孫弘岳-人力資源管理的世界

N觀點品牌發布會暨首場論壇登場🎉

現場來了許多產學界先進、老師、家長與媒體朋友，大家對這個時代的教育議題，都有說不完的話。 就像本次論壇的主題：「在變動時代，重新定義人人盡其才」，這不僅是一句口號，更是我們相聚於此的核心目標。

為了讓無法到場的粉絲，也能線上同步參與，特別為大家即時整理活動亮點：

【品牌發布會】
▪️南一教育集團 蘇偉銓 董事長：
南一陪伴臺灣教育走過73年，深刻感受到現在的教育問題已經比過去更加複雜。面對這些改變，N觀點不只是一個內容平台或媒體品牌，它更像是一個「教育對話的場域」。我們期盼能回到教育最珍貴的初心，看見每個孩子的不同，讓「因材施教」與「適性揚才」成為真實的人生可能，因為成材不應該只有一種樣子。

▪️南一教育集團公共關係處 黃安志 處長：
N觀點想從「那些不容易說出口的教育問題」開始談起！不是每個孩子都適合同一條路，這句話不該只是一聲嘆息，而是重新理解教育的起點。我們不想成為另一個催促焦慮的聲音，更希望提供一個可以慢慢說話的地方，讓教育裡複雜、曖昧、難以說清的處境，都有機會被看見與討論。

【大師專題 × 陳勇延校長：撕下標準化標籤：在「學與用」的無限賽局中，看見每個孩子的幸福競爭力】

「如果我們永遠只用同一把標準化的尺丈量所有孩子，我們將扼殺多少未來的卓越？」

前國立興大附中校長陳勇延用故事分享：改變教育，要從換掉那把尺開始。陳校長帶學生騎車挑戰花東，途中發現寄居蟹棲地遭垃圾破壞，師生一路收集鳳螺殼、刷洗曬乾，最後載往墾丁幫蟹換家，讓孩子在汗水裡學會團隊與責任。

陳校長也建立「故事銀行」，讓沒站上頒獎台的孩子也有被記錄的時刻；甚至把「不乖」學生的制服抗議，變成一堂最真實的公民參與課。

每一個做法背後，都是同一個信念——規則從「贏過別人」變成「超越昨天的自己」，激勵才能覆蓋到每一個孩子。陳校長說，教育的終極目標是讓孩子既有生存的本事，也有助人的胸襟，撕下標準化標籤，我們才能看見每個孩子無可取代的幸福競爭力。

【焦點短講 × 王榮春 職涯永續長：敢出發，就有路！變動型青年的職涯跨界策略】

根據104人力銀行統計，台灣社會新鮮人第一份正職做滿一年的比例只有47.8%，20至24歲的失業率達11.6%，是全年齡平均的三倍以上。同時，57.3%的大學生最大的負面情緒來源是「未來職涯規劃」——焦慮不是因為不努力，而是這一代青年從入學就面對疫情、AI浪潮與關稅衝擊，開局即戰局。

104人力銀行職涯永續長王榮春指出，過去的職涯是一階一階往上爬的階梯，現在的職場早已變成一片需要自行導航的戰場，「單一科系對應單一產業」的時代已經結束。面對這樣的現實，王榮春永續長提出變動時代的生存黃金三角：擁抱AI成為驅動工具的領航員、學會向上管理把主管轉化為職涯資源、培養跨世代溝通能力在多元價值觀的職場中建立共識。

【焦點短講 × 西打藍：接案的生存術：自由工作者的跨域修煉，如何找到自己的新方向和面對挑戰】

西打藍分享，接案與上班的差異，不只是時間自由或收入不固定，而是工作邏輯的徹底翻轉——從「完成主管要求」變成「主動提方案、滿足客戶」，所需能力也從單一專業擴展為複合型。

西打藍將接案歷程分為兩大階段：初期需要全面提升獲案能力，包含行銷與業務開發，同時培養穩定執行的心態，更重要的是弄清楚市場真正需要什麼，而不只是自己擅長什麼。進入成熟期後，關鍵則是學會擴大外包、識別人才、建立信任，並從執行者蛻變為管理者，真正放下親力親為、顧全大局。

他用一句話點出三種工作型態的本質：上班是服膺職缺、接案是選擇專案、創業是創造工作。接案的路沒有標準劇本，前面或許是一片迷霧，但也正因如此，充滿了無限可能。

【焦點短講 × 孫弘岳 教授：AI 賦能的捷徑：如何在畢業前掌握「定義問題」與「主導決策」的職場門票】

臺師大孫弘岳教授在短講中拋出一個關鍵問題：AI成為標配之後，新鮮人真正需要準備的，不是「會用AI」，而是那些AI做不到的事。

孫教授將「AI能力」拆解為三個層次：會「用」AI只是入場門檻，能與AI協作、判斷、驗證是中階優勢，而真正拉開差距的，是能夠「做AI」或「管AI」的人——也就是掌握模型與決策主導權的人。

