Showing Posts From
Ai 工作流
哈佛商業評論最新警告：你用 AI 省下的每一個小時，可能正在悄悄摧毀你最值錢的業務判斷力
2026 年 4 月，《哈佛商業評論》刊出了一篇我看完之後忍不住重讀好幾次的文章——《Don't Let AI Destroy the Skills That Make Your Company Competitive》。標題直白到刺耳：別讓 AI 摧毀你公司之所以有競爭力的那些技能。 這個訊號很值得停下來想一下。在所有人都在比誰用 AI 用得更兇、誰的工作流自動化得更徹底的此刻，HBR 卻把一個反方向的問題擺到桌面上：你以為自己在加速，其實可能正在掏空自己。 Kenny 和 Pogrebna：把 AI 風險講得最清楚的一組搭檔 兩位作者的組合很有意思。 Graham Kenny 是 Strategic Factors 的 CEO，也是澳洲唯一一位長期固定在 HBR 撰稿的策略管理顧問。他長期關注一個問題：為什麼企業的「新策略」總是長得跟舊策略一樣？ Ganna Pogrebna 則是雪梨大學商學院的行為商業分析教授，同時擔任英國 Alan Turing Institute 行為資料科學線的主導人。她的研究主題是「人在不確定性下的決策」——也就是 AI 永遠無法真正取代的那一塊。 一個從策略管理切入，一個從行為決策科學切入，兩個人在這篇文章裡合力指出一件事：AI 被包裝成「生產力加乘器」，但用錯了，會把公司的個性殺死。 「AI practice」的核心邏輯：你正在用「效率」交換你最值錢的東西 文章一開場就丟出一句很重的話："AI can kill the individual DNA of an organization by cleaving to the generic standard." （AI 會把一家組織的個性 DNA 殺死，因為它總是朝向通用標準靠攏。）接著作者用一組對比把整個論點壓到了一個句子裡："More automated, yet less adaptive; more data-driven, yet less wise; more efficient, yet less legitimate in the eyes of employees and customers." （更自動化，但更不靈活；更倚賴數據，但更不睿智；更有效率，但在員工和顧客眼中更沒有正當性。）這裡的關鍵詞是「正當性」。當員工和客戶都隱約知道「這個建議是 AI 跑出來的」，整個組織的權威感、可信度、與人味道，會以一種你看不到的速度蒸發。 Kenny 和 Pogrebna 的解方是建立一套刻意的「AI practice」——不是「AI 使用守則」這種公司公告等級的東西，而是每一個專業工作者要在自己腦中跑的一套日常規矩：哪些任務該繼續用自己的腦子處理，哪些才交給 AI。下面是他們列出的三個紅旗。 紅旗一：判斷力外包（Skill Atrophy）——你以為自己變強了，其實是 AI 變強 第一個風險最直觀，也最容易被輕忽：員工因為什麼都丟給 AI，反而沒有機會練到自己的判斷力。 這個現象 Pogrebna 在 2026 年 2 月 European Leadership Network 的一份報告中講得更狠。她的結論是「Decision independence is disappearing」——決策的獨立性正在消失。 聽起來很抽象。換成具體場景就是：以前一個業務員拿到客戶的資料，會花 20 分鐘把客戶的人生階段、現金流壓力、潛在保障缺口一點一點推一遍，然後形成一個「我覺得這個客戶適合 X 商品」的直覺。現在他把資料貼進去，AI 30 秒給他一份 80 分的提案，他改兩個字就拿去談。 問題是，那 20 分鐘的推導，本身就是在訓練「讀客戶」的肌肉。你少做一次，肌肉就少練一次。一年以後，你的「判斷力」很可能完全是 AI 的判斷力，而不是你的。當客戶丟出一個 AI 沒抓到的細節時，你會發現自己接不住。 HBR 2026 年 2 月一篇文章中，作者 David S. Duncan 也發現了類似的不對稱："It was helping me a lot more than it was helping my less-experienced colleagues." （AI 幫我幫得比幫我那些經驗較少的同事還多。）對資深的人，AI 是放大器；對新手，AI 是替代品。差別是——資深的人是先有判斷再來驗證，新手是直接拿 AI 答案當自己的判斷。 紅旗二：決策黑盒化（Decision-Making Opacity）——當你解釋不出為什麼，你就不再為它負責 第二個紅旗講的是一個更深的問題：當決策被埋在不透明的演算法裡，「責任」這件事會悄悄消失。 