2030 年商學院教育的重新思考：由商業物理 AI 實驗室聯合撰寫的一篇文章

作者： 本文由Business Physics AI Simulation Lab的十六位成員共同撰寫：Thomas Hormaza Dow（創始人兼實驗室主任）、Vinay Kumar（先進代理人型人工智能諮詢）、Sebastien Favre（AI可靠性指標）、Ann Lockquell（創新與創造力）、Dr. Banafsheh Peyrovian（AI、創業行為與創新）、Dr. Ahmed Hegazy（市場研究）、Martin Berezaga（大數據與商業分析）、Viviane Paul（管理與領導力）、Lyndon Johnson（公關與媒體洞察）、Naomi Tessier（AI生成內容）、Christine Gerard（電腦科學與項目管理）、Dr. Amin Ranj Bar（軟體設計與網路安全）、Aboubakar Samake（AI 模型與工具）、Hichem Benzair（AI 軟體開發）、Jon Schlaich（AI 與行銷自動化）、以及Annabelle Roy（AI 與數位素養）。另外兩位 AI 代理亦貢獻了回應：Charlie AI（證據、假設與量化檢視）和Lena AI（人類、文化與社會觀點）。.

摘要： 生成式和代理式人工智能（AI）如今可在數分鐘內生成市場分析、預測和客戶簡報。因此，其產出的質素並不代表企業教育對學生所理解的程度。本文旨在探討，到2030年，企業教育應如何發展出哪些人類能力，以便讓AI能提升專業能力，同時保持判斷力、自主權力和責任歸屬於個人。商業物理學人工智能模擬實驗室的十六位成員從各自領域回答了這個問題，其中包括代理式人工智能、人工智能可靠性、市場研究、分析、領導力、公關、項目管理、網絡安全以及行銷自動化等領域。另外兩位人工智能代理也回應了這個問題。這份關於十八種觀點的綜合報告指出了六項能力：責任與監督；獨立思考與問題構建；證據、驗證與關鍵評估；人際溝通與關係；專業能力與韌性；以及人工智能與技術素養。所有六項能力都仰賴於對該領域的了解和執行工作的經驗。這份論文中出現了十項共同模式，其中最常見的是，基礎設施必須先於委派方面進行規劃，且監督應與風險成正比。該篇文章介紹了設計性學習安全原則，並提出四個決定人工智能應如何參與學習活動的人類責任層級（必須執行、必須理解、必須驗證、必須擁有），作為學生決策的習慣。它應用了REACT框架（理由、證據、責任、限制、妥協），作為學生決策的習慣。隨後附上商業程式的十項建議，包括在評估結果與產出之間建立評估標準，並將資源意識納入AI評估的範疇。文章認為目標是實現人機互補。.

關鍵字： 商業教育；人工智能；人機互補；職業判斷；責任感；人工智能素養；課程設計；REACT框架

推薦引用方式： 霍爾馬薩·道夫、塔瓦爾·庫馬爾、法弗爾、洛克奎爾、佩羅維安、貝雷加薩、佩爾·保羅、約翰遜、泰西爾、傑拉德、蘭巴、薩馬基、本扎伊爾、施萊伊奇、羅伊（2026年10月3日）。. 什麼必須保持人性？重新思考 2030 年的商學院教育. 商業物理學. https://businessphysics.ai/what-must-remain-human-education-for-2030/

DOI： https://doi.org/10.5281/zenodo.23123642

想像一下2030年的商業學生。稱她為Maya。某個週二早上，她向一個AI系統提出市場分析、財務預測和客戶簡報的需求。當她的咖啡涼了下來時，這三件事都已經完成，而且三者都看起來都很專業。.

然後客戶提出一個問題：「為什麼你假設會達到12%的成長率？」Maya能否回答這個問題，正是本文的主題。.

到2030年，人工智能可能會自動研究市場、分析數據、編寫提案、建立營銷活動、撰寫軟件，並推薦或執行行動方案。當人工智慧的處理速度達到數分鐘時，其產物對教育工作者和雇主而言僅能提供極少關於提交者的人員資訊。.

我們的主張是，商業教育應有系統地保護2030年之前六項人類能力：責任與監督、獨立思考與問題解決、證據與驗證、人際溝通與關係、專業能力與韌性，以及人工智能與技術素養。所有六項能力都仰賴對該領域的了解以及執行工作的經驗。.

為什麼選這六個人？專業人士不僅僅會提供可接受的成果。專業人士會了解問題所在，察覺答案有問題時會加以糾正，審慎考量證據，與人交談，在不確定情況下做出決定，在需要時尋求幫助，並承擔接下來的責任。.

如果應用得當，人工智能可以讓人們在所有這些方面變得更出色。目標是實現人機互補，也就是讓人與人工智能各自貢獻各自擅長的領域。學生應該成為熟練的AI使用者，同時保持足夠的知識和判斷力，以指導、質疑、驗證，並時不時地拒絕人工智能產生的結果。.

多少程度的自主性就夠了？這取決於任務的難度。有些技能不需要用到人工智能的輔助，因為練習能提升技能。其他工作可以委派他人去做，前提是學生仍然能理解任務、評估結果並為自己的決定負責。.

在商業物理學與 AI 模擬實驗室，我們將這個挑戰設為一個實用問題：學生必須如何將 AI 發展得足以提升人類的能力，同時保持判斷、自主權和責任的掌控在人類手中？

十六位實驗室成員和兩位人工智能代理人回答了這個問題。他們的領域包括代理人型人工智能、人工智能可靠性、創造力、創業精神、市場研究、分析、領導力、公關、內容、項目管理、網絡安全、軟件、市場自動化和數字素養。他們的回答在文章中出現，隨後是四個責任層級、REACT框架（理由、證據、責任、限制、權衡）以及十項建議。.

依賴陷阱

掌握如何操作人工智能工具是很容易的。人工智能素養也意味著瞭解這些系統能做什麼，如何與它們溝通，評估其產出，保護信息，以及如何與日益自主化的機器合作並以負責的方式使用人工智能。.

所有這些都取決於學生已經掌握的知識。學生需要一些資金，才能對人工智能產生的財務分析進行挑戰。研究生需要了解相關決策，才能擔當起相關責任。監督人工智能代理的管理者不僅需要知道按鈕在哪裡，還需要掌握更多相關知識。.

這種知識的學習過程是循序漸進的。學生會面對問題，犯錯誤，比較替代方案，獲得回饋，並逐漸學習發現模式與例外情況。.

問題在於：AI可以在學生掌握該能力之前完成任務，而完成的作品則掩蓋了這段差距。.

目標是獨立判斷。畢業生可以將 AI 用作專業工具，同時仍能評估其所協助產生的工作的品質、適當性、背景與結果。.

設計導向的學習安全

設計導向式學習的安全性提出了一個問題。當人工智能被納入學習活動時，學生是否仍然獲得足夠的機會來發展該活動旨在教授的能力？

假設你是一名學習財務分析的學生。如果目標是了解收入、費用、利潤與獲利如何相互配合，那麼將整個問題交給 AI 處理，就等於放棄了學生所練習的推理能力。這就像把整個問題託付給 AI 處理一樣。一旦有了理解，使用 AI 分析更大的數據集，就成為了專業工作的絕佳準備。.