AI最弱的地方，恰恰是人最需要刻意練習的地方：資料不足時的推理能力、情境模糊時的外推判斷，以及面對不確定仍敢於承擔的心理素質。

教授最後留下一個值得所有人自問的問題：如果AI不能用，你還知道怎麼做嗎？當孩子原本學會的東西不再適用，他是否仍有能力繼續往前走？

論壇壓軸的焦點座談，從教育現場、職涯輔導、自由接案到AI應用，四種截然不同的視角在同一張桌子上碰撞，現場火花不斷！從「學齡學生的 AI 焦慮」到「求職者如何突破學歷或履歷門檻，讓自己的能力被看見」，每一個問題都讓台下的來賓頻頻點頭，也引發熱烈討論。

教育從來不是單一角色可以完成的事，今天這場對話，正是最好的證明💛
感謝每一位用行動支持活動的朋友，N觀點期待與大家持續探索教育的無限可能！

如何培養人與 AI 協作的默契？

企業設計人機協作，最常見的起手式是開課教員工寫 prompt，接著導入更多 AI 工具，再來盤點哪些任務可以自動化。這些做法都合理，但如果人機協作只停在這一層，最後很容易變成「試吃 AI」：每個部門都玩一下，每個主管都說有潛力，真正放進工作流程時，卻發現 AI 總是抓不到使用者想要什麼，也很難創造穩定的協作效果。

原因在於，許多企業仍把 AI 定位成工具，沒有把它放進「協作者」的設計邏輯裡。人與 AI 的協作，其實和人與人的協作一樣，需要默契。人和人一起工作時，很多判斷沒有寫在規章裡。主管說這份簡報太散，客戶說這個提案不夠穩，老闆說這個人感覺不太 fit，資深同事大概知道意思，新人往往聽不懂。這些沒有被說清楚的標準，就是組織裡真正影響協作品質的隱性脈絡。

美國伊利諾大學香檳分校與紐約大學研究團隊最近提出一個很有意思的研究，評估 AI 在沒有標準答案、目標也不夠明確的情境下，能不能仍然和人類順暢合作。換句話說，AI 不能只會處理有明確規則的任務，還要能理解人類面對模糊情境時，那種說不清楚的判斷感。

研究團隊運用四種開源大語型模型，打造 200 個具有人設與背景記憶的 AI agents，並讓 241 位真人一起完成相同的主觀判斷任務。研究者觀察的是，人和 AI 面對同一個情境時，能不能做出相近判斷。例如，「為了新創放棄穩定工作」比較接近不舒服，還是興奮？「大型派對」比較接近早點回家休息，還是留下來認識更多人？這些題目沒有標準答案，測的其實是人和 AI 是否共享某種判斷頻率。

這個概念對企業最直接的應用，會出現在創意、美學與情感陪伴這些場景。現在的 AI 很會寫程式、找資料、整理文件，因為這些任務比較容易檢查對錯。但在設計、品牌、內容、顧問服務、心理支持與高階助理工作裡，最困難的常常不是完成任務本身，而是抓到使用者的主觀量尺。設計師說「這個畫面太冷」，主管說「這份報告沒有力道」，客戶說「這個語氣不太像我們」，真正有默契的 AI 不能只要求使用者把 prompt 寫得更精準，還要能理解背後的品味、風險感與價值排序。

研究結果顯示，當 AI 的人設與真人的人格特質、決策風格越接近，雙方的默契分數就越高，主觀判斷也更接近。這代表人機默契和使用者的偏好、價值排序、判斷習慣有關。更有意思的是，人越自信，和 AI 的默契反而可能越低，因為高度自信的人更容易做出極端、個人化、難以預測的判斷。放到企業現場，這就是很多主管把個人品味當成組織標準，卻期待 AI 自動通靈。

所以，企業未來評估 AI 表現，不能只看準確率、任務成功率、輸出速度與文字流暢度。這些指標可以衡量 AI 會不會做事，但還不足以判斷 AI 能不能協作。真正進入工作流程後，AI 還要理解組織重視什麼、客戶不能碰什麼、主管心中如何排序好壞、不同部門對品質的標準差在哪裡。這些才是人機協作能不能變成生產力的關鍵。

這也會推動更深層的個人化 AI 助手。現在很多個人化還停留在記住名字、職稱、常用格式與幾個偏好設定，這太淺了。真正有價值的個人化，是 AI 能逐步理解一個人的決策風格、審美偏好、溝通習慣、風險承受度與價值排序。當 AI 預先吸收這些脈絡，使用者交辦任務時就不需要每次重新解釋一大段，協作成本才會真的下降。

