凌晨兩點。我盯着螢幕上四個並行運作的視窗。一個在處理客戶材料。一個在修程式碼。一個在追讀未看的 Slack 訊息。第四個卡在 API 速率上限，等我做決定。我不是在用 AI，我是在管理 AI——像個凌晨兩點還在巡線的工廠領班。
兩個月前，我以為自己已經摸到了 AI 能為我做的事的天花板。自 GPT-3.5 起我每天都在用它——兩年的對話，一個更聰明的討論對象，僅此而已。然後聊天停止了，管理開始了。這兩種模式之間的鴻溝——跟 AI 聊天，與真正跟 AI 一起工作——結果是我職業生涯中最重要的一次跨越。這是一份來自對岸的現場報告，也包括那些失敗。
我為自己築的天花板
我不是 AI 的旁觀者。我經營一家全面擁抱 AI 的公司。我寫過 Python、用過 API、追過研究。我每天用它好幾次——起草備忘錄、壓力測試策略、準備會議。
而那份自在，正正就是陷阱。
因為我在做的事——全部——都是聊天。開一個分頁，問一個問題，得到一個答案，關掉分頁。下次從頭再來。我用 AI 的方式，跟大多數高管一樣：把它當作一個可以聊天的聰明助理，而不是一個可以共事的同事。這段路上我也試過打包好的 agent 產品。Manus 能記住一份簡報、跨工作階段追蹤脈絡——做簡報時很有用，但互動方式依然是：我下指令，它執行，一步一步來。
我知道有寫程式的副駕駛——GitHub Copilot 之類。但我是行政總裁，不是工程師。我寫過的程式碼，足夠讓我闖禍，不足夠讓我有產出。坐進 IDE 的念頭，感覺像職業生涯在倒退。我在不知不覺間把工具分了類：這個是給程式員的，那個是給管理層的。那道天花板不是工具設下的，是我自己築的。我早就決定了什麼叫「適合我這種人」，然後就不再往外看。
那道牆倒下來的感覺
我們的技術總監推我去試 Cursor。一個 IDE——程式員的工具。我已經好幾年沒認真寫過程式。但好奇心贏了。
Cursor 不在乎你的職銜。你用日常英文描述你想要什麼，它就建——不是自動補完，是施工。對一個一直與實作隔着一步、能寫規格卻從來造不出東西的人來說，那感覺就像一堵牆倒了下來。我第一次能碰到實作那一層。
然後他又推我去用 Claude Code——Anthropic 的命令列 AI agent——有些東西就此裂開了。
Cursor 是個聰明的副駕駛——方向盤仍在你手上，一行一行地開。Claude Code 則是個同事。我描述目標。它推理問題、提出釐清的疑問、寫程式、測試、修好壞掉的地方。它把整個項目都記在腦裏——有哪些檔案、它們怎樣連起來、我們昨天做了什麼。我的角色由「寫」變成「審」。瓶頸由我的技術能力，轉移到兩件截然不同的事：我能把想要的東西講得多清楚，以及我能把交回來的東西判斷得多準。
而這兩項能力，恰恰就是行政總裁的能力。我一直告訴自己寫程式的工具不適合我。我沒意識到的是，那些工具已經搬到我原本站着的地方了。
然後我發現了 OpenClaw——一個開源的多 agent 框架——腳下的地板又塌了一層。
Manus 到 Cursor 到 Claude Code 到 OpenClaw。整段歷程大約三到四個星期，是一條加速曲線：每一跳都比上一跳更快、更深。到最後，我用的已經不是單一 AI 工具。我在運行一個系統。
加速曲線：每一跳都比上一跳更快、更深
對岸的風景
以下是那道鴻溝對岸的樣子——這大概一個月後就會不一樣：
我跑兩層。OpenClaw 是常駐那一層。它坐在一台雲端伺服器上，監察我們公司的 Slack，處理經營一盤生意的日常節奏：消化團隊更新、執行外聯流程、追蹤客戶請求、就死線提醒團隊。把那些散落在人、工具與頻道之間、以前沒人有時間串起來的碎片，一點一點扒攏。
Claude Code 是深度專注那一層。當我需要對一件事想得很深——寫這篇文章、設計一套新的工作流程、debug OpenClaw 本身——我就坐進 Claude Code。OpenClaw 是廠房，Claude Code 是工作枱。
為 agent 重新整理：用 markdown 檔案充當簡報文件，讓 AI 理解整個項目
