關於如何有效運用生成式AI的討論，多半聚焦於提示工程（prompt engineering）或是近來興起的脈絡工程（context engineering），也就是透過半技術性的技能來設計輸入的訊息，促使大型語言模型（LLM）產出有用的成果。這些技能確實有用，但只涵蓋如何有效運用AI的一部分。期望生成式AI產生真正的效益，組織必須讓員工學習如何在日常工作中應用，並藉此改善工作方式。員工要能夠在工作流程中界定有價值的問題、評估可能的解決方案、快速進行實驗，並將新做法整合進入日常工作並且長期運用——這些正是產品經理工作的核心能力。

組織的做法如果不能以產品思維為核心，員工對AI應用的嘗試往往流於淺嘗輒止或曇花一現。由於不清楚該如何將AI應用在最有價值的問題上，員工可能根本不知道從何處著手。許多人會退回影響有限、一次性的應用方式——例如為電子郵件或部落格文章撰寫簡單的文案，而不是重新思考那些內容複雜、重複性高或數據量大的程序。這些程序一旦自動化，將從根本擴大團隊的能力與影響。另一方面，當初期AI實驗遇到阻力，許多員工會認為這套技術名過其實，或不值得投入時間，於是完全放棄。

對於那些追問「如何讓我的員工開始用AI？」的主管，答案通常不是更多的提示訓練，而是更好的產品管理能力。產品經理受過訓練，能夠發掘值得解決的問題、理解技術解決方案、測試可能的解方，並且反覆改善實際有效的解方。我們是史丹福大學（Stanford University）的研究人員，針對Google採用生成式AI的情況，進行了長達18個月的研究。經過數百次訪談與觀察，我們發現那些將AI應用於個人工作並取得成效的員工，正是藉助於產品經理的技能。我們也在近2,000名來自各行各業的專業人士身上觀察到類似技能；這些人都完成了我們高階主管AI領導課程的結業專案。

如果說每一位員工在採用生成式AI時都應該運用產品經理的技能，那麼主管的角色就相當關鍵，必須營造一個環境讓這些技能顯而易見、受到重視、發揮作用。本文將說明這些技能的實務型態，以及主管可以如何培養。

界定有待解決的問題及其價值

組織在推行新的工作科技時，通常會利用少數幾個預先設定的使用案例來訓練員工，將新工具與其針對的特定問題明確連結起來。因此員工在面對新科技時，自然會先問：「這個工具能做什麼？」

然而，與許多過往的工作科技不同，生成式AI的用途廣泛且演進快速；因此過於具體的使用案例與訓練計畫，反而無法幫助員工發揮生成式AI的潛力。

因此，員工必須培養一種技能：自己去發現這項科技如何支援其工作。產品經理開始工作時，會先明確定義使用者眼中的價值——他們有什麼需求？哪些需求最關鍵？員工開始面對生成式AI時，首先也應該運用這項技能：先決定自己對AI的期望是節省時間、提升品質、減少錯誤，還是拓展創意發揮的空間。

舉例來說，一位Google主管每週都要耗費數小時修改團隊的工作進度報告，然後發送給相關的高階主管。對於解方，她的第一直覺相當常見：將個別員工的進度報告複製貼上Gemini，然後下提示「寫一段摘要」。但這種一次性的使用方式只會產出空泛的草稿，需要大量編輯工作；而且要在不同工具間反覆複製貼上，因此也談不上節省時間。當時她一度很想放棄使用生成式AI，回歸原本的手動流程。

但是她並沒有放棄，而是更精確地界定有待解決的問題。她需要的不只是文件摘要，她還需要大幅減少投入的心力，而要做到這一點，AI就必須產出可直接提供高階主管閱讀的內容。有了更清楚的價值定義後，她自訂了一個Gem（Gemini的客製版本），形成可重複使用、節省時間的工作流程，並加入針對高階主管期待而擬定的明確指令。她也重新設計整個工作流程，讓團隊直接將進度報告上傳到她的Gem，然後Gem會產出完成度達80％至90％的草稿。原本令人失望的AI嘗試，就此化為簡單的自動化流程，達到真正節省時間的目的。