但這裡也會遇到企業最常擔心的記憶體問題。很多人一聽到要讓 AI 懂不同使用者，就以為必須把所有文件、會議紀錄、員工資料、客戶資料全部塞進模型。這種做法很快會遇到上下文長度限制，也會讓 token 成本失控。研究中的 agent 設計給了一個比較務實的方向：AI 不需要每次都讀完整人生故事，而是把重要經驗拆成記憶節點，任務出現時，再取出和當前情境最相關的幾段。

企業不需要幻想 AI 有無限記憶，也不需要每次都把整座資料倉庫塞進 prompt。比較務實的做法，是把組織裡重要的工作偏好、決策紀錄、客戶禁忌、主管評分習慣、成功案例、失敗案例，整理成可檢索的外部記憶庫。當 AI 要寫信、做簡報、篩履歷、回覆客戶或輔助決策時，系統只抓出最相關的幾段脈絡，讓 AI 在較低成本下做出更貼近企業標準的判斷。

換言之，設計人機協作，不能只把 AI 當成更便宜的執行者。企業真正要訓練的，是一個能理解組織脈絡、工作偏好與判斷標準的合作夥伴。但這件事的前提，是企業先把自己的默契從人治、口頭交代、私房經驗與 Excel 備註中抽出來，變成可以被記錄、檢索、更新與治理的知識。

AI 不會自動長出默契，它只會把組織原本講不清楚、傳不下去、管不到位的問題，更快地放大。

HR is the wrong energy？Bolt裁撤HR 部門!

Bolt CEO Ryan Breslow 最近在 Fortune Workforce Innovation Summit 談到，他們裁掉了整個傳統 HR 部門，原因是 HR 不只難以創造價值，還製造不存在的問題。之後他又在 LinkedIn 補了一句，那些問題在 HR 離開後就消失了。這句話很刺耳，但它背後的邏輯，和最近不少公司裁撤傳統型 PM 或 Scrum Master 的理由很像：當一個職能開始用流程、會議、追進度與專業術語證明存在感，組織就會開始懷疑它到底是在創造價值，還是在維護自己的必要性。

這是繼 Telegram、Octopus Energy、LRN、Valve 等去 HR 部門化或弱化傳統 HR 中央部門的案例後，Bolt 又新增一個更激烈的版本。所以也會有人質疑，那些HR任務最後到底由誰來執行與負責？目前多數案例大都由AI、自動化平台、法務/財務、用人主管，再加上一個非常Lite的真人HR 團隊。

若再細分，可以分為兩條路徑。第一類是 Amazon、Walmart、IBM、Google 這種萬人級跨國企業，把招募甄選初判、排班、福利審批、政策查詢、內部技能盤點與基礎績效資料，推向 AI Agent、內部 LLM 知識庫與數位平台。這類公司，HR 角色也逐步轉向數據分析、人機協作與組織決策支援架構師。

第二類是 Bolt、Octopus Energy、Valve、LRN、Telegram 這類更去中心化的做法。它們弱化傳統 HR 中央窗口，把任用、考核、薪酬、團隊管理，更多交回用人主管、專案小組、同儕評價、創辦團隊或local HR，即中央 HR 的大包大攬正在被拆掉。

標準化流程交給 AI，高敏感風險交給法務財務，真正的人才判斷回到第一線主管。職缺刊登、履歷初篩、第一階段面試、制度查詢、福利流程、請假核算與基礎報表，以前需要 HR 做，很多時候只是系統沒串好、資料不乾淨、流程靠人工補洞。這一層，AI 會愈做愈多。

但這不代表 HR任務可以完全不需要真人。解雇、歧視與霸凌申訴、薪酬差異、績效爭議、勞資糾紛，這些事情涉及法律責任、例外判斷、組織信任與內部政治。AI 很會處理規則明確的流程，但很難單獨承接高風險人事決策。HRBP、People Partner、少數 HR Generalist 或 Head of People 留下來，通常就是為了保留人類裁決層與風險緩衝層。

所以 HR 轉型不只是改名稱、買系統、導入 HR Tech。組織也開始重畫HR功能的責任邊界：哪些流程交給 AI，哪些風險交給法務財務，哪些管理責任還給主管，哪些高風險人才決策必須保留真人判斷與治理機制。

如果這是趨勢，接下來 HR 大致有三條發展路徑。第一，成為人機協作架構師，和 IT 一起部署 Agentic AI 與自動化平台，負責真人與AI權限配置、流程布建、資料治理與數據建模。第二，成為極簡員工關係專家，處理 AI 無法代勞的勞資爭議、解雇遣散、合規審查、關鍵人才/工會談判與強化員工體驗。第三，成為一線業務夥伴與主管教練，嵌入業務單位，協助主管看懂 AI 人才數據、建立團隊文化、執行績效回饋與必要的人力優化。