這種分工之所以重要，是因為不同的 AI 工具確實各有所長——模型不同、記憶不同、自主程度不同。要弄清楚哪個 agent 該分派哪項任務，本身就是一種全新的工作，而我還在學。但重點不在於具體用哪些工具。重點是：我由「向 AI 提問」跨到了「運行 AI 系統」——而這個差別不是漸進的，是結構性的。
實際的感受是怎樣
改變是這樣的：
前後對比：行政總裁工作中六個範疇的具體變化
省下的時間是真的——以往要一兩個星期的工作，現在一小時完成。但速度不是重點。作為行政總裁，要做的事永遠多過你的頻寬。很多任務卡在一個尷尬的中間地帶：值得做，但又不夠大到值得為它請一個人。於是它們就一直沒做——股東更新一推再推、潛在客戶研究做得很淺、跟進的事就這樣漏掉。AI 不只是讓我原有的工作變快，它讓那些一直從縫隙掉下去的工作，真的做成了。
而跨過這道鴻溝，還打開了一道我沒預期的門：通往 AI 本身。我在散步時、的士上、會議之間跟 AI 語音對話——過馬路時隨口提的一個想法，等我坐下來時已經變成一份規格。每天跟 agent 一起工作，讓我親手接觸最前沿——在不同基礎模型之間切換（Claude、Gemini、Qwen、Kimi）、搭建 RAG 流程、跟 agent 的記憶系統角力。不是讀關於它們的文章，是在用它們。那種「在 AI 上被拋離」的焦慮——此刻每位高管都揹着的那種感覺——消失了。不是因為我什麼都懂，而是因為我有一套讓我什麼都能碰到的配置。
如果你經營一家家族辦公室，這意味着什麼？
你管理的不是程式碼。你管理的是跨世代的財富、複雜的家族動態，以及對監管敏感的數據。你對自動化的審慎是有道理的——一條錯誤的指令，可能影響幾代人的資產安排；一次數據外洩，可能摧毀一個家族的聲譽。但審慎不等於迴避。
家族辦公室的核心工作，說到底就是：收集碎片化的資訊、綜合出理解、作出判斷、執行、驗證。由整合各家託管銀行的持倉，到預測私募股權基金的現金流，到為每位家族成員度身訂造報告——當中有多少是重複的數據組裝，又有多少是真正的決策？
AI 不會替你決定資產配置，也不會告訴你該相信哪位基金經理。但它可以在會議前十五分鐘，給你一份完整的跨託管機構投資組合視圖；也可以在你喝完那杯咖啡之前，把盡職審查文件裏埋着的關鍵條款與風險因素標出來。真正要劃的那條線，是在「可以自動化的資訊處理」與「必須由人來做的判斷」之間。一旦這條線劃清楚，飛輪就開始轉——而跨過去的人與沒跨過去的人，差距會迅速拉開。
沒有人會事先警告你的部分
以上是美好的版本。以下是其餘的部分。
光是把系統搭起來，就會把你吃掉。 我前面說的那些任務，現在確實省時。但建立和維護那套讓它們變快的系統，是一份全新而且持續的工作。我用任務時間換了基礎設施時間——對我來說，淨值明顯是正的。但我有動機、有技術背景，也燒得起那些時數。對大多數人來說，不會是這樣。
這個世界不是為 agent 而建的。驗證碼、雙重認證提示、工作階段逾時、PDF、老舊的試算表、按人類速度設計的 API 速率上限——每次 agent 撞上這些牆，要去想辦法繞過的人都是你。（這種摩擦同時是一個巨大的機會——包括對我們這樣的公司而言。障礙就是商業模式。）而自己搭的 agent 並不是產品，它們是 LEGO——記憶、報告、任務編排、權限、監控、錯誤處理、工具整合——每一塊都需要做決定，很多還需要技術判斷。它永遠做不完，因為底下的模型、API 與工具每隔幾星期就變一次。
即使最新的 agent 已經聽得懂日常語言，當它們的推理走歪時，你仍然需要引導和推翻它們。
我最近着手為 OpenClaw 建一套三層記憶系統：即時記憶、每日記憶、每週記憶。聽起來很清爽，對吧？我讓 Claude Code 讀了一疊研究論文，然後設計架構。它產出了一份看起來周全而完整的方案。我鬆了一口氣，以為這件事搞定了。
它跑不起來。
