管理是什麼與AI時代的管理應該是什麼

What Management Is

https://www.books.com.tw/products/0010390340?srsltid=AfmBOoqZk3gtLqW1WoBB2J1KI1jSM2x9Wa4nUYtv8tbR91vyM6o6pKsn 

返璞歸真的一本書(應該在15年前就要讀)，與其說管理是什麼，不如說管理不是什麼

管理≠權威、規定、階層組織

管理的前提與基礎

就是為顧客(利害關係人)創造價值+解決市場與政府的失靈(Coase)

商場存活三要件

1. 滿足顧客(關係人)的需求(高階是創造發明，低階是降低交易成本)
2. 以適當的價格(成本)滿足以上需求(透過創新、內外部協調與資源分配整合)
3. 建立關係與信任(而非只是買賣跟交易)

做不到以上三點的公司，及早關閉與解散比較好

給家長的AI素養觀念信

臉書看到 李思萱小姐 的超讚好文

AI 素養到底是什麼？

寫給老師和家長的第一封信

https://www.facebook.com/share/p/1CUb6qWzZB/?mibextid=wwXIfr

--------------------------------------------------------------------------

最近教寫作有位媽媽問我，她女兒高二，要不要送去學 ChatGPT。她說現在有專門教 prompt 的補習班，一期一萬五。

我反問她，你女兒平常怎麼用 AI？

她愣了一下說，就寫作業吧，看她也沒在學什麼正經的，隨便打幾個字。所以才想送她去啊，學了才會用得「專業」一點。

那天我沒給她答案。不是不知道怎麼回，是這個問題本身就問錯了。錯得很有代表性，幾乎可以代表現在整個台灣社會對「AI 素養」的集體誤解。

如果你也曾經這樣想過，這篇是寫給你看的。

AI Prompt for Ph.D.

這年頭不需要讀博班，但需要學習批判性思考+篩選參考資料+ 對AI下指令(Context and Prompt Engineering)

1.The Intake Protocol

請依據以下英文提示詞，使用繁體中文說明回覆

I’m going to share [NUMBER] papers on [TOPIC]. Before I ask any questions, please do the following:

1. List every paper in a table with columns: Author(s) | Year | Core Claim (one sentence, ≤20 words). If a paper has no explicit thesis, infer the central argument from its conclusions.

2. Group the papers into 2–5 clusters based on shared theoretical assumptions or frameworks. Name each cluster and briefly explain (1–2 sentences) what unites the papers within it.

3. Flag any direct contradictions between papers — where two or more authors make mutually exclusive claims about the same phenomenon. List each as: Paper A vs. Paper B — contested claim.

Do not summarize each paper individually. Focus only on the three tasks above.

Safety I vs Safety II and Limitation of Resilience Engineering

是說流行HOP, Safety II與Resilience Engineering

言者頭頭是道，聽者點頭稱道(還是被搞糊塗暈頭轉向?) 

參考先前文章

https://eshmanager.blogspot.com/2026/03/learn-how-to-learn-via-ai.html

想說自己NotebookLM中剛好有一個相關的資料夾

問答與Brainstorming如下

「說明這個領域有哪些主要的人物大師、他們的主張與提出的理論為何? 」(Describe the main figures and masters in this field, their propositions, and the theories they proposed.)

在韌性工程（Resilience Engineering, RE）與組織韌性領域，有多位核心大師奠定了該學科的理論基礎，他們提出的理論反映了從傳統安全管理（Safety-I）向現代韌性思維（Safety-II）的轉型。以下是該領域的主要人物、主張及理論：

Learn How to Learn via AI

 靈感來自於以下兩篇文章

用AI 教練幫你落實豐田「五個為什麼」思考法，找出問題根因

https://vocus.cc/article/69756b0dfd897800011b0aa7

別把 NotebookLM 當高級螢光筆！MIT 研究生的 3 個核心 Prompt

https://www.managertoday.com.tw/articles/view/71840?utm_source=copyshare 

AI善於回答(讓人產生自以為理解的幻覺)

如何得到更好的答案與更深入的理解? 

