無為而治：把整間公司變成上下文的產品哲學

前言

給自己、給團隊成員、給想了解我們導入 AI 哲學的人

2026 年 3 月，我加入「卡柏蒂」（CUPETIT），擔任資訊長。簡單說我的任務就是：把「卡柏蒂」像「台灣狗語」那樣 AI 化。

在「台灣狗語」跟 Summer 一起成長的那段時間，我已經感受過 AI 對組織的威力了。也是因為這些見解，我才有機會加入「卡柏蒂」，挑戰更大規模組織的 AI 化問題。

「卡柏蒂」是烘焙產業，有門市人員、有烘焙師傅、有工廠產線，角色超多，每個角色工作內容跟流程都不一樣，數位工具的使用跟認知也不一樣。

所以我加入後，就把我做到一半要給「台灣狗語」用的 AI 工具，調整成「卡柏蒂」的架構（Summer 哭哭）。

一、把 AI 當員工養，不是工具用

AI 應該被當員工養，它沒薪水、不下班、24 小時待命，但跟你公司其他員工一樣，需要懂你公司在做什麼，才能幫得上忙。

AI 就像一個哈佛修過所有科系的超級高材生，就算他這麼屌，第一天到你公司上班，問他廁所在哪他也是不知道（阿不是很聰明）。

每次互動都從零開始，每次對話都要重新交代背景。

AI 該是公司的作業系統

這不是我說的，YC 都這樣說了：https://www.youtube.com/watch?v=EN7frwQIbKc

「AI 該是公司的作業系統（OS）」

AI 應該是企業的 OS，所有跟組織知識、決策、協作有關的動作都跑在它上面。

但這個作業系統要有料，必須要有豐富的 context。

所以要建立 context 的封閉迴圈，不斷產生 context 內容，讓 context 無限逼近真實公司的樣貌。

二、Context 是活的，會互相連結

公司的真實狀態完全相反，公司是活的，隨時都有新的 context 產生。

舉個例子：

1. 上週五

   業務會議結論是 A 客戶要在月底簽約

2. 週一早上

   客戶突然 email 說要改條款

3. 原本的會議結論瞬間半作廢

   要重新討論的有：報價結構、專案排期、甚至產品優先順序

這在公司裡每天都在發生，沒有一個「結論」是真正的結論，每一個結論都還會被下一場會議、下一個案子、下一個客戶反饋修改。

這就是人生啊～

所以會議記錄當下就是公司最新的狀態，歷史累積起來就變成公司的決策走向。

從這裡出發，設計一個迴路，讓它封閉起來，並且可以對應到會議後的 Action，然後 Review、Check，成為一個 PDCA 的循環。

這就是我去年在 AI 小聚上面分享的主題。

Part1：兩人公司新型態：我們如何把整間公司，變成 AI 的「上下文」

Part2：親愛的我把整間公司變成上下文

這次是我跟北鼻去年在忘年會上的分享，後面還有一段跟 Peggy 的訪談，大推啦。想看的話建議你去訂閱慕約的 AI Pro 就能看了，值得（還能來今年年會看我繼續講XD）

Context 還有第二個關鍵特徵：互相連結

光「活」還不夠，Context 還要互相連結。

一場會議的結論連到後續任務、任務的執行結果連回原本的專案、專案彼此連回公司目標。

每一個資訊片段都跟其他片段有關聯。

AI 拿到的不是「一堆零散文件」，是「一張結構化的網」，它能順著任何一條線索，走到所有相關的脈絡。

這個結構讓 AI 變成「超級懂公司的天才」，還不夠懂那就是因為你的 context 有缺口，只要有缺口，那你就不會失業 XD

整個組織對 AI 是「可查詢」的

「活 + 互相連結」加在一起，會形成一個關鍵特徵：整個組織對 AI 是可查詢的。

「可查詢」不只是「資料能搜到」這麼簡單，意思是公司每一個動作都會用 AI 看得懂的格式留下來，AI 隨時想引用任何片段，都查得到、看得懂、能用上。

絕大多數企業 IT 系統累積的東西「人類看得懂、AI 看不懂」：

• Word 檔散在各人電腦
• PDF 報告塞在共用磁碟
• 會議結論寫在不同格式的紀錄
• 超級無敵霹靂複雜的 excel 表單在 google drive 上面
• 口頭交辦的細節根本沒留下

