杜拉克在 AI 時代還有用嗎？問題、目標與管理者真正該留下的工作

杜拉克在 AI 時代還有用嗎？問題、目標與管理者真正該留下的工作

AI 能加快報告、分析與流程，但不能替組織決定什麼值得做、什麼該停止、誰該為後果負責。杜拉克沒有預言生成式 AI；他留下的問題卻正好能抵抗今天最常見的效率迷思：把速度誤當成方向，把指標誤當成成果。

彼得・杜拉克之所以仍被反覆引用，不是因為他提供了一套永遠不變的管理公式，而是他總把管理拉回一個不舒服的起點：組織存在是為了產生什麼貢獻？當工具越來越強，這個問題反而更難逃避。

實體索引｜杜拉克在 AI 時代還有用嗎？問題、目標與管理者真正該留下的工作

• 技術與活動實體：杜拉克在 AI 時代還有用嗎？問題、目標與管理者真正該留下的工作；核對模型、規格、驗收、資料、演算法、巡演、作品、城市、日期與官方公告。
• 原文錨點：AI 能加快報告、分析與流程，但不能替組織決定什麼值得做、什麼該停止、誰該為後果負責。杜拉克沒有預言生成式 AI；他留下的問題卻正好能抵抗今天最常見的效率迷思：把速度誤當成方向，把指標誤當成成果。 編輯插圖：計算、回饋與制度設計如何彼此連動。 彼得・杜拉克之所以仍被反覆引用，不是因為他提供了一套永遠不變的管理公式，而是他總把管理拉回一個不舒服的起點：組織存在是為了產生什麼貢獻？當工具越來越強，這個問題反而更難逃避。 AI 改變的是工作速度，不會自動改變工作的意義 生成式 AI
• 實務脈絡：把系統設計、協作、錯誤界限、版本、使用者需求或演出計畫分開，標出已確認與待更新資訊。
• 編輯界線：區分官方資料、測試結果、社群訊號與推測；變動功能、活動和票務需以日期及官方頁面為準。

AI 改變的是工作速度，不會自動改變工作的意義

生成式 AI 可以整理會議、起草提案、寫程式、分析資料，也能把許多原本需要數小時的工作壓縮到幾分鐘。這些能力確實改變了知識工作的節奏，但它們不會自動告訴一個團隊：現在最值得投入的問題是什麼。

這正是杜拉克最容易被忽略的地方。他關心的不是人做得有多忙，而是工作是否產生效能。效能不是單純把事情完成，而是先確認自己正在做的事情是否值得完成。

在 AI 時代，這個區分變得更尖銳。當內容、報表與分析都能大量生成，組織更容易高效率地生產沒有用的東西。真正稀缺的，不再只是產出能力，而是判斷哪些產出能改變決策、服務使用者或推進長期目標。

知識工作者不是「知道很多的人」，而是能對成果負責的人

杜拉克提出「知識工作者」時，重點並不只是專業人士擁有更多資訊。知識工作者的特徵，在於工作成果不容易被逐步監督：研究、設計、判斷、溝通與決策，都需要工作者自己安排時間、設定優先順序並承擔結果。

AI 讓資訊取得更容易，卻沒有取消這種責任。相反地，當工具能快速給出多個答案，知識工作者更需要說明自己採用了哪一個、為什麼採用、忽略了哪些風險。工具可以協助推理，不能替人承擔判斷。

因此，今天的管理者不該把員工價值縮成「比 AI 多知道什麼」。更重要的是，他們能否界定問題、識別利害關係人、理解情境，以及把模糊的資訊轉成可負責的行動。

目標管理最容易被誤讀成數字管理

目標管理（MBO）是杜拉克最常被引用、也最常被誤用的概念之一。許多組織把它做成一張由上而下分派的數字表：每個人都要填 KPI、每季都要交指標、每件事都要被量化。

問題不在目標或衡量本身，而在於指標很容易替代目的。當團隊只被要求完成可量化項目，便可能為了好看的數字犧牲使用者體驗、長期關係或真正重要但短期難以測量的工作。

比較接近杜拉克精神的做法，是讓目標回到貢獻：這個職位對組織、顧客或合作夥伴能帶來什麼？為了完成這個貢獻，需要哪些可被檢驗的成果？目標不是監控的替代品，而是讓不同角色知道自己如何和整體方向相連。