那麼，你要如何幫助員工找出這些高價值的AI應用？我們研究計畫大多數的參與者表示，聽到別人分享如何將生成式AI應用於具體明確的高價值問題，他們會更能夠理解AI的實用性。因此主管可以製造機會來進行這類示範，為團隊與組織安排時間，讓員工分享與示範自己的高價值AI應用。我們也觀察到，當領導人親身參與這類示範，會帶來許多好處：主管示範自己的問題解決過程時，員工會受到鼓勵，更願意進行AI實驗，而不是被動等待別人教他如何使用AI。我們的研究顯示，成功的關鍵在於參與者所說的「從每個人當下的需求出發」，協助員工把生成式AI工具與自己的具體需求連結起來。

評估技術選項

為了有效開發產品，產品經理會不斷評估各種可用的技術解決方案及其運作方式，進而找出最適合特定工作的工具。同樣的道理，生成式AI工具種類繁多，因此為問題尋找合適的工具有時並不容易。

領導人可以教導員工根據自身具體需求評估生成式AI工具，來幫助他們解決這個困境。評估時可以考量幾個面向：

  • 介面與工作流程：簡單的聊天介面通常最適合個人腦力激盪；但如果是重複性的團隊流程，可能更適合容許建立「流程」（pipeline）的工具——例如客製化的Gem，或者像Google NotebookLM之類的共享筆記本。
  • 資料整合：有些工具屬於「封閉式」，完全依賴模型預先訓練的知識；另有一些允許使用者匯入自己的即時資料，例如合約資料夾、客戶意見資料庫。
  • 工具能力：基礎模型與工具介面快速演進，上個月還無法勝任複雜工作的工具，今天可能已經相當適用。

舉例來說，我們研究的一位專案經理花了許多時間維護試算表，好讓各方了解那些期限將屆的任務目前進度位於何處，並且為不同的利害關係人客製化試算表呈現方式。當她決定試用生成式AI來簡化工作時，發現自己面對琳瑯滿目的工具選項。

但她並沒有因為選項過多而不知所措，而是依據工作需求，逐一調查並評估每一個選項。例如她曾經用過NotebookLM，知道它無法與試算表相容，於是嘗試Google Sheets所整合的Gemini，卻發現無法依照她的需求直接將數據彙入試算表（註：Google現已提供這兩項功能）。最後，她從一份專門探討生成式AI使用案例的公司內部電子報得知，一個內部開發的Chrome瀏覽器擴充功能可以讀取完整的網頁內容。測試之後，她發現這個工具符合她的需求：能夠融入她既有的工作流程，存取即時試算表數據，產出符合利害關係人需求的內容，因此大幅減少手動作業。

為了幫助員工掌握這些瞬息萬變的AI工具，組織可以利用會議、電子報或其他資源，示範並說明工具的使用方式。以Google為例，Google 領導人學院（School for Leaders）產品負責人黛比．紐豪斯（Debbie Newhouse）提供實做指導課程，協助同事為急迫的問題尋找合適的AI工具。這個流程被暱稱為「AI 大改造」（AI makeovers），正透過多個Google發展計畫擴大規模。另外，Google的雲端AI與機器學習賦能部門（Cloud AI/ML Enablement）負責人奧莉維亞．譚（Olivia Tam），主持一項她與團隊稱之為「AI Spark」的活動，為同事示範並講解相關工具的應用方式。

進行實驗

有效的產品管理仰賴在典型的產品週期中持續進行實驗，這種做法有助於快速精進解方所能創造的價值。同樣的道理，組織員工也必須利用試誤法來試驗各種解方，建立真正有價值的AI工作流程。近來，「實驗」雖然因為效率低落而受到負評，但若想建立新的自動化工作流程，就必須探索可能的做法、展現潛在的價值、精進問題定義與成功標準，而這些目標都必須透過實驗才能達成。

