M10.08｜跨部門協作與溝通：如何向非技術人員解釋 AI
最難的不是讓 AI 學懂人類的語言，而是讓技術人員學會說人話
本講學習重點
技術人員溝通障礙：知識詛咒（Curse of Knowledge），忘記自己也曾經不懂這些術語
WIIFM（What's In It For Me）：溝通時先回答聽眾最在意的問題，再說技術細節
類比法是解釋 AI 最有效的工具：把 AI 比喻成熟悉事物（GPS 導航、自動駕駛輔助、Excel 公式）
利害關係人矩陣：按影響力和支持度分為四象限，各象限採用不同的溝通策略
變革曲線（Change Curve）：否認→憤怒→協商→沮喪→接受，理解員工在哪個階段才能有效介入
AI 冠軍（AI Champion）：在每個部門培養一位懂 AI 的內部倡導者，是降低跨部門阻力的關鍵
失敗案例的溝通：把失敗說成「學習實驗」需要有清楚的學習框架，不然會變成找藉口
🎙️ Podcast（中文）
一句話搞懂
AI 專案失敗的原因有一半不是技術問題，而是溝通和協作問題：技術人員說的話讓主管聽不懂、業務部門不知道 AI 能幫什麼忙、員工擔心被取代而抵制新系統。學會用非技術人員聽得懂的語言解釋 AI，並且用利害關係人管理的思維識別和化解阻力，是 AI 應用規劃師最核心的軟實力。
白話解說
知識詛咒：為什麼懂的人說不清楚？
1990 年，史丹佛大學心理學研究生 Elizabeth Newton 做了一個有名的「敲擊實驗」：她請一組人（敲擊者）在桌上敲出熟知歌曲的旋律，再請另一組人（聆聽者）猜是什麼歌。敲擊者事先預測聆聽者的猜中率會有 50%，但實際上只有 2.5%。
為什麼差這麼多？因為敲擊者在腦中已經聽到了旋律，他們忘記了聆聽者根本聽不到那個旋律——他們只聽到一串無意義的敲擊聲。這個現象被稱為知識詛咒（Curse of Knowledge）：一旦你知道某件事，就很難想像不知道這件事是什麼感覺。
這就是為什麼 AI 工程師在開會時說「我們的 Transformer 模型在 F1 分數上達到了 0.87，但推論延遲還有優化空間」，而業務主管完全不知道他在說什麼。這不是主管的問題，是工程師忘記了主管的知識背景。
WIIFM 原則：先回答聽眾心中的問題
在任何跨部門的 AI 溝通中，聽眾心裡都有一個未說出口的問題：「這跟我有什麼關係？（What’s In It For Me? WIIFM）」 不管你的 AI 技術多先進，如果聽眾感受不到和自己的直接關聯，他們就不會真正關注。
不同角色的 WIIFM 截然不同：
CEO / 董事長：「這個 AI 投資如何幫助公司在三年內達到業績目標？主要競爭對手在 AI 上做了什麼？我們不做的風險是什麼？」
財務長（CFO）：「導入成本是多少？回本時間多長？有哪些財務風險？我們如何知道錢有沒有用對地方？」
業務主管：「AI 會搶走我的業績嗎？我的團隊需要學新東西嗎？這會讓我達標更容易還是更難？」
第一線員工：「AI 會讓我失業嗎？我要怎麼學才能跟上？萬一 AI 做錯了，是我的責任嗎？」
IT 主管：「這個系統需要我的團隊維護嗎？會不會和我們現有的基礎設施衝突？安全性如何？」
每次溝通前，先問自己：「這個人最在意的是什麼？他/她擔心的是什麼？」然後把那個點放在你說話的最前面，再慢慢帶到技術內容。
用類比解釋 AI：讓陌生變熟悉
類比（Analogy）是讓非技術人員理解 AI 概念最有效的工具，因為它把新的、陌生的概念連接到聽眾已有的認知框架上。
解釋機器學習：「就像訓練一個新員工。你給他看很多過去的例子（訓練資料），他從這些例子中學習規律，然後開始自己處理新的案子。AI 模型的訓練過程和這個完全一樣，只是速度更快、規模更大。」
解釋神經網路：「就像人腦有很多神經元相互連接，神經網路是用數學模擬這個結構。當訊號進來時，每一層神經元各自提取不同層次的特徵——第一層認出邊緣，第二層認出形狀，第三層認出物體——最後得出答案。」