方法對策：高品質的資料+聰明與更深入的提問

用事故因果理論來進行預測

近期讀到的文章與使用AI助力學習的心得感想

 

第一篇文章是事故因果理論與模型的回顧

The development history of accident causation models in the past 100years: 24Model, a more modern accident causation model

該文章pdf版(約12M)可下載後上傳至notebookLM對話研討

 

在"密涅瓦的思考習慣訓練"一書當中提到，兩種運用邏輯與數學來認識世界的科學方式與觀點：

• 形式分析Formal Analysis: 用符號、邏輯與模型來proxy問題與世界的規律
• 實證分析Empirical Analysis：用觀察與實驗的方式來發現運作的規律 

各種安全與事故理論≒形式分析Formal Analysis：

• 理論=一種說明而非證明、一種詮釋而非解釋，用於proxy真實問題與現實世界的規律
• 人所能理解的不是問題與世界的真實全貌，而是自己腦中的那套因果邏輯與理論(≠真實)

 

 

事故因果模型的用途，包含以下幾點：

• 事故分析： 事故因果模型提供了一個系統化的框架，可以幫助分析人員更全面地了解事故發生的原因、過程和 contributing factors。 模型可以引導分析人員關注系統中不同的層面，例如技術、組織、人員和環境等，避免僅關注單一原因或歸咎於人為疏失。
• 識別潛在風險與導致事故發生的因素： 通過事故調查，分析發生的原因和 contributing factors，事故因果模型可以幫助識別系統中潛在的風險因素。 這有助於組織採取主動 proactive 的安全管理措施，降低事故發生的可能性。
• 系統改進(不要頭痛醫頭/打補釘)： 事故因果模型可以幫助識別系統中的設計缺陷、管理漏洞和操作問題。 基於分析結果，組織可以針對性地改進系統，例如更新設計、完善流程、加強培訓等，以提升系統的安全性。
• 累積經驗、知識管理： 通過分析事故案例，組織可以從中吸取教訓，避免重蹈覆辙。 事故因果模型可以幫助組織將事故分析的結果與相關數據轉化為可學習的經驗與資訊資料庫，並將這些經驗、知識與資訊應用於日後的安全管理中。
• 溝通和決策： 事故因果模型可以提供一個共同的語言和框架，方便不同領域的專家和管理人員進行溝通和交流。 模型可以幫助組織更有效地傳達安全資訊，並制定更科學的決策。

不同的事故因果模型適用於不同的情境，需要根據具體的分析目標和系統特點來選擇。 例如，瑞士乳酪模型適用於分析簡單的事故，而 STAMP 模型則更適合分析複雜系統中的事故。

而各種安全與事故理論有如不同的光譜濾鏡或不同的視角，可以讓人看見被疏忽的地方，也會過濾讓人只看見某部份事物，換言之存在誤導的可能，相關潛在問題如下：

• 過度簡化事故成因：各種方法與因果邏輯依賴結構化的分析，而忽略了複雜的人為因素、組織文化、以及管理決策等在事故中扮演的角色。事故描述可能因為資訊不足，無法全面了解事故發生的根本原因，或是過度聚焦於直接的行為，而忽略了潛在的系統性問題。
• 引導依賴「屏障(硬體防護機制)」：屏障的概念能激發人們思考各種安全措施+硬體防護機制比人可靠，但過度依賴屏障與硬體機制所導致的虛假安全感是另一種風險。如果屏障設計不良、未能有效執行或被錯誤使用，乃至於各種硬體防護機制其實可靠度不如預期，遭遇意外與出錯反而會導致嚴重的事故。
• 安全與管理都是系統與組織運作的一部份：各種研究分析把安全或管理機制當成獨立的可控變因，實際上安全或管理機制的良莠往往受組織運作所制約(The richer the safer)，各種安全文化理論訴求管理階層的決策和資源分配對安全至關重要，但正因管理高層與組織資源分配忽視安全，所以才導致組織安全績效不彰，安全文化理論的訴求落入緣木求魚與雞生蛋蛋生雞的邏輯誤謬。
• 人是最大的變異(不可控)因素：事故因果描述中，往往提及「未辨識危害」、「不了解原因」等，這暗示了人的認知、判斷、以及決策在事故中的重要性+提升的可能性。然而「人」的行為、認知限制、以及決策過程，就是不受控、無法預料；訴求制定標準作業程序、硬體防呆機制與訓練宣導，某個層次而言，也是主事者的一廂情願/自我感覺良好+訴諸應為能為而不為的獵巫。
• 找出問題原因=「改善」，是一種誤解：問題的發生往往有如冰凍三尺非一日寒，「持續改善」一詞意味著：「改善」並非一次到位+藥到病除，而是持續的過程。如果對「系統」運作與系統動力的理解不夠深入，所謂的改善也可能是逆行倒施+助紂為孽，導致更大的風險潛勢蓄積+直到爆發更重大(無法掩蓋)的問題重複。

Accident Causation Models: The Good the Bad and the Ugly

 

該不該相信理論推理與模式預測的結果?  

