本文由作者與 Claude AI 共同創作
今年過完年後，我開始著手設定我們公司的客服 AI agent。
Claude 遞上來一份 prompt 版本，它能完美地執行所有客服任務：自動分類問題、查詢資料庫、找出最快的解決方案。按照所有的最佳實踐標準，這份 prompt 就像一台經過精心調校的機器一樣運作。
試行的時候發現這裡有問題。prompt 裡寫著：「如果無法解決客戶問題，請簡潔地說明系統限制，並轉接至人類代表。」
我把它直接改成：「如果無法解決，詳細解釋我們為什麼卡住了，說明接下來的步驟，並轉接至人類代表。」
之所以會這樣改，一來是不完全信任AI，另一方面是：「因為當客戶碰到問題時，被敷衍地丟給人工，和被坦誠對待，感受是不一樣的。而那個感受代表 DeepWave。」
那一刻我意識到：prompt 會定義公司文化。
文化的程式化時刻
傳統企業文化的傳遞方式老派，但有效：一張貼在會議室牆上的價值觀海報、創辦人的身教言教、年度全員大會上的致詞、老員工帶新員工時的暗示與故事。
文化是一種集體無意識。它住在人與人之間的互動裡，住在「雖然沒人明講，但我們都知道」的地帶。
AI 改變了這一切。
當你開始有 AI 工作夥伴，文化就無法再只依賴「無意識的集體同意」。AI 沒有歷史記憶，沒有辦公室八卦的自動學習，不會透過觀察資深員工的言行來理解「我們怎麼做事」。它需要明確的指令。
所以文化必須變成明確的設定。標語不再只是牆上的字，必須說出來、寫進系統裡。
在 DeepWave，我目前在運作 8 個主要的 AI agent——其中包括COO, CMO, CHRO...等等每一個的設定都經過多次反覆運行，雖然很多wow moment，點出不少盲點，但其實我還不完全能相信他們的結果。
當我們設定「招募 AI 可以拒絕一份履歷嗎？」，我們其實在說：我們相信人工智慧可以做初篩的品質判斷，但最終的招募決定必須是人的責任。
當我們決定「會議記錄 AI 在團隊意見有分歧時，要記下反對意見，還是只記結論？」，在我們的產品Meeting Ink裡，我們認為異議是要被重視的。
每一條 prompt 規則、每一個權限邊界、每一個 escalation 機制，追根究柢都是一個關於「我們相信什麼、不相信什麼」的管理哲學選擇。
寫進系統裡的，就是文化。
「判斷共享」取代「資訊共享」
過去，我們說好企業文化的條件是「透明」——資訊充分流動，大家看到相同的數據，然後自動做出正確決定。
但在 AI 時代，充分的資訊還不夠。
問題是這樣的：當 AI agent 代表你做決定時，沒有人能預測所有可能發生的情況。文件可能不完整、演算法可能遇到邊界情況、規則可能有隱藏的後果。
所以關鍵不再是「大家掌握多少資訊」，而是「大家對什麼東西可信、什麼不能交給機器、什麼時候必須真人介入」有共識。
這是一種新的文化契約。在傳統公司，這個契約靠人的經驗、觀察力、和彼此的信任來維護。在 AI 時代，它必須被明確寫進系統的邊界裡。
AI 治理設計的四個面向
如果把 AI 導入看作一場組織變革，那麼治理設計就是這場變革的憲法。
第一個面向：權力的制衡
誰可以 override AI 的決定？什麼情況下可以？需要多少人的同意？
在金融交易所裡，一個 AI 如果發現異常價格波動，它會自動熔斷市場。但是，人類交易員必須有能力用極少的延遲把市場恢復。如果 AI 的決定是絕對的，那就是把權力交給了機器。但如果 override 太容易，AI 就變成了沒有約束力的建議。
第二個面向：容錯的界限
哪些錯誤是可以容忍的，哪些必須立即升級處理？
一個客服 AI 說錯了產品功能，影響就是客戶稍微失望。但如果一個財務 AI 弄錯了稅務計算，那影響就是公司可能面臨罰款。容錯的界限不同，監督的強度也就不同。
我們按照影響的範圍和可逆性來分級：
- 綠燈：低影響、高可逆性的決定（如會議記錄的摘要品質不完美）——事後檢查就行
- 黃燈：中等影響的決定（如招募初篩）——需要人類複查，但不一定是實時的
- 紅燈：高影響或不可逆的決定（如合約簽署、裁員建議）——絕對不能沒有人的最終核可
第三個面向：可見性與監督
AI 的操作紀錄誰可以看？員工是否有權利了解 AI 怎麼決定自己的事？
歐洲的《AI 法》裡有一條叫「可解釋性」——人有權理解一個影響自己的 AI 決定是怎麼做出來的。在某些行業，這是法律要求。但即使沒有法律要求，這也涉及到基本的尊重。
第四個面向：演算法式管理的邊界
經濟合作暨發展組織（OECD）2025 年發表過一份研究，研究對象是那些被演算法式管理（algorithmic management）的勞工——也就是他們的工作被 AI 系統監控、分配和評估。