Vibe Coding 可以取代 SaaS？是不是誤會了什麼？

最近 HR Executive 有一篇談 Workday 與 AI 的文章，標題下得很有意思：AI is coming for Workday, but not in the way you think。這個標題剛好打中現在很多台灣企業的錯覺。一看到生成式 AI 可以寫程式、串流程、做小工具，就開始盤算：既然請假、招募、績效、薪酬、報表都可以用 Vibe Coding 快速做出來，為什麼還要花大錢買 Workday、SuccessFactors 這些又貴、又硬、又不符合目前作業習慣的 HR SaaS？

這種思維很可能從一開始就誤會了國際級 SaaS 的價值。倫敦政經學院教授 Luis Garicano 就提醒，企業訂閱 SaaS 時，真正得到的是嵌在角色、關係與責任系統中的治理模式；一個個可以被 AI 串接的子系統，只是表層功能。用在 HR 場景，請假牽涉工時、法規、排班、薪資與主管責任；績效牽涉預算分配、人才決策、組織訊號與管理公平；薪酬牽涉職等、職務、內外部公平、獎酬哲學與內控稽核。

像 Workday、SuccessFactors 或 Oracle HCM這類 SaaS，核心價值在於把 HR 工作制度化，並且適用在資安與跨國治理的標準。它把欄位、角色、權限、流程、例外、稽核與合規要求寫進系統裡，迫使企業面對那些原本像清朝阿嬤的裹腳布一樣，又臭又長卻沒人敢拆的舊習慣。靠 Excel、LINE、紙本簽核、主管口頭核准、人資事後補資料撐起來的「彈性」，很多時候只是 no-how，不叫 know-how。

台灣企業從早期導入國際級ERP到現在許多雲端套裝系統後，第一個反應很少是檢討自己的流程，而是先客製，但SaaS難客製，就開始抱怨系統難用。而覺得難用，常常不是設計真的很差，只是不符合既有作業習慣，而且會把那些不透明、不可追蹤、不可稽核的灰色流程攤開。誰可以跳過簽核？誰可以事後補資料？誰知道真正版本在哪裡？誰掌握那張神祕 Excel？過去這些被叫做經驗，到了系統裡就變成風險。更重要的是，這些系統背後多半是許多國際企業長期驗證過的 practices。很多做法看似方便合理，一走出台灣，尤其走到美國市場，馬上就變成國王的新衣。

AI Agent 進來以後，這個問題又往上升了一層。這類 SaaS 正在從 HR 流程系統，移到企業能不能管理真人員工與 AI 代理人的治理平台。例如 Workday 正在把自己定位成管理 people、money and agents 的 enterprise AI platform；Agent System of Record 的目的，是讓企業能看見並控制包含第三方 agents 在內的數位勞動力。這代表未來企業要管的，不只是哪位員工請假、升遷、調薪，還包括哪個 AI Agent 被授權、讀了什麼資料、觸發了什麼流程、產生了什麼判斷，以及出錯時責任算誰的。

所以，Vibe Coding 能取代的，多半是局部功能、使用體驗與某些行政性任務。真正難以取代的，是企業級治理底座。當資本市場與國際供應鏈在 DD 階段看企業怎麼做人才管理，最直接的就是看用什麼 HR 系統。這套系統背後代表的是資料怎麼來、流程怎麼跑、權限怎麼管、紀錄能不能追、例外能不能查。國際級套裝系統不保證管理成熟，但至少是一個企業願意接受外部標準與治理邏輯的信號。換言之，若一套SaaS並不具備能被複製且規模化的best practices，那還真的可以直接用Vibe Coding取代。

因此，台灣許多企業為了 IPO 或接單，不得不導入這類 SaaS，卻沒有研究這些 SaaS 背後的設計邏輯和管理思維，也自然不會真的改變流程與管理模式。結果咧，前台導入 SaaS，後台繼續 Excel 加工、LINE 確認、紙本補件、手動整理，最後再把資料放回 SaaS。公司花了更多錢，買了更貴的工具，得到更慢、更亂、更難治理的運作流程。

企業導入 SaaS 時，真正該問的問題要換掉：不要急著問系統能不能配合目前的流程，先問哪些流程本來就不該再留下來， 又或者有沒有可能是現在習以為常的流程有問題？真正必要的差異，可以設計成例外；靠 offline 補件、手動加工撐起來的彈性，就應該趁導入系統時清掉。否則，等 AI Agent 進場以後，企業得到的未必是更高效率，而是一套速度更快、責任更模糊、風險更難追的舊流程。

調查發現：很多企業的 AI 招募，其實只做了 17%

很多企業號稱導入 AI 招募，其實只是把履歷收進來，再用系統產出幾份看起來很像分析的報告。求才網站多了聊天機器人可以回答問題，應徵者也能更快完成投遞。這些看起來像招募 AI 轉型，但真正耗損人力產能的地方，通常在履歷進來之後才開始。