解釋模型準確率不是 100%：「就像最好的天氣預報員也不能保證 100% 準確，AI 模型也一樣。我們的目標不是讓 AI 從不出錯，而是讓 AI 的表現比現有的替代方案好，並且在 AI 出錯時能夠快速偵測和修正。」
解釋過擬合（Overfitting）：「就像一個只背課本例題、沒有真正理解的學生，在考試遇到變化題時就答不出來。AI 的過擬合是同樣的問題：太專注於記憶訓練資料，忘了學習背後的通則。」
解釋 Prompt Engineering：「就像跟新同事說清楚你要什麼。你說『幫我寫個報告』，他可能寫出一個和你預期差很多的東西。但如果你說『幫我寫一份針對 C 咖層級、聚焦在 Q3 業績的一頁摘要報告，重點是競爭者動態』，他就能做出符合你期望的東西。」
利害關係人管理矩陣
AI 專案中，每個相關方（利害關係人）對專案的影響力（高/低）和支持度（支持/反對）不同，需要採用不同的策略：
高影響力 × 高支持度：關鍵盟友 這些人是你最重要的資產，要讓他們成為 AI 專案的公開倡導者（AI Champion）。定期更新他們的進度，讓他們在高層會議中幫你說話。
高影響力 × 低支持度：關鍵阻力 這是最需要投入精力的群體。要找機會一對一深入溝通，了解他們反對的真實原因（通常是擔心失去控制權、預算壓力、或過去的失敗經驗），針對性地解決顧慮。不要在公開場合和他們對抗。
低影響力 × 高支持度：資源供應者 雖然影響力有限，但這些人的支持仍然有價值。讓他們參與測試、收集回饋，讓他們感受到自己是專案的一部分，形成基層的支持氛圍。
低影響力 × 低支持度：被動觀望者 不需要投入太多資源，但要讓他們得到足夠的資訊，避免因為資訊不足產生誤解和謠言。定期的全體更新郵件或公告就夠了。
應對組織阻力：理解變革曲線
當組織導入 AI 時，員工通常會經歷一個心理上的變革曲線（Change Curve），這是由精神科醫師 Elisabeth Kübler-Ross 的悲傷五階段模型演化而來的組織管理工具：
- 否認（Denial）：「AI 不會影響我的工作，我做的事太複雜了，機器無法取代。」
- 憤怒（Anger）：「公司只是想用 AI 裁員，根本不在乎員工。」
- 協商（Bargaining）：「如果要導入 AI，至少要讓我們有充分的培訓期。」
- 沮喪（Depression）：「我學了那麼多年的技能，現在都沒用了。」
- 接受（Acceptance）：「好吧，AI 確實可以處理那些重複的部分，讓我有時間做更有價值的工作。」
領導者在每個階段需要做的事不同：
- 否認期：不要說「你錯了，AI 一定會改變」，而是提供資訊和事實，讓員工自己去理解
- 憤怒期：給情緒出口的空間，不要急著說服，先傾聽
- 協商期：這是最好的介入時機，把員工的訴求轉化成可行的行動（真的提供培訓、真的讓員工參與設計流程）
- 沮喪期：提供具體的成功故事和角色模型（「看，某某人學會用 AI 之後，反而升職了」）
- 接受期：慶祝早期的成果，讓接受 AI 的員工成為種子，影響還在前面四個階段的同事
應用場景
| 場景 | 溝通對象 | 重點訴求 | 常用工具 | 注意事項 |
|---|---|---|---|---|
| 向董事會提案 AI 預算 | 董事長、獨立董事 | 戰略競爭優勢、財務回報、風險管理 | 一頁報告、競爭者比較、三情境 ROI | 避免技術細節，聚焦商業影響 |
| 說服業務部門試用 AI 工具 | 業務主管、業務員 | 讓你達標更容易、減少行政雜事 | Demo 展示、早期使用者的成功案例 | 不要說「AI 會取代你」 |
| 與 IT 部門協商資料存取 | IT 主管、資安主管 | 資安保障、合規確認、維護責任清楚 | 技術規格文件、安全評估報告 | 先解決資安疑慮，再談功能 |
| 向 HR 解釋 AI 篩選系統 | HR 主管、人資 | 輔助而非取代、提高篩選一致性 | 演算法透明度說明、偏見審計報告 | 強調最終決定仍由人類做 |
| 跨部門 AI 工作坊設計 | 混合（技術 + 非技術） | 建立共同語言、識別 AI 機會點 | 世界咖啡館、六頂思考帽 | 讓非技術人員主導需求討論 |
