管 AI Agent 就像管人——Prompt Engineering 其實是一堂管理課

本文整理自世界經濟論壇 Podcast《Meet the Leader》2026 年初播出的單集。

一個晚餐遊戲的啟示

Kian Katanforoosh（Workera 創辦人暨執行長）最近和朋友吃飯時玩了一個遊戲：拍一張朋友的照片，然後請 AI 猜這個人的「靈魂動物」（spirit animal）。他的朋友試了半天，AI 一直拒絕回應，大概是怕冒犯人。結果 Kian 拿過手機，重新下了一個 prompt，幾秒鐘就拿到了答案。

這個小故事聽起來只是飯桌上的趣聞，但 Kian 用它來說明一個他在工作中觀察到的重要現象：會 prompt 和不會 prompt 的人之間，生產力的差距正在拉大。而且這個差距的本質，和「會不會管理」是同一件事。

Kian 的背景讓他的觀察格外有說服力。他是史丹佛大學吳恩達（Andrew Ng）的門生，兩人共同創辦了 deeplearning.ai，也一起打造了 Coursera 上被數百萬人修過的深度學習專項課程。他在史丹佛教書時拿下了全校最高教學獎 Walter J. Gores Award。2019 年，他創辦了 AI 技能評估平台 Workera，吳恩達擔任董事長。最近他登上世界經濟論壇的 Podcast《Meet the Leader》，其中最讓我印象深刻的，是他對「委派」這件事的重新定義。

委派的本質沒有變，對象變了

Kian 自己坦承，委派是他目前正在積極提升的技能之一。在 Workera 早期，他常常丟出一個任務，卻沒有清楚定義任務的範圍、沒有說明期限、也沒有解釋背後的原因。結果可想而知，事情做出來的方向和他腦中想的完全不一樣。

這個教訓讓他開始注重委派的三個要素：任務本身要清楚界定、需要的時程要明確、以及交代背後的動機（為什麼要做這件事）。聽起來是管理學 101 的內容，對吧？但 Kian 注意到一件有趣的事：這三個要素和寫好一個 AI prompt 所需要的技巧，幾乎完全重疊。

當你要讓一個 AI Agent 完成一項任務，你需要清楚說明你要什麼（任務定義）、在什麼條件和限制下執行（上下文和參數）、以及你期望的產出格式（成功標準）。如果你含糊其辭，AI 就會給你一個含糊的結果。如果你沒有提供足夠的背景資訊，AI 可能會往完全錯誤的方向去。這和委派任務給一個人類同事的情況，幾乎一模一樣。

差別在哪裡？Kian 的觀察很精準：人類管理有一個更深層的情感面向。你對 AI 不需要說「謝謝」。事實上，Kian 開玩笑說，對 ChatGPT 說謝謝只是浪費 token 和能源。但對人類，那句「謝謝」是有意義的，它告訴對方你感謝他的付出，而這會影響他下次接到任務時的投入程度和工作品質。

Prompt Engineering 不是一種職業，是基本功

很多人把 Prompt Engineering 當成一種新興的職業或專業角色。Kian 認為這完全是搞錯方向了。在他看來，prompting 是一種每個人都需要具備的基礎技能，就像你需要知道怎麼用 Google 搜尋一樣。它不應該是某個人的專職，而是所有人的必備能力。

更有趣的是，Kian 預測 prompt 的「工藝」（craftiness）層面將會快速消退。目前確實存在一種情況：懂得用特定技巧繞過 AI 限制、知道怎麼把指令結構化得剛剛好的人，會得到明顯更好的結果。但隨著模型越來越能理解人的意圖，這種「技巧」的重要性會大幅降低。一兩年後，模型可能已經厲害到你不需要精心設計 prompt，它就能準確理解你要什麼。