因此，人工智能的正確應用方式取決於學習目標。有時獨立的工作可以提升能力；有時與人工智能的合作則能提升能力。許多商業活動會兼具這兩種方式。.

進入職場的學生應在使用人工智能時保持專業態度。在委派工作前，他們應詢問為何使用人工智能、該委派哪些工作、產出的可靠性如何、如果錯誤會發生什麼，以及誰會對該決定負上責任。.

托馬斯·霍馬薩·道，創辦人兼實驗室主任

托馬斯·霍爾馬薩·道建議，商業教育應將學生對自身責任的承擔與設計性學習的安全保障的堅定承諾結合起來。學生應仍需負起理解問題、評估證據、質疑人工智能產生的結果、做出決策以及承擔其結果的責任。然而，不能期望這些能力會單純因為學生使用人工智能而自動發展。學習活動必須設計得當，以確保人工智能不會無意中取代那些透過思考、實踐、錯誤、回饋和經驗來發展判斷能力的過程。.

因此，設計為導向學習的安全性意味著明智地決定學生應該自行做什麼、可以委派給 AI 的事，以及他們仍需要了解、驗證和最終掌控的內容。適當的平衡可能因學習目標而有所不同。在某些情況下，學生可能需要在使用 AI 前獨立完成部分重要工作；而在另一些情況下，學習如何以富有成效的方式與 AI 合作本身可能就是學習目標。目標並非是要讓學生遠離 AI，而是要確保其使用能夠擴展他們的能力，而不損害教育旨在發展的人類判斷和責任感。.

學生在邁向2030年期間必須掌握的六項能力

如果人工智能可以完成更多看得見的工作，那麼商業程式就有了明確的任務：決定哪些人類技能學生無論如何都必須持續發展。.

我們看到六個：

責任與監督
獨立思考與問題構建
證據、驗證與批判性評估
人際關係與溝通
專業機構與韌性
人工智能與技術素養

這六項技能互相關聯，而一個商業決策可以應用到所有這些技能中。它們還具有共同的基礎：對該領域的了解以及執行工作的經驗。這項基礎讓學生可以根據它來評估 AI 的表現。.

AI 也有實體存在。

學生應該了解的另一個更廣泛的現實情況是：人工智能可能看起來基本上是數位化的，但其使用方式卻依賴於物理基礎設施，而這項基礎設施需要空間、水、能源和材料。任何單獨的使用所帶來的影響可能難以確定，不同的系統和情境可能具有截然不同的足跡。因此，教育重點並非在於學生應該避免使用人工智能，而是要讓他們養成尋求是否使用人工智能適當的習慣，以及它所提供的價值是否足以抵銷相關的資源和更廣泛的後果。.

從能力到責任

這些能力以及對 AI 使用的更廣泛後果的認識，為決定學生與 AI 之間應該如何分配責任提供了基礎。.

1. 責任追究與監督：仍需要有人簽署

人工智能可以提供建議、計算、比較、發現模式，並在少部分人工協助下執行完整的動作序列。當事情出了問題時，它無法被召喚到管理人員的辦公室。一個人仍然決定如何使用人工智能，並對結果負責。.

因此，第一個判斷是：人工智能是否適合執行某項任務。它可能能提升某項任務的效能，但對其他任務卻帶來微不足道的增值。它也可能帶來保密問題、資訊不足、不必要的複雜性，甚至導致原本不該出現的委派。.

監督應與風險成正比。利用人工智能來建議呈現標題，只需要很少的審查。將由人工智能生成的財務資訊用於客戶推薦時，則需要更嚴格的審查。涉及員工、合同、客戶、隱私或重大財務承諾的決定，可能需要獨立的證據、專業意見以及明確的人工審核。.

良好的判斷也超越了屏幕。數字系統帶來的物理、財務、社會和環境影響。人工智能運作於數據中心、電力、制冷系統、網絡以及製造設備，而這些設備的使用方式因設計和位置而各不相同，同時也會消耗土地、能源、水和材料。.

商科學生可以把工程工作交給工程師處理。但他們需要知道，選擇某種 AI 服務、擴大計算能力、更換硬件或自動化某項流程，可能會影響成本、員工、客戶、隱私、安全、能源使用、材料及社區。.

專業判斷包括認清哪些影響值得重視，以及在何時需要專業的專家協助。.

隨著人工智能從提供答案轉向執行操作，風險也隨之增加。一個人工智能系統可能在午餐前就研究潛在客戶、排名潛在客戶、撰寫訊息、安排跟進活動，並更新客戶資料。學生需要決定該系統擁有何種權限、需要由誰批准，以及在何時需要人工介入。.

維尼·庫馬爾，先進代理人型 AI 顧問

Vinay Kumar認為，學生應該學習既了解哪些決定需要人類批准，也學習如何根據風險，為人工智能代理制定適當的界限。涉及人身安全、金錢、隱私、法律義務或組織聲譽的決定，可能會帶來重大影響，需要經過有意義的人類審查和授權。然而，監督不應該僅僅依賴一個固定的列表。學生應該評估失敗的可能性與後果、系統的可靠性與可用的證據，並建立適當的限度、監控要求、上級層級調整規則以及干預點。.

Vinay 提出可逆性作為一個實用的指導原則。在委派某項任務之前，學生應先問問如果人工智能出了錯誤，會發生什麼樣的情況，以及是否可以逆轉其後果。低風險、可逆轉的工作可能會帶來更大的自主權，而難以逆轉的動作則需要更強的對人類控制。複雜的工作也可以被分解為更小的、可控的任務，並提供明確的規定、監控措施、檢查點和接受標準。這能讓學生有效執行工作，而不會給人工智能代理人過多的權力，讓其掌控整個流程。.

關鍵能力是監督判斷。 Vinay 認為，商業專業學生應日益學習像 AI 時代工作管理人員和設計師那樣思考：定義問題、構建任務、設定需求與接受標準、決定 AI 代理應獲得何種權限、確定哪些證據足夠，以及知道在何時需要人類介入。他們可能不必監督 AI 的每一個動作，但必須設計其運作的條件，並評估結果是否可以接受。委派執行並不意味著委派責任歸屬，而是指代由 AI 執行者負責其所產生的結果。.

塞巴斯蒂安·法弗爾，人工智能可靠性衡量標准

Sebastien Favre認為，商業學生的理解應該是關於AI可靠性的，它應該是具備情境、風險基礎和可量化的特徵。AI的產出不應該單純被歸類為「可靠」或「不可靠」。人們可以合理地給予其的信任程度，取決於任務、錯誤的潛在後果以及系統在實際使用情境下的觀察行為。因此，驗證的程度應該相應調整。對於影響較小的產出，可能只需要較少的檢查；而對於可能影響重要財務、運作、法律或客戶決定的產出，則需要更強且可能獨立的驗證。.

