孫弘岳-人力資源管理的世界

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。

雇主防 AI 作弊，大多數擋不了
真正被擋下來的，是不懂人機協作的人選

最近很多雇主開始擔心，求職者會用生成式 AI 改履歷、寫自傳、模擬面試，甚至把原本普通的答案整理得幾乎挑不出毛病。於是雇主第一時間的反應，往往是要求不得使用 AI，訂出效果有限的使用規範，或直接拉回現場測驗、加強監考、縮短答題時間，用防弊的角度來面對這個現象。

這些做法看起來像在維持公平，實際上卻暴露出雇主面對 AI 仍停留在被動防守的弱勢。若工作現場早就開始導入人機協作，雇主理應期待員工進來之後會用 AI 提高效率、減少錯誤、加快交付、改善品質。可是一到甄選現場，AI 卻突然被視為不該存在的東西。這代表甄選設計與未來工作，已經開始脫鉤。

最近刊登在《International Journal of Selection and Assessment》的評論，剛好點出這個困境。多數雇主面對應徵者使用 AI，反應仍停在禁止、隔離或有限引導。背後的邏輯很簡單，就是盡量維持過去測評的秩序。但現實是，除了把受測者拉到現場、暫時隔離工具，單靠禁止或引導幾乎都沒有真正效力。因為應徵者一定會用，完全不用的人，雇主反而要擔心他未來面對人機協作時的適應力。至於那些用了 AI 的人，究竟只是潤飾履歷，還是無腦生成內容，雇主通常也沒有把握。最後，判斷又回到人為主觀，反而引發新的爭議。

這個問題在學術出版界其實已經演過一次。出版社曾經嘗試用 AI 偵測論文是否由 AI 生成，但因為正確率與誤判風險長期受到質疑，現在多數出版社已經拿掉那種工具。我目前在協助處理這本期刊稿件時，也已經看不到所謂 AI 生成機率，只剩下提供給作者的文字式引導。 再加上現在也有各種工具可以改寫 AI 生成文本，這類檢測本身就很容易被繞過。換言之，禁止與隔離很難真正執行。

這兩位來自澳洲與新加坡的學者，真正往前推的一步，是要雇主接受這個事實，重新設計甄選工具與流程，從引導走向重構，直接評估應徵者在 AI 輔助下，如何理解問題、修正錯誤、整合資訊、做出判斷，最後怎麼對結果負責。

因為 AI 對傳統甄選工具的信效度威脅不是線性的，而是加速性的。新一代模型已經可以處理先前較不容易被 AI 解掉的題型，例如矩陣推理。agentic AI 也代表 AI 不只是回答問題，而是可以直接代替受測者操作測驗介面，讀畫面、移動滑鼠、輸入答案。再加上 AI 正逐漸進入智慧眼鏡等穿戴裝置，數位監考甚至部分面對面評量，未來都會愈來愈難防。今天看起來還算安全的防弊機制，都只是暫時性的。

所以問題的關鍵，在於企業到底想測什麼技能。很多雇主至今走不出傳統測評的思維，還在問這份履歷是不是自己寫的，答案是不是自己想出來的，有沒有偷用 AI。但當工作方式已經改變，這些問題就開始失去意義。未來真正有鑑別度的，不再只是答案本身，而是產出答案的過程。受測者怎麼拆題，怎麼下指令，怎麼判斷 AI 產出的內容哪些能用、哪些有問題、哪些需要補證據，最後又怎麼修正與整合，這些技能才會慢慢變成新的差距來源。

兩位學者建議，雇主如果真的想接招，至少要先做三件事。第一，先改問題。不要問應徵者有沒有用 AI，要問這個職位未來會不會與 AI一起協作。第二，重新定義技能。不要只看最後答案正不正確，要拆開看受測者怎麼理解任務、怎麼提出問題、怎麼判斷品質、怎麼修正錯誤、怎麼做最後決定。第三，修改甄選工具。直接允許受測者使用 AI，甚至把 AI 納入甄選流程的一部分。題目不再只要求交答案，而是要求說明他怎麼用 AI、為什麼這樣用、保留了什麼、刪掉了什麼，最後又依據什麼標準做出判斷。同時建立更客觀的標準，讓 AI 輔助，甚至部分取代人為主觀的評估。

