二○二四年底，IBM 的一則裁員新聞在 HR 社群引發熱烈討論。
不是因為裁員本身多罕見，而是因為被裁的職位，竟然是在AI初起時被認為最不會被裁員的職類 : HR。這則新聞讓許多人資工作者感到不安：因為一家也在提供全球企業"人資轉型"方案的最大服務商，竟然自己先把人資部門的人裁掉了。
然而，如果你只把這件事理解成「AI 將取代 HR」的趨勢發展，你就只是看到了表層。真正值得探究的問題是：IBM 在 AI 出現之後，準備進行自動化的 HR部門 工作，為什麼在AI出現之前一直沒辦法用"傳統的資訊系統"進行處理？因為我們都知道IBM 不缺錢，不缺技術，不缺流程規劃能力。所以問題究竟卡在哪裡？答案，藏在一個比較少人接觸到的區別裡：結構化資料 vs.非結構化資料。
什麼叫 E 化的邊界？
很多人對「人資E化(數位化)」的理解，其實從起點可能就是錯誤的。
許多人可能以為問題出在 IBM 不夠積極，或是IBM的 HR 太保守。但成如上所述，這兩個解釋都站不住腳。一家規模達數十萬人的跨國企業，不可能沒有完整的 HRIS、薪資系統、申請流程、出勤紀錄平台。無庸置疑的 IBM 在 AI 出現之前，早就把人資的結構化流程完整的上了系統。
那麼，為什麼我們現在發現 : 原來還有一大塊 『HR部門的工作』是卡在人手上？
因為 E 化有一個邊界，而那條邊界的名字，就叫做：非結構化資訊。
我們可以把「E 化」拆成兩類來看：
第一類，是結構化流程的數位化。這一層在傳統技術時代就已能做到。薪資發放、請假申請、出勤紀錄、組織表、員工基本資料，這些都有固定欄位、固定規則、固定節點，ERP 與 HRIS 很早就覆蓋了。
第二類，非結構化流程才是真正的問題所在。HR 真正麻煩的工作，往往不是「填哪張表」，而是：這個員工問的是制度問題，還是在暗示他準備離職？這封看似調動申請的信，背後是不是有升高中的衝突？這位主管說要調薪，究竟是留才、政治交換，還是預算濫用？
這些判斷，在傳統系統時代幾乎完全無法被吃下去。因為系統只能處理你事先定義好的欄位，卻無法穩定處理語言、脈絡、模糊意圖與例外情境。
E 化的邊界，不在企業的意願，而在技術本身的資訊處理能力。當你只能處理結構化資料，HR部門 裡最核心的那一塊工作，就會永遠停留在人手上。
一個容易被混淆的概念：數位化 vs. 數據化
我們再花一點時間，談一個重要的區別 :
- 數據化，是把東西變成數字，做成 KPI 與儀表板。
- 數位化，是重構工作流程與決策邏輯，改變「誰決定、怎麼決定」。
而過去二十年，HR部門 的所謂「數位化」，多半只是數據化。
eHR 系統是把紙本流程搬到螢幕上，HR Analytics 是把 Excel 做成 Dashboard。本質上，HR 還是靠經驗與感覺決策，因為最關鍵的資料—面試官的備註、社群媒體上的情緒訊號、離職員工的真實抱怨—根本沒被納入任何系統。所以你會看到一個有趣的現象：企業用數據決定薪資，卻用感覺決定升遷。
所以真正的完整"數位化"，是要能夠把語言資料這些非結構性資訊納入決策回路。而這件事，在 AI 出現之前從未真正實質有效發生過。
數位化的本質不是更多儀表板，而是讓過去無法被計算的決策參考依據，第一次進入可分析的範疇。因此"非結構化資訊"的處理能力，才是 HR 數位化的真正分水嶺。
IBM 自己的案例，反過來證明了這件事
IBM 後來對外分享關於自家開發的 AskHR系統的 成果，其實是一份反向佐證。