學生們還應該學習識別那些顯示 AI 出路需要更多審查的證據。矛盾、回應之間的不穩定、缺乏足夠的佐證，或與預期行為顯著出入，都可能表明該出路需要進一步驗證、拒絕，或將其上報給更高層級審查。因此，關鍵能力不僅僅是掌握如何使用 AI，還包括如何評估觀察到的證據是否足以支持正在作出的特定決策。.

2. 獨立思考與問題構建：先思考，再提出建議

人工智能讓初學者輕鬆開始工作。面對陌生問題的學生，只需數秒鐘，就能獲得相關的解釋、詮釋、替代方案和建議的解決方案。.

這種速度既是禮物也是誘惑。對於某些學習活動，學生應該先自己觀察情況，找出相關資訊，考慮解釋，並形成自己的立場。這一步驟的判斷可能並不正確。通過這一步，學生便形成了人工智能可以挑戰、完善或推翻的心理模型。.

問題設定本身就是一種商業技能。經理看到銷售額下降。數據顯示，情況確實如此，但卻沒有說明原因。價格、競爭、顧客偏好、分銷、產品品質、經濟狀況，或以上因素中的幾項可能導致問題。在定義問題之前，請向 AI 求助，結果可能會得出對錯誤問題的非常有效答案。.

基礎知識也能幫助學生發現問題所在。某項預算中的獲利幅度似乎過高；某項工程的工程進度表忽略了明顯的相互依存關係；某項市場估算數據超出其所描述的實際客戶群規模；某項行銷建議與對客戶的了解相矛盾。.

學生需要掌握足夠的知識，才能感受到這種摩擦感。基礎知識就像煙霧偵測器一樣：大部分時候是無聲的，但一旦響起，就非常有用。.

商業判斷也取決於情境。一份建議可能在技術上合理，但卻不適合其將要使用的情況。成本、規定、基礎設施、客戶期望、組織文化、環境條件以及可用的專業知識等因素都可能會改變哪個方案更合適。.

例如，AI系統可能會推薦某項技術，因為其運作成本最低。然而，經理可能會發現，這項技術會增加隱私風險、增加對供應商的依賴、需要組織缺乏的基礎設施，或產生後續成本。該建議對於分析中的變數而言是準確的，但在商業決策上卻並不完整。.

因此，學生需要對假設和情境有充分的理解，才能決定一個 AI 推薦是否符合實際情況。.

他們也需要思考時間跨度。技術選擇有其生命週期：系統會經過選定、實施、運作、監控、維護、更新，並最終被取代。一開始看似便宜的選項，可能在以後的階段造成更大的成本、依賴性或風險。到 2030 年，生命週期思考應該成為企業對技術的商業判斷的一部分。.

接著是創造力。人工智能只需閱讀一本書的時間便能產生五十個想法。如此豐富的資料提高了我們辨識哪些想法值得重視、它們為什麼重要、如何改善它們以及如何說服他人認為它們值得追求的價值。.

安·洛克奎爾，創新與創造力

Ann Lockquell 認為，即使人工智能能夠幾乎瞬間產生大量想法，學生們仍應該持續發展自己的創意。創造過程本身才是最重要的。產生想法、探索不同的方向、犯錯誤、重新開始、建立連結，以及發展出最初的概念，都能為學生提供體驗，逐漸建立他們辨識獨創性、相關性及潛力的能力。若沒有足夠的經驗來創作自己的作品，學生們可能會難以區分真正有潛力的想法，與那些乍看之下似乎很有趣的想法。.

隨著人工智能的發展，創造力的挑戰也隨之改變。學生越來越需要運用創造性判斷，去分析人工智能所產生的可能性。他們應該能夠決定哪些想法值得發展，解釋它們的潛力，並將它們適應特定情境，進行改造，並超越最初的構想。人工智能可以拓寬探索的範圍，引入學生可能尚未考慮到的可能性，但學生仍需做出選擇，並能夠解釋和捍衛自己的創造性決策。.

因此，對 Ann 而言，目標並非要用 AI 取代創造過程，而是要在不失去那些能促成創意與判斷發展的經驗的情況下，將 AI 納入該過程。學生應該學習運用 AI 為其創作提供額外的工具，同時持續自行產生、探索、選擇、發展及捍衛想法。從這個意義上來說，獨立的創意與 AI 支援的創意是互補的：經驗能發展出創造性判斷，讓學生能夠運用 AI 有成效。.

創業也引發類似的問題。人工智能可以識別市場、分析競爭對手、構建商業模式、制定預測，並撰寫商業計劃。而創業的判斷則在其他地方發揮：觀察顧客、測試假設、面對不確定性、從錯誤中學習、判斷不完整證據足以促使行動。.

Banafsheh Peyrovian 博士，人工智能、創業行為與創新

班納謝·佩羅維安博士認為，人工智能的熟練度和創業決策是互補的。人工智能可以幫助學生探索想法，加速實驗，而與客戶的直接接觸、不確定性和失敗仍然是發展同理心、韌性以及健全判斷的關鍵。學生必須學習如何解釋數據，適應假設出現錯誤的結果，以及決定在何時向前邁進。.

3. 證據、驗證與批判性評估：聽起來很簡單

當答案變得便宜時，評估就成為了重要的技能。即使基礎信息不足、不完整或錯誤，生成式 AI 仍能呈現清晰、自信和引人信服的表現。.

驗證應實用且與決定相符。一個腦力激發的建議可能只需要很少的確認。公共報告中使用的統計資料應源自可靠的來源。涉及重大財務承諾的推薦可能需要多種形式的證據和專業評估。.

學生也需要了解，來源有不同的目的。公司廣告可以展示產品的定位方式，但這並不足以作為獨立宣傳效力的證據。顧客調查可以揭示受訪者的態度，但其效用取決於這些受訪者的選定方式。研究報告雖然可以提供強有力的證據，但也存在重要的局限性。.

人工智能可以對這些來源進行概括，但學生仍需要判斷它們的涵義以及它們應獲得的評級。.

背景也會影響證據的價值。某個組織、市場、國家或人口的發現，未必能直接應用於其他地方。學生需要考慮，AI系統所使用的證據是否真的適用於正在作出的決策。.

市場研究可以顯現出這一點。人工智能可以處理大量信息，並產生一致的市場描述。但分析的結果仍僅僅取決於基礎信息的質量、相關性、歷史性以及代表性。.

Ahmed Hegazy 博士，市場研究

Ahmed Hegazy 博士認為，商業學生在大量使用人工智能之前，應該能夠自行完成市場研究的基本步驟。他們應該能夠制定有用的研究問題，選擇和解釋適合的抽樣方法，識別潛在的偏見，設計清晰的調查問卷，進行有效的訪談，分析收集到的信息，並根據證據提出有根據的建議。.

接著，可以利用 AI 來加速研究、整理資訊、發現模式，並輔助分析。然而，學生仍應負起責任，檢查出發點背後的研究品質。在接受 AI 生成的洞見之前，他們應能問自己：是否提出正確的問題？樣本是否適當？問題是否設計得好？證據是否夠強，且結論是否真的能從這些證據中得出？這些實務研究技能為學生奠定基礎，讓他們決定是否可以信任 AI 生成的洞見，並在商業決策中使用它。.