 

就科學的角度(波普提出的可否證性)而言，一個理論的好壞，要看它的預測效力(如同愛因斯坦的相對論取代了牛頓的力學理論)

以預測效力而言，以上事故理論偏向社會科學(模擬兩可)而非自然科學(非黑即白)：可以套用各種理論來進行事故分析(見人見智)或用來進行事故預防(看看還有哪些沒注意到與忽視的地方)，但很難拿這些理論來預測事故是否發生(變因太多&各變因之間存在複雜的交互作用)

試想：

將相關主被動指標、安委會報告、風險評估、各種巡檢稽核記錄灌入資料庫，由人工智慧(Machine Learning)套入各種模式進行與預測與分析，然後它告訴你：有95%的信心水準，你所服務的公司工廠1年内發生工傷(可能是踩空跌到、化學品噴濺或切割傷)的機率是10%，3年是20%，5年是40%；發生火災相關事故的或然率1年内的機率是0.1%，5年是1%，10年是5%

 

請問以上用統計或然率與信心水準表述的工廠安全氣象預報，對您有幫助嗎？(能比禱告或拜拜更能讓人睡得更安穩？ 老闆會比較相信風水還是統計與數理模型?)

Predicting occupational injury causal factors using text-based analytics: A systematic review

再來如果各種事故預測模型，其信度與效度存在問題與瓶頸(備註：信度是指方法的一致性和可靠性，而效度是指方法是否能準確衡量其預期的目標。例如假設有ABCDE等5 種事故預測模型，如果這5種模型，預測同一家工廠在5年内發生事故的機率約為80-90%，且信心水準高達95-99%，那麼這5種預測模型間有高度的一致性=具備相當的信度，但五年過去，這間工廠卻沒發生事故，顯然預測失準與預言失效=預測不準/沒有效度。通常有信度才有效度可言，沒有信度責無效度可言)，不同模型推估與預測的差異很大，那麼該如何做出判斷與與取捨? (類似中央氣象局的颱風路徑預報與模擬，各國模式跑出來的預測路徑天差地別，不知道該不該做防颱準備與要不要放颱風假...)

Back to the future: What do accident causation models tell us about accident prediction?

 

在這個AI應用與爆發的時代，嘗試詢問(號稱地表最聰明的AI)Grok 3 (deep search)：

如何預測與預防事故的發生？台灣未來的職災率？納入少子化、高齡化與產業結構轉型等考量，預測台灣未來職災率變化，與提示主管機關管理重點

 

以下是其答覆

https://grok.com/share/bGVnYWN5_d7a9ab81-d7ab-4ad7-b17a-e647c6b39c51

 

 

讓人感到欽佩(與恐怖)的不是其答覆，而是其推理思考過程(與列出相關參考文獻)

 

30+年前，一個研究生讀一篇國外期刊文獻，可能要花上一個月，現在用NotebookLM只需要大概幾個鐘頭

而以上職災率的預測，可以是花上一年的碩士論文研究或是幾年的博士論文研究，Grok花70秒，掃瞄了144份資料來源，提供了答案如下

  

面對以上AI大爆發與AI比多數人的思考能力更強(不論是廣度還是深度)的(悲催)情境，人該如何不被取代?

Hint：讓AI當你/妳的研究生，而自己有要能力當指導教授

1.專業的問題不能問ChatGPT，它的長項在於Chat聊天，而非提供科學證據或研究論述

The risks of using ChatGPT to obtain common safety-related information and advice

2.專業的問題，通常有更聰明與更認真的先進能人大德思考過+找出解答了，而他/她們的研究成果通常發表在專業期刊上，需要去撈出下載人家的研究成果，上傳NotebookLM等輔助工具進行閱讀與問答，回饋的結論與建議會相對言之有物(或至少有所依據)

 