履歷要過濾，資格要判斷，線上測評(含非同步錄影面試)要安排，測評結果要整理，真人面試要邀請，時間要協調，應徵者要溝通，用人主管要追。這一串如果沒有自動接起來，前端做得再漂亮，也只是讓更多履歷更快進入一個塞車的流程。

HR Executive 報導 Phenom 與 Aptitude Research 的 2026 招募自動化基準報告，檢視 219 家、橫跨 8 個產業的組織發現，雖然 57% 的企業聲稱已經使用招募自動化代理，但真正具備完整甄選工作流的組織不到 1%。中位數公司只發揮大約 17% 的自動化潛力。

報告也指出，35% 的招募人力時間仍花在面試協調，25% 花在篩選，24% 花在與應徵者溝通。這些仍是人事甄選行政工作，人的附加價值並不高，例如喬時間、追主管、補資料、回訊息，最後真正能影響招募結果的事情反而被擠掉。

甄選 Selection 處理的是避免引狼入室或遺珠之憾。招募 Recruitment 處理的是讓適合的人願意進來。AI 最應該吃掉的是收到履歷之後的甄選流程：履歷過濾、資格判斷、職能測評、自動初步面試、面試排程與應徵者通知。真人的價值應該放在判斷人選動機、理解猶豫點、建立信任、總體獎酬談判，最後說服適配的人才加入組織。

如果企業只把 AI 放在履歷入口，後面繼續靠人工補洞，這種 AI 化只會製造更快的壅塞。速度變快，品質不一定變好；招募漏斗變大，HR 或招聘顧問也不會因此更像人才顧問。

報告提到，現在企業最在意的問題已經轉向 quality of hire。這代表 AI 招募不能只追求讓人更快投遞，收到更多履歷表，而要讓整個流程更快判斷誰值得投入，並讓真人把時間用在最有價值的人選身上。

所以企業檢查 AI 招募，真正該問三件事。

1、應徵者投遞之後，系統有沒有自動往下推進？

2、履歷、測評、面試、溝通與決策資料，有沒有形成同一條流程？

3、HR 被省下來的時間，有沒有回到組織、團隊與主管適配度判斷，以及人選說服？

如果這三題答案都是否定的，AI 招募大多只是比較高階的履歷整理入口。不但沒有省到多少人力，還會讓企業誤以為自己已經完成招募 AI 轉型。

研究發現：強迫老手套用AI提示詞建議，反而讓表現變差

很多機構、AI 高手和企業內部知識庫，最近都在整理一包又一包可以直接套用的 Prompt。用戶只要複製、貼上、改幾個字，就能讓 AI 看起來像顧問、像工程師、像行銷主管、像資深分析師。新手很容易覺得自己突然變強，老手卻會有一種說不出口的不舒服，因為他知道，真實又複雜的工作場景，很少有一套標準提示詞可以直接套用。

三位德國學者在 2026 年發表於《Behaviour & Information Technology》的研究，找來專業軟體工程師者，讓兩組人都用 ChatGPT 4.0 完成寫程式任務，其中一組先接受提示工程建議，另一組沒有。結果發現：接受提示工程建議的那組，完成的子任務反而顯著更少。

這並非否定Prompt Engineering 的價值，它對 AI 當然有用，可以補脈絡、穩定格式、減少誤解，也可以幫助新手比較快進入任務。但對有經驗的老手來說，固定的提示方法有時候反而是雜訊。

老手本來有自己的問題感、判斷節奏和檢查路徑。工程師看到需求，會先知道哪裡沒講清楚，哪個資料結構可能出事，哪段邏輯只是現在還沒爆，哪個答案看起來能跑但其實有問題， 特別是資安。突然要他一邊解任務，一邊照著提示方法演一遍 AI流程，原本流暢的判斷就被切斷了。

提示工程建議可能增加額外的認知成本，因為使用者要同時處理任務和新的互動策略；對有經驗的工程師來說，這些建議反而干擾原本已經內化的工作流程，讓他偏離熟悉的解題模式。

這篇研究還有另一個發現。不管對工程師或非工程師，使用AI輔助工作後，受試者的資訊處理程度、對任務的控制感、對結果的責任感都下降。AI 讓工作變快，也可能讓人越來越不像那個真正掌握工作的人。

很多公司努力開課，建立提示詞模板， 俗稱Prompt懶人包，大家開始在每個任務前貼上「請扮演資深專家」。公司看起來很 AI ready，但真正能判斷答案品質、抓出錯誤、主動當責的人，沒有因此變多。

企業目前導入AI，常錯把效率當作成效。簡報變快，程式變快，文案變快，回信變快。可是你追問一句「這個結論你怎麼確定」，很多人就開始通靈，因為他沒有走過判斷過程，只是把 AI 的流暢感當成自信。