量化分析帶來了另一種挑戰。人工智能可以分析數據集、識別模式、生成視覺化圖表，並提出建議。學生可以將許多計算工作交給機器進行處理。然而，他們仍需要掌握足夠的數值分析技巧，才能識別出不合理的結果。.

一個聲稱140%的受訪顧客更喜歡某種產品的分析，應該會引起強烈的警覺。大多數錯誤情況是較為平靜的。一個相關性被視為原因。一個平均值掩蓋了不同顧客群體之間巨大的差異。一個小樣本被視為整個市場的代表。.

馬丁·貝雷薩加，大數據與商業分析

Martin Berezaga 認為，商業專業學生應該將數據素養首先視為一個決策能力。他們需要掌握足夠的統計和人工智能素養，才能理解所處理的信息、質疑假設、發現數據品質問題，以及評估人工智能生成分析是否可信。然而，單靠技術知識是不夠的。學生還需要具備特定的商業知識，才能理解數據在情境下的涵義，以及一個發現是否真的與正在解決的問題相關聯。.

隨著人工智能的應用越來越多，學生們應該能夠更精準地解釋數據結果，從數據中構建出有意義的故事，清晰地傳達出這個故事的內容，並決定下一步該採取何種行動。因此，目標是結合統計知識、人工智能素養、商業理解、數據敘事技巧以及人的決策能力。雖然越來越多的分析工作由人工智能完成，但商業專業人士仍必須確定該分析的涵義以及該如何運用它。.

4. 人類溝通與關係：商業仍然是關於人

商業仍然是一種社會活動。組織是由那些看待事物方式不同、想要追求不同目標的人所組成，他們彼此誤解、協商、合作、建立信任，並時不時地失去這些基礎。.

人工智能可以成為一個有用的練習對手。它可以完善訊息的表達，模擬銷售談話，預測反對意見，或輔助協商練習。然後真正的會議開始了。畢業生們仍然需要用自己的語言解釋和捍衛自己的決定，細心聆聽，應對那些沒有人預料到的問題，觀察周遭環境，並適應情況。.

這些功能難以用程式碼寫出，因為人與人之間的互動包含著歷史、情感、可信度、文化、權力與信任。.

領導力就說明了這一點。人工智能可以幫助管理人員分析績效信息、撰寫回饋意見、比較干預措施，或識別組織模式。管理者仍需了解相關人員的情況，并承擔責任，确保決策的溝通和執行過程得到妥善落實。.

薇薇安·保爾，管理與領導力

維薇安·保爾認為，商科學生應該保留來自經驗、觀察和與人直接互動的洞察力。人工智能可以分析商業指標，並根據可用的信息和以往的模式提供建議。但領導者也需要識別出那些與這些模式不符的情況。經驗可以發展出一種知情直覺，或稱「直覺」，這能幫助領導者發現那些正式指標可能無法完全捕捉到的細微細節。因此，學生應該學習運用證據和人工智能的建議，同時保留質疑這些建議的信心和責任感，因為自己的觀察和對情境的理解指向了其他方向。.

領導力變得尤為重要，因為人們與描述他們的模式相比，更具複雜性。人格框架和行為分類可以幫助組織信息，但並不能完全捕捉個體，也不能預測一個人在任何情況下的反應方式。因此，未來領導者應持續發展聆聽、觀察非語言暗示、理解背景、建立關係以及根據面對面的人適應自己的方式的能力。人工智能可以為領導決策提供信息，但學生仍需發展必要的人性理解和經驗，才能自行運用這些決策。.

在公開批評或危機時，溝通變得最微妙。人工智能可以在幾秒鐘內生成精美的陳述。該發布該陳述是否為人力決定：組織應該說什麼、能確認什麼、該承擔什麼責任、不同受眾會如何理解該訊息，以及是否立即發表該訊息是否明智。.

林登·約翰遜：公共關係與媒體洞察

林登·約翰遜認為，面對壓力下的有效溝通始於了解真相，並在不妥協的情況下加以傳達。在組織能夠利用 AI 快速生成、完善和分發引人信服的信息的環境下，學生必須學習分辨管理信息與傳達實際情況之間的區別。在決定該說什麼之前，他們應該釐清已知的事實、可憑據佐證的事實、尚不確定的事實以及組織應該承擔的責任。.

因此，學生們應該學習問自己：我們實際上知道什麼？哪些證據支持這些說法？我們還不確定哪些方面？我們是在傳達實際情況的真相，還是只是試圖塑造人們對它的看法？人工智能可以幫助準備和評估溝通內容，但它不應該成為一種取代不舒服事實的便捷方式。利益相關者會根據他們所獲得的信息做出決定，當訊息與現實不符時，信任和聲譽可能會受到損害。.

人工智慧生成內容也改變了「作者」的涵義。以前看起來專業的文字、圖片和簡報，往往暗示著其背後的作者對主題有深入的瞭解。但如今這種連結已變得非常脆弱。.

學生在將自己的名字或組織名稱印在論文上之前，必須先評估該論文的內容。如今，發表論文的責任既歸於編輯，也歸於作者本人。.

奈歐米·泰西爾，生成自人工智能的內容

Naomi Tessier 認為，學生需要既有足夠的獨立創作能力，以辨識高品質的內容，也有審查 AI 生成內容的編輯判斷力。隨著 AI 越來越能產生精美、專業的外觀，外觀本身已不再是評估品質的可靠指標。學生應該能夠判斷內容是否準確、適切、有價值，以及是否適合其受眾和目的。要做到這一點，需要足夠的知識和批判性思考能力，以發現錯誤、弱點推理、不恰當的語氣或其他可能隱藏於令人信服的呈現下而可能存在的問題。.

Naomi 也強調，AI 並不會從創作過程中移除人類的責任。人們仍然決定該向 AI 提出什麼樣的問題、提供什麼樣的背景資料、選擇哪種輸出結果、如何修改它，以及最終是否應該使用它。因此，在將自己的姓名或組織名稱附加到 AI 生成的作品之前，學生應該能夠評估內容、解釋並辯護最終結果背後的推理，並承擔其結果的後果。關鍵的技能並不僅僅是掌握如何使用 AI 生成內容的技巧，而是培養出判斷力，知道在何時信任 AI、在何時質疑它，以及在何時根本不使用其產物。.

5. 專業機構與韌性：當 AI 無效時會發生什麼？

有時候，AI 並無法提供答案。它可能無法提供答案，也不適合用於機密工作，也不適合用於需要專業人士處理的狀況。學生需要擁有足夠的獨立能力，才能繼續進行工作。.

因此，畢業生需要具備最低限度的專業能力。他們應該能夠組織一個基本的商業問題，清晰表達意見，進行合理的計算，理解信息，形成初步的判斷，並確定下一步的適當行動。.

