核心主題 主要觀點／概念 實務或理論意義 重要條件／限制／延伸
AI Stack AI為廣義概念，ML為其子領域，DL是更進階ML，GenAI以LLMs等模型生成新內容 協助project professionals理解不同AI能力層級 原書為簡化後續多以AI作總稱
Automation 低complexity、低human intervention工作可自動化，如reports、document analysis、meeting summaries 把時間由repetitive work移向高價值判斷 仍需quality control與data／privacy管理
Assistance AI與專業者反覆互動，用於risk register、schedule plan等需要refinement的工作 提升analysis與idea generation效率 初次輸出不可視為完成品
Augmentation AI支援strategic、complex tasks，如portfolio balancing與risk forecasting 擴大professionals可處理的資訊量與分析深度 complexity越高，人類supervision需求越高
Responsible Use Bias、privacy、accountability、reliability、safety、transparency、copyright、sustainability 建立AI adoption的ethical／governance boundaries 最終decision accountability應明確歸屬human

AI、ML、DL 與 GenAI

原書把 AI 定義為能reason、learn與autonomously act的廣義系統；**machine learning（ML）**用data訓練模型做prediction；**deep learning（DL）**使用multilayer neural networks；**generative AI（GenAI）**則能生成text、speech、audio、images、video等新內容。為簡化，附錄後續多以AI統稱。

三層 AI Adoption Strategy

原書依task complexity與human supervision需求提出三種層級：

原書的核心判準是：task越複雜，需要的人類介入越高。

Project Management Use Cases

附錄把AI應用放在planning、controlling、stakeholder engagement、risk management與strategic decision-making等工作中。價值在於減少重複工作、加快information processing與支援更高階分析，而不是把project accountability交給model。

Responsible Use 與 Ethical Concerns

原書列出多項必須治理的風險：bias、privacy、accountability、reliability、safety、transparency、copyright、sustainability。Training data與algorithms可能帶入bias；敏感data需符合privacy policies／laws；AI資訊可能錯誤或不相關，必須validation；決策最終仍需有明確human accountability。

Sustainability 與 Organizational Culture

原書特別提醒每次AI request都消耗electricity、water與其他resources。組織可用ethical guidelines與AI policies建立共同底線，project professionals則需主動培養awareness與responsible-use culture。