研究發現了一個扎實的負相關：缺乏諮詢與參與的演算法管理，與更低的工作自主性、更低的信任、以及更低的工作滿意度相關。
換句話說，如果 AI 在暗地裡決定了你的工作量、評估了你的績效，但沒有人跟你解釋為什麼，那結果就是員工會感到被監控、被不信任、被當作機器對待。
所以我們的原則是：任何會影響員工工作或評估的 AI 決定，都必須有透明的規則。員工應該知道 AI 在看什麼、怎麼評估的，以及如何提出異議。
這不只是道德問題，也是生產力問題。信任的組織比不信任的組織效率高。而信任從透明開始。
文化一旦被寫進系統，經營者就無法再模糊領導
這可能是很多經營者最不習慣的地方。
以前很多文化是靠情境感去拿捏。這位客戶很重要，可以多讓一點；這個問題很敏感，要更保守；這個同事資深，我知道他怎麼處理。大量管理智慧都藏在人的經驗裡，這個叫做圓融、叫做眉角。
但當你要把它交給 AI，你就被迫說清楚。你不能再只說「你自己看情況處理」，因為機器不知道什麼叫看情況。你得把價值排序講出來，把風險容忍度講出來，把授權邊界講出來。
從這個角度看，AI 其實在逼經營者面對一個問題：你真的知道自己想建立什麼文化嗎？還是你以前只是靠資深與直覺在撐？
我自己在設定 Agent 規則時，常常回頭才發現，原來很多看似技術的選擇，背後其實都是我對管理的偏好。例如我願不願意讓 AI 先做八成再交回來，還是我寧可它保守一點；例如我看重速度還是看重可追溯；例如我希望同事有更大實驗空間，還是先守住風險。這些最後都會變成系統行為。
也正因為如此，治理設計本質上是文化設計。很多人以為這是法務或資訊部門的事，但實際上是你怎麼治理 AI，就是在定義你的公司。
文化變成未來的競爭力與求職信號
有趣的是，這一切變化正在改變企業的求職信號。
可以想見未來的面試場合裡，當我們招募資深工程師或產品經理時，可能會有一個新的面試問題出現，不是「你們有什麼福利」或「遠端政策怎樣」，而是：
「你們公司的 AI 治理政策是什麼？」
「當 AI agent 做決定時，人怎麼保持掌控？」
「如果 AI 建議要裁員，程序是什麼？」
五年前，沒人問這個。現在，有想法的職場人士都在問。他們在評估的是：這家公司對 AI 的態度健不健康？我在這裡會被當作協作者還是被機器取代？
我認為公司的 AI 治理政策，其實就是公司的文化名片。
它告訴候選人：我們相信什麼。它告訴投資人：我們的風險管理有多成熟。它告訴客戶：當我們的 AI 服務你時，背後是什麼樣的倫理框架。
未來面試時，AI 治理政策會變成跟遠端政策、加班文化一樣重要的招募訊號。這代表了一個根本的轉變：AI 治理不再只是風險管理文件，它開始成為雇主品牌的一部分。
怎麼開始？
最後一個實踐的建議。
很多公司現在碰到 AI 導入時，往往先著急技術實裝——「我們要不要用 AI？」「用什麼工具？」——反而把治理設計留到後面。
我建議同時思考：治理與工具如何兼具。
具體的步驟是：
- 盤點你的 AI 場景：哪些工作流程可能會用到 AI？列出來。
- 按影響力分級：哪些場景的 AI 決定會改變人的命運？優先從這些開始設計。
- 寫出判斷共享清單：對每個場景，明確寫下「什麼 AI 可以決定、什麼需要人核可」。
- 定義 override 機制：人怎麼推翻 AI 的決定？記錄在哪裡？誰可以看？
- 試跑與調整：小規模試點，收集反饋，看治理框架在現實中怎樣運作。
這個過程不一定要很複雜，而且變動很快。事實證明我們的 AI 導入速度快，但風險和衝突卻比很多公司少。因為每個人都清楚地知道 AI 的邊界在哪裡。
小結
AI 時代的公司文化，不再只是牆上的標語，也不再只是老闆的言傳身教。它變成了一份被寫進系統裡的憲法。
每一條 prompt 的規則、每一個權限的邊界、每一個 escalation 的機制，都是在用程式碼表達：「我們是誰、我們相信什麼、我們怎麼做事」。
而也正因為如此，AI 治理本身就成了文化的最新載體。你怎麼治理 AI，就是在現場定義你的公司。
下一次當你看到一個 AI 決定的時候，不妨停下來問自己：這個決定背後的邏輯，代表我們想成為什麼樣的企業嗎？
在 DeepWave，我們每天都在問這個問題。如果你的團隊也在摸索 AI 導入的治理問題，歡迎預約一次 30 分鐘的免費 AI 顧問諮詢，聊聊怎麼建立健康的 AI 治理框架。當 AI 變成你的工作夥伴，怎麼定義它的行為，其實就是在定義你的管理哲學。
標籤： 企業 AI｜AI 治理｜公司文化｜AI 導入｜AI 顧問