學會用 AI，不是只看你會不會寫 Prompt。更重要的是，用了 AI 之後，你還能不能判斷、驗證、負責，這才能稱會用AI！

若非AI可以全面接手的任務，人機協作真正要保留的，不是人坐在流程裡當裝飾。人要能判斷、能驗證、能負責，才叫 Human-in-the-loop。如果人最後只剩下複製 Prompt、轉貼答案、幫 AI 的輸出背書，那不叫協作，那叫人工轉運站。

企業只想用AI提升人的效率
最後只是在幫組織加速老化

很多企業導入 AI，第一個動作就是要求員工產出更快、更多。AI 被強制塞進舊流程裡，原本的工作速度變快，但組織能力沒有提升。看著別人用 AI，怕自己跟不上或沒面子，就勉為其難地導 AI，這正是錯誤起手式。

原本應該是一場組織升級，最後被做成個人用AI大賽。每個人都開始使用 AI，公司看起來變先進，營運模式卻沒有被改造。AI 最大的價值不在讓員工多生成幾份文本，而在逼企業重新檢查工作流程、資訊流動、判斷責任與營運系統。若目的只是壓低成本，很多企業其實不需要 AI，因為有便宜的人力、標配通靈的能力、選配超高工時，又不太吃電，比 AI 的 CP 值更高。

MIT Sloan Management Review 最近整理相關實務，把 AI 新創分成六種類型，即六種 AI 能力位置：造模型的 Originators、押未來的 Explorers、搭底座的 Infrastructure builders、解痛點的 Enhancers、改營運的 Optimizers，以及試吃 AI 的 Experimenters。前五種在做的是強化組織競爭力；最後一種做的是「看起來有競爭力」！

造模型的，做的是可商用的大模型，這是少數巨頭與高度資本密集的新創競賽。押未來的，看的是 agentic AI、quantum AI 這類還沒完全成熟的下一波機會。搭底座的，做資料、API 與框架，讓企業真的能把生成式 AI 接進系統。解痛點的，把通用模型放進醫療、金融、人資、客服、製造等具體問題。改營運的，直接用 AI 改變自己的流程、分工與營運模式。

研究發現最多的是第六種，即到處試吃 AI的企業。無腦測各式AI 工具，再辦教育訓練來補腦，收內部案例，追使用率，卻沒有預算邏輯，甚至沒有足夠預算，只能做一半，沒有路線圖，沒有資料整合，沒有流程改造，也沒有配套的人力優化。它們以為自己在做 AI 轉型，其實只是在把 AI 工具試用包裝成轉型的樣子。

這個分類表面上是在講 AI 新創，其實更適合拿來照企業目前的 AI 轉型方法。很多企業沒有回答這些問題，就急著導入 AI，最後只會把轉型做成一堆零散專案。這不是轉型，這只是用更快的速度複製舊模式。

評論中指出，AI 目前還沒有在總體層面帶來明顯的回報，原因之一是很多組織把 AI 當成自動化技術，而非資訊技術。這個差異很大。自動化技術追求人少一點、快一點、省一點；資訊技術處理資訊如何被看見、判斷如何被前移、決策如何更接近現場。

企業若只用 AI 提升個人生產力，AI 會自然被用來壓縮任務。客服回覆更快，業務信件更多，HR 招募更順，行銷素材更多。這些改善都是真的，但它們多半停在任務層。任務執行變快，不代表品質或決策更好，也不代表組織更有競爭力。

真正的 AI 轉型，應該讓客服從回覆問題，推進到辨識客戶流失訊號。讓業務從寫開發信，推進到整合產業變化、競品動態與採購訊號。讓 HR 從加速招募，推進到串接人才市場、績效資料、留任風險與組織能力缺口。讓行銷從生成更多內容，推進到測試市場潛力、客戶反應與產品定位。

這才是 AI 從個人效率進入組織能力的分界。提升工作效率，只是讓人更快完成舊任務；提升組織能力，才會逼公司重新定義工作。前者只要開帳號、辦訓練、強迫使用；後者會碰到流程、資料、權責、績效指標、管理習慣與既得利益。多數企業選擇前者，因為前者最容易被包裝成煞有其事，又不太需要付出太多代價。這就呼應我先前那篇文章，打假球！

評論中也提到，agentic AI 已經不只是工程師寫程式的工具。這類工具可以多步驟推理、適應性執行，也能使用外部工具，所以它能讀檔案、重跑分析、同步處理任務，支援競爭情報、會議準備與行銷版本設計。AI 對知識工作者的影響，已經從「幫我生成內容」推進到「幫我處理一組連續任務」。