這才是真正的重構甄選。雇主也會開始用 AI，只是評估的焦點將不再停在抓作弊、比對標準答案，或判斷內容像不像人寫的，應轉向分析受測者怎麼應對題目，怎麼與工具互動，怎麼修正錯誤，怎麼整合資訊，怎麼在不完整與不確定的條件下做出判斷。甄選要看的，越來越不是答案本身，而是生成答案的過程。這也會更接近 AI 時代下，人機協作的實際工作樣態。

很多雇主仍在防 AI 作弊， 還沒走出來。真正願意往前走的公司，已經開始評估受測者如何與AI協作。

不要再逼員工用AI了！這是AI轉型失敗的開始

賓州大學華頓商學院教授 Ethan Mollick 在《The Economist》專欄指出，多數企業在導入AI時，採用的仍是過去導入企業軟體的邏輯，也就是將使用率轉換為KPI，要求員工必須使用。這個做法看起來合理，但實際效果往往相反，不僅無法放大AI的生產力，反而開始產生大量看似完整、卻沒有價值的內容，也就是所謂的 workslop，亦即AI垃圾。

當「使用AI」本身變成KPI，上有政策，下有對策。員工不再優先思考如何改變工作，而是如何符合指標。在這種情境下，最自然的行為不是創新，而是選擇低風險的使用方式，例如轉錄會議、生成簡報、補齊文件或製作圖卡。這些產出確實提高了使用率，也讓成果看起來更完整，但對組織價值並沒有實質貢獻，反而稀釋了工作生產力。

當管理階層把AI當成套裝軟體導入，將其放入既有流程，用KPI推動，再交由IT或HR管理時，AI在組織中的角色會自然被降級為另一種Office工具。這正是Mollick所指出的錯誤。企業試圖把AI「變平庸」，結果就是大幅削弱AI原本可能創造的價值。

AI的價值，恰恰來自它的不穩定性。它在某些任務上可以遠超人類，但在看似簡單的情境中也可能出錯。這種能力分布的不連續，才讓某些工作有機會被完全重寫，而不是只被優化。當企業用穩定、可量化的方式去管理這種不穩定的能力時，AI只會被用在低風險場景，而真正需要改變的工作反而一成不變。

於是組織開始同時出現三個現象：產出增加、品質下降、員工反彈，但在報表上，使用率與導入進度卻持續上升。最後才發現，AI投資報酬率並沒有如預期提升。

Ethan Mollick 建議，導入AI應該採用以下兩種人機協作模式， 示範引導員工使用：

半人馬模式（Centaur）：人機高度分工，明確劃分「人類做」與「AI做」的界線。例如，由人類負責訂目標與最終審核，由AI負責數據分析與初稿撰寫，各司其職。

賽博格模式（Cyborg）：人機高度融合。人類與AI在每個環節不斷互動，你寫一句，它補一段，在過程中持續調整AI的產出，而不是直接複製貼上。

為避免產出workslop，不要只把AI當工具，要當作人，而要在發想階段就讓它參與思考，挑戰你的想法、提供不同視角。同時理解AI幻覺的必然性，它有時像專家，有時像想法多但不成熟的實習生，因此必須查核、校正，並持續訓練。AI正在快速進步，許多缺陷只是暫時的，唯有持續實驗與調整，才能發揮最大效能。不要怕它出錯，因為它一定會犯錯。