Kenny 在一場與 Pogrebna 的公開對談中說過一句很關鍵的話："AI assists decision-making, but accountability can't be automated." （AI 可以輔助決策，但問責不能自動化。）這句話放在業務工作裡的意義是這樣的：客戶問你「為什麼建議我選這個方案」，你的回答如果是「我跑了一個 AI 模型，它推薦這個」，那你已經輸了一半。客戶要的不是答案，是答案背後的人。 更危險的是內部審查。當一個提案出問題，你回頭去看當初為什麼這樣推，發現自己根本記不得——因為當初也不是你想出來的。你只是接收了一個輸出。Pogrebna 在訪談裡的另一句話把這層次講透了："Algorithms influence far more of our thinking than we realise." （演算法影響我們思考的程度，遠遠超過我們所意識到的。）她也補了一個很反直覺的觀察："Most strategic decisions are made intuitively. Data is often used to justify decisions already taken." （大多數的策略性決策其實是直覺做出來的。數據經常只是被拿來合理化早就做好的決定。）換句話說，問題從來不是「我們有沒有用 AI」，而是「我們有沒有意識到自己已經被 AI 帶著走」。當你開始用 AI 的輸出去合理化你原本沒有那麼確定的判斷，你的決策已經被外包了，你只是還沒發現而已。 紅旗三：信任真空（Collaborative Erosion）——當每場對話都靠 AI，你就失去了「讀人」的能力 第三個風險最隱形，但對業務工作者殺傷力最大：人與人之間建立信任的協作場景，正在因為 AI 而消失。 以前一個客戶對保單有疑慮，業務員的反應是約一杯咖啡、現場讀對方的眼神、邊聽邊調整話術。現在他的反應可能是：把客戶的訊息貼進 ChatGPT，問「這個客戶在抗拒什麼？我該怎麼回？」 兩件事的差別在哪？前者讓你練「臨場讀人」這個能力；後者讓你練「下 prompt」這個能力。前者是你帶得走的，後者是 AI 進化一次就會把你淘汰的。 Kenny 和 Pogrebna 的提醒是：那些「面對面建立的信任」「不靠演算法形成的共識」「在咖啡店裡才會冒出來的洞察」——這些是組織真正的競爭力來源，但因為很慢、很麻煩、看起來「不夠生產力」，經常第一個被 AI 取代。 文章裡那句話可以倒過來重讀一次：當組織變得更有效率、但在員工和顧客眼中更沒有正當性，那才是真正的危機。 一條實作規則：每天花十分鐘做這件事，把判斷力鎖在你身上 Kenny 和 Pogrebna 的解方不是「少用 AI」，而是建立一套刻意的個人 AI practice。我把他們散落在文章和訪談裡的建議整理成一條可執行的日常規則： 做法： 每天工作開始前，花十分鐘畫兩張清單。 清單 A——這件事我必須自己做（即使很慢）：任何需要「讀人」的判斷（客戶的猶豫、夫妻的拉扯、家族的張力） 任何你之後要為其負責的核心決策（為什麼這個方案？為什麼這個時機？） 任何能讓你長期累積「行業直覺」的小決定（這個保額合不合理？這個保費結構奇不奇怪？）清單 B——這件事 AI 比我快十倍（直接交給它）：純資料處理（彙整、比對、翻譯、格式化） 模板化的初稿（提案大綱、會議紀錄、追蹤訊息） 跨領域的快速查詢（稅法條文、商品結構、其他公司類似商品）關鍵是：**清單 A 永遠不能因為「AI 也能做」而被搬到清單 B。**因為一旦搬過去，那塊肌肉就會開始萎縮，而且你不會察覺。 這個邏輯背後其實有一句總結，我覺得是整篇 HBR 文章最值得記下來的一句："AI should augment organizational intelligence—not replace the human capabilities on which long-term performance depends." （AI 應該增強組織的智慧，而不是取代那些長期績效真正依賴的人類能力。）把「組織」換成「你自己」，這句話一樣成立。AI 應該是放大你的判斷力，而不是代替你判斷。當你發現自己已經分不清楚「這是我的想法」還是「這是 AI 的想法」的時候，那條線已經被你跨過去了。📎 完整的 HBR 原文 還有更多關於組織層級的對策——包括如何設計透明的決策流程、如何在董事會層面追蹤 AI 風險，以及作者給高階主管的具體治理檢查表。如果你管著一支團隊、而不只是管自己的工作流，那部分尤其值得花錢買來看。另外推薦搭配 Kenny 和 Pogrebna 的完整對談影片——他們在裡面講了一些文字版沒寫進去的具體案例，特別是「為什麼數據很多時候只是合理化既定決策的工具」這一段。