這個變化會讓很多只會用AI的工作者，在人才市場失去差異，因為那已變成像Office一樣的基本配備。真正能創造差異與價值的，是能把複雜任務拆成步驟，把可信資料放進系統，把 AI 輸出放回判斷場景，並且知道哪些任務不能交給 AI。

企業也一樣。只會採購 AI 工具的公司，很快會失去競爭優勢。只會要求員工提高生產力，很快會製造更多忙碌和 AI 垃圾。真正能創造差異的公司，知道自己缺的是底層模型、未來押注、基礎建設、產業解題、營運改造，還是該停止無效的 AI 工具試吃。

若 AI 只是讓每個人更快完成舊任務，公司得到的只是加速版的舊組織。AI 轉型若只要求員工跑快一點，就會避開真正困難的問題：舊有的工作流程與運作系統，值不值得被保留下來。

企業 AI 轉型失敗，往往問錯問題。失敗的公司先問：AI 能幫人做什麼？成功的公司會先問：AI 做不到什麼？然後，人、流程和組織必須重新定位成什麼？

跨國調查發現，企業推AI轉型大多在打假球

最近一篇來自 HR Executive 的報導，引用一份橫跨歐美的調查報告，同時訪問1,200位高階主管與1,200位員工，把企業在AI導入上最常見的五個假設或對外說法，逐一對照實際行為。結果發現，根本是說一套，做一套！

第一，多數高層相信員工會回報AI的錯誤與風險，但實際上有30%的員工選擇不回報。因為高層偏愛報喜不報憂，聽到問題時，大都不處理問題本身，反而處理提出問題的人，所以沉默變成比較安全的選擇。儘管已有28%員工目睹AI產生錯誤或高風險結果，但不回報。

第二，企業普遍認為年輕世代會自然擁抱AI，但數據顯示44%的Gen Z曾刻意讓AI使用效果變差，遠高於整體29%的比例。因為他們擔心AI取代工作，或削弱自己的價值。

第三，在管理層，只有35%的員工認為主管是AI推動者，55%的員工（Gen Z達64%）認為自己比主管更懂AI，主管對AI根本一竅不通， 又高談闊論，光說不練。員工對公司AI策略的信心，從2025年的47%下降到2026年的31%。

第四，75%的高層承認公司的AI轉型虛有其表，主要是對外公關與建立投資人信心，39%根本沒有正式的變現計畫，但同時有近70%的企業卻以AI為名進行裁員。

第五，只有少數AI超級用戶每週可省下約9小時工時，且在過去一年內升遷與加薪的機率是其他人的3倍；多數員工只省下約2小時，卻有43%被要求承擔更多工作量。同時，60%的高層表示正計畫裁撤「無法或拒絕使用AI」的員工。所以，AI帶來的不是全面提升，而是分化。

高層在對外輸出浮誇的敘事，中階主管沒有能力讓AI落地，員工則上有政策，下有對策地應付了事。企業用來評估AI成效的KPI，開始混入大量為了生存而產生的無效行為，降低AI專案的成功率。

這也是為什麼很多公司看起來在AI轉型，但內部沒有真正改變。建議可以去聽簡立峰老師最近在商周的Podcast，他講得很直白，若老闆自己的工作流程沒有被AI改寫，他也沒有能力去改寫整個組織。

當高層沒有先改變，轉型就不會發生。若轉型只停在簡報上，中階主管無法示範，員工就不會投入，甚至讓AI失效。若AI只被用來優化既有流程或節省成本，效果一定有限；只有被用來重新設計流程，甚至改寫營運模式，轉型才會真發生。

所以我最近用AI製作一集Podcast，來回答：在AI時代，PM如何協助組織進行AI轉型？PM究竟有沒有存在的必要？若存在，他們應該扮演什麼角色？核心技能為何？

我把許多研究和數據整理成一集2小時深度探索的內容，非公開的YT連結放在留言區，歡迎自由收聽。

AI 時代被強調的軟實力，20 年來都沒有被定義清楚

進入職場後，你會遇到一個很一致的場景。面試被問溝通技巧，就職後做測評填適應力量表，接著被安排去上團隊合作或領導力的課。這些詞同時出現在甄選、績效與培訓裡，看起來不同，但回到工作現場，很容易發現它們其實是相似的行為。不管在產業界或學術界，大都在用不同名稱描述同一類技能或職能。

加拿大與英國學者在《International Journal of Selection and Assessment》發表的研究 (已被提名為最佳論文)，把二十年來常見的 21 世紀技能逐一拆解，用語意分析比對定義，再用統計方法檢視關係。結果顯示，多數技能在概念上高度重疊，而且與測評方式沒有對齊。

相同的技能，只是名稱不同，卻用不同工具測評；看似不同的技能，反而用同一套方法評估。技能名稱是一套，測評是另一套，兩者之間沒有穩定對應。當定義與測評分離，它就很難被當作可驗證的技能，更接近被反覆使用的標籤或口號。