最後，Ethan Mollick提醒，不要再用KPI逼員工證明自己有在用AI，而是先回答，哪些工作其實已經不該存在，就算交給AI來做也沒有意義。

Bain & Company 發現，多數企業設計人機協作的邏輯是錯的

盤點工作內容，評估用什麼AI工具，可以提升人的工作效率
這個邏輯符合人類工作的直覺，但同時限制了AI的生產力

但許多成功案例採用的是另一個順序：
先評估AI可以完成什麼，再決定人要不要進來
而人的價值，正是在這一刻展現其核心

金融科技公司 Klarna 導入AI客服

先把客服工作拆開，區分固定問答與需要判斷、情緒處理的情境
固定問答交給AI，由系統回應並持續學習

真人客服只處理兩種情況：
資料庫沒有答案，或客戶情緒需要被處理

Microsoft 的AI系統開發工程

由AI產生初版程式碼與結構
工程師負責驗證、整合與架構判斷
AI負責生成，工程師負責決定是否可用
用少數工程師管理大量AI產出

Morgan Stanley 的AI理財顧問助理

顧問不再搜尋與整理資料
AI從知識庫推理出客戶個別需求與建議
顧問直接進入解讀與提供理財決策
並負責簽約與後續責任

Amazon 的AI倉儲與物流系統

需求預測、庫存配置、路徑安排交由系統處理
系統持續更新決策

人只處理例外：
數據偏差或判斷失準
還有現場的意外處理

以上做法都對應同一個順序：

1. 拆工作流程與任務
2. 有規則的任務交給AI
3. 沒有規則或需要負責的交給人
4. 重設流程與職責
5. 重新評估績效
6. 回頭檢視流程
7. 隨流程變動調整人與AI的分工

原本綁在「一個職位」上的內容，被拆成不同單位重新組合
然後重新界定與設計AI與真人的分工
原本的職位設計、職能模型、績效指標、總體獎酬與接班計畫，都要全改

Bain主張，workflow與workforce需要同時重設
而這樣的重設，會從工作在AI與人之間的重新分配展開
這就是AI時代HR被期待要做的工作
不再只是人力資源管理，還要結合工業工程與資訊管理
不叫Human Resources，也不只有people
是新時代的Workforce，包括AI、真人、機器人

MIT Sloan Management Review提醒
HR若無法承接這樣的人力規劃與工作設計
並且率先進行部門內人機協作的概念測試
接下來就可能逐漸被邊緣化，並由別人主導
反之，那新時代的Workforce部門就會轉型成功

全球職缺在下降，但企業卻更難找到人

很多公司最近都出現一個很矛盾的現象。導入AI ，人變少了，這不意外，但工作量卻沒有跟著變少，反而變更多、變更快、變更密。但奇怪的是，公司一邊減少職缺，一邊又持續說找不到人。

班恩顧問公司 Bain & Company 的數據顯示，2025 年第四季全球職缺全面下降。美國下降 32%，德國 34%，印度 29%；產業面網路產業下降 55%，零售 37%，醫療 29%，招聘服務 28%。企業新增用人需求正在收縮。

同一時間，與用人最直接相關的職缺也在下降。HR 關閉率 82%，獵才 80%，IT 服務 68%。這並不只是招聘變快，而是需求被重算。當企業整體用人變少，最先被壓縮的，本來就是「幫公司找人」與「支援用人」的功能；而部分 IT 服務，開始被工具化與內嵌到各部門，原本需要專門IT人力的工作，被分散或被 AI 吸收。

有趣的是，AI相關技術職缺並沒有持續增加，停在 14%。這顯示 AI 並沒有創造大量的工作機會，而是被拆進既有工作中。企業仍然需要少數高端 AI 工程師，但更多職位與工作流程已經被改寫，同一份工作開始要求具備 AI應用能力，而不是新增一個 AI 技術職位。

Bain & Company分析，當流程與人力一起重設，原本需要數十人、60 到 100 天、超過 10 次交接的工作，可以壓縮到 1 天、3 到 4 人完成整段流程。證明AI可以用更少的人，完成多的工作任務。

全球企業一方面投資 AI (或Tokens)，一方面重新配置人力需求。結果就是職缺下降，但工作量上升。這也是為什麼公司一邊減少職缺，一邊覺得缺人，缺的是能在這種人機協作下工作的人。

註: 下一篇我將分析班恩顧問公司如何來拆解這種人機協作的模式以及HR的角色定位。

《導入系統之後，為什麼工作反而變多》
問題在於用新的科技去服務舊的流程

這20年來，除了HR，很多部門都有同一個感覺，系統一套一套上，但事情沒有變少，只是變得更碎、更雜，那問題到底出在哪裡？

Boston Consulting Group 在2026年的報告提到，超過一半的高階主管仍然認為行政負擔是HR無法發揮戰略價值的主因。

但系統導入這麼多年，理論上早就應該把行政下降，但事實上沒有，反而更複雜！因為多數組織做的不是重新設計流程，而是讓系統去服務既有的流程。

回頭看日常工作，很容易辨認，資料已經在系統裡還要再填一次，規則已經固定還要再簽核一次，大家都知道誰可以做還是要把流程走完。其中一部分流程，已經不在處理新的不確定，只是在重複處理已經確定的事情。

