管理運算模型：工作流的代數化表述、理論推導及其在AI管理中的價值

一、問題背景與研究目的

傳統管理經常以人員、部門、任務、事件或成果作為主要分析單位。此種觀點有助於建立組織分工及績效責任，卻容易忽略事件如何由一個狀態轉換為另一個狀態。例如，一份申請被「收到」、一項決策被「核准」、一個任務被「完成」，都只是離散狀態；真正影響管理品質的，是收到後如何補足資訊、核准依據如何形成、責任如何交接、期限如何監控，以及完成結果如何被證明。

工作流管理早已將企業流程視為可定義、執行與監控的活動序列，並強調流程定義、角色、資料及執行控制。流程代數與Petri網則提供順序、分支、並行、同步及可達性分析等形式工具。然而，現有模型多聚焦流程控制與系統行為，對「管理完成」所需的責任、證據、決策與時間語意，往往分散在不同欄位或治理制度之中。

本文的核心主張是：管理不是直接管理孤立事件，而是設計、執行與修正事件之間的運算規則。

基於此，本文嘗試建立一套可用於管理分析及AI工作流設計的中層理論。其目的不是宣稱創立新的純數學分支，而是借用代數結構、狀態轉移與形式系統的語言，把隱性的管理邏輯轉換為可定義、可比較、可驗證及可計算的模型。

二、理論背景與研究缺口

（一）工作流管理與企業流程管理

Workflow Management Coalition的參考模型將工作流管理視為對業務流程之定義、建立、執行及控制，並建構流程定義工具、工作流執行服務、應用程式、使用者工作清單及管理監控等介面。此傳統奠定了流程可被明確表達並由資訊系統執行的基礎。然而，流程模型中的「完成」常被表達為活動或流程實例到達終點，未必等同組織在責任解除、資訊同步、證據保存與風險控制上的完整閉合。

（二）流程代數、狀態轉移與Petri網

流程代數以組合運算描述行為的先後、選擇與並行，並可為BPMN提供形式語意；Petri網則適合分析並行、同步、死鎖、活性與可達性。這些形式方法證明，工作流不只是圖像，而可被轉換為具有嚴謹語意的系統。本文承接其「狀態與轉換」觀點，但進一步要求每一個轉換具有管理語意：資訊是否足夠、責任是否有效移轉、決策是否有依據，以及證據是否可追溯。

（三）組織慣例

組織慣例理論將慣例理解為多位行動者反覆而相互依賴的行動模式，並區分抽象、可指涉的慣例結構與特定時間、地點、人物所實踐的具體行動。這說明組織秩序既不是靜態SOP，也不是完全由個人即興形成，而是在規則與實作之間持續生成。管理運算模型將此洞見形式化：同一運算規則可由不同角色、工具或AI代理人執行，但必須維持必要的狀態轉換與治理約束。

（四）研究缺口

上述領域分別處理流程結構、行為語意、角色與資料、組織實作及系統驗證，但尚缺少一套面向一般管理、同時適用於人類與AI代理人的共同運算語言。本文所填補的不是「流程研究不存在」的缺口，而是以下整合性缺口：

1. 將資訊、責任、時間、決策、證據與任務由流程屬性提升為狀態轉換運算。
2. 明確區分任務完成與管理完成。
3. 以運算順序、依賴、閉合、冪等與可逆性診斷管理品質。
4. 建立可供AI Agent分工及人機治理使用的中介層。

三、本體論立場與基本概念

此本體論選擇意味著，角色、期限或文件不只是事件的靜態欄位；當它們真正改變案件的可處理性、合法性或可驗證性時，即構成管理運算。

四、六元管理運算模型

（一）時間推進 \(T\)

時間不只是背景變數，而會改變事件的管理意義。同一筆未回覆案件在一天後可能為「等待中」，十天後則成為「逾期」或「需升級」。因此，時間運算應包含啟動、等待、提醒、逾期、暫停、失效及升級等狀態轉換。

（二）資訊更新 \(I\)