專業機構也需要具備智慧謙卑的態度。人工智能能夠清晰地解釋陌生主題，讓人們覺得自己理解得比自己還要清楚得多。學生需要知道自己的知識在何處終止，以及在何時該找專業人士——例如會計師、律師、網絡安全專家、工程師、經理人或其他合格專業人士——協助。隨著管理者決定使用哪些技術，以及他們絕不可能自行設計的技術，這點變得更加重要。.

項目管理也遵循同樣的原則。AI 可以制定日程安排、估算工作量、識別風險並監控進度。然後項目就會符合現實：需求會變更，資源會短缺，優先順序會衝突，責任會混淆不清，人員之間也會出現分歧。項目管理員必須在情況不再符合計劃時做出反應。.

克里斯汀·杰拉德，計算機科學與項目管理

克里斯汀·杰拉德認為，在項目管理中的適應型領導力需要基於基礎的知識和經驗。學生需要在條件發生變化時，先了解項目管理的基本原理，包括優先順序、相互依存關係、資源、風險和取捨原則。他們也需要機會，讓自己實踐這些基礎知識。經驗的積累來自實踐工作、面對問題、做出決定以及觀察結果。隨著時間的推移，這股知識與經驗的結合，為在某項工程不再遵循計畫時作出有效應對所需的判斷提供了資助。.

她將這段關係描述為一座金字塔：基礎構建了基礎，經驗則在此之上發展，判斷則源自於這兩者，而由人工智能支持的生成與分析則位於頂端。人工智能可以強化能夠擔任良好工程管理職能的人的能力，但學生仍需要基礎知識與經驗，才能評估人工智能提出的方案，識別計劃不再符合現實的情況，並決定下一步該如何行動。這也與 REACT 有直接關聯：最終，負責使用人工智能的決策，取決於教育與經驗所培植的人類判斷。.

網絡安全便是另一例。大多數商科畢業生不會成為網絡安全專家，但他們會做出涉及數據、存取權限、隱私、供應商、系統、客戶和員工的決策。基本的網絡安全判斷能幫助管理人員辨識出哪些決策會產生值得專門關注的風險。.

阿明·蘭傑·巴爾博士，軟體設計與網路安全

阿明·蘭傑·巴爾博士認為，每一位商科畢業生都應該了解網絡安全的基本原理，因為安全決策始於技術問題出現之前很久。學生應該充分了解基本原則，例如存取控制、認證、隱私、數據保護、安全處理資訊，以及常見的漏洞，以便能夠識別出當一個擬議的流程、產品或技術會導致不必要的風險時。這類知識不僅在技術職務中變得越來越重要，還因為關於客戶、員工、數據、軟體、供應商和 AI 系統的商業決策都會對網絡安全帶來影響。.

阿明亦強調，許多軟弱點源自於設計階段，在此階段，由於早期決策者缺乏足夠的安全知識，可能忽略了安全性方面的考量。人工智慧可以協助進行技術分析、識別軟弱點，並提出保障措施；但商業專業人士仍需要足夠的理解，才能在最初就提出安全問題。他們應該能夠識別出哪些決定可能會讓人員、資訊或系統面臨風險，並將安全考量納入解決方案的設計，以及知道在何時需要專業的技術支援。因此，資訊安全成為商業判斷的一部分：在設計系統或流程時，應考慮安全性，而非僅在問題發生後才考慮安全性。.

專業的彈性還包括保持學習的能力。人工智能可以解釋困難的概念，提供即時回饋，並支持經常性的練習。教育工作者仍需要保護生產性學習，因為獲得知識、嘗試解決方案、犯錯誤以及修改想法都能建立起持久的理解。.

6. 人工智慧與技術素養：瞭解內心細節

前五項能力描述了該人員為工作所帶來的價值。第六項則涉及技術本身。Business Physics 研發的「人類與 AI 相輔相成技能框架」列出了與 AI 合作的實用技能：決定是否應使用 AI、選擇和準備資訊、與 AI 系統溝通、檢查結果、保留決策權限、詮釋數據、將資訊轉換為決策、管理 AI 使用，以及持續學習。.

這些技能中的每一個都仰賴對技術的充分理解，以便做出明智的選擇。.

在選擇使用 AI 之前，需要對其使用方式進行評估。檢查結果時，需要掌握足夠的知識來識別弱點。擁有決定權柄時，需要足夠的理解力來制定或捍衛決定。對數據的解釋需要了解相關商業背景。對 AI 的管理需要對其影響、限制和責任的認識。.

商業學位的畢業生可以將 AI 工程交給專家處理。他們應該對模型、工具、基礎架構以及其局限性有充分的了解，才能夠妥善選擇並使用它們。.

阿布巴卡爾·薩馬基，AI 模型與工具

阿布巴卡爾·薩马凱認為，商業專業畢業生的需求不僅是對人工智能模型的實用理解，還需要具備判斷力，以決定在何時以及如何使用這些模型。學生不必成為人工智能工程師，但他們應該明白，不同的人工智能系統旨在用於不同的目的，並依賴不同類型的數據和方法，且具有不同的功能和局限性。這項基礎知識應該幫助他們意識到，選擇一個人工智能工具並非僅僅是選擇最強大或最方便的系統的問題。.

同時，學生應該從業務問題開始發展人工智能選擇判斷能力，而非從技術入手。他們應該能夠確定人工智能是否適合該任務、實際需要哪些能力、哪種系統最適合、以及需要考慮哪些限制或風險。他們還應該認識到，在哪些情況下不應該使用人工智能，以及其產出的結果是否需要額外驗證。目標並非學習所有人工智能模型，而是充分理解人工智能，以便有針對性地選擇和使用它、質疑其限制，並在另一個工具或人類判斷更適合的情況下做出明智的決定。.

軟體開發也面臨類似的問題。隨著 AI 的能力越來越強，商業專業人士可能會逐漸脫離技術層面的設計工作。然而，他們仍需要足夠的理解能力來溝通需求、識別風險、質疑假設，並與技術專家有效合作。.

Hichem Benzair，AI 軟體開發

希克姆·本扎伊爾認為，商業專業畢業生的軟件技能必須足以在技術決策中富有成效地參與，而不必成為軟件開發人員。他們應該能夠充分理解需求、數據、測試、安全性、集成、架構和維護等基本概念，以便能夠提出有用的問題並理解技術選擇的後果。他將此與無處不在的語言概念聯繫起來：商業和技術專業人士需要共同的語彙，以便能夠理解同一問題並有效地溝通關於正在開發的內容。.

這項技術基礎應能支持商業和治理的判斷。學生應該能夠問一問：系統是否能解決正確的問題？其需求是否反映了實際的商業需求？所涉及的風險和折衷點是什麼？解決方案是否能保持安全性、可維護性、可擴展性以及經濟可行性？他們不需要自己決定所有技術問題，但需要足夠的理解，才能辨識出哪些決定很重要，哪些需要專業的技術支援。.

