第一次帶 AI 代理人團隊，常發現它做出來的東西技術上對、實務上卻不能用。HBR 2026 指出，AI 代理人導入最常卡的是公司那些沒人寫下來的不成文規則。本文拆解三類最容易被漏掉的潛規則，以及非技術主管怎麼把它們交給 AI、該從哪種工作先試。
你把一件例行工作交給 AI 代理人，它照知識庫、照規格把流程跑完，產出看起來無懈可擊，可是同仁看完之後沒人敢用，因為這個客戶向來不接受制式回覆，而這條「規矩」公司從沒寫在任何文件裡。你的直覺多半是 AI 還不夠聰明，但真正的斷點，往往落在沒人把腦中那套眉角交給它。
哈佛商業評論 2026 年 6 月由耶魯管理學院教授 K. Sudhir 發表的一篇文章點出同一件事：企業的運作智慧有一大半不在書面流程裡，而藏在沒人寫下來的不成文規則中。好消息是，把潛規則講清楚正是不會寫程式的主管自己就做得到、也最該做的事。
為什麼 AI 代理人導入後「技術上對、做出來卻不能用」
AI 代理人導入後做出來的東西技術上對、實務上卻不能用，根源通常不在模型能力，而在它只拿到公司寫下來的那一半規則。書面流程告訴它「客訴要二十四小時內回覆」，卻沒告訴它「這家合作十年的老經銷一抱怨就要直接轉給業務主管，不能走標準話術」。前者是顯性規則，後者是隱性規則，AI 看不到後者，於是把每件事都按書本辦，結果哪裡都沒錯、卻哪裡都不對。
這正是早期最容易踩到的坑。波士頓顧問公司引用的 Patel 等人 2021 年研究指出，AI 專案的成敗演算法只佔一成、技術環境佔兩成，真正決定七成的是人與流程；蘭德公司訪談六十多位資料科學家後也發現，超過八成的 AI 專案失敗，主因是利益關係人目標不一致，而非技術能力不足。所以對不寫程式的決策者來說，真正該做的是把腦中「公司其實是這樣做事」的判斷完整交給 AI，這跟企業從試點走向規模化時遇到的卡點一樣，小範圍跑得通、一放大就出狀況。
AI 代理人導入最常漏掉的三類潛規則：誰先簽、何時繞道、哪些是特例
AI 代理人導入時最容易被漏掉的潛規則可以歸成三類：審批的隱性順序、流程的繞道時機、客戶與案件的特例清單。它們的共同特徵是資深同仁靠經驗自動完成，正因為太理所當然，反而沒人想到要寫下來、交給 AI，所以你的第一個動作該是把這三類規則從同事腦中挖出來、變成白話文字：
| 潛規則類型 | 行政／人資場景的例子 |
|---|---|
| 審批的隱性順序：表單沒寫、但大家都知道某金額要先問誰 | 採購到一定金額，簽核前先口頭知會財務 |
| 流程的繞道時機：正常走法是 A，遇到某些情況老手會走捷徑 | 急件請假，人資先讓人請、事後補單 |
| 客戶／案件的特例：某些對象有特殊待遇，只存在於默契裡 | 這位主管的會議紀錄要當天寄出 |
這些規則沒有一條寫在 SOP 裡，卻條條都會讓 AI 的產出技術上對、實務上踩雷。財政部推動 AI 選案時就抓到這個關鍵，他們把業務人員定位成 AI 系統的開發者，因為只有真正承辦營業稅的人才說得出哪些行為特徵是異常徵兆，靠著把資深人員的判斷外顯成可計算的條件，選案命中率平均高於六成、營業稅案件甚至達到九成。反觀 Zillow 過度仰賴估值演算法、輕忽人類專家判斷，最終認列五點六九億美元資產減記，問題不在模型，而在它沒接住現場真實運作的那層知識。
把腦中潛規則外顯成 AI 接得住的指令
把腦中潛規則外顯給 AI 本質上是一個管理動作，跟技術無關，任何不寫程式的主管都做得到。方法可以拆成三步：
第一步：把一件事從頭做一次，邊做邊把判斷講出來。挑一件你最熟的例行工作實際走一遍，每到一個「自動就知道怎麼做」的地方，停下來問自己為什麼這樣決定。像「報價超過五十萬就先問財務」這句直覺，就是 AI 接不到的隱性規則，你講得出來它才學得到。
第二步：把例外寫成白話的「如果就」條件。不需要任何技術語法，例如「如果客戶是合作五年以上的老經銷，就先轉給負責業務」。一條一條列，愈具體，產出就愈接近你心裡的標準。
第三步：小範圍試跑，看它哪裡判斷錯就補規則。先讓 AI 處理少量案件、逐件檢視，每抓到一個「它這樣做不對」的地方，背後通常藏著一條你還沒講出來的潛規則，補進去就好。這種「先標記、由人確認、逐步補規則」的設計，正是負責任導入 AI 的關鍵。