很多公司在導入系統之前，都會先把流程寫成SOP，但上線之後，流程並不是照SOP在走。系統裡跑的是一套標準流程，實際運作靠的是人去調整。久了之後，就會變成兩套系統同時存在，一套在系統裡，一套在系統外Excel另外處理。

所以系統進來之後沒有讓事情變少，只是讓原本的流程，加上另一套影子流程一起存在。

BCG建議，每導入一個系統，就拿掉不必要的流程，如果做不到，那這不是轉型，只是把原本的流程換一種方式繼續存在。

現在很多企業導入AI，是在讓流程變得更有效率，還是開始讓流程更複雜？

不要再把PDF丟給AI了
它會讀錯，給出錯誤的結果

你現在還在把PDF直接丟給AI嗎？很多人用AI整理資料、寫報告，結果常出現一種情況：內容看起來合理，但越用越不對，最後只能一直修正。然後就得出一個結論：AI不可靠。

但問題其實不在AI。最近《經濟學人》專欄指出，語言模型在解析PDF時，會把多欄內容串在一起，標題、內文與頁首頁尾混在同一段。這不是偶發，而是格式本身的問題。解析順序一旦錯了，後面的理解就會跟著錯。

所以很多人以為AI在胡說八道。實際上，錯誤在你上傳不對的檔案格式那一刻就已經發生。

多數人會去調提示詞、換模型，卻很少回頭檢查一件事：資料本身是不是一開始就無法被正確解析。

目前的AI只適合處理乾淨的文字格式，例如TXT、Markdown或JSON。當內容是排版文件，例如PDF或Word，錯誤會被放大。

如果你的資料只有PDF，做一件事就好。把PDF上傳給AI，然後輸入："請把這份PDF整理成Markdown格式，保留標題與段落"。再用整理過的內容去問。

這一步不做，你現在用的結果，很可能一開始就是錯的。

《人工智慧數據中心暫停法案》在提醒什麼？
AI不只會讓你失去工作，還要你幫它付水電費！

KPMG整理的美國經濟分析局長期數據顯示，整體GDP的分配正在改變。員工薪資占比往下，企業利潤占比往上，而且差距創新高。這件事情不是AI開始的，但AI正在加速擴大這個差距。

許多研究指出，AI讓企業可以用更少的人，做更多的事。生產力上升，利潤上升，但沒有轉換成多數勞方的薪酬，而是集中到資本端，或少數與AI高度相關的高階勞方。白領工作被取代之外，連過去用來維生的零工機會，例如Uber，也開始面臨自駕技術的替代壓力。

AI不只改變收入，也改變成本。AI需要算力，而算力來自數據中心。數據中心消耗大量水電，這些資源不是企業內部就能解決，最後會反映在水電費與基礎設施的壓力上。換句話說，AI在用的水電，最後會變成你看到的水電價、公共支出與基礎設施成本。

這也是為什麼，本月美國國會提出《人工智慧數據中心暫停法案》，要求暫停新建數據中心。表面上在談能源，但真正碰到的是這個結構已經開始影響公共資源，以及上述提及的紅利與成本分配。

AI確實讓相關企業更賺錢，股價上升，GDP提升，但多數人有沒有一起變好。薪酬沒有上來，甚至工作被取代，卻要承擔更高的水電費來支撐AI。紅利在集中，成本在分散，而AI正在加速這個分配結果。

反對者警告，如果限制AI數據中心，可能會在競爭中落後。但當算力擴張被限制，資本回報會下降，既有的利益分配會被打斷。當越來越多人透過股市、ETF與就業綁在這個系統中，似乎就成為了利益共同體。

AI確實也在降低成本、提高效率，讓產品與服務變得更便宜。某些人透過投資AI概念股或投入AI相關工作，反而是受益的一方。問題不在於「誰被坑」，而是你在這個共同體，站在什麼位置。

真的有機會喊暫停嗎？還是只能繼續衝下去？

在台灣，有沒有很熟悉的感覺？

#台積電 #物價 #工作 #所得