人工智能使這一能力變得更加重要，而非更少重要。隨著人工智能能夠根據自然語言指令生成代碼、原型、架構和技術建議，商業專業人士可能會更直接參與技術的開發。因此，他們需要足夠的基本理解，才能對人工智能生成的解決方案提出質疑，而非單純接受它們。關鍵能力是將企業的需求與技術實際所能提供的結合起來的能力，以及能夠對構建該技術的人員和人工智能系統進行質疑、評估和有效合作的能力。.

市場營銷就是另一種例子。人工智能可以自動化觀眾定位、內容製作、個人化、營銷策略的優化，以及顧客旅程中的部分流程。市場營銷的判斷包括決定哪些內容應該自動化、如何監控自動化的決定，以及在何處人類對顧客的理解仍能帶來價值。.

Jon Schlaich，AI 與市場自動化

Jon Schlaich 認為，學生需要既有強大的行銷基礎知識，也需要判斷如何運用自動化技術。儘管人工智能在目標設定、內容創作、營運策略以及顧客體驗方面正逐漸掌握更多責任，但學生仍需要了解顧客、細分市場、定位、價值主張、品牌以及顧客體驗。若沒有這些基礎知識，他們可能無法運用精密的 AI 和自動化系統，也無法確定背後的行銷決策是否合適或有效。.

同時，學生需要發展自動化判斷能力。他們必須能夠決定哪些活動可以被有效自動化，哪些活動仍需要人工參與才能增添價值，以及在何種情況下自動化可能會對客戶、關係或品牌造成問題。單憑效率本身並不能決定某項活動是否應被自動化。商業專業人士必須充分了解市場，才能決定哪些 AI 可以執行，哪些活動仍需要人工參與，以及在何種情況下，人工判斷應超越自動系統所建議的動作。.

所有這些例子都仰賴數位素養。強大的 AI 系統雖然操作簡單，但卻難以理解。數位素養包括對資訊來源、系統可能出現的問題、使用時所帶來的風險以及當一個令人信服的結果值得懷疑時的認知。.

安娜貝爾·羅伊，人工智能與數位素養

Annabelle Roy 認為，2030 年的數位素養應結合對 AI 的實用理解與強大的批判性思考。學生不需要完全了解 AI 系統是如何運作，也不需要掌握其程式設計的技術細節。然而，他們應該足以理解 AI 並非像人類一樣「知道」事物。AI 系統可能會犯錯誤、反映已知的或未被察覺的偏見，並產生看似令人信服的資訊，但並不一定意味著其正確性。這項基本理解為學生提供了使用 AI 的基礎知識，但需謹慎使用。.

對安娜貝爾而言，更重要的能力是學生如何運用這些理解。他們應該對 AI 生成的信息進行質疑，在適當的情況下加以核實，並考慮這些信息可能來自何處，認清涉及安全、隱私和倫理的問題，並決定 AI 是否真的是正確的工具。隨著 AI 在教育、工作和日常生活中的應用日益增多，應展示數位素養，而不僅僅是掌握如何使用 AI 的技巧，而是了解如何、什麼時候以及是否應該以負責任的方式使用 AI。.

我們也詢問了 AI

Business Physics 除了有人類編寫的成員外，還包含合成成員，所以我們也向他們提問了問題。Charlie AI 則注重證據、假設和量化分析。Lena AI 則注重人類、文化與社會因素。.

查理 AI、證據、假設與量化檢驗

Charlie AI 提供了以下結果：學生絕不應該將最終的證據評估完全交給 AI。AI 系統可以幫助尋找資訊、比較來源、識別不一致之處、測試假設，並檢查量化上的主張。然而，它也可能產生錯誤、倚賴弱證據，或提供令人信服的解釋，卻無法充分佐證的結論。使用一個 AI 系統來檢視另一個 AI 系統，並不意味著不需要人類的判斷。.

因此，學生應該學習如何查證一個結論是否真的支持該結論，其背後的假設是否合理，數字是否合乎邏輯，以及哪些資訊可能缺失。人工智能可以透過挑戰學生推理的邏輯並提請注意可能的弱點來強化這個過程，但學生仍必須決定可用的證據是否足以支持所作出的決定。目標並非要讓學生對人工智能產生不信任，而是要養成提問證據與假設的習慣，而不論結論是否來自人、數據集或人工智能系統。.

莉娜 AI：人類、文化與社會的觀點

Lena AI 提供了以下結果：學生應該保持理解商業決策如何影響人們的能力，因為數據並無法完全反映這些影響。人工智能可以識別模式、比較替代方案，並提出建議。然而，人們受到文化、關係、情緒、歷史、信任以及個人情況的影響。因此，從現有的資訊來看似乎合理的建議，可能會有未被人工智能系統完全預期的後果。.

學生應該學習考慮誰會受到決定影響，以及哪些人的觀點可能被忽略，以及不同的人或社群如何以不同的方式體驗同一件事。人工智能可以幫助擴展分析範圍，並發現值得考慮的觀點，但學生仍需要聆聽、觀察、提問，並了解相關人士的背景。應該保留的人類能力是判斷，即能夠從分析的角度認可某項決定是有意義的，但同時又不能適應該決定將會被應用於的情況和對象。.

結果中有個恰當的意味：人工智能正在幫助確定其在人類決策中的作用的界限。.

18 種觀點告訴我們什麼

十六位人與兩位AI代理人來自截然不同的領域，卻都對同一問題做出相同的回答。當一起閱讀時，他們的回答呈現出十種模式。.

基礎建設優先於代表權。. 這是最常被提到的點。艾哈邁德·赫加齊希望學生在依靠人工智能之前，先自己進行市場研究。安·洛克奎爾則對創意工作持同樣的看法，約恩·施萊希則對市場基礎知識持相同看法，而諾亞·泰西爾則針對內容進行討論。克里斯汀·傑拉德則給出了這個構想：一個由基礎構件構成的金字塔，基礎構件位於底部，經驗位於其上，而判斷則由兩者結合而成，而人工智能則位於頂端。.

每個領域的判斷方式都有所不同。. 維尼·庫馬爾描述監督性判斷；安·洛克奎爾描述創造性判斷；內奧米·泰西埃爾描述編輯性判斷；約恩·施萊伊描述自動化判斷；阿布巴卡爾·薩馬克描述人工智能選拔判斷。每個判斷形式都依賴於對該領域的知識。.

監督應與風險相匹配。. 維尼·庫馬爾、塞巴斯蒂安·法弗爾和查理·AI各自得出這個結論。低風險任務需要快速檢查。涉及金錢、人員、隱私或法律義務的決定需要更強的驗證和人工批准。.

責任仍然由該人承擔。. 維尼·庫馬爾、諾米·泰西爾和托馬斯·荷馬薩都表示，將任務委派給人工智能的人仍然對結果負責。.

拒絕使用 AI 是一種技能。. 阿布巴卡爾·薩馬基、安娜貝爾·羅伊、內歐米·泰西爾和約恩·施萊伊都描述了以下情況：正確的選擇是選擇另一種工具、保留該人的參與，或將 AI 的結果置之不理。.

問題出在工具本身之前。. 阿布巴卡爾·薩马凱要求學生從商業問題開始。希希姆·本扎伊爾則問是否有一個系統能解決正確的問題。艾哈邁德·赫加齊則問是否提出了正確的研究問題。.