3.要能夠看出AI推理過程的漏洞，e.g., 假設前提是否合理，推理模型是否完整 ？是否低估高估或疏漏某些因素？ 相較於自己的猜想，AI的預測至少提供一個對比的基準，可以協助驗證與檢驗推理模型與真實情境發展進行校準。你要有自己的因果模型，而非依賴AI

用AI而非被AI所用(變得BI 悲哀)

1. 隨便什麼問題，AI都可以給你個答案(只是需要花時間+有那個腦力去判斷那個答案的可信度與效度)；AI給個答案的好處在於：讓人想清楚"知道了答案又如何？" 很多問題與研究其實是庸人自擾、無病呻吟，問對問題比找出解答更重要與攸關。
2. 承擔風險與願意面對不確定性，才能做出決策+伸張：生為人的能動性與自由。如果凡事問AI聽從AI指示選擇所謂的最佳方案，那麼你沒有自由可言，而是AI與演算法的奴隸。(如同某些信徒凡事占卜請求老天指示)
3. 人有七情六慾與愛恨情仇，習慣憑感覺衝動意氣用事(因為系統二思考非常耗費腦力)，現在AI可以輔助理性思考，讓人的行為與決策更週延。(以往的年代，人被當成小螺絲與工具人，現在AI的輔助，每個人都是主人與企業家=>沒有學會的會被淘汰)

這在AI天翻地覆的年代，如何教育與學習

1. 養成密涅瓦的思考習慣
2. AI識讀，能夠判斷與不被AI給的答案所呼巄誤導
3. 批判性思考與問問題的能力，比考試或找答案更攸關

學習方式的改變與AI的危害風險

AI比人類強的長處

• 運算、閱讀與計算速度
• 接受資訊與學習的能力
• 沒有成見與偏見(=沒有定見)

AI的問題與限制

• 像大型語言模型LLM這樣的 AI，其「理解」是基於對人類語言和文化概念的重建（reconstruction），而非真正意義上的理解。透過分析大量文本數據來學習模式並生成回應，這與人類基於經驗、情感和社會互動形成的理解有本質區別(對LLM而言，它只是在玩文字接龍，對於輸出的文句其實沒有意義感；反而是使用者對於它輸出的文句(或圖片/音樂)產生情感)
• AI必須被訓練與調教，其模型=訓練與調教過程輸入的偏見 (訓練資料庫當中沒有的知識或資訊=欠缺的知識與資訊)
• AI理解表述的是相關性(可謂是天馬行空文學作品)，而非真實世界當中的因果或物理法則(=不受限制)=>人類透過經驗學習(什麼可能、什麼不可能)；AI透過調教與訓練，學習投其所好(猜測輸出使用者想看的內容=投放廣告)
• AI的意見與建議，看似完備有模有樣，其實要非常小心與謹慎=>它不知道它在講什麼? 提供的意見與建議是否正確? (它沒有辦法判斷與宣告提供意見建議的可信度與正確性；責任落在使用者身上)

AI怎麼用

• LLM(ChatGPT)可以用來創意發想、寫腳本與腦力激盪沒問題
• 需要可信度的規劃提案，可以用Grok DeepSearch來輔助，但要一一查證資料來源、確認推理流程與邏輯
• 如有可信度的研究報告或期刊文章，可上傳NotebookLM對話，會更言之有(依)據
• AI提供意見與建議的可信度與嚴謹性=其資料來源的可信度與嚴謹性

當人類不再自己思考與探索，完全透過AI代勞時，也會是人類與AI共同停滯(=死亡)的時候

閱讀期刊文章的心路歷程

30年前念碩班(一個月讀一篇，點狀式閱讀，理解深度約50-70%)

1. 心力被英文卡住，不知期刊文章重點所云(時間花在英文閱讀翻譯)
2. 沒有人可以問，只能跟老師說自己沒讀懂，期待老師會解釋(有些老師也很聰明，知道不要叫研究生讀期刊文章以免自找麻煩自討苦吃)
3. 閱讀數量少，通常就是老師指定或學期中的那幾篇"經典"文章(以管窺天+期末報告文章就還給老師了)

10年前讀博班(一週讀一篇，線狀與脈絡式閱讀，理解深度約80-95%)

1. 英文閱讀能力變強，文章理解深度提升不少(一知半解會被老師鞭打策，自己臉皮薄繃得比較緊)
2. 老師交待：師父引進門，修行在個人(自己要勤快一點，主動去讀相關與參考文獻)
3. 閱讀數量增加+老師指引方向+提供學門脈絡地圖：比較有方向感與全貌感，知道讀到的文章，在學海中的大致定位與經緯度