AskHR 現在能自動處理薪資單查詢、休假計算、在職證明、主管異動通知等超過八十種任務，且二○二二到二○二四年間相關領域的生產力提升最高可達七十五%。這個成果很亮眼，但它同時揭示了一件事：如果這些任務早就可以被傳統資訊系統處理，IBM 何必等到 有了AI 才能開始做？
IBM 自己在談 AI 導入 HR 時也強調，AI 帶來的核心價值，是對 workforce data 的更高效利用，以及將例行任務移交 AI，讓 HR 回到更高價值的判斷與互動工作。這句話翻過來說就是：過去那些工作之所以沒辦法移交，是因為傳統技術根本吃不下去。
IBM 的 人資長 Berkeley Haas 在訪談也進一步說明，AI 導入之後 HR 才有更多空間去做領導教練、複雜問題處理等高價值工作。換句話說，以前大量人力就是卡在高例外、高摩擦的中介工作上—不是因為 HR 偷懶，而是因為當時沒有工具能幫他們。
IBM 不是 AI 出現後才突然意識到 HR 可以數位化。而是 AI 出現後，傳統資訊系統的邊界才第一次被突破。AskHR 的成功，正是幾十年 E 化困境的終點，也是IBM HR部門 完整E化的起點。
傳統E化(數位化)的五個邊界
如果要把這條 E 化的邊界說得更具體，至少有五個維度可以拆解：
邊界一：語言不是欄位
傳統系統擅長「是／否」、「下拉選單」、「固定流程節點」。但 HR 大量資訊存在於 email、面談紀錄、留言、對話、申訴敘述、離職理由裡，而且每一句都帶有語境。同一句「我想談談未來發展」，可能是想升遷，也可能是想走人。在大型語言模型成熟之前，系統頂多做關鍵字比對，幾乎不具備可用的語意理解能力。
IBM 近年描述 AskHR 時，總是把「虛擬助理＋生成式 AI＋agentic automation」三件事綁在一起說。這表示以前缺少的，並不是一個前端介面，而是中間那層理解能力。
邊界二：例外比規則多
很多企業以為 HR 是行政部門，所以應該高度流程化。這只對一半。HR 的行政面確實能流程化，但只要碰到勞資爭議、跨國用工、績效改善、敏感申訴，例外就會像雜草一樣長出來。每一個例外都代表你要多寫一條規則、多開一個流程分支、多處理一次權限歸屬。當例外太多，企業最後會發現與其繼續改系統，不如讓 HR 人員手動處理。
邊界三：多系統、多角色的協作鏈
員工提出一個看似簡單的問題，背後可能要連到薪資系統、法遵規則、組織權限、主管審批、共享服務中心、甚至地區政策。IBM 自己在 HR transformation 材料裡就提到，過去的 HR experience 是 multi-channel、multi-tier，手續轉手造成延遲，HR 專業人員也因此被困在非策略性工作上。這幾乎就是大型企業 HR 無法徹底 E 化的標準病徵：不是不想建系統，而是系統需求太破碎。
邊界四：風險判斷與責任承擔
你可以把假單自動化，但你很難把「這件事該不該特例處理」完全交給舊式系統。特例一開可能造成先例，先例一立可能影響整個組織治理。所以很多企業，包括 IBM 這種成熟公司，在 AI 之前寧可讓 HR 保留人工介入，也不把這類流程完全寫死。不是保守，是因為一旦判錯，代價比流程慢更高。
邊界五：只能數位化動作，無法數位化理解
這才是最核心的一點。過去的 E 化，本質上是在做 transaction automation：點選、提交、核准、歸檔。但 HR 大量工作的瓶頸其實不是動作，而是理解—理解需求、理解政策、理解脈絡、理解例外。AI 出現後，尤其是生成式 AI 與 agentic automation 開始成熟，系統才第一次具備能力把「理解」這件事也拉進自動化鏈條。IBM 後來能把 AskHR 從單純查詢工具推進到多步驟任務自動化，本質上就是因為 AI 補上了過去缺掉的理解層與協調層。