但這並不意味著委派的技能會變得不重要。恰恰相反——當 AI 不再需要你精雕細琢每個字，真正的差異化就回到了更根本的能力：你能不能清楚思考自己到底要什麼？你能不能把一個模糊的需求拆解成具體的任務？你能不能判斷什麼時候該交給 AI、什麼時候該交給人？

Kian 觀察到，今天的委派已經變成一個三方選擇：這個任務該交給 AI Agent、交給人類同事、還是你自己做？雖然我們目前還處於 AI Agent 能夠端到端完成企業級任務的早期階段，但 Kian 預期這個能力會快速提升。到那時候，一個主管每天最重要的決策之一，就是任務的分配——哪些流向人、哪些流向 AI。

三種人，三種使用 AI 的方式

Kian 提到他的一位朋友 Omar Bao 的觀察，把人們使用 AI 的方式分成三個層次。第一種人把 AI 當搜尋引擎用，問一個問題，拿到一個答案，結束。這是最基本的用法，本質上和 Google 搜尋沒有太大區別。

第二種人把 AI 當作任務執行工具，給它一系列具體的事情去完成，比如寫一封郵件、整理一份報告、產生一段程式碼。這已經比第一種進步很多，因為你開始讓 AI 為你做事，而不只是回答問題。

第三種人把 AI 當成作業系統（operating system）。在這個層次，AI 不是你偶爾叫來幫忙的工具，而是你日常工作的底層架構。

Kian 說這正是他自己在 Workera 內部的工作方式：幾乎所有流向他的資訊，都先經過 AI 的處理；而所有從他流出的資訊，也都經過 AI 的輔助。AI 不是他偶爾開啟的應用程式，而是他整個工作流程的中樞。

從搜尋引擎到任務工具再到作業系統，每一次躍遷都代表著使用者對 AI 能力和限制有更深的理解。你不會一夜之間從第一層跳到第三層——需要大量的實踐和失敗來建立直覺。Kian 建議的做法是漸進式的：先試著讓 AI 做一件人類 30 秒能完成的事，然後試一件需要一小時的事，再試更複雜的。這個過程會讓你逐步理解 AI 的推理能力、它在哪裡容易犯錯、以及哪些任務目前還不適合交給它。

吳恩達教他的「貝佐斯決策法」

在訪談尾聲，主持人問 Kian 有沒有一直受用的建議。他提到了貝佐斯（Jeff Bezos）的「單向門/雙向門」決策框架。而教他這個框架的人，正是吳恩達。

概念很簡單：有些決策是「單向門」，一旦做了就很難回頭，或回頭的代價極高。另一些決策是「雙向門」，做了之後發現不對可以輕鬆改回來。很多人的問題是把所有決策都當成單向門——每個選擇都焦慮萬分、反覆猶豫。但實際上，大多數日常決策都是雙向門，相信直覺、快速行動就好。真正值得花時間深思熟慮的，只有那些單向門。

Kian 說這個框架幫助他在面對壓力時冷靜下來，用合理的速度做出更好的決策。這聽起來和 AI 時代的技能話題無關，但其實本質是相通的——在一切都在加速變化的環境裡，分辨「什麼值得深入研究、什麼可以先行動再修正」的能力，本身就是最核心的元技能。

我的觀察：你在哪一層？

回到那個三層模型。我猜大多數讀者——包括我自己——可能在第一層和第二層之間游移。我們已經不只是拿 AI 來搜尋資料了，但要說 AI 已經成為我們的「作業系統」，恐怕還有一段距離。

Kian 的觀察給了我一個很實際的反思框架。下次你委派一個任務——不管是交給 AI 還是交給同事——你可以問自己三個問題：我清楚定義了我要什麼嗎？我說明了背後的原因嗎？我設定了明確的期望嗎？如果這三個問題的答案都是肯定的，你大概已經具備了 AI 時代最需要的管理技能。如果不是，那也別擔心——Kian 自己也是在犯了無數次錯之後，才慢慢學會的。

差別只在於，他有勇氣公開承認這件事。