什麼該交給 AI、什麼該留給自己？麥肯錫的 CEO 給了一條清楚的線
如果有一家公司最沒理由用 AI 砍掉工時，那應該是麥肯錫（McKinsey）——它整門生意就是「賣顧問的時間」。但偏偏就是這家公司，靠 AI 一年省下了約 150 萬小時。
更值得玩味的，是全球總管理合夥人 Bob Sternfels 解釋這件事時補的另一半話：AI 能接走的，從來不是顧問最值錢的部分。他說得很直接——「AI 模型裡沒有真相，也沒有判斷。」
這兩句放在一起，其實回答了多數人卡住的問題：到底什麼該交給 AI，什麼該留給自己？
連麥肯錫都在「把時間交出去」，省的是哪一段？
麥肯錫內部有一套自己的 AI 平台 Lilli，上線後約四分之三的員工都在用，每個月餵進去超過五十萬則問題。它幫顧問做的事很具體：找資料、綜整、把一堆來源變成初稿投影片——光是「搜尋＋綜整」這一段，就省掉近三成時間。
注意一個細節：被交出去的，全是「耗時、重複、但對錯一眼看得出來」的工作。沒有人把「要不要接這個案子」「該給客戶什麼建議」交給 AI。這條線，麥肯錫分得很清楚。
AI 永遠接不走的三件事
Sternfels 點名了三種 AI 取代不了的能力，值得你記下來。
第一，設定企圖心（aspiration）。 AI 不會決定一件事「該做到多好、該往多高伸展」。它可以給你一百個方案，但「我們要的是這個等級」這個錨，得由人定下來，再帶著人往上夠。
第二，判斷（judgment）。 這是 Sternfels 那句話的核心：模型裡沒有真相。AI 會用一樣篤定的語氣，給你對的答案、也給你錯的答案；對與錯的界線在哪、什麼能接受什麼不能，得由人來劃。
第三，真正的創造力。 AI 很擅長「線性」地解題——沿著既有的路把答案推出來；但它跳不出那種「不連續」的躍遷，也就是真正新的、沒人這樣想過的點子。
這三件的共通點是：它們都要「為結果負責」。而負責，是 AI 給不了的。
那，什麼該放心交給 AI？
答案就是麥肯錫示範的那一類：低風險、好驗收的事。具體到你我的日常，大概是三型——
- 蒐集型： 找資料、爬來源、把十篇文章壓成一頁摘要。
- 整理型： 把一堆雜訊變成表格、分類、前後對照。
- 初稿型： 簡報大綱、email 草稿、報告骨架。
怎麼判斷一件事該不該交出去？給你一個三問測試：它耗時嗎？重複嗎？「改一版」是不是比「從零寫」快？三個都「是」，就放心交給 AI——因為你只要當審稿的人，不必當打字的人，就算 AI 出錯，你一眼也看得出來。
怎麼開始：先畫一條線，而不是一次自動化全部
多數人卡住，是因為一開始就想太大——要嘛想把整個流程自動化，要嘛乾脆連最該自己做的判斷也丟給 AI。這兩種都會讓人很快放棄。
更穩的起手式是「人在迴路」（human-in-the-loop）：把上面三類低風險的事先交出去，AI 出初稿、你做最後的判斷與把關。先從一件最煩、最重複的事開始，這週就試，跑順了再慢慢往外擴。
老實說，我自己踩過的雷
我一開始也太貪心，想一步到位把整個工作流自動化，結果連「判斷」都交了出去。AI 一本正經地給了我看起來合理、其實有問題的東西，我反而花更多時間收拾。後來才學乖：AI 是來幫我省下機械的時間，不是來替我承擔判斷的責任。這條線一畫清楚，它才真的好用。
結語
方向其實很簡單：把找資料、做初稿交給 AI；把企圖、判斷、創造，留給自己。連最會用 AI 的麥肯錫，都把這條線分得很清楚——你也可以從今天開始畫。
本文方法與案例為本人實作，草稿由 AI 協助整理。