台中有個做螺絲五金的老闆，去年十月找我吃飯。他說，公司三個月前導入了視覺AI檢測系統，專門抓瑕疵品。工程師上週跑來告訴他，準確率94%。
他問我：「這樣算好嗎？」
我反問他：「你以前人工抽檢，漏掉的瑕疵大概幾%？」
他愣了一下，說他不知道。
那個「不知道」，才是真正的問題。不是他不懂神經網絡，是他從來沒有用一個可以比較的基準去問問題。94%比什麼好？比什麼差？沒有基準，這個數字就只是一個數字。
大多數非技術背景的老闆，在AI轉型這件事上，卡關的方式差不多就兩種。
第一種是全權委託。工程師說什麼就做什麼，老闆完全沒有能力判斷方向對不對。跑了半年，發現AI系統解決的問題，根本不是公司最需要解決的問題。我碰過一家做食品包裝的廠商，花了七個月做AI排班系統，後來發現他們最大的痛點是訂單預測準確率太低，庫存壓死現金流。排班AI上線了，痛還在那裡。
第二種是強裝懂。老闆覺得自己應該要懂，就開始硬問技術細節。「這個模型的loss函數對嗎？」工程師開始解釋，老闆聽不太懂，點頭，問下一個問題。會議結束，沒有一個決策被推進。工程師走出會議室，心裡想的是：「老闆到底要什麼？」
這兩條路都走不通，根本問題不是老闆應不應該懂技術，而是老闆有沒有在問對的問題。
你不需要懂模型，但你需要懂「問什麼」
我陪過不少企業主跑AI導入，慢慢整理出一件事：非技術背景的老闆，只需要在三個層次上問問題。
第一層：方向問題。「這個AI解決的，是我們公司目前最貴的問題嗎？」
這個問題，大部分老闆沒問過。因為他們在「怎麼導入」這件事上花了太多力氣，反而忘了問「導入這個，是為了解決哪個問題？那個問題現在還是最重要的嗎？」方向問對了，技術細節才有意義。方向問錯了，技術做得再好，對業務也沒幫助。
第二層：成本問題。「這個效果，值這個投入嗎？」
94%準確率好不好，取決於你的行業標準和投入成本。老闆要做的，是要求把技術指標翻譯成業務語言：「這個準確率，每個月省多少退貨成本？省下多少人工時數？換算下來，值回這個系統的費用嗎？」這個翻譯不需要老闆自己去算，但需要老闆去要求工程師做這件事。很多工程師不會主動翻譯，不是因為他們不在乎，而是他們習慣在技術語言的世界裡溝通。
第三層：學習問題。「這一輪跑完，我們學到了什麼？下一步要不要調方向？」
AI轉型不是一次性的事。第一版上線，通常不是最好的版本，是讓你知道「問題其實長這樣」的版本。很多老闆把AI系統上線當成終點，然後發現三個月後系統還是原來那樣，沒有越來越好。因為沒有人問「我們這一輪學到什麼」。
易經在這裡有個很實用的邏輯
我拿易經卦牌輔助決策做了好幾年，剛開始有些客戶覺得奇怪——AI時代了，這個拿來做什麼？
但有一件事，用過之後大家都承認：問卦之前，你必須把問題想清楚，再下去問。「我最近運氣好不好」這種問法，問不出有用的卦象。「我正在考慮和供應商重新談合約條件，這個時機點合不合適」這種具體問法，才能讀出有方向的答案。
問清楚，卦才準。
這個邏輯，和帶AI團隊是同一回事。你問工程師「AI進展怎麼樣」，你得到「還可以」。你問「這個月模型在哪幾個場景的表現退步了？原因是什麼？下一版要改什麼？」，你得到的是能推進決策的答案。
問的質量，決定答案的質量。老闆的技術背景不決定他能不能帶好AI團隊，但他問問題的習慣，決定了一切。
實務上怎麼做
設一個「業務翻譯」的報告格式。每兩週，要求工程師只講三個數字、一個進展、一個需要老闆決策的選項。這個格式逼著工程師把技術語言翻成老闆能判斷的東西。他們一開始會不習慣，但過幾次之後，整個會議的品質就不一樣了。
把你的角色定義清楚。老闆進會議室不是去驗收技術對不對，是去確認「方向還對嗎」「這個成果，跟我們當初設定的目標，差在哪裡」。技術判斷留給工程師，方向判斷是老闆的責任。
不懂的時候，問一個更清楚的問題，不要直接說「你們決定」。「你們決定」看起來是授權，但很多時候是老闆在迴避自己其實不確定方向的事實。那個不確定，往往才是最需要討論的東西。
那個台中的老闆，後來在下一次開會之前，請工程師準備一頁紙——把94%準確率翻譯成每月減少幾件退貨、省多少錢，再對比以前人工抽檢的成本。
數字出來之後，他說：「原來這樣算，這個系統值得繼續做。」
然後他問了第二個問題：「那下一步，我們最需要提升的是哪個場景？」
那次會議，才真正像個決策會議。