現在的學習與閱讀(透過perplexity與notebookLM 輔助，主題與搜索式閱讀，一個鐘頭可以讀一篇，理解深度約70-80%，但廣度與關聯性大增)

1. 直接去那些有哀的期刊(SCI/SSCI)搜尋下載相關文章或搜尋有興趣的主題，pdf灌入notebookLM
2. 透過發問來學習(問比學重要，善問者如撞鐘，叩之以小者則小鳴，叩之以大者則大鳴；但AI與LLM會唬爛穿鑿附會，使用者需謹慎判斷+從回答中進行第二階的詢問與搜尋)，透過雙項問答，對於文章内容的理解深度與效率大增
3. 以子之矛攻子之盾，同樣的問題可以問不同來源的期刊文章(notebookLM中的筆記本)=>看出不同回答間的交集與聯集，乃至於意識到：AI與LLM的答覆係依據你提供的文獻資料=>如果有些更高明的文獻沒有納入，那麼AI與LLM 無法產出那些洞見給你(你不知道的比知道的更重要，而一般人通常不知道自己不知道，對於自己的無知無感+被AI/LLM自愚愚人)
4. 創意發想與想法掃雷補遺，Grok DeepSearch比Google好用

以下是測試問題與筆記

AI試用心得報告

 花點小錢，來湊熱鬧測試看看AI的功能 (自己被取代的距離)

1.閱讀與摘要出報告重點內容 

上傳一份國外客戶的永續報告，詢問當中EHS相關的亮點與做法 

輸出如下：

根據提供的OOO FY24永續發展報告書，OOO在環境保護和職安衛方面採取了多項措施，主要體現在以下幾個方面：

一、環境保護：

減碳目標與成果: OOO設定了減低溫室氣體排放的目標，並在FY24年達成比目標更佳的成果，溫室氣體排放量較基準年減少43%。這包含了減少範圍1和2的排放，方法包括投資減排設備、提高能源效率、使用再生能源等。公司也持續尋找機會進一步減排。 

水資源管理:OOO致力於減少用水量，FY24年用水量創下歷史新低。公司透過流程改進、基礎設施升級和廢水回收再利用等方式節省用水，並設定了節省一百萬加侖水的目標。 

廢棄物管理: OOO積極減少各類廢棄物，包括生產廢棄物和包裝廢棄物。公司實施了廢棄物管理計劃，並透過自動化、流程改進、回收再利用等措施減少廢棄物產生。在危險廢棄物的處理方面，OOO遵守相關法規，並定期監測和管理。 

再生能源: OOO使用再生能源的比例持續提高，FY24年消耗的能源中，48%來自再生能源。公司也持續尋找機會增加再生能源的使用。 

供應鏈管理: OOO要求供應商遵守其環境保護標準，並對供應商進行評估，以確保其符合相關要求。公司也參與相關組織，以推動產業在溫室氣體減排和資源保育方面的進步。 

化學物質管理: OOO力於減少產品和流程中已知有毒物質的使用，並禁止使用多種有害物質。公司也定期監控供應商，以確保其符合相關要求。 

PFAS物質管理: OOO積極應對全氟烷基和多氟烷基物質(PFAS)的風險，這包括將PFAS列入其禁用和限制物質清單，並與供應商合作尋找替代物質。

二、安全衛生:

安全文化: OOO致力於營造積極的安全文化，鼓勵員工報告安全隱患，並對報告進行跟蹤和解決。公司也定期進行安全培訓，以提高員工的安全意識。 

風險評估與管理: OOO定期對工作場所進行風險評估，並實施工程控制措施、行政控制措施和個人防護措施等方法將風險降到最低。 

緊急應變: OOO建立了緊急應變團隊(ERT)，並定期進行緊急演練，以提高員工應對緊急情況的能力。 

承包商安全: OOO要求承包商遵守其安全衛生政策，並在工作開始前接受安全培訓。 

員工健康與福祉: OOO提供多種員工健康與福祉方案，包括醫療保險、心理健康服務和健康促進活動等，並致力於創造一個健康的工作環境。公司也定期進行員工參與度調查，以了解員工的意見和需求。