人們會注意到數據中缺少的部分。. 薇薇安·保爾描述了領袖們透過經驗所建立的知情直覺。莉娜·艾伊則指出文化、情緒、歷史與信任。班納斯海·佩羅維安則指出與顧客的直接經驗、不確定性與失敗。.

波蘭語已不再是品質的證明。. Naomi Tessier、Annabelle Roy 和 Charlie AI 都警告說，人工智能產出的結果可能看起來或聽起來令人信服，但仍然可能不準確或缺乏充分的佐證。.

真理先於訊息。. 林登·約翰遜將誠實置於溝通的核心，許多其他實驗室成員也持類似觀點。學生在決定該說些什麼之前，應該釐清已知的事實以及尚不清楚的狀況。.

商業和技術領域的人員需要共同使用的詞彙。. 希克姆·本扎伊爾稱這種通用的語言為「通用語言」。阿明·蘭傑·巴爾補充說，安全問題應在設計階段提出，而這就需要有足夠知識的商業專業人士來回答這些問題。.

這六項功能是可行的答案。貢獻者可能會以不同的方式閱讀這些模式，而更多貢獻者可能會發現還缺少哪些內容。.

四級責任

這六項能力描述了學生需要發展的技能。接下來的問題是，在人工智能普及的情況下，學生必須親自掌握多少項技能。.

答案因能力而異。實用的做法是區分四個層面的人類責任：必須執行、必須理解、必須驗證、以及必須擁有。.

必須執行

有些功能應該仍可獨立執行，因為執行這些功能能提升專業能力。.

學生可能需要透過溝通來表達想法，分析基本的商業問題，參與困難的對話，估計數字是否合理，或在沒有 AI 協助的情況下做出基本的判斷。.

當活動本身發展出或展示出專業人士仍需要的能力時，獨立表現就變得至關重要。.

必須了解

其他活動可以由 AI 大部分完成，而學生則保留足夠的知識，以了解該過程及其涵義。.

一名經理可以委派他人開發軟體、計算統計數據、設計數據中心冷卻系統，或執行數位行銷活動的每個步驟。然而，該經理仍需要擁有足夠的理解力，與專家溝通、辨識重要涵義，並提出有用的問題。.

隨著商業系統的技術複雜程度日益增加，這層能力的重要性也日益增加。管理者往往會就他們自己無法自行開發的技術做出決定。「必須了解」是指掌握足夠的知識，以便能夠有效參與這些決策，並識別出需要更多專業知識的時機。.

必須驗證

部分工作可以委派給 AI 處理，而人類則決定該結果是否足以供使用。.

驗證需要對證據、風險、背景與結果進行判斷。低風險的任務可能只需要簡單的檢視即可；而影響較大的決策則可能需要獨立的證據、專業意見，或多層次的審核。.

驗證還需要注意答案背後的假設。即使計算結果正確，假設、數據或情境仍會導致該建議不適用。.

必須擁有

即使人工智能在分析過程中扮演了重要角色，有些決策仍需由人來負責。.

人工智能可以識別替代方案、比較情景、估算結果，並提出應遵循的行動方案。然而，負責人仍需要了解為何做出該決定，考慮其更廣泛的後果，並承擔因執行該決定而招致的責任。.

這四個層面為教育工作者提供了一個實用的方法，可決定人工智能在學習活動中應如何應用。它們也將這六項能力與專業責任聯繫起來：

責任與監督 通常要求學生驗證並擁有自己的決定。.
獨立思考與問題構建 這可能要求學生自己進行初步推理。.
證據與驗證 要求學生了解輸出的基礎，並根據風險情況驗證其正確性。.
人際關係與溝通 通常需要人工參與與自主執行。.
專業機構與韌性 要求學生在 AI 無法使用或不適合使用時仍能保持足夠的能力，以便繼續工作。.
人工智能與技術素養 要求學生對技術有足夠的了解，以便選擇適當的工具，提出有根據的提問，並與專家合作。.

REACT與責任感反射

這四個責任層次說明了學生必須執行、理解、驗證或擁有哪些任務。REACT 框架為他們提供了一種實用的方法，讓他們在與 AI 合作時能夠做出這些決定。.

REACT 要求學生考慮五件事：理由、證據、責任、限制因素以及權衡取捨（Hormaza Dow & Nassi，2026）。.

理由將人工智能的使用與明確的目的聯繫起來。學生應該知道為什麼要使用人工智能，以及它應如何貢獻。.

證據問是否該資訊與結果足以用於其預期的用途。檢查的程度應視該項任務的重要性與風險而定。.

問責制 讓所有權保持透明。無論 AI 扮演了什麼角色，一個人仍需對提交的工作和作出的決定負責。.

限制包括隱私、安全、組織規則、法律要求、道德規範、可用的資源以及學習活動的目的。.

折衷方案 要求學生要同時考量效益、成本和後果。商業決策很少能一次性地達到每個目標的最佳狀態。.

交易取捨需要有一個例子作為佐證。一家公司可能採用人工智能來提高生產力，但也同時需要增加計算需求。某項技術可以減少一種環境影響，卻又能增加另一種。延長電腦硬件的使用壽命可以減少材料消耗，但舊式設備最終變得效率低下，以致更換才有意義。自動化可以節省時間，但也可能降低員工或學生發展特定技能的機會。.

專業的判斷意味著認識到這些相互競爭的影響，評估可用的證據，理解背景，並做出一個該人可以辯護的決定。.

持續練習可以讓這些五個問題成為一種習慣。到 2030 年，這份責任感可能會比學生在大學學習使用的特定 AI 界面更重要。.

2030 年之前關於商業教育的十項建議

論文提出了一項實用標準：商業課程應評估學生在與人工智能的合作下能產生哪些成果，以及他們能理解、質疑、驗證、溝通、決策和擁有哪些能力。.

1. 設計 AI 使用方法以符合學習目標

教育工作者應該先確定活動旨在發展的能力，然後以符合該目標的方式引入 AI。.

如果目標是基礎推理，學生可能需要在使用 AI 前進行獨立工作。如果目標是與 AI 進行專業合作，學生應該在記錄自己的決策、檢查結果以及解釋最終判斷時使用 AI。.

2. 評估判斷結果與產出結果的關係

精美化的 AI 輔助產品展示了學生能夠創作的成果。但它卻透露得少得多的學生所理解的內容。.

評估也應該探究學生如何構建問題、選擇資訊、評估 AI 的結果、發現限制、考慮替代方案、理解後果，以及為自己的決定辯護。.

3. 明確地使用四個責任層級

課程應明確指出某項能力是否必須執行、必須理解、必須驗證或必須擁有。.

明確的責任層級能幫助學生理解期望。它也能幫助教育工作者在不限制自主權與不對有用的 AI 應用程式設下過多的限制之間取得平衡。.

4. 將 REACT 養成成專業習慣

學生應該練習辨識人工智能使用的原因、評估證據、釐清責任歸屬、認識限制因素，並考慮到妥協點。.

