依據，讓好的做法不會隨著人員流動而消失。
Skills 在 Cowork 裡的角色，就是這個「標準最佳流程」的資料庫。
當你發現某一類任務的交辦方式特別有效，有效的 prompt 結構、背景說明的組合方式、輸出格式要求，都不應只存在你的記憶裡。它們應該被保存，成為可重複使用的 Skill。
沒有 Skills 的累積，Cowork 的使用就永遠停留在試錯階段：每次執行都在重新摸索，而不是在一個已知有效的基礎上逐步優化。
我們需要養成一個習慣：每次 Cowork 執行完一個任務之後，問自己「這個任務以後還會重複嗎？如果會，我這次的交辦方式夠好，值得存下來嗎？」如果答案是肯定的，就把這次有效的任務描述整理成一個 Skill 範本。這個動作，一次不超過五分鐘，但它的複利效果會在接下來幾個月裡持續累積。
有一位朋友在聽我說 Cowork 有多好用時，因為他是Gemini + NotebookLM 的使用者，問「你提到的一些工作，我也可以用 NotebookLM 完成，未必需要用 Cowork 啊？」，我向他解釋：我真正看重的，不只是單次能不能完成，而是這套交辦方式能否被保存、重現，並在下一次直接沿用。每次都要下指令、好用的指令必需自己存好且記得用上，看似每次沒有花太多時間，但是長期累積下來，其實差很多。
他想想，的確每次複製貼上，甚至還要從不同版本的指令裡挑出合適的，無形中拖慢了自己的進度，比不上 AI代理的「全自動」與「精準重現且迭代」來得方便。
任務描述夠清楚，才有資格放手
最後，回到委派理論裡一個常被誤解的核心觀點。
很多人以為委派的重點是「放手」。這只說對了一半。有效委派強調的是「清楚交辦之後才能放手」，而不是「說一半讓對方自己猜，然後叫它放手去做」。
《別讓猴子跳回你背上》書裡提到，主管最常犯的錯誤，是在猴子還沒清楚交代的情況下就轉身離開。結果不是部屬把猴子帶走，而是猴子掉在地上，然後主管自己再撿回來。對應到 Cowork，就是任務說一半讓 AI 自行推斷，拿到輸出後發現方向偏掉，然後花更多時間修正，效率比自己做還低。
Cowork 執行效果最好的情境，是你給了清楚、詳細的任務描述，最小化來回溝通的需要。 更進一步的建議是：如果不知道怎麼寫出完美的任務描述，不妨先去 Chat 找 Claude 聊聊。你可以對它說：『我想讓 Cowork 幫我處理 [某任務]，請根據委派五要素，幫我寫出一份完整的交辦指令。』讓 AI幫你把它轉化成一份完整的任務描述，確認沒有缺漏再執行。這個動作，往往能省掉後面的修正。
AI 放大的，是你原有的工作習慣
Claude Cowork 是一個設計來承接複雜、多步驟工作任務的代理工具。你實際能用到多少，取決於你有沒有準備好對應的工作習慣：把想法轉化成明確任務、把有效模式標準化、在正確節點介入而不全程干預。
這些習慣，用一句話來說，就是把自己當 AI 的主管，而不是 AI 的使用者。
主管的工作，不是替員工做事，而是讓員工能把事做好。Cowork 也一樣。你花在清楚交辦上的時間，不是額外的負擔，而是讓後面的執行可以真正放手的前提。
準備好這套習慣，AI 助理才能發揮它真正的價值