\(x\) 可為新增資料、驗證結果、分類標籤或外部知識。資訊更新的核心不是資料量增加，而是提升後續運算的可行性與可信度。資訊不足會使決策失真，資訊不同步則會造成多個角色依據不同版本行動。

（三）責任轉移 \(R\)

責任轉移包含承接主體、權限、範圍、期限、接受條件與解除條件。單純寄送訊息不等於責任已有效轉移；只有當接收者具備知情、權限與可執行條件，責任運算才可視為成立。

（四）決策完成 \(D\)

決策完成要求決策依據、決策權限與結果狀態均明確。AI可提供預測、建議與規則比對，但重大人事、法律、倫理或安全決策仍應配置人類核決及申訴機制。

（五）證據累積 \(P\)

證據運算使管理主張成為可查驗事實。證據不應僅在流程終點一次補齊，而應伴隨重要運算形成 \(P_T,P_I,P_R,P_D,P_W\) 等稽核軌跡。故證據運算兼具獨立維度與伴隨性質。

（六）任務完成 \(W\)

任務完成代表實質產出達到驗收門檻 \(\theta_W\)。但任務完成只處理「工作有沒有做完」，並不能單獨保證責任、資訊、決策與證據已閉合。

五、代數性質與理論推導

本文所稱「代數化」是指以運算集合、組合規則與結構性質描述管理，而非假設所有管理運算均構成嚴格意義上的群或環。管理運算更接近帶有型別、前置條件、偏序及部分定義的轉換系統。

（一）封閉性

每次合法運算後，案件應進入制度可辨識的狀態。口頭交辦後無人知道案件位置、流程外私下處理或「不了了之」，都表示狀態離開制度定義域，形成管理失控。

（二）可組合性

小型管理運算可以組合為完整流程。可組合性的前提，是前一運算的輸出型別、證據及權限符合下一運算的輸入條件。

（三）非交換性

管理運算通常有順序要求。先資訊更新再決策，與先決策再補資料，可能產生不同合法性與品質；先付款後驗收，也不同於先驗收後付款。

（四）偏序與依賴

此式並非所有流程的固定順序，而是一個可依案件類型調整的偏序關係。多數複雜工作流不完全線性，部分運算可並行，部分則必須等待前置條件。

（五）冪等性

對標記完成、建立唯一案件、傳送核准結果等操作，冪等性可防止重複扣款、重複通知、重複建檔或重複核准，是AI Agent與分散式工作流的重要安全條件。

（六）有限可逆性

部分運算可撤銷、部分需補償、部分不可逆。故應區分：

• 可逆運算：撤回草稿、還原版本。
• 條件可逆運算：核准撤銷須經更高權限及留下理由。
• 不可逆運算：款項已匯出、資料已公開或已產生法律效果。

不可逆性越高，前置資訊與決策檢核門檻理應越高。

六、管理完成、閉合與失效型態

管理失效的五種形式

七、企業導入AI的理論與實務價值

（一）由工具導入轉向運算導入

企業不再只問「哪個部門使用哪一款AI」，而是盤點每一工作流中的六類運算，判斷哪些可自動化、哪些適合AI輔助、哪些必須由人類保留最終權限。此舉可減少因追逐工具而形成的零散專案。

（二）形成AI Agent的功能分工

六元模型可形成資訊代理、時間代理、責任協調代理、決策支援代理、證據代理與任務代理。這種分法不取代財務、人資或採購等領域代理人，而是提供一層跨領域的功能架構，使不同代理人的輸入、輸出及責任邊界可以被比較與組合。

（三）建立人機權限與風險分級

AI自主程度不宜由技術能力單獨決定，而應依運算風險配置。資訊整理、提醒及紀錄通常可高度自動化；責任正式移轉與高影響決策則需明確授權、人工核決、異議及補救機制。

（四）建立可量化的AI管理成熟度

企業可分別衡量六種運算的數位化率、自動化率、AI參與率、人工覆核率、例外率及證據完整度，而不是只以帳號數或提示詞使用量衡量AI導入。

其中 \(a_o\) 為該運算AI參與程度，\(q_o\) 為輸出品質，\(g_o\) 為治理符合度，\(\alpha_o\) 為風險或策略權重。乘積設計表示AI使用率高但品質或治理接近零，不應被視為成熟。