所以 IBM 為何要裁 HR？
回到本文的起點 : 哪則IBM裁員的新聞。IBM 執行長 Arvind Krishna 在二○二三年曾公開表示，公司預期約二萬六千個非面向客戶的後台職位中，有大約三十%在五年內可被 AI 與自動化取代，其中明確點名的例子，包含開立在職證明、部門調動這類重複性高的 HR 行政流程。
後來更精確的報導顯示，IBM 是用 AI agents 取代「數千位」之前在處理無法E化的人資作業的員工，而不是把整個人資職能消滅。
IBM 裁減 HR 相關人力，背後有四個清晰的邏輯：
- 成本與效率 — 例行性 HR 服務本來就適合自助化與自動化。
- 任務性質改變 — 薪資單、假別、政策規範這類問題，AI 比真人更適合做 24/7 即時回覆。
- 資源重配置 — IBM 把省下來的資源轉去擴編軟體開發、銷售與行銷等更需要人類判斷的職位。
- 戰略示範 — IBM 本身就在賣企業 AI 方案，它也有誘因把自己內部 HR 自動化做成樣板。
IBM 的 AskHR 採兩層模式：AI 先處理例行詢問，複雜案件再轉給人類顧問。這代表 IBM 不是認為「HR 不重要」，而是認為 HR 裡面最先被壓縮的，是服務台型、行政型、交易型工作；真正留下來、甚至更重要的，是複雜判斷、敏感溝通、個案協商與策略型人才工作。
IBM 之所以對人資單位裁員，是因為它認定人資內部有一大塊工作其實不是「人」的工作，而是「流程」的工作。當 AI 足以處理這些流程，HR 裡最先被削減的就是後台行政人力。
這件事真正殘酷的地方在於它揭露了一個現實：不是所有 HR 職能，抵抗 AI取代性的能力都是相同，有些很強，有些很弱。
非結構化資訊：HR 最重要的原材料
這裡要分享一個理論框架，來幫助我們看清楚這件事的本質。
社會學家 Michael Polanyi 麥可・波蘭尼 在在 20 世紀中葉就提出「隱性知識（Tacit Knowledge）」的概念，核心命題是："we know more than we can tell."—人知道的，比他能清楚表達的還多。
HR 的工作就是長期建立在這種隱性知識上：主管對某位員工的直覺判斷、面試官對某個語氣的微妙感受、團隊氣氛的細微變化。過去這些只能靠人來承載與傳遞。現在，AI 開始能夠對大量文本進行語意聚類與情緒分析，某種程度上，就是把隱性知識部分顯性化了。
這就是為什麼生成式 AI 對 HR 的衝擊，比對財務或製造業更劇烈。財務本來就結構化，製造業本來就流程化，但 HR，從招募到留才，本質是語言密集型工作，處理的原材料從來就不是數字，而是人說的話。
虛擬一個可能的場景
某科技公司人資長發現研發部門流動率高，但績效數據全部正常。
過去的做法是開檢討會、做問卷，但結果總是填答率低、答案模糊。後來他們導入AI語意分析工具，把三年的離職面談逐字稿丟進模型，模型自動抓出高頻語意群組：「決策延遲」、「需求反覆」、「主管未給方向」。
主管原本認為離職問題是「年輕人抗壓性低」。但數據顯示，問題在「決策架構混亂」。
當組織獲得，問題在「決策架構混亂」的那一刻，組織對問題的認知就被翻轉，而這就是非結構化資料真正的價值 — 不只是效率的提升，更是是組織認知的升級。
這件事對 HR 人的真正衝擊
讀到這裡，你可能已經感覺到這件事對HR工作者而言，已經不只是專業技術學習的問題，而是職涯發展結構的問題。