AI 努力了，但 AI 不說。

問題不是 AI 不夠聰明，是 Context 沒有「AI 友善的版本」。

「無為」的做法是把所有產出（會議、任務、目標、決策、知識條目）一進系統就結構化、加上脈絡標記、互相鏈結，整張網對 AI 來說是可讀的、可查的、可推理的。

剛好又跟大神 Andrej Karpathy 的 LLM wiki 概念不謀而合 https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

三、引擎：PDCA 永動機

「活、互相連結、可查詢」聽起來很抽象，具體怎麼讓這個 context 持續長大？

PDCA 永動機

   Plan：會議決策（要做什麼）
       ↓
   Do：任務執行（AI 協助）
       ↓
   Check：經驗沉澱（會議紀錄）
       ↓
   Act：context 擴充
       ↓
   下次決策更準
       ↓
   （回到 Plan，永動）

每跑一輪，AI 對公司的理解就深一層；每跑一輪，下次 AI 的輸出更讓你覺得媽呀我要起飛辣 XD

迴圈要能自我迭代

如果你有上過李宏毅老師的 AI 課，你就知道 LLM 的原理就是文字接龍。

一開始你的 context 爛的就像一坨屎，你努力製造了一些好東西一起送進去 LLM，AI 就吐出了沒那麼爛的大便，你吃下這些大便後再努力優化，最終就會慢慢得到人工智慧精華，你的 context 也就變成黃金了。

四、護城河：累積的結果

PDCA 跑久了，公司就累積了一個別人搬不走的資產。

Context 是公司運作的「集體記憶」：

• 過去所有客戶的歷史互動跟處理脈絡
• 每一個決策當初為什麼這樣做
• 哪些主管在什麼情況下會做什麼判斷
• 哪些供應商在交期吃緊時的真實態度
• 哪類案子過去都怎麼處理、結果如何

這些東西過去只在資深員工腦袋裡。

一個員工離職，這份知識就走掉一塊，新人進來又要重新學。

「無為」把這些東西從個人腦袋搬到公司資產裡。

這樣看起來好像員工變成免洗道具，我的看法是：「無為」讓員工站在巨人的肩膀上（過去夥伴經驗），大家不用再重新學組織已經知道的東西，可以去嘗試、開發組織還沒摸過的領域，追求極致跟創新。