AI 會讓 KPI 更漂亮，也可能讓問題更隱形

AI 最容易被接進既有的績效系統：更快回覆客服、更快寫內容、更快完成報告、更快處理表單。這些改善可能有價值，但前提是原本的衡量方式沒有把錯誤的行為獎勵成成功。

例如，客服若只追求縮短回覆時間，就可能更快結束對話，卻沒有解決問題；內容團隊若只追求發文量，就可能用 AI 放大重複與空洞；管理者若只追求節省工時，也可能忽略新人學習與跨部門協作被壓縮後的長期代價。

杜拉克式的提問不是「AI 幫我們省了多少」，而是「省下來的時間被拿去做什麼？」「我們是否因此更接近真正的貢獻？」如果沒有這一層，AI 只會讓舊有的錯誤流程跑得更快。

有計畫地放棄，比什麼都想自動化更困難

杜拉克經常提醒管理者要檢視那些已經不再有價值的產品、流程與工作。這種「有計畫的放棄」在 AI 時代尤其重要，因為工具會降低繼續做一件舊事的成本，卻不會替你判斷那件事是否仍值得存在。

一份每週都生成、卻沒有人據此做決策的報告，不會因為改成 AI 自動產出就突然變重要。一個早已失去使用者的流程，也不會因為自動化而重新有意義。低成本維持，往往是組織最難察覺的浪費。

管理者真正要留下的工作，是定期問：如果今天還沒有這個產品、會議、報表或流程，我們會重新開始做它嗎？如果答案是否定的，下一步不該是找 AI 優化，而是考慮結束。

管理者在 AI 時代的工作，不是掌握更多答案

管理者很容易把新工具理解為新的控制能力：看見更多數據、追蹤更多任務、生成更多儀表板。但管理不等於看得更多。真正的管理，仍然是讓人能在清楚的方向、合理的責任與可用的資源中完成工作。

AI 可以協助整理資訊與提出選項，管理者則必須處理工具不擅長的問題：誰的聲音被排除？哪些後果無法量化？一個看似合理的決策會不會傷害信任？當人與系統意見不同時，最後由誰決定？

這些問題沒有捷徑，也正因如此，杜拉克沒有過時。他真正要求管理者做的，從來不是更有效率地發號施令，而是更誠實地面對組織正在為誰創造價值。

對讀者的實際意義：把 AI 當成提問工具，而非答案機器

不論你是不是管理者，都可以用杜拉克的觀點重新看待 AI。每當工具幫你節省時間，可以追問三件事：這件事真的重要嗎？輸出會被誰用來做什麼？如果工具錯了，誰要能發現並負責？

這些問題不會讓工作變慢。它們只是避免我們把速度誤認成進步。AI 可能讓更多工作變得容易，但只有人能決定什麼值得被做得更容易。

讀者常問

杜拉克的管理思想在 AI 時代還適用嗎？

適用，但不能把它當成現成流程。杜拉克關於效能、貢獻、目標與知識工作的提問，能幫助組織判斷 AI 應該用在哪裡，以及哪些判斷仍必須由人承擔。

AI 會取代知識工作者嗎？

AI 會改變許多知識工作的任務內容，但不會自動取代問題定義、情境判斷、責任分配與關係協調。這些工作仍需要人做出可被追問的選擇。

目標管理和 KPI 有什麼不同？

KPI 是衡量指標，目標管理則關心個人如何以可檢驗的成果支援組織的整體貢獻。當 KPI 取代目的時，組織很容易把數字做對，卻把事情做錯。

什麼是有計畫的放棄？

它指組織定期檢視舊有流程、產品與工作，問自己：若今天尚未開始，我們還會做嗎？若答案是否定，就不該只靠自動化延長它的壽命。