一個人管六個行銷管道、零程式背景——Anthropic 成長行銷人 Austin Lau 的 AI 工作流拆解
Austin Lau：零程式背景，獨扛一間 3,800 億美元公司的成長行銷 2026 年 2 月，Anthropic 剛完成 300 億美元的 G 輪募資，估值 3,800 億美元。這家公司 70% 的 Fortune 100 企業都是客戶，年化營收衝到 190 億美元——而他們的成長行銷團隊，在長達近十個月的時間裡，只有一個人。 Austin Lau 是 Anthropic 的第一位成長行銷人。在加入 Anthropic 之前，他在 Dropbox、Webflow、Notion 等生產力工具公司累積了成長行銷經驗。但他不會寫程式——連終端機都沒打開過。 他一個人負責付費搜尋、付費社群、App Store 優化、Email、SEO 共六個管道。按照業界基準，這個規模的公司通常需要 150 到 200 名行銷人員。前廣告科技公司 Ampush 創辦人、現 Gateway X 創辦人 Jesse Pujji 在 2026 年 3 月的 X 貼文中拆解這個案例時直接說：廣告文案製作時間縮短到原來的 12.5%，創意產出提升 10 倍。 這不是一個「AI 好棒棒」的勵志故事。這是一個有具體工作流程、有實際產出數字的操作手冊。 從「不知道終端機是什麼」到一週內建好兩套工作流 Austin 在 Anthropic 2026 年 1 月發布的案例文章中坦承，他第一次聽到 Claude Code 的反應是："My first reaction when we launched Claude Code was, I have zero idea what this product is for." （我第一次聽到我們推出 Claude Code 時的反應是：我完全不知道這個產品是幹嘛用的。）他甚至得 Google「怎麼在 Mac 上打開終端機」。 但一週後，他已經建好了兩套徹底改變工作方式的自動化流程。他做的第一件事不是直接衝去搞大工程，而是先叫 Claude Code 幫他做一個簡單的計算機 app——純粹為了搞懂這個工具能做什麼。 這個起手式值得注意。Austin 在訪談中反覆強調的原則是："You don't need to know how to code. All you need to know is how to explain your challenge and what you're trying to solve in a very clear, concise manner." （你不需要會寫程式。你只需要知道怎麼清楚、簡潔地解釋你的問題和你想解決的事情。）Figma 外掛：半秒鐘產出所有廣告尺寸變體 Austin 的第一個正式工作流，是一個 Figma 外掛。 做過廣告投放的人都知道這個痛苦：同一組文案，你得在 Figma 裡手動套進正方形、橫幅、直式、故事尺寸⋯⋯每換一個版本就得複製貼上、調整排版，一批素材搞下來半小時跑不掉。如果同時跑 5 組文案測試，就是 2.5 小時的純手工操作。 Austin 直接跟 Claude Code 說："Claude, I'm working in Figma. I really want to be able to solve this challenge of this repetitive copy and pasting. Can you help me build a Figma plugin?"45 分鐘到一小時後，外掛就做好了。使用方式很直覺：從 Google Sheets 把標題文案貼進去，指定要用哪個設計框架，按一下按鈕——所有尺寸、所有文案排列組合，瞬間全部生成。 原本 30 分鐘的工作，現在 30 秒。 這不是概念驗證，這是每天實際在用、直接投放到廣告平台的生產工具。 Google Ads 文案工作流：讓 AI 讀完你的成效數據再寫文案 第二個工作流更有意思，因為它不只是提速，而是改變了文案產生的邏輯。 Google 的回應式搜尋廣告（Responsive Search Ads）要求每則廣告提供 15 個標題和 4 段描述文字，系統自動組合測試。手動寫 15 個不重複、有變化、又符合字數限制的標題，是一件極度消耗心力的事。 Austin 在 Claude Code 裡建了一個自訂指令，輸入 /rsa（他自創的快捷指令，代表 responsive search ads），Claude Code 就會開始問他要三樣東西：現有的廣告活動數據——哪些文案跑得好、哪些跑得差 目前在用的文案——避免重複 目標關鍵字——確保方向對然後 Claude Code 會交叉比對這些數據，同時參照 Austin 預先設定好的 Agent Skills——包含 Anthropic 的品牌語氣指南、產品描述的準確性要求、以及 Google Ads 的最佳實踐規範。 