以我們研究的一位網站開發者的經驗為例，他的直屬主管對於團隊採用AI抱持懷疑，認為這類工具只是噱頭炒作，而且可能會浪費團隊的開發時間。但這位網站開發者決心一試，展開一系列小規模的概念驗證（proof-of-concept）實驗，探索AI是否能夠協助團隊分析大量非結構化資訊，並為其他團隊汲取洞見。最初期的成果示範顯示，對於他設想的工作流程而言，這項AI工具的可靠性已經符合要求，足以改變他與主管的對話方向，為持續探索創造空間。後續實驗則發現，這項工具能夠有效產出某些類型的洞見，但其他類型的洞見則否。最終，團隊將大約一半的工作自動化，其餘部分則維持原狀。這位網站開發者不可能從一開始就明確說出這樣的結果，必須藉由實驗才能夠彰顯相關技術的限制與價值。

遺憾的是，實驗所需的心態可能並不容易養成。在我們的研究中，即便是支持採用生成式AI的員工，有些也很難對AI工具進行實驗。他們提到的原因包括時間不夠、不確定上班時間進行實驗是否恰當、擔心失敗會被指指點點，也擔心成功會被視為「作弊」。因此主管除了鼓勵廣泛使用AI，也必須正面回應這些顧慮，而且以身作則——展現你自己也在實驗與應用AI技術——非常重要。督促團隊成員將每一次實驗視為最小可行性產品（Minimum Viable Product, MVP），而不是從一開始就追求完美的提示或工作流程。最後，你可以協助員工挑選風險較低的工作進行AI實驗，如此一來，即使發生問題或者時程超出預期，也不會對整體業務造成不利影響。

整合工作

原型並不是產品，實驗也不是採用生成式AI的終點。產品經理深知，一項功能如果無法融入使用者既有的生態系統，再怎麼出色也毫無用處。同樣的道理，領導人與員工可以向產品經理學習：AI採用的「最後一哩路」在於整合——將AI解方從獨立的聊天視窗移入工作流程，與領導人、員工及其團隊日常使用的工具整合。

領導人可以促進兩種互通性（interoperability），來幫助員工跨越這個鴻溝：

技術層面

鼓勵員工問一個問題：「我必須把這些資訊送到哪裡？」與其手動將AI生成的摘要複製到專案追蹤工具（project tracker），具備產品思維的員工會尋找自動化的傳遞方法。在某些情況下，第一線員工可以自行完成這種整合工作——我們的一些研究對象甚至用Gemini之類的工具學會足夠的API知識，進而做到數據流的自動化。但是如果技術難度太高，主管必須將員工引介給能夠協助整合不同系統的技術伙伴。想要將生成式AI的潛力轉化為真實的業務影響力，尤其是當領導人主動彙集並優先處理這類需求時，技術伙伴對於高價值整合的意見就不可或缺。

流程層面

生成式AI工具往往會改變團隊原本必要的作業順序。當某個成員將一項工作自動化，會對接手這項工作的其他人產生漣漪效應（ripple effect）。主管應該協助員工重新設計自身角色與日常工作，確保經過AI強化的新工作流程不會造成工作量失衡或產生流程瓶頸。

＊＊＊

工作上的生成式AI採用如果失敗，原因很少會是使用者寫不出適當的提示，而多半在於員工難以理解AI如何融入實際的工作流程，以及早期的AI採用嘗試給人效率低落、容易出問題、難以長期使用的印象。能夠帶來重大改變的主管會解決這個問題，但做法不是強制要求員工使用AI或提供更多技術訓練，而是清楚展現一條創造價值的路徑。

我們觀察到一種強而有力的變革管理工具相當簡單，卻經常受到忽視：具體示範和以身作則。當領導人與同儕以行動取代言辭，實際示範如何找出高價值問題、評估各種工具、進行小規模實驗，並且將成果整合進入日常工作，他們就為其他人提供了一個可以依循的具體範本。這些示範能夠降低員工的恐懼感，將實驗行為正當化，並且清楚界定「良好」的標準。

以產品管理思維來看待示範工作會很有幫助，但是運用時要避免僵化拘泥。AI領域發展快速，個人必須具備探索精神與調適能力，而不是被形式化的路線圖或言之過早的投資報酬率束縛。真正重要的是幾個核心習性：找出值得解決的機會、快速測試構想、從阻力中學習，以及將有效的做法嵌入工作之中。

當主管以身作則示範這些行為，為其他人創造實做練習的空間，AI就不再只是新奇的東西，而會開始產生真實、長久的影響。

（閻紀宇譯）