對組織來說這就是商業護城河，這個價值是「累積優勢」，累積越深，未來 AI 模型越來越強，複利只會更可觀。

Context 是你的！是你的！是你的！

我現在可以享受 Opus 4.7 的 1M context window，也可以讓 OpanAI Image2.0 出漂亮設計稿。

Token 的成本優勢也是企業使用 AI 的重要優勢（省 token 錢是一個大學問）。

五、邊界：人定規矩，AI 自由跑

那 AI 能做什麼、不能做什麼，誰決定？

無為：人定規矩，AI 在規矩內自由發揮。

「規矩」分成兩個面向：

兩個面向加起來就是 AI 的「行動範圍」，範圍訂死了，AI 在範圍內就可以最大膽地工作。

權限規矩：結構性隔離

中小企業老闆問 AI 工具第一名熱門問題永遠是：

「我的客戶名單會不會外洩？員工會不會看到不該看的東西？」

「無為」把資料邊界做進產品的結構本身，每一個使用者有自己的獨立 AI 工作空間。

未授權的資料對 AI 來說物理上根本不存在。

物理隔離可以用 Container 技術就能實現，因為這樣我們買了一台 Mac Studio 供養「無為」！

六、為什麼買 Claude 給每個員工用沒辦法讓公司 AI 化

我們來看「公司導入 AI」這件事最常見的起手式：

買 ChatGPT Team / Claude / Gemini / Copilot 給全公司，等大家自己學會用

這是大多數老闆心裡的「導入 AI」，這樣做會遇到兩個問題。

問題一：員工不會「真的學起來」

「會用 ChatGPT」跟「會用 AI 工作」是兩件完全不同的事。

簡單說要真的熟練使用 AI，是需要大量時間學習和使用，速成的就是速成的品質。

如果 AI 本身不在員工原本的工作流程裡，過陣子就忘了。

員工不會為了「我學過要用 AI」這個義務感，去打開另一個 app、貼一段 prompt、再把結果複製回來，太麻煩。

總之有一百個理由容易在這一關失敗。

還有另一個比較成功的劇本：公司內部先從小團隊開始導入，團隊內個人生產力提升，再逐步擴大到全公司，這個方式成功在於大家都熱衷於 AI 後產生的化學效應，個人效率的提升，那真的很棒（卡柏蒂就是這樣）。

接下來多少會要面對接下來的第二個問題。

問題二：個人 AI 解決不了公司協作的問題

更根本的問題在這裡：「每個人各自用 AI」跟「公司建立 AI OS」是兩個不同的角度。

個人使用 AI（買 Claude / Gemini / ChatGPT 給每個員工）：

   人 ↔ 機

   每位員工都有自己的 AI 助理

公司使用 AI（用無為）：

   人 ↔ 機 ↔ 人 ↔ 機 ↔ 人

   AI 是協作的中央節點
   全公司共享同一個 AI、同一份累積的 context

個人各自用 AI 就是「人 ↔ 機」，員工 A 開了 ChatGPT 跟 AI 對話、員工 B 開了 Claude 跟 AI 對話，兩個對話之間沒有任何聯繫。

各自的 context 鎖在各自的訂閱帳號裡，公司本身得不到任何累積。

公司用「無為」是「人 ↔ 機 ↔ 人」，員工 A 跟 AI 互動產生的 context，員工 B 也能用；員工 B 在會議裡的決策，員工 C 之後查歷史時 AI 會引用。

