一句話結論
八月中有一篇工程師寫的短文在 Hacker News 上被推到 338 分。他的論點很簡單：跟 AI 一起工作，感覺比較像帶人，不像寫程式。程式碼給你可預期的結果，AI 不會——所以你要做的事跟帶部屬一模一樣：給脈絡、講清楚、來回修正。他那句結論值得整段抄下來：「這件事的投資，不在假裝 AI 是人，而在讓自己更會表達意圖。」這篇要處理的是這個結論的反面——如果帶 AI 就是帶人，那帶不好 AI 的人，可能本來就帶不好人。而這件事，在企業主管班的現場，反應通常有點尷尬。
我先說清楚這篇的來源是什麼等級的東西，免得你誤會。
作者叫 Allen Bargi，一位有多年程式與帶團隊經驗的工程師。他 2026 年 8 月 15 日在自己的部落格貼了一篇短文，標題是〈Working with AI feels more like leadership than coding〉。這是一篇個人觀點文，不是研究、沒有數據、沒有樣本。它在 Hacker News 上拿到 338 分、203 則留言（我今天去查的即時數字）。
那我為什麼要花一篇的篇幅講一個沒有數據的部落格？
因為它是從工程師社群自己長出來的說法，而不是培訓講師講的。我在課堂上講「你是機長，AI 是機組人員」講了兩年，最常收到的反駁是：「老師這是比喻啦，實際上就是個工具。」現在有一個從最不會講漂亮話的族群裡冒出來的版本，說的是同一件事。這比我自己講有說服力得多。
他的論點：可預期性沒了，所以規則變了
Bargi 的推論只有一步，但那一步很關鍵。
寫程式的時候，你面對的是一個可預期的東西。同樣的輸入給同樣的輸出，錯了就是你寫錯，改對它就對。你不需要「溝通」，你只需要「正確」。
跟人合作不是這樣。同一句話講給兩個人聽，做出來的東西不一樣。所以帶人的技能長出來了：給背景、舉例子、設邊界、回饋修正、反覆對齊。
Bargi 說，跟 AI 工作的體感是後者，不是前者。所以他建議的做法，全部是帶人的做法：
- 給脈絡，不是只給指令
- 給範例，也給修正
- 建立可重複使用的指示（等同於「這個職位的工作說明」）
- 設清楚的邊界和你要的結果
- 做迭代的回饋循環
然後他很小心地補了一句，這句我認為是全文最重要的部分：
「這並不代表 AI 是一個人。它沒有親身經歷、沒有可課責性、沒有人的判斷力。」
「這件事的投資，不在假裝 AI 是人，而在讓自己更會表達意圖。」
這句話堵住了「對 AI 客氣一點」那條歪路
我要特別把這句拉出來，因為「帶 AI 就像帶人」這個說法最常被帶去一個很沒用的地方——變成「所以要對 AI 說謝謝」「要鼓勵它」「要溫柔一點」。
那不是重點，而且會害你。
Bargi 那句「沒有可課責性」講得很硬。你交辦給一個部屬，出了事他要負責，這是「帶人」這件事能成立的地基。AI 沒有這個地基——你交辦給它，出了事還是你負責。所以這個比喻只能借用「怎麼交辦」的部分，不能借用「責任怎麼分」的部分。
我常講的版本是：機長要負責，不是機長要有禮貌。機長對副機師講話當然會客氣，但那不是重點；重點是機長知道副機師該做什麼、看得懂他做得對不對、而且飛機掉下來是機長的事。
翻過來的那一面：帶不好 AI，通常也帶不好人
Bargi 沒有寫這一段，這是我的推論，我要先講清楚它是推論。
但如果他的前提成立——跟 AI 工作用的是帶人的能力——那結論就會自己跑出來：一個人跟 AI 溝通的品質，會暴露他跟人溝通的品質。
我在企業內訓現場看過太多次同一個畫面。同一堂課、同一個工具、同一份提示詞範例，兩個學員的產出差非常多。差別幾乎從來不是誰比較懂技術。
差別在他能不能把「我要什麼」講出來。
| 交辦給人，你本來就會做的事 | 交辦給 AI，一模一樣 | 跳過的下場 |