（五）支援流程瓶頸與根因診斷

流程延誤可被拆解為資訊等待時間、決策等待時間、責任接受時間、任務執行時間及證據補正時間。管理改善因而由「催某個人」轉為修正具體運算規則。

（六）形成AI治理的稽核語言

每一個AI動作均可被詢問：使用了哪些資訊？依據何種決策規則？誰承擔最終責任？何時可撤銷？留下何種證據？完成後進入何種合法狀態？這使模型風險管理、內控、資訊安全與業務流程能使用同一套語言。

（七）支援Agentic BPM

近年的代理式企業流程管理開始研究多個自主代理人在目標與護欄下執行流程。管理運算模型可補充其中的管理語意層：代理人不只追求任務目標，也必須滿足責任、證據、時間與合法終止條件，避免出現「代理人完成任務，但組織無法問責」的情形。

八、研究命題與可操作化方向

要由概念框架發展為可檢驗理論，必須提出可能被資料否證的命題。本文初步提出：

可操作化指標示例

九、示例：企業採購流程

1. 資訊更新：AI擷取需求、規格、庫存、預算與歷史價格，標示缺漏。
2. 決策完成：系統依金額及採購規則分流；高風險案件由主管核決。
3. 責任轉移：正式指派採購人員，確認權限、時限與代理人。
4. 時間推進：建立詢價、交貨、驗收與付款期限，逾期自動升級。
5. 任務完成：完成下單、收貨及驗收。
6. 證據累積：保存報價、核准、驗收、發票、付款及異動紀錄。

若設備已到貨但驗收紀錄、財產登錄或發票缺漏，即有 \(W=1\) 但 \(C=0\) 的假閉合。此診斷比「採購已完成」更精確，也能指示AI下一步應補強證據或資訊，而不是重複執行購買任務。

十、理論邊界、限制與研究議程

1. 概念層級：目前是概念模型，不是經實證確立的普遍定律；公式主要用於澄清結構。
2. 六運算完備性：價值創造、情緒、文化、權力、學習或資源配置是否需成為獨立運算，仍待比較研究。
3. 構面相依：證據可能是其他運算的伴隨運算；責任與決策也可能高度耦合，須檢驗區辨效度。
4. 情境差異：高規範產業、創意工作、公共行政與教育組織對完成門檻及裁量的要求不同。
5. 形式化程度：後續可採型別系統、標記轉移系統、Petri網、範疇論或時序邏輯，建立更嚴謹語意。
6. 實證研究：可透過多案例研究建立編碼手冊，再發展量表，以流程日誌、訪談與績效資料進行驗證。

推薦的研究路徑為：概念澄清 → 專家效度 → 個案編碼 → 指標及量表發展 → 跨流程比較 → 因果與預測模型 → AI工作流實驗。

十一、結論

管理運算模型將管理的分析焦點由孤立事件、單一任務與個別人員，轉向事件之間可重複、可組合、可驗證的轉換規則。六種基本運算分別處理時間、資訊、責任、決策、證據與任務，使「完成」不再只是工作產出的終點，而是多項必要運算依正確順序到達合法終止狀態的結果。

此模型對AI管理的重要性，在於提供一套介於管理語言與技術語言之間的中介層。管理者可據此界定AI應處理何種運算、保留哪些人類權限、要求哪些證據，以及如何量測導入效果；技術團隊則可將其轉換為代理人角色、工作流節點、權限、事件日誌與例外規則。

事情做完，不等於管理完成；AI完成任務，也不等於組織完成治理。

因此，AI時代的管理能力，不只取決於模型有多聰明，而取決於組織能否明確定義：事件在什麼條件下，經由何種運算，由誰或哪一個代理人，轉換成可預期、可問責、可追溯並可閉合的結果。