AI 在中間，把人跟人的協作串起來，還可以用組織想要的方式引導使用者。

無為同時解決兩件事

回頭看這兩個問題，「無為」的設計同時回答了它們：

這兩件事缺一個都不行：

• 只解決第一個，AI 變成個人助理，公司沒受益
• 只解決第二個，工具沒人會用，協作網是空的

NoWay to Riches

「無為而治」這四個字出自老子《道德經》，意思不是不做事，而是讓事情用它該有的方式自然發生。

這個概念完美符合我對組織跟 AI 協作的想像。

看到「無為」的變化跟每天大量的同事回饋，讓我看到更多想做的事情。

也不斷逼我思考在開發上有沒有像「無為」這樣的閉環可以穩定有效。

這等我下次再來分享。

給自己、給團隊成員、給想了解我們導入 AI 哲學的人

2026 年 3 月，我加入「卡柏蒂」（CUPETIT），擔任資訊長

簡單說我的任務就是：把「卡柏蒂」像「台灣狗語」那樣 AI 化

在「台灣狗語」跟 Summer 一起成長的那段時間，我已經感受過 AI 對組織的威力了

也是因為這些見解，我才有機會加入「卡柏蒂」，挑戰更大規模組織的 AI 化問題

現在主流的 AI 工具（ChatGPT、Notion AI、Claude Cowork）解決的是「個人」用 AI 的問題，沒在解決「公司」用 AI 的問題

一家公司導入這些工具之後，最後得到的就是「員工各自會用 AI 一點點」，這跟「公司本身變成 AI 化的組織」不太一樣

不是隨便找一個人，幫他付一個月 5 萬塊的 AI 訂閱，他就變成一人公司超強團隊原地起飛

「卡柏蒂」是烘焙產業，有門市人員、有烘焙師傅、有工廠產線，角色超多
每個角色工作內容跟流程都不一樣，數位工具的使用跟認知也不一樣

所以我加入後，就把我做到一半要給「台灣狗語」用的 AI 工具，調整成「卡柏蒂」的架構（Summer 哭哭）

還給他取了一個自以為的名字：無為

沒錯！還加碼諧音梗，英文叫 NoWayLM

一、把 AI 當員工養，不是工具用

AI 應該被當員工養，它沒薪水、不下班、24 小時待命，但跟你公司其他員工一樣

需要懂你公司在做什麼，才能幫得上忙

AI 就像一個哈佛修過所有科系的超級高材生，就算他這麼屌，第一天到你公司上班，問他廁所在哪他也是不知道（阿不是很聰明）

每次互動都從零開始，每次對話都要重新交代背景

AI 該是公司的作業系統

這不是我說的，YC 都這樣說了：https://www.youtube.com/watch?v=EN7frwQIbKc

「AI 該是公司的作業系統（OS）」

AI 應該是企業的 OS，所有跟組織知識、決策、協作有關的動作都跑在它上面

但這個作業系統要有料，必須要有豐富的 context

所以要建立 context 的封閉迴圈，不斷產生 context 內容
讓 context 無限逼近真實公司的樣貌

理想上，任何人拿到你公司的 Context 都可以無痛成立一家一模一樣的公司

二、Context 是活的，會互相連結

公司的真實狀態完全相反，公司是活的，隨時都有新的 context 產生

舉個例子：

上週五的業務會議結論是 A 客戶要在月底簽約

週一早上客戶突然 email 說要改條款

原本的會議結論瞬間半作廢，要重新討論的有：報價結構、專案排期、甚至產品優先順序

這在公司裡每天都在發生，沒有一個「結論」是真正的結論，每一個結論都還會被下一場會議、下一個案子、下一個客戶反饋修改

這就是人生啊～

所以會議記錄當下就是公司最新的狀態，歷史累積起來就變成公司的決策走向

從這裡出發，設計一個迴路，讓它封閉起來，並且可以對應到會議後的 Action，然後 Review、Check，成為一個 PDCA 的循環

這就是我去年在 AI 小聚上面分享的主題

Part1：兩人公司新型態：我們如何把整間公司，變成 AI 的「上下文」

Part2：親愛的我把整間公司變成上下文

這次是我跟北鼻去年在忘年會上的分享，後面還有一段跟 Peggy 的訪談，大推啦
想看的話建議你去訂閱慕約的 AI Pro 就能看了，值得（還能來今年年會看我繼續講XD）

Context 還有第二個關鍵特徵：互相連結

光「活」還不夠，Context 還要互相連結

一場會議的結論連到後續任務、任務的執行結果連回原本的專案、專案彼此連回公司目標

每一個資訊片段都跟其他片段有關聯

AI 拿到的不是「一堆零散文件」，是「一張結構化的網」，它能順著任何一條線索，走到所有相關的脈絡

這個結構讓 AI 變成「超級懂公司的天才」，還不夠懂那就是因為你的 context 有缺口，只要有缺口，那你就不會失業 XD

整個組織對 AI 是「可查詢」的

「活 + 互相連結」加在一起，會形成一個關鍵特徵：整個組織對 AI 是可查詢的

「可查詢」不只是「資料能搜到」這麼簡單，意思是公司每一個動作都會用 AI 看得懂的格式留下來，AI 隨時想引用任何片段，都查得到、看得懂、能用上

絕大多數企業 IT 系統累積的東西「人類看得懂、AI 看不懂」：

• Word 檔散在各人電腦
• PDF 報告塞在共用磁碟
• 會議結論寫在不同格式的紀錄
• 超級無敵霹靂複雜的 excel 表單在 google drive 上面
• 口頭交辦的細節根本沒留下

AI 努力了，但 AI 不說

問題不是 AI 不夠聰明，是 Context 沒有「AI 友善的版本」

「無為」的做法是把所有產出（會議、任務、目標、決策、知識條目）一進系統就結構化、加上脈絡標記、互相鏈結，整張網對 AI 來說是可讀的、可查的、可推理的

剛好又跟大神 Andrej Karpathy 的 LLM wiki 概念不謀而合 https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

三、引擎：PDCA 永動機

「活、互相連結、可查詢」聽起來很抽象，具體怎麼讓這個 context 持續長大？

PDCA 永動機

   Plan：會議決策（要做什麼）
       ↓
   Do：任務執行（AI 協助）
       ↓
   Check：經驗沉澱（會議紀錄）
       ↓
   Act：context 擴充
       ↓
   下次決策更準
       ↓
   （回到 Plan，永動）

