主管交辦一份市場資料整理。
隔天，員工交出一份看起來很完整的報告。有分析。
有表格。
有建議。
甚至還列了幾個策略選項。
主管第一眼看下去，格式不錯，文字也順。
如果只是快速掃過，幾乎會覺得這份報告完成度很高。
但主管多問了幾句。
「這個資料來源是哪裡？」
員工停了一下。
「你為什麼選這三個競品？」
員工翻了翻頁面。
「這個建議，跟我們目前的客戶結構有什麼關係？」
這時候，空氣安靜了幾秒。
最後員工微低著頭說：
「我是先請 AI 幫我整理方向。」
這句話本身沒有問題。
真正讓主管皺眉的，是後面那件事：
員工把 AI 產出的內容，當成自己的判斷完成品。
很多主管現在遇到的，不再是員工交不出東西。
反而是另一種更麻煩的情況：
員工交出一個看起來很完整，但判斷基礎不清楚的東西。
以前員工交半成品，你大概看得出來他卡在哪裡。
資料找不齊。
邏輯接不起來。
不懂客戶分類。
不知道市場比較該抓哪幾個角度。
那些粗糙的地方，反而讓主管看得見他的理解程度。
現在不一樣了。
AI 會幫他把內容包起來。
包得很順。
包得像一份已經想過的東西。
但主管看不到的是：
他到底懂了多少？
這才是 AI 進入工作現場後，很多主管真正開始不安的地方。
AI 讓答案變快，但也可能讓主管更晚看見員工不懂的地方。
主管失去的，不是被請教的面子
很多人談 AI 與管理，會很快講到一個問題：
「主管會不會被 AI 取代？」
這個問題聽起來很大，也很容易引起焦慮。
但回到真實職場，主管通常不是怕員工問 AI。
主管怕的是：
員工問完 AI 之後，直接拿著答案往前走，中間沒有任何校準對拍。
主管真正失去的，不是被請教的面子，而是問題浮出的第一個入口。
以前新人遇到事情，可能會走過來問：
「主管，這個客戶這樣要求，我要怎麼處理？」
這句話表面上是在問答案。
但對主管來說，它同時透露了很多訊號。
他卡在哪裡。
他看到問題的角度是什麼。
他有沒有抓到客戶真正介意的點。
他知不知道哪些話不能先講死。
他分不分得出，這是一般回覆，還是需要升級處理。
員工一開口，主管就能判斷：
這件事要不要介入。
現在，第一個被問的人可能變成 AI。
員工不一定先問主管。
他可能先問 AI，再把答案整理一下，接著自己判斷要不要使用。
表面上，這很像自主。
但自主有一個前提：
他知道自己正在判斷什麼。
員工問 AI 並不可怕，可怕的是他拿到答案後，以為自己已經完成判斷。
問題不見了，只是先流到別的地方
主管以前可以從員工的問題裡，看見三件事。
- 他有沒有看懂問題。
- 他用什麼方式理解問題。
- 他準備怎麼處理問題。
這三件事，對帶人很重要。
因為主管帶人，不只看最後產出，也要看員工中間怎麼想。
有些錯誤，越早看見越好處理。
有些判斷，晚一步校準就會變成對外承諾。
有些客戶問題，不能等到信寄出去才發現語氣錯了。
但當員工先問 AI，這些訊號可能被跳過。
主管看到的，常常已經不是問題本身，而是一個被整理過的答案。
它看起來有邏輯。
看起來有條理。
看起來甚至比員工平常寫得更成熟。
這反而讓主管更難判斷。
你不知道哪些是他真的懂。
哪些是 AI 幫他補上的。
哪些是他照單全收。
哪些是他其實還沒想過，只是被文字包裝得像想過了。
這種管理難度，不是因為 AI 太強，
而是主管原本用來觀察團隊狀態的入口，被改道了。
當問題不再經過主管，主管失去的不是權威，是早期校準的機會。
AI 的答案漂亮，不代表能放進你的公司
再回到那份市場報告。
員工用 AI 整理出三個競品方向，看起來很像一份顧問報告。
但主管一問就發現，這三個競品其實不是公司目前最常遇到的對手。
有一個規模太大，參考價值有限。
有一個產品線不同，客戶重疊度不高。
還有一個雖然常被媒體提到，但業務現場幾乎不會碰到。
問題就卡在這裡。
AI 給的是一個「看起來合理」的答案。
但合理，不等於適合你現在的現場。
客戶回覆也是一樣。
新人遇到客戶抱怨，請 AI 幫他寫一封信。
AI 可能會建議他先表達歉意、說明狀況、提出補救方案。
這些都沒有錯。
可是主管知道，這個客戶上個月才因為交期問題不滿。
這次如果再寫「我們會盡快處理」，客戶只會更火。
主管也知道，補救方案不能由業務先承諾。