IBM裁員 的訊號，不是「HR部門 沒了」，而是「HR 部門開始分裂」。一端是被 AI 吞掉的非結構資料作業流程；另一端是更少但更貴的高判斷角色，例如組織設計、人才決策、勞資敏感議題處理、領導團隊顧問。IBM 總就業人數後來並未因此單向縮水，反而因為資源轉移而在其他部門增加招聘。這表示 IBM 應該不是單純把人拿掉，而是在重寫「哪些工作值得由人做」。
未來在 HR部門的人，大概會分成兩種：
- 會用 AI 做行政作業的人 — 這個能力最終會變成最低門檻，而不是加分項。
- 會用 AI 設計決策的人 — 知道如何定義問題、校正語境、管理模型偏誤、處理倫理邊界，這類人將相對稀缺而有價值。
以前 HR 的核心價值在熟制度、懂流程、會協調。這些能力未來仍有必要，但已不足以定義一個 HR 的不可取代性。未來 HR 的核心價值 : 將是在定義語意、設計人機決策流程、管理模型偏誤、承擔例外判斷的責任。
這不只是升級，也是一種職能替換。
最容易被壓縮的，不是懂流程的人，而是只懂流程的人。真正會升值的，則是能定義問題、校正語境、處理倫理、承擔例外的人—因為現在資訊系統終於能處理「沒那麼難的人話」，但真正難的那部分，還是得有人扛。
技術終於追上了那段落差
AI 不是讓 HR 突然數位化。AI 是讓 HR 裡面原本資訊系統無法處理的那一塊工作，第一次開始能被部分系統化。
IBM 的例子之所以特別能說明這件事，正是因為它絕不是沒有錢、沒有 IT、沒有流程能力的企業。如果連 IBM 這種公司，在 AI 之前都還有一大塊 HR 工作無法徹底 E 化，那就更能證明問題不在「企業努力不夠」，而在問題本身的資訊型態太複雜。
薪資、假勤、組織資料是結構化資訊。但人資真正麻煩的部分—敘事、情緒、脈絡、特例、協商、責任—偏偏是非結構化資訊。
過去 HR 裡大量工作是「高摩擦的知識中介工作」。人資要在員工、主管、制度、法規、文化、情緒之間做翻譯。這種翻譯工作，在過去只能靠人。現在 AI 能分攤其中一部分，不代表過去那些人沒價值，只代表技術終於追上了那段落差。
在 AI 時代，HR 若能掌握(非結構性資料)語言資料的『詮釋權』，HR在組織中的未來就不只是等著被改變，而是成為"這個改變"的設計者。
IBM 的案例，是一面鏡子。它照出了 HR 過去的侷限，也映出了未來的輪廓。看你選擇站在哪一邊。
附錄
Michael Polanyi 麥可・博蘭尼（1891–1976），匈牙利裔英國學者，本業是物理化學家，後來轉向科學哲學與社會認識論，是跨界思想家的典型案例。
他最重要的貢獻是提出隱性知識（Tacit Knowledge）理論，核心命題只有一句話："We know more than we can tell." 人知道的，永遠比他能說出來的多。
舉個例子：你會騎腳踏車，但你無法用語言完整描述你是怎麼保持平衡的。那個「說不清楚但確實存在」的知識，就是隱性知識。相對於此，能被明確表達、編碼、傳遞的，叫做顯性知識（Explicit Knowledge）。
這個區分後來對管理學、組織學、教育學影響深遠。野中郁次郎（Nonaka）的知識創造理論（SECI 模型）就是直接建立在 Polanyi 的基礎上。
值得一提的是，Polanyi 提這個概念，原本是在批判「科學完全客觀」的幻覺—他認為科學家的判斷、直覺、經驗本來就深嵌在知識生產過程裡，無法切割。這個洞見放到今天的 AI 討論裡，反而特別有力：AI 能學顯性知識，但隱性知識的轉移，至今仍是一道還沒完全解開的題目。
＃知識管理深思系列
＃以對話引導思考_以論辯形塑觀點
👉歡迎聯繫：世安哥賴帳號 hrfriday2009《顧問規劃/企業內訓/主管教練/職涯經紀》
❤️點愛表心｜💬留言相伴｜✏️追蹤世安｜🔗分享此文｜