這三步正好對齊 Jimmy「AI Service Launch」的核心訊息：沒人做的工作，指揮 AI 來做。你要練的是把判斷講清楚、再指揮 AI 接手，更完整的導入節奏可參考我們談如何不引發恐慌地宣布 Agent Team的做法。
AI 代理人導入先從哪種工作開始，最不會踩到潛規則的雷
第一次做 AI 代理人導入，最穩的起點是規則明確、例外少、不碰核心系統的純資訊處理類工作，例如資料整理、會議摘要、報告初稿與彙整。這類工作流程標準、出錯風險可控，隱性規則本來就少，不必先把全公司眉角都挖出來，通常一兩週就能跑出可用結果，投入的主要是判斷、不必先砸系統，讓團隊在低風險中先建立信心。
要判斷哪些工作潛規則少、適合先交，你可以借用智谷企業 AI 診斷的視角，把部門裡的工作沿兩個軸盤一遍：隱性規則多不多、出錯會不會傷到核心業務，落在「規則少、風險低」那一格的就是第一站。MIT NANDA 2025 年的研究也提醒，真正高回報的反而是採購、法務、財務這些潛規則單純的後勤工作。等跑順了，再把帶較多特例的流程逐步交出去，從試點走向全面規模化。
如果你想讓主管自己就能把判斷指揮給 AI、不必依賴技術人員，歡迎了解專為不寫程式決策者設計的 Claude Code 公開班，學會把沒人做的工作交給 AI 代理人接手。
FAQ
AI 代理人和一般自動化工具差在哪？
一般自動化工具走固定的「按鈕一、做動作二」，遇到沒設定過的情況就停住。AI 代理人能理解你用白話講的目標、自己拆解步驟、過程中做判斷。差異也在這裡：它會判斷，代表你得把依據講清楚，否則它會用自己的理解填空，踩到公司沒寫下來的潛規則。
不會寫程式，真的能自己交代這些規則嗎？
可以，這本來就該由懂業務的你來做。交代規則用的是日常中文，跟程式語法無關，你只要把一件熟悉的工作親手做一次、邊做邊把判斷說成白話，再把例外寫成「如果就」的條件即可，因為只有承辦人說得清楚那些眉角。
公司潛規則太多，是不是代表還不適合導入 AI？
恰好相反，潛規則多反而更值得做，只是要選對起點。規則多，表示寶貴判斷只活在少數人腦中、一旦離職就流失。先從規則明確、例外少的純資訊工作下手，藉著補規則的過程把這些隱性知識變成文字資產。
第一次該選哪個部門或哪種工作試？
選後勤與行政部門裡規則清楚、出錯不傷核心業務的純資訊工作，例如會議摘要、報告初稿、資料彙整。第一站的重點是讓團隊建立信心、學會把判斷講給 AI，而非一上來就挑戰最複雜的核心流程。
📌 本產出參考 Jimmy 的策略脈絡（來源：ai-service-launch-context.md）
預約一場 Claude Code 公開班諮詢，讓你的主管學會把沒人做的工作指揮給 AI
智谷網絡（Kvalley Network）自 1996 年創立，專注企業 AI 轉型與中高階主管培訓，累計服務 3,000+ 家企業、75,000+ 小時訓練執行時數、年度訓練 30,000+ 人次。本文由智谷內容團隊整理，研究來源包含：HBR 2026 年 6 月 K. Sudhir〈How to Design Agentic Systems Around the Implicit Rules That Govern Your Company〉、Patel et al. 2021（BCG 引用，AI 專案成功 10-20-70 法則：演算法／技術環境／人與流程）、RAND Corporation 2024 AI 專案失敗研究（逾八成失敗，主因目標不一致）、財政部財政資訊中心 2024《生成式人工智慧應用》（智慧選案命中率高於六成、營業稅達九成）、MIT NANDA 2025 生成式 AI 企業導入研究（後勤部門高 ROI 與實施鴻溝）、Zillow 2021 Zestimate 估值演算法減記 5.69 億美元案例。
推薦精選文章
📚 宣布要用 AI代理人那一刻，員工心裡其實只在問一句話：那我呢
更多企業 AI 培訓服務：https://www.kvalley.biz/tcservice/digital/