所以你在 A 公司被評人際關係，在 B 公司被評溝通協調，在另一個測評裡叫團隊合作，看似不同，其實可能是同一種行為傾向的不同名稱。有趣的是，有些被高度強調的技能，根本沒有穩定的測評方式。你做了一堆測評、上了一堆課，但沒有人能用一致的標準告訴你，你到底有沒有變強。

該研究發現，多數所謂的軟實力，在結構上同屬少數幾個技能，例如規劃分析、彈性與問題解決，本質上都是執行力。過去二十年，產學建立新的技能體系，只是用不同名稱來包裝。

真實世界更關心的或許不是定義，而在於如何測評與發展這些技能。當測評仍停留在問卷量表或自我評分，得到的是自我認知或他人印象，並不是真實行為事例。只有在具體情境中，客觀觀察一個人在不確定中如何判斷、如何調整、如何與他人互動，才能測出軟實力。義大利國科會學者發表在IEEE研究證實，在真實或模擬的工作情境中，運用AI自動蒐集和分析多模態數據(文本、行為、互動模式)， 較能客觀且準確的測出軟實力！

培訓也是同樣的邏輯。以各式軟寶力名稱設計的課程，仍停留在理解，並非行為改變，稱不算學習。只有在情境中反覆練習並獲得具體回饋，行為才會穩定，技能才會養成，逐漸內化成本能。

當一個技能無法對應到具體行為事例、無法在情境中被觀察、也無法透過回饋被修正，它就還不是一個可以被發展的實力。

多數人以為自己在補技能，其實只是一直在同一類技能上，被重新貼標、 重複測評、 反覆上課，但沒有改變任何事。

影片還沒上線，觀眾反應已經被預測
你還在優化內容？

不管是講師、自媒體、行銷宣傳或求職者在直播或錄播，多數人用 AI 優化表達時，做的其實是同一件事：改內容。他們把腳本丟進去修句子、補邏輯，讓表達看起來更完整，同時也只能在事後看結果，等影片上線、數據出來，才知道哪裡需要修改。受眾的評價不是從內容開始，多數人會忘記你講了什麼，留下來的是你給他的感覺（所以有沒有 AI 味，沒那麼嚴重）；在 AI 時代，這件事不需要等到上線之後才會出現。

我們研究室（HR-AI Lab）和成大資工系教授合作，最近在 IEEE Transactions on Computational Social Systems 發表了一篇論文，不看觀眾，直接分析講者本身，從臉部動態、眼神、聲音到語言內容，把表達拆成多個訊號，就能預測觀眾的投入程度。原本只能在上線後才知道的反應，被提前到上線之前，變成可以先預判的結果。

這個實驗採用多模態（Multimodal）的機器學習模型，可以同時處理不同來源的訊號，不只看內容本身，還同時分析表情、頭部動態、眼動、聲音與語文的整體表達，模擬觀眾接收到的訊號，預判他們的投入程度。

同時，這個研究把聲音單獨拉出來，建立一個只用聲音也能預判觀眾感受的模型，稱之為聲音魅力，評鑑講者的聲音表達，是否足以讓人願意繼續聽下去；在沒有影像的情境，例如 Podcast 或廣播，這個模型也能運作。

這個實驗連結應既有的社會科學研究證實，人在看影片時，情感投入會受到講者表情、聲音與語言表達所感染；在沒有即時互動的情境中，這些共同訊號就是影響觀眾感受的主要來源。

但用 AI 做預測時，最大的問題在於黑箱，無法知道模型是用哪些訊號做判斷，因此可解釋性變得重要。這些模型不只預判結果，還會把原因拆出來（Shapley values, SHAP），指出哪些訊號會提高觀眾投入，哪些變化會讓人離開，包括表情、眼神，頭部動態、聲音的節奏、語調與穩定度，以及內容都可以被定位，成為後續優化的依據。

對培訓機構、媒體或內容創作者，甚至求職者個人，這是分析模型，也是一個可以用來做診斷的工具。在面試、簡報或錄製之前，就可以預判表達問題落在哪裡，不需要再用結果去猜原因，把優化的順序往前移，在內容還沒上線之前，就先調整那些會影響觀眾反應的訊號。這代表不需要再用流量去試錯，每一段內容在發布之前，就可以先被檢驗。

當表達與觀眾反應可以被預判時，一個人的反應與回應也開始進入可預測的框架。《回應的力量》區分本能反應（Reaction）與自覺回應（Response），前者容易落入攻防循環，後者才能在對話中建立連結。當這個差異被放進可預測的系統，回應不再只是當下反射，而是可以被設計的選擇。我們研究室正與作者 #周震宇、 #馬可欣 老師合作，運用聲音特徵去預判個體的行為與性格傾向，作為回應的基礎。