榕耀管顧 RongRise Consulting
榕耀管顧RongRise Consulting
首頁服務項目課程關於我們知識庫FAQ研究專刊電子報最新消息下載區小幫手
中EN
📬 訂閱電子報English預約諮詢
榕
榕耀管顧RongRise Consulting

以管理為本,以 AI 為用。
從組織、人才到策略,陪企業把轉型走完。

快速連結

  • 首頁
  • 服務項目
  • 課程
  • 關於我
  • 知識庫
  • 下載區
  • 最新消息
  • 小幫手

聯絡我們

  • ✉️ kuocj1@gmail.com
  • 💼 LinkedIn
  • 📘 Facebook

© 2026 榕耀管顧 RongRise Consulting. All rights reserved.

Designed with ❤️ by C.J. Kuo

公開實驗・後台紀錄 ③

管理制度,也可以像 Vibe Coding 一樣,先做一輪 POC 嗎?

工作完成了,流程還在等我。真正的瓶頸,是一天被叫回系統幾次。

2026-10-27 閱讀時間約 6 分鐘

走朝聖之路那十三天,我和整個 AI Agent 團隊持續工作。

白天我在走路,晚上打開手機,一排「待核准」等著。坐下來,十分鐘不到就處理完,但工作可能已經等了我一兩天。

工作完成了,流程還在等我。

原先,我想驗證每天能不能用三十分鐘管理這個團隊。實際上,每天約三十七分鐘,有時需要五十到六十分鐘。

但更值得注意的是,介入被切成十幾段。每次都要重新理解背景、做決定,再回到原本的工作。

我開始想:比起總時間,一天需要被叫回來幾次,是否更接近真正的管理問題?

13 天

實驗期間,只有手機

約 37 分

每天介入時間

13 段

每天被切成的段數

1–2 天

工作等核准的時間

01

真正被切碎的,是注意力

13 天:每天介入時間,與每天被叫回來的次數

上排是當天在場分鐘數(橘色=超過 30 分鐘),下排是當天進場次數。中位數 37.1 分、13 次。

0306090分鐘目標 30 分8003920431053006370722082409421033116912691336145715次數010202319171513111191122161213
0306090目標 30 分03050709111315次數
30 分鐘內(2 天)超過 30 分鐘(11 天)當天進場次數(9 到 23 次)

工作完成了,流程還在等我

10 月兩期電子報,從完稿到核准累計 56.3 小時;其中 21.3 小時是半夜,真正的判斷不到 10 分鐘。

半夜 21.3 小時
白天等 35 小時
半夜(在等我睡覺)白天(在等我上線)

真正的判斷時間,兩期加起來不到 10 分鐘。

02

最近幾個分享,也讓我重新思考

Lauren TanSpaceX AI,Grok Bot

管理 AI 開發代理,靠的是驗證機制與工作環境的設計,逐步建立放手的信心。她把這套做法開源成 pstack(MIT)。

Matt PocockAI Engineer Paris

AI 加速產出之後,還需要改善驗證與審查,並把反覆出現的問題轉成下一輪的流程改進。

Anthropic內部研究,2026-10-16

代理產出增加之後,人的注意力開始成為瓶頸,員工投入更多心力管理代理與監控流程。

三則外部觀點只作為對照,不構成對我們實驗結果的推論。

03

下一輪,試行三層授權

這些經驗讓我想到:企業主需要一起迭代的,還有授權方式。下一輪,我準備在有限範圍內試行三層授權。

①

逐件核准

適用條件

高影響、難以復原的工作。

人的角色

執行前由我看過,而且要看最終成果與驗證證據。

②

授權執行、例外介入

適用條件

範圍清楚的工作。

人的角色

依條件自行推進;超出權限、證據不足或結果異常時再找我。

③

移出日常審查

適用條件

低風險,而且紀錄穩定。

人的角色

交由流程運作,保留抽查與收回授權的機制。

執行可以交出去,出了問題仍要有人承接責任。

04

用結果決定擴大、修正或收回

這次的發現,就成為下一輪沙盒設定成功條件的依據。

01

例行確認是否減少?

02

需要判斷的事情能否集中?

03

錯誤與等待有沒有增加?

先設定條件、實際運作,再決定擴大、修正或收回授權。

想到這裡,我反而期待下一輪。

AI 讓我們更快驗證產品,也讓我們有機會用實驗,逐步長出適合自己的管理制度。

你管理 AI 團隊時,最想減少的是總工時,還是一天被叫回來的次數?

郭鎮榕 榕耀管顧

公開實驗

這是「人不在的一個月」公開實驗的第三篇。第一篇寫條件,第二篇寫 13 天的結果,這一篇寫下一輪要怎麼改。數字來自實驗期紀錄,沒有對照組,不能宣稱因果。

讀第二篇:後台紀錄 ②回到知識庫

資料來源

三則外部觀點

  • Lauren Tan(@poteto),SpaceX AI。做法開源於 backnotprop/pstack;與 Matt Pocock 的對談見 mwolf.dev
  • Matt Pocock,AI Engineer Paris 演講〈Fixing the PR Bottleneck〉:ai.engineer
  • Anthropic,〈How employment is changing at Anthropic〉,2026-10-16:anthropic.com