|---|---|---|
| 講清楚要什麼、給誰看、什麼時候要 | 寫明產出形式、對象、長度、用途 | 拿到一份「看起來很完整但用不上」的東西 |
| 給背景：客戶是誰、上次發生什麼事 | 貼真實資料、前情、限制條件 | 它拿通則來填，你以為它在唬爛 |
| 給一個做過的例子當範本 | 貼一份你認可的舊產出 | 風格永遠跟公司對不上 |
| 說哪些不能做（法遵、客戶紅線） | 明寫禁止事項與不確定時要說「查無」 | 它編一個數字給你，你貼進提案 |
| 看完給回饋，讓他再改一版 | 指出哪句不行、為什麼、要改成怎樣 | 重開一個對話重問，永遠停在第一版 |
最後一列是我最常看到的。很多人跟 AI 的互動只有一回合——問一次，覺得不好，關掉，換個問法重問。這在帶人的世界裡等於：交辦一次，看了不滿意，不講，換一個人做。
你不會這樣帶人。但很多人這樣帶 AI，然後結論是「AI 不好用」。
而反過來說，那些一上手就用得很好的學員，通常是本來就很會交辦的人——業務主管、專案經理、做過採購的人。他們的共同點不是懂 AI，是他們習慣把「我要什麼」寫成一段別人看得懂的文字，因為他們的工作本來就靠這個。
誠實踩煞車：這篇有四件事不能過度推論
- 來源是一篇個人部落格，不是研究。Bargi 沒有做實驗、沒有樣本、沒有對照組。Hacker News 的 338 分代表「很多工程師覺得有共鳴」，不代表「這是對的」。任何人拿這篇去說「研究證實帶 AI 就是帶人」，那是造假。
- 他的原始情境是寫程式。Bargi 的對照組是「寫程式的可預期性」，讀者也是工程師。我把它轉譯成企劃、報告、客服的情境，這個轉譯是我做的，不是他寫的。轉譯有沒有失真，你可以自己去讀原文判斷。
- 「帶不好 AI 的人也帶不好人」是我的推論，而且它可能反過來。我沒有任何數據支持這個因果方向。有可能是「會表達意圖的人剛好兩件事都做得好」，也可能有人很會帶人卻懶得跟 AI 講清楚。請不要拿這句話去評價你的同事或部屬——它適合拿來檢查自己，不適合拿來評分別人。
- 這個比喻有它的極限，而 Bargi 自己畫了線。AI 沒有經驗、沒有課責、沒有人的判斷力。所以「像帶人」只能借用溝通方法，借不到信任關係、也借不到責任分擔。你把 AI 當同事的那一刻，你就開始少檢查了——那才是這個比喻真正的風險。
三種人，三種讀法
如果你是一般上班族：做一件事就好——下次 AI 給你的東西不滿意，不要關掉重開，回它一句話說哪裡不對。就一句話。你會發現第二版的品質跳得比你換十種問法都多。這是這篇最便宜、最有效的一個動作。
如果你是要量產、要建團隊模板的人：Bargi 那句「建立可重複使用的指示」就是在講你的事。把「這個任務要什麼」寫成一份文件，而不是每次臨場想。判斷標準很簡單：這份指示交給一個剛進公司的新人，他看得懂嗎？看不懂，AI 也不會懂。這也是為什麼我一直說提示詞就是交辦單——你交辦單寫不清楚，換誰做都一樣。
如果你是主管：這篇對你的用途不是「學怎麼用 AI」，是一面鏡子。你可以拿團隊跟 AI 的互動紀錄當作觀察樣本——如果團隊裡有人的提示詞永遠是一句話、永遠不給背景、永遠不回饋，那個人交辦給人的時候，八成也是這樣。這不是要你抓人，是要你知道你團隊裡真正缺的訓練可能不是 AI 訓練，是表達意圖的訓練。而這兩件事可以同一堂課一起練，因為練的是同一塊肌肉。
回到那句老話
我上課常說：你是機長，AI 是機組人員。
Bargi 這篇讓我想補一句一直沒講清楚的：機長最重要的能力不是會開飛機，是會下指令。
民航機兩個人以上一起飛，靠的是複誦、確認、覆核。機長說一句，副機師覆誦一次，兩個人確認講的是同一件事，才動手。這一套不是因為副機師笨，是因為「我以為我講清楚了」是空難調查報告裡最常見的一句話。