我開了第二個 Claude 實例去審這套架構。它找出了結構性問題。我修好了。它又壞了。我打開 Codex——OpenAI 的寫程式 agent——換一雙眼睛看。它找出了我漏掉的新邊界情況。也修好了。然後 OpenClaw 推了一個新版本，把我改了好幾天的程式碼覆蓋掉。回到原點。
最荒謬的一段是：Claude 和 Codex 有時會打錯字——不是推理出錯，只是它們寫給自己看的指令裏拼錯了字。這些微不足道的錯誤，把我找問題的時間直接翻倍，因為你總是先假設有什麼根本性的東西壞了，於是花上幾個小時盯着大局，最後才發現原來是某個字少了一個字母。
這個循環持續了四五天：修好、壞掉、修好、壞掉——那種原地踏步的感覺。最後我不得不把最關鍵的部分抽出來，逐行人手審一遍。這跟「用 AI 省時間」大概相隔了一整個宇宙。
那套記憶系統現在能用了，大概八九成的時間都行。即時記憶偶爾還是會報錯，但至少 agent 們把自己的修復歷史記錄得夠多，讓我能追出哪裏出了問題。還有 bug 嗎？有。我對三層都撐得住這件事有幾分把握？大致上有。祈禱吧。
工具從未如此容易取得。而用好它們所需要的判斷力，也從未如此稀缺。
運作中的 Claude Code——「與 AI 一起工作」實際上是什麼樣子
然後是它對你這個人的影響。 有大約兩個星期，我真的喘不過氣。agent 不停索取權限、要求決定，產出的速度快過我能審的速度。我每晚做到凌晨兩三點——不是因為必須，而是因為停不下來。我開始把這叫做「人類 token 速率上限」：系統的瓶頸已經不再是機器，而是你。
而且它會上癮。研究者發現，AI 回應那種不確定的特性，會觸發與老虎機類似的多巴胺路徑——不固定的獎賞，讓你不斷伸手去拿下一次。本月一份 HBR 的研究印證了這個模式：「AI 工具並沒有減少工作——它們持續地加劇了工作。」
The Matrix 裏有一幕，Neo 醒過來，發現自己一直被接駁在一套系統上，源源不絕地產出他以為是自己人生的東西。這個比喻並不精確，但那種感覺熟悉得令人不安。我的心理輔導師講得更直接：「你跟我說 AI 應該會騰出你的時間。那為什麼你比以前更緊張？」
我懷疑，這正是這波 AI 浪潮的其中一個存在性問題——不是技術行不行得通，而是它對那些用得最好的人做了什麼。它比我個人的經歷大得多。我還在摸索該怎樣活在這裏面。如果你也走上這條路，你也需要自己摸索出來。
如果你現在才開始
如果你隱隱覺得 AI 的能耐不止於你目前得到的，你是對的。我當時沒意識到的是，AI 一直在從它那一邊拉近距離——工具變得太好、太快，你可能只差一步就會迎來質變，而你自己並不知道。挑一件你真的在乎的任務。給 AI 真實的脈絡。讓信任由此累積。懷疑不會消失——它只是換一個形狀——而學習這道稅也會一直被徵收。但回報是真的。
跟 AI 聊天與跟 AI 工作之間的那條線，正在變寬。曾服務超過一百個億萬富豪家族的 Angelo Robles 說得毫不客氣：「以前需要二十個員工做的事，現在只需要一兩個人加上 AI。」我兩個月前跨了過去。過程混亂、耗盡氣力，而且尚未完成——我幾乎把自己燒乾。我不是站在山頂上寫這篇文章。我是在半山腰寫的，喘着氣。
但我不會走回頭路。
接下來幾篇，我會寫得更深——關於 AI agent 的硬數據、我的團隊每天怎樣用這些工具，以及我們如何在 AI 與財富管理的交匯處重新思考 Canopy 的產品。但如果這篇只能帶走一件事：這道鴻溝是可以跨過去的。而它由一件任務開始。
Mu Chen 是 Canopy 的行政總裁。Canopy 為全球 60 多家家族辦公室及超高淨值客戶提供服務，追蹤逾 900 億美元資產。他同時是清華大學 PBCSF 的客座講師，並在 Amongst Families 撰寫關於 AI 與財富管理最前線交匯的文章。
[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025
[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026
[3] Angelo Robles, Family Office Association