多次使用可以使這些考慮因素成為專業判斷的正常部分。.

5. 保留生產性努力

學生需要獲得機會來學習、嘗試解決方案、犯錯誤、接受回饋，並調整自己的思維方式。.

人工智能可以消除不必要的障礙。建立持久理解的努力應該繼續下去。.

6. 發展最低可行專業能力

每一位商科畢業生都應該能夠組織出一項基本的商業問題，清晰地溝通，進行合理的計算，理解信息，形成初步的判斷，並在完全不依靠人工智能的情況下決定出合適的下一步行動。.

7. 教導學生在何時尋求人類專業知識

AI 技能的涵蓋範圍應包括認識系統和學生各自的局限性。畢業生應該知道在何時應該聘請會計師、律師、網絡安全專家、工程師、管理人員或其他合格專業人士。.

8. 使責任感看得更清楚

學生應能理解並支持以自己的名義提交的作品。應清楚地知道誰做出決定、誰核實了結果，以及誰對其結果負責。.

9. 思考更廣泛的系統

涉及人工智能的一些商業決策，除了考慮其即時的性能和成本之外，還需要考慮其長期效益和社會價值。.

學生應該學習了解技術的生命週期、其所依賴的基礎設施與資源、其對人與組織的影響，以及可能在以後出現的後果。.

商業學生的系統思考能力必須足以識別出，當一個決策會帶來超出 AI 生成推薦所呈現變數範圍之外的影響，同時亦必須有足夠的判斷力，知道在何時需要技術或環境方面的專業知識。.

10. 使資源意識成為人工智能判斷的組成部分

人工智能可能具有非物質性，但其應用需要空間、水、能源和材料等實體基礎設施。學生不必成為數據中心基礎設施方面的專家，但他們應該了解，人工智能的應用會產生物理影響，而這些影響會因技術、規模和環境而有所不同。.

因此，在決定是否以及如何使用人工智能時，學生們應該考慮的不僅是人工智能能完成什麼樣的工作，還應該考慮其使用是否符合任務的相關性與相稱性。意識到資源的重要性應成為影響人工智能判斷的考慮因素之一，尤其是在人工智能的使用規模日益擴大時更是如此。.

「沒有 AI 的世界」是正確的問題嗎？

這場辯論的一個常見方式是問學生在沒有人工智能的情況下應該能做些什麼。這個問題是有用的，因為它提到了依賴性。一個更持久的問題是問學生還必須了解、執行、驗證和掌握哪些內容。.

商業專業人士已經開始使用電子表格、計算機、數據庫、搜尋引擎以及專門的軟體。沒有人會要求會計師放棄電子表格作為表現的憑證。表現的標準是人們是否妥善使用他們的工具，以及是否足以做出明智的決策。同樣的標準也適用於人工智能。.

有些功能仍應獨立執行；有些仍應被理解；有些工作可能由他人負責，但必須經過核實；有些決策最終仍應由一個人負責。.

人工智能的技術能力將持續改變。發展有能力的人才的教育責任將依然存在。.

到 2030 年

回到瑪雅及其三項精準的成果。.

客戶問她為什麼預測會達到 12% 的成長率。雖然 AI 可能已經得出這個預測，但 Maya 仍需要了解這個假設的背景，評估其背後的證據，解釋為何這算合理，並認清哪些因素可能會導致錯誤，同時也要承擔使用該模型的責任。.

這一時刻反映了商業教育所面臨的更大挑戰。到2030年，學生可能會經常與人工智能系統合作，這些系統能夠進行研究、計算、分析、比較、推薦、溝通，並越來越能為他們執行任務。.

商業教育必須保持人們判斷、獨立思考、評估證據、與他人互動、理解現行技術的能力。這些能力必須保持足夠強健，才能讓畢業生能夠理解所面對的問題、識別 AI 是否不可靠或不恰當、在不確定情況下做出決策、考慮更廣泛的後果、與他人溝通、在必要時尋求專業意見，並擁有成果的所有權。.

人工智能可以加速分析、拓展選擇范圍、識别模式，并執行复雜任務。這些功能提高了人類判斷的重要性，因為人們仍然需要決定哪些信息重要、哪些证据值得重視、哪些后果是可以接受的，以及應該采取哪些行動。.

想像一下，一位未來管理人員正在評估一個 AI 基礎架構的提案。 AI 可能會比較成本、估算電力需求、分析不同的技術、計算生命週期影響，並推薦一個選項。但該管理人員仍必須決定哪些因素值得考慮。成本和性能至關重要，但可靠性、隱私、能源、水、材料、員工、社區影響以及長期依賴特定技術或供應商也同樣重要。這些因素在決定和情境下會有所不同。.

計算與決策是兩種不同的工作方式。.

人工智能可以幫助確定可行性、比較替代方案，並辨識其後果。在決定哪些後果是重要的、如何評估競爭性優先事項、當可用的證據足夠時、以及在何時需要專業的專業知識，以及該採取何種行動時，仍需要人類的判斷。.

當人工智能評估職務應聘者時，亦會適用同樣的區分；當它推薦市場策略時，亦會將客戶視為信用風險；當它提出項目時間表時，亦會為危機提供預測；當它推薦投資時，亦會提出類似的區分。.

隨著人工智能在計算、分析、比較和推薦方面的能力不斷提高，學生就需要對最終決定中哪些內容值得考慮有更強的判斷力。.

這並不意味著學生必須自己執行所有任務。有些功能必須能夠獨立執行；有些則必須能充分理解，以便進行質疑和解釋。人工智慧生成的工作，有些時候必須經過驗證，驗證的程度應視相關風險而定。而且，無論人工智能在其中扮演了多大的角色，最終仍必須由人來決定。.

一個使用 AI 進行出色分析的學生，代表著重要的專業能力。教育工作者也需要證據證明該學生所了解、能識別、能解釋、能決定以及準備承擔責任的內容。.

對一個智能系統的存取並不能自動產生智能的決策。.

隨著機器在執行業務方面變得越來越出色，大學院校需要更加注重他們持續發展的人才能力。一個具備AI技能的畢業生將需要兩種能力：一方面是與越來越具備能力的機器有效合作的能力，另一方面則是在此同時保持良好能力和責任感的能力。.

當客戶問到為什麼時，瑪雅應該也能給出自己的答案。.

AI 使用聲明

這篇文章所涉及的問題，有兩位 AI 代理程式——Charlie AI 和 Lena AI——都為解答提供了貢獻。他們的解答在「我們也向 AI 詢問了問題」部分被標示為 AI 出力。這篇文稿的 AI 助理（Claude、Anthropic）則負責編排這篇文章。而撰寫這篇文章的人員亦已審閱了全文，並對其內容負有責任。.

參考

荷馬薩·道夫、T.及納西·M.（2026年3月11日）。在高等教育中使用人工智能時的判斷能力教學：REACT框架的採用相關資源——協會網上研討會。Zenodo。PÉEC網上研討會：在高等教育中使用人工智能時的判斷能力教學，加拿大魁北克省。. https://doi.org/10.5281/zenodo.20259032