| 員工 AI 培訓課程 | 第一線員工 | 這些工具讓你的工作更輕鬆 | 實際動手操作、立即可用的工具 | 從最不令人焦慮的功能開始 |
| 向外部客戶說明 AI 使用 | 最終消費者 | 服務更快、更準確、更個人化 | 簡單的功能說明、隱私保護承諾 | 避免誇大 AI 能力，管理期待 |
常見誤區
誤區 1：「講得越詳細，聽眾就越了解」
很多技術背景的人誤以為把細節全部說出來就是「負責任的溝通」，但事實正好相反。對非技術聽眾而言，細節越多，迷失感越強，決策意願越低。這就是為什麼很多 AI 提案在開了一個小時的技術說明會之後，主管仍然回答「我還是不確定我們需不需要做這個」。
有效的非技術溝通遵循「先結論再論據」的金字塔原則（Minto Pyramid Principle）：把你最重要的結論放在最前面說出來，然後才是支持這個結論的論據，最後才是細節。「這個 AI 方案可以讓我們的客服成本在 18 個月內降低 30%，以下是三個主要原因……」比「讓我先說明一下自然語言處理技術的原理……」有力得多。
另外，控制每次溝通的資訊量——每次只聚焦在 1-3 個最關鍵的訊息，其他的細節準備好在被問到時再展開。
誤區 2：「反對 AI 的人都是守舊不進步」
把抵制 AI 的員工貼上「守舊」或「懶得學習」的標籤，是組織變革中最危險的思維之一。這種態度不但無法解決問題，反而會加深對立，讓阻力更大。
員工抵制 AI 通常有非常具體的、合理的原因：他們害怕失去熟悉的工作方式帶來的安全感；他們曾經親眼看過上一個「革命性新系統」上線後一塌糊塗，浪費了所有人的時間；他們真的覺得自己沒有能力學習新技術；他們擔心 AI 出錯時的責任歸屬不清楚。
這些都是真實的顧慮，需要真實的解決方案：充足的培訓資源、清楚的責任架構設計、讓他們參與設計 AI 輔助流程（而不是被動接受）、以及管理層明確的承諾——AI 的目的是讓大家的工作更有價值，而不只是削減人力成本。
誤區 3：「技術人員不需要學溝通，找個 PM 來說就好了」
這個分工策略在小規模的初期驗證階段可能勘用，但在大規模導入和組織融合時，技術人員自己的溝通能力是無可取代的。因為當業務主管問「如果這個模型在年底大促期間失準了，最快多久能修好？」，只有真正懂技術的人才能給出可信且準確的回答。
而且，當技術人員只躲在技術背後、所有溝通都透過中間人傳話，他們就失去了理解真實業務需求的機會。很多 AI 產品偏離業務需求，根本原因就是技術和業務之間隔著太多層的傳話，每傳一層就失真一點。
AI 應用規劃師最核心的競爭力之一，就是能夠在技術深度和溝通廣度之間取得平衡——既懂 AI 技術的運作原理，又能用業務語言把技術的可能性和限制說清楚。這不是天生的才能，而是需要刻意練習的技能：多看業務案例、多和非技術人員交流、多練習把技術概念翻譯成生活化的比喻。
小練習
練習 1：溝通轉譯練習
請把下面的技術說明，改寫成適合向非技術背景的業務主管報告的版本（不超過 100 字）：
「我們採用了 BERT 預訓練模型，在客服對話資料集上做了 Fine-tuning，Recall 達到 84%、Precision 達到 78%，整體 F1 Score 為 0.81。目前推論延遲在 P95 下約 320ms。」
練習 2：利害關係人管理模擬考題
某公司導入 AI 輔助報帳系統，有以下幾位關鍵人物：
- 財務長：影響力高，目前態度中立（等待看 ROI 數字）
- 資深會計師（王小姐）：影響力低，明確反對（擔心工作被取代）
- IT 主管：影響力高，明確反對（擔心系統整合的技術難度）
- 業務部門主管（李先生）：影響力中，非常支持（報帳流程太繁瑣）
以下哪個溝通策略最正確？
(A) 先和李先生合作，讓他公開表達支持，用群眾壓力迫使 IT 主管妥協 (B) 優先安排和 IT 主管的技術深度對談，了解其具體顧慮並提出解決方案 (C) 給王小姐參加資料科學培訓課程，讓她感受到公司的支持 (D) 先準備詳細的 ROI 報告說服財務長，再由財務長向全公司宣布強制執行