因為這件事會牽涉品保、倉儲、財務，甚至合約條款。
AI 不知道這些。
AI 不知道這個客戶過去累積了什麼情緒。
AI 不知道哪個部門上週才為這件事吵過。
AI 不知道哪一句話講出去，會被客戶拿來當承諾。
AI 也不知道這個看似小問題，背後其實有政治性或風險邊界。
所以主管不能只看答案漂不漂亮。
主管要看的是：
這個答案有沒有接上公司脈絡。
AI 可以給答案，但主管要看見的是：員工怎麼理解問題。
以後不要只問：「AI 怎麼說？」
很多主管接下來會遇到一種新場景。
員工拿著一份 AI 整理過的內容來找你。
他說：
「主管，我先問過 AI 了，它建議這樣做。」
你不要急著否定。
也不用急著稱讚。
可以先問一句：
「你問 AI 的問題是什麼？」
這句話很有用。
因為很多答案之所以跑偏，不是 AI 回錯，而是員工一開始就問得太乾淨。
例如他問：
「客戶抱怨時該怎麼回？」
這種問法太過乾淨，乾淨到不像真實職場。
真實職場通常不是「客戶抱怨」四個字而已。
可能是：
「客戶已經催三次，這次交期又延後，業務要怎麼回覆才不會過度承諾？」
這樣問，主管才看得出來員工有沒有把場景放進問題裡。
接著，可以再問第二句：
「AI 給你的答案，哪一段適合我們現在的情境？」
這是在看他的篩選能力。
員工不能把 AI 回答整包搬進工作裡。
有些句子可以用。
有些句子太滿。
有些建議聽起來合理，但在公司流程裡走不通。
有些話看起來禮貌，客戶看了只會覺得你在閃。
主管要看的，是員工知不知道哪些可以留下，哪些要刪掉。
然後再問第三句：
「你打算怎麼做，可能的風險在哪裡？」
這一句會把答案拉回責任。
因為真正進入工作現場的，從來不是一段文字，而是一個動作。
你要寄信。
你要提案。
你要回報。
你要協調。
你要承諾時間。
你要請別的部門配合。
每一個動作後面，都有風險。
所以我會建議主管，以後可以訂一個簡單規則：
你可以先問 AI。
但回來對拍時，不要只帶答案。
請帶三件事：
- 你問了什麼。
- 哪一段適合現在的情境。
- 你打算怎麼做，風險在哪裡。
這就是 AI 後對拍。
它不是要把員工拉回以前什麼都要問主管的模式。
它是提醒員工：
用了 AI 之後，判斷仍然要回到現場。
主管不用搶回所有答案，但要守住判斷
很多主管過去習慣扮演答案提供者。
員工一問，主管回答。
員工一卡，主管給解法。
員工一猶豫，主管拍板定案。
AI 進來後，這件事會慢慢改變。
員工要找一個初步答案，可能不用等你。
員工要寫一封初稿，可能不用麻煩你。
員工要整理一份資料，AI 的速度也可能比團隊內任何一個人都快。
所以主管如果只想比誰更快回答，會很累。
未來的主管價值，不在於比 AI 更快回答，而在於比 AI 更懂現場。
你懂客戶的脾氣。
你懂公司能承諾到哪裡。
你懂這件事要先找誰對齊。
你懂哪個問題表面上是資料問題，其實是責任邊界問題。
你懂員工這次看起來有答案，其實還沒抓到真正的判斷點。
這些，AI 不一定知道。
主管不需要每個問題都親自解。
但那些會影響客戶、跨部門、承諾、風險與方向的問題，不能只停在 AI 的答案裡。
它需要有人把答案放回現場，重新看一遍。
不要怕員工問 AI，要怕他問完後照單全收
以後你聽到員工說：
「我先問過 AI 了。」
先不要皺眉。
這句話不一定是壞事。
真正要接下去問的是：
「那你怎麼判斷？」
這一問，會把事情拉回工作現場。
主管真正要看的，不是 AI 寫了什麼，而是員工準備怎麼用。
下次交辦市場資料時，可以多補一句：
「你可以先用 AI 整理，但回來時請告訴我，你問了什麼、留下哪些、你自己的判斷是什麼。」
下次新人要回客戶時，也可以多補一句：
「你可以先請 AI 幫你打草稿，但寄出前，我要看的是你的處理方向，不只是那封信。」
這不是多一道手續。
這是在補回主管原本可能失去的早期訊號。
員工開始問 AI 之後，主管不需要急著把問題搶回自己手上。
但你要讓團隊知道：
AI 的答案不能直接取代人的判斷。
尤其不能取代現場判斷。
AI 可以先回答問題，但主管要負責把判斷接回現場。
我是潘英杰，跟您一起探索解決職場問題的跳脫框架思路，咱們下次見。
《提升10倍成果的節奏工作法》🛒博客來：https://reurl.cc/GGlEYD