每跑一輪，AI 對公司的理解就深一層
每跑一輪，下次 AI 的輸出更讓你覺得媽呀我要起飛辣 XD

迴圈要能自我迭代

絕大多數的人或組織日常運作是這樣：

• 開完會就結束、決策完不追蹤後果
• 客戶反饋進來、各自處理、沒有全公司視角
• 跑完專案、覆盤做不做隨人，下次新專案重蹈覆轍

這種運作方式有一個致命特徵：公司不會自動變聰明，績效看員工工作能力，員工年資累積，公司能力不累積

「無為」把每一個日常動作都設計成迴路的一動：

• 會議的決議自動連到後續任務
• 任務的執行結果自動回到目標
• 跨部門摩擦的歷史模式自動識別、提醒下次要注意
• 每個動作都會被 AI 考慮是否成為 Context 的一部分

每一個動作都是「下一輪的輸入」，沒有真正「結束」的動作

如果你有上過李宏毅老師的 AI 課，你就知道 LLM 的原理就是文字接龍

一開始你的 context 爛的就像一坨屎，你努力製造了一些好東西一起送進去 LLM
AI 就吐出了沒那麼爛的大便，你吃下這些大便後再努力優化，最終就會慢慢得到人工智慧精華
你的 context 也就變成黃金了

四、護城河：累積的結果

PDCA 跑久了，公司就累積了一個別人搬不走的資產

Context 是公司運作的「集體記憶」：

• 過去所有客戶的歷史互動跟處理脈絡
• 每一個決策當初為什麼這樣做
• 哪些主管在什麼情況下會做什麼判斷
• 哪些供應商在交期吃緊時的真實態度
• 哪類案子過去都怎麼處理、結果如何

這些東西過去只在資深員工腦袋裡

一個員工離職，這份知識就走掉一塊，新人進來又要重新學

「無為」把這些東西從個人腦袋搬到公司資產裡

這樣看起來好像員工變成免洗道具，我的看法是：「無為」讓員工站在巨人的肩膀上（過去夥伴經驗），大家不用再重新學組織已經知道的東西，可以去嘗試、開發組織還沒摸過的領域，追求極致跟創新