最後直接輸出一個可以上傳的 CSV 檔案。不用再手動整理格式，不用再從聊天視窗一條一條複製。 關鍵在於：AI 不是在真空中「創作」文案，而是在讀完了你的歷史成效數據、品牌規範、和平台規則之後，才開始生成。這跟在 ChatGPT 裡打「幫我寫 15 個 Google Ads 標題」是完全不同層次的事情。 不是取代團隊，是改變一個人能做的事情的上限 這裡有一個容易被忽略的細節：Austin 並不是唯一在 Anthropic 做行銷的人，他是唯一負責「成長行銷」的人。Anthropic 還有品牌行銷、產品行銷、內容行銷等其他團隊。 但即使只看成長行銷這塊，一個人同時操作六個管道，這在傳統行銷組織裡是不可能的。不是能力問題，是物理時間的限制。 Austin 自己的反思是："I would say a few years ago, if you had an idea to build something like this workflow, you would probably need a team of engineers." （我會說幾年前，如果你有這個想法要建這樣的工作流程，你大概需要一整組工程師。）而 Anthropic 內部其他行銷團隊的數據也印證了這個趨勢：影響者行銷團隊用 Claude 寫腳本，每月省下超過 100 小時；客戶行銷團隊把案例研究的初稿時間從 2.5 小時壓到 30 分鐘；數位行銷團隊的生產力年增 5 倍；合作夥伴行銷團隊把展會準備時間縮短了 40%。 真正值得學的不是工具，是工作流設計的思維 Austin 的案例之所以值得仔細看，不是因為他用了多厲害的工具——Claude Code 任何人都能用。值得看的是他設計工作流的思路： 第一，他把問題拆成「重複性高 + API 可接取」的單元。 不是把所有行銷工作都丟給 AI，而是精準鎖定那些量大、規則明確、格式固定的環節。廣告素材套版、文案變體生成、成效數據比對——這些都符合「高頻、重複、有明確規則」的特徵。 第二，他讓 AI 帶著上下文工作。 不是給 AI 一個空白提示詞，而是把品牌規範、歷史數據、平台規則全部餵進去。AI 的產出品質直接取決於你給它多少上下文，Austin 的 Agent Skills 設定就是在解決這個問題。 第三，他保留了人類判斷的環節。 所有文案範例都是「和產品行銷與文案團隊合作」產出的基礎上再延伸。AI 產出的是初稿和變體，最終的品牌判斷、策略方向、創意決策仍然是人在做。 Austin 自己說得最到位的一句話是："I think growth marketing is going the way of almost like a product manager. We're not only able to execute on campaigns, we're able to actually build products." （我覺得成長行銷正在往產品經理的方向走。我們不只是執行行銷活動，我們能真正建造產品。）這句話的含義很深。當一個行銷人可以自己建工具、自己跑數據、自己做自動化，他的角色就不再是「執行者」，而是「系統設計者」。瓶頸不再是你會不會寫程式，而是你有沒有能力定義問題、設計流程、判斷品質。 Jesse Pujji 在他的分析中指出，Ampush 過去管理超過 10 億美元的數位廣告預算，團隊超過 100 人，而 Austin 一個人用 AI 工具做到的產出量級，已經超過了大多數完整編制的行銷團隊。傳統代理商按人頭、按工時計費的模式，正在被每月不到 100 美元的軟體成本取代。 這不是未來式。這是正在發生的事。📎 Austin 的完整案例收錄在 Anthropic 官方部落格的 How Anthropic's Growth Marketing team cut ad creation time from 30 minutes to 30 seconds with Claude Code，裡面有更多關於 Figma 外掛的操作畫面和 Google Ads 工作流的詳細設定步驟，還有 Anthropic 其他行銷團隊（影響者、內容、合作夥伴）各自怎麼用 Claude 的具體案例。另外，Austin 在 2024 年 7 月接受 Passionfroot 的 AMA 訪談，聊了更多關於成長行銷策略的底層邏輯——什麼時候該投廣告、什麼時候該先做 SEO、怎麼用不能規模化的方法先跑起來——那些是 AI 工具之前的基本功，值得一讀。