你跟 AI 之間沒有覆誦機制。它不會問你「你確定嗎」，它會直接做。
所以表達意圖這件事，在你這邊要做到更滿，不是更少。
而好消息是：這塊肌肉練起來，不只 AI 好用，你交辦給人也會變輕鬆。這大概是所有 AI 技能裡唯一一個離開 AI 還帶得走的。
常見問題 FAQ
Q：所以我要對 AI 說謝謝嗎？
不用，而且這不是重點。原文自己就寫了「這不代表 AI 是一個人，它沒有親身經歷、可課責性或人的判斷力」。要借的是「怎麼交辦」的方法，不是「怎麼相處」的態度。禮貌與否對產出的影響，遠小於你有沒有給背景和範例。
Q：那篇文章是研究嗎？可以引用嗎？
不是研究，是一位工程師的個人觀察。可以引用，但一定要標明它是個人觀點文——寫成「研究顯示」就是造假。它的價值在於這個說法從工程師社群自己長出來，不在於它有數據。
Q：我提示詞已經寫得很長了，為什麼還是不好用？
長度和清楚是兩件事。常見的狀況是「寫了很多形容詞、但沒有給任何真實材料」。試著把一半的形容詞刪掉，換成一份你認可的舊產出當範例，通常會好很多。這件事我在提示詞長度那篇寫過細節。
Q：如果我本來就不太會帶人怎麼辦？
那正好，AI 是一個沒有情緒成本的練習對象。你可以在它身上把「講清楚要什麼」練到順，練壞了它也不會離職。但別忘了它跟人最大的差別：它不會告訴你它沒聽懂。所以練的時候要自己回頭看產出，那就是它的「覆誦」。
資料來源
以下均於 2026 年 9 月 6 日直接查證原文：
- Allen Bargi：〈Working with AI feels more like leadership than coding〉，2026 年 8 月 15 日（allen.bargi.org）：全文論點、五項具體做法、「它沒有親身經歷、可課責性或人的判斷力」與「投資不在假裝 AI 是人，而在讓自己更會表達意圖」兩段引語，以及作者自陳這是個人反思而非研究。
- Hacker News 該篇討論串（透過 HN Algolia API 查詢）：2026 年 8 月 15 日發表，本文查詢當下為 338 分、203 則留言。這是即時數字，會繼續變動。
查證說明（誠實揭露）：① 原文我完整讀過，兩段引語為原文英文的中譯，意思我盡量貼原文，但不是逐字直譯，要精確引用請以英文原文為準。② 這是個人部落格觀點文，不是研究，沒有樣本也沒有數據。我在正文開頭與踩煞車段都明講了，請不要在轉述時把它升格成「研究顯示」。③ HN 分數 338 是我 9 月 6 日查的即時值，與題材筆記裡記錄的 243 分不同——那是八月中的舊值，這類數字會一直長，任何轉述都有保鮮期。④ 「帶不好 AI 的人通常也帶不好人」是我的推論，原文沒有這句，而且我沒有任何數據支持這個因果方向，文中已標示。⑤ 把工程師情境轉譯成企劃／報告／客服情境是我做的，原文的討論對象是寫程式。⑥ 對照表中「交辦給人 vs 交辦給 AI」的五組對應，是我在企業內訓現場歸納的，不是原文內容。
今天就練一次：不滿意時，回一句話，不要關掉重開
想定期拿到這種可以直接用的判斷：我的電子報 → startupforyou.substack.com
如果你是主管：我的企業內訓有一個主管場的模組，練的就是這塊——把團隊真實的交辦情境搬進教室，同一個任務交辦給人、交辦給 AI 各寫一次，當場對照哪裡漏了。多數主管在這個環節會發現，漏的地方兩邊一樣。想聊聊寫信到 ai@autolab.cloud，或看看 AI 顧問教練團。
關於作者
黃敬峰（AI峰哥／阿峰老師），企業 AI 實戰培訓專家，服務客戶包含國泰人壽、工研院、士林電機、中嘉寬頻、電通、城邦媒體等。聯絡方式：ai@autolab.cloud