[林文玲] 勤於指導，敢於要求|數位時代 BusinessNext

Dear Wennie,

第一次當主管，就來到一個多數部屬都比我資深的部門。而這些人資深卻未被升遷，果然有其原因。對於不積極的人，我真的懶得費力氣。

~Kelly

Dear Kelly,

先來鍛鍊一下「數字力」。著名的「80/20法則」用在組織管理現場，一個組織裡80％的價值是由20％創造，剩下80％的人，只創造了1/5的價值。如果我們的任務是：要提高整體績效，究竟去擠壓Top20％比較有效？還是加強80％的管理比較有效？

如果不牽涉到策略或是架構變革，相同環境之下，不需高深的推論，我們都會回答後者。其一，從60分要進步到75分，比從90分要進步到95分，相對要容易達成；其次，工作者績效能領先，一般都進行過積極主動地自我要求，績效中等的工作者則有較大進步的餘裕可供優化。

道理這麼明白，但當我們回到工作現場：年底剩下一個月還落後20％業績，你有5個部屬，你會如何分配這個業績搶救行動？多數的經驗，最能幹的人總還是被要求扛得最多。為什麼？因為對主管來說，他們溝通起來快，而且比較可靠。簡單說：這樣對管理的人來說比較方便。於是，許多管理者常說的「能者多勞」，其實是在美化「勞逸不均」這個管理的問題。

許多清楚的道理，卻無法落實到工作現場，多半都有些「人為因素」糾纏其中，能否解套？就得看管理道行高低。

我的工作最迷人的部分，就是有機會遇見高手，並向他們請益。11月號的《經理人》月刊中，我們訪談了資誠會計師事務所所長薛明玲，他率先改革業界許多行規，例如，所長的產生，以共識代替選舉；終結、清算合夥人退休金制度，減輕未來接棒的團隊財務負擔。我們問起，如何讓他的價值觀貫徹到多數同仁的思維中？他說了這樣一句話：

「對於同仁，要勤於指導、敢於要求。」

勤於指導、敢於要求，多麼清爽的八個字！我們一定都有這樣的經驗，組織裡頭那些因為主管懶得指導，連基本動作（例如開完會之後將會議室復原）都做不到的同事；還有那些假借尊重、實則不願扮黑臉的主管，讓他的同事一再破壞組織紀律，帶給其他人痛苦。

做一個專業經理人，指導與要求是管理工作最基本的動作，卻也是最嚴格的門檻，跨得過去，才有機會讓自己經由管理工作得到成長的力量。它的困難，不是膽量、也不只是專業實力，而來自於我們的志氣、我們看待自己的高度。

勤於指導，於是我們專注於解決方案的思考，所以戒掉「懶得管」的毛病；敢於要求，於是我們必須精益求精，讓自己能做為部屬的表率，所以讓自己擺脫「當好人」的困境。

更重要的是，通過這八個字，一個組織才能具備「公正」這個基本條件，在這個基礎上，績效才有可能自發性的啟動。

~Wennie

林文玲／《經理人月刊》《數位時代》總編輯長。因為擔任財經記者啟發對組織行為的高度興趣。先後曾任電腦家庭出版集團總經理、遠見雜誌群總經理。

出自經理人網站

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。