對組織來說這就是商業護城河，這個價值是「累積優勢」，累積越深，未來 AI 模型越來越強，複利只會更可觀

Context 是你的！是你的！是你的！

主流 AI 工具（ChatGPT、Claude）它們的產品會努力把「知識累積」跟「AI 服務」綁在一起

這是商業設計，他們就是想讓你「離不開」他

「無為」是我開發的，自幹的好處是自由，缺點就是很多東西要自己來
Bug 要修、功能要自己開發，但現在 AI 越來越強，這個缺點會越來越小

「無為」核心想要做的是累積層，把公司的知識轉成結構化、跟任何 LLM 都相容的格式

底層的 AI 服務商（OpenAI、Anthropic、Google、未來會出現的、甚至地端模型）對我們來說就是可以隨時替換的引擎

AI 服務商對我來說切換成本是 0
只要最強模型每個月都還在換，那我就不會被綁住，不會被養套殺

我現在可以享受 Opus 4.7 的 1M context window
也可以讓 OpanAI Image2.0 出漂亮設計稿

Token 的成本優勢也是企業使用 AI 的重要優勢
（省 token 錢是一個大學問）

五、邊界：人定規矩，AI 自由跑

那 AI 能做什麼、不能做什麼，誰決定？

無為：人定規矩，AI 在規矩內自由發揮

「規矩」分成兩個面向：

1. 權限規矩，AI 看得到什麼資料、看不到什麼
2. 行動規矩，AI 能直接寫入嗎，還是要先過人審核

兩個面向加起來就是 AI 的「行動範圍」，範圍訂死了，AI 在範圍內就可以最大膽地工作

權限規矩：結構性隔離

中小企業老闆問 AI 工具第一名熱門問題永遠是：

「我的客戶名單會不會外洩？員工會不會看到不該看的東西？」

「無為」把資料邊界做進產品的結構本身，每一個使用者有自己的獨立 AI 工作空間

未授權的資料對 AI 來說物理上根本不存在

• AI 不被允許看，但有可能被惡意使用者情勒，就不小心說出來了
• AI 沒東西可以看，沒有就沒有，硬要那只能給幻覺了

物理隔離可以用 Container 技術就能實現，因為這樣我們買了一台 Mac Studio 供養「無為」！

什麼？想要養 Openclaw 龍蝦，結果 Mac mini 賣到缺貨？
看我這台 Mac Studio 帝王蟹 XDDDD

現在就怕有人把整台帝王蟹幹走（以防你不知道 mac studio 有鎖） 

六、為什麼買 Claude 給每個員工用沒辦法讓公司 AI 化

我們來看「公司導入 AI」這件事最常見的起手式：

買 ChatGPT Team / Claude / Gemini / Copilot 給全公司，等大家自己學會用

這是大多數老闆心裡的「導入 AI」，這樣做會遇到兩個問題

問題一：員工不會「真的學起來」

「會用 ChatGPT」跟「會用 AI 工作」是兩件完全不同的事

• 會用 ChatGPT = 會問問題、會寫 prompt、會貼上下文
• 會用 AI 工作 = 知道什麼任務該丟給 AI、知道怎麼把 AI 嵌進日常流程、知道怎麼判斷 AI 答得對不對、知道什麼時候該相信、什麼時候該再問人

簡單說要真的熟練使用 AI，是需要大量時間學習和使用，速成的就是速成的品質

如果 AI 本身不在員工原本的工作流程裡，過陣子就忘了

員工不會為了「我學過要用 AI」這個義務感，去打開另一個 app、貼一段 prompt、再把結果複製回來，太麻煩

總之有一百個理由容易在這一關失敗

結果就是買了 AI 訂閱、做了訓練、宣導也做了，三個月後查使用率，多數帳號從沒登入過、有用的也大多停在翻譯跟寫信

還有另一個比較成功的劇本：公司內部先從小團隊開始導入，團隊內個人生產力提升，再逐步擴大到全公司，這個方式成功在於大家都熱衷於 AI 後產生的化學效應，個人效率的提升，那真的很棒（卡柏蒂就是這樣）

接下來多少會要面對接下來的第二個問題

問題二：個人 AI 解決不了公司協作的問題

更根本的問題在這裡：「每個人各自用 AI」跟「公司建立 AI OS」是兩個不同的角度

個人使用 AI（買 Claude / Gemini / ChatGPT 給每個員工）：

   人 ↔ 機

   每位員工都有自己的 AI 助理

公司使用 AI（用無為）：

   人 ↔ 機 ↔ 人 ↔ 機 ↔ 人

   AI 是協作的中央節點
   全公司共享同一個 AI、同一份累積的 context

個人各自用 AI 就是「人 ↔ 機」，員工 A 開了 ChatGPT 跟 AI 對話、員工 B 開了 Claude 跟 AI 對話，兩個對話之間沒有任何聯繫

各自的 context 鎖在各自的訂閱帳號裡，公司本身得不到任何累積

公司用「無為」是「人 ↔ 機 ↔ 人」，員工 A 跟 AI 互動產生的 context，員工 B 也能用；員工 B 在會議裡的決策，員工 C 之後查歷史時 AI 會引用

AI 在中間，把人跟人的協作串起來，還可以用組織想要的方式引導使用者

無為同時解決兩件事

回頭看這兩個問題，「無為」的設計同時回答了它們：

這兩件事缺一個都不行：

• 只解決第一個，AI 變成個人助理，公司沒受益
• 只解決第二個，工具沒人會用，協作網是空的

NoWay to Riches

「無為而治」這四個字出自老子《道德經》，意思不是不做事，而是讓事情用它該有的方式自然發生

這個概念完美符合我對組織跟 AI 協作的想像

過去一個多月我一天的密度大概像是以前的三天，原本一個 claude code max 訂閱用到嚇嚇叫

現在有 5 個 claude max 加上 1 個 OpenAI pro 訂閱⋯

看到「無為」的變化跟每天大量的同事回饋，讓我看到更多想做的事情

也不斷逼我思考在開發上有沒有像「無為」這樣的閉環可以穩定有效

這等我下次再來分享