<本文由作者與 Claude AI 共同創作>
最近在台灣的企業管理圈，我觀察到一個非常反直覺的現象。有個反直覺的觀察，在我最近和幾位 CEO 聊天時有發現：你公司裡最忙的人，可能是最需要 AI 的人。而最閒的人，可能反而是最善用 AI 的人。
更具體地說，有些同事看起來永遠在趕，訊息秒回、會議塞滿、待辦很多，工時很長，卻沒有把產出拉出明顯差距。另一種人表面上從容許多，會先花時間把問題定義好，把 AI 叫進流程裡，把交接點切清楚，最後反而更快交付，品質也更穩。
這代表什麼？代表 AI 改變的，不只是工具列多了一個按鈕，而是「這個職位平常在做什麼」這件事本身。
---
「勤能補拙」的失效時代
過去有一句話叫「勤能補拙是良訓」。這句話在 1980 年代到 2020 年代大部分時間裡，都是職場的金律。更努力、更用心、更願意加班，就能補上能力的不足，最後通常能贏。
但這個邏輯正在被根本性地挑戰。
想像一個場景：你公司有兩個業務。A 業務每天到處跑、到處電話、到處寄 email，忙得不可開交。B 業務看起來悠閒，經常坐在位子上想事情，有時候對著螢幕發呆。但年底一算，B 業務的成約率比 A 高 40%，處理的案子量也多。
差別是什麼？B 業務用 AI 檢索標案、AI 寫初稿標書、AI 整理客户信息。他省下來的時間，用在想「哪三個案子值得追」和「怎麼跟這個客户建立長期關係」。而 A 業務把所有時間都花在「做事」上，沒有時間「想事情」。
這個現象在全球企業都在發生。根據 Microsoft 2025 年的 Work Trend Index，82% 的領導者已經計畫用 agent 來擴充團隊的產能。Gensler 2026 的全球調查更有意思：AI Power Users（也就是最會用 AI 的 30% 員工）反而花更多時間在學習（12% vs 8%）和社交（11% vs 9%），而花更少時間在獨自工作。
換句話說，最懂 AI 的人，正在把自己從繁雜的獨自執行中解放出來，轉向更高級的人際連結與知識獲取。最善用 AI 的人，不是一直對著電腦敲鍵盤的人。而是懂得讓 AI 去做重複的事，自己騰出時間去思考、去溝通、去決策的人。
職位說明書該怎麼改
如果過去的職位說明書是這樣寫的：
> 行政主任
> 工作職責：
> - 處理應付帳款、工程師時數簽核、預算請簽
> - 與廠商溝通付款進度
> - 整理月度財務報告
> - 協助 CEO 安排會議
那麼 AI 時代，同樣的職位說明書應該重寫成：
> 行政主任（AI 時代版）
> 工作職責：
> - 設計並優化 應付帳款、時數簽核、預算請簽的工作流程
> - 訓練與監督 自動化工具（agent）的運行品質
> - 處理異常情況與 escalation
> - 建立與廠商的關係（而不只是傳遞信息）
> - 優化月度財務報告 的邏輯與呈現方式
> - 為 CEO 提供 決策支持（基於數據的洞察），而不只是安排會議
看起來是不是少了很多「做」的工作？因為那些已經交給 AI 了。但多了很多「想」和「設計」的工作。
角色的三層變化
我在 DeepWave 觀察到的角色轉變，大概可以分成三層：
第一層：執行層的轉變
過去這層的工作特點是「重複性高、對標準流程的依賴度高」。比如：客服回覆常見問題、行政處理請簽單、業務整理客户信息。AI 接手這些工作，效率通常能提升 5 倍以上。
當 AI 接手之後，這一層員工的核心價值轉移到了「判斷」：
- 不再是「快速執行」，而是「判斷這個判斷對不對」
- 不再是「處理所有案子」，而是「快速找出哪些案子需要人工處理」
- 不再是「遵循既有流程」，而是「看出流程的問題、改進流程」
在 DeepWave，行政部門的同事從每天簽 100 份單變成設計更好的簽核邏輯，然後監督 Agent 有沒有漏掉任何一份。這聽起來做的事更少了，但實際的產出品質和業務支持度反而更高——因為她現在有時間想「我們的流程有沒有問題」。
第二層：整合層的浮現
這是新角色浮現的地方。過去不需要的職位，現在變成剛需。比如：
- Prompt Architect：不是寫程式，而是設計 AI 應該怎麼思考、怎麼回應
- Agent Manager：不是管人，而是管這個自動化流程有沒有越界、有沒有出錯
- Workflow Designer：看著整個組織的工作流，設計人和 AI 怎麼最佳配合
在 DeepWave，工程團隊本來五個人。現在還是五個人，但他們的職位說明書加上了：「同時管理五個並行的 Claude Code 工作流」。他們變成了既是工程師，也是 Agent Manager。也就是說，很多角色正在從「親手做」轉向「帶隊做」，只是帶的隊伍裡，有一部分已經不是人。
第三層：決策層的壓力轉移
AI 提供更快的資訊、更多的分析、更快的方案。但最後拍板的仍然是人。不同的是，決策者面對的不再是「資訊不足」的問題，而是「資訊過載」的問題。
有個更微妙的變化：當 AI 的建議通常比人的直覺更精準時，決策者面對的心理壓力變了。你不能再用「我憑經驗感覺」來拍板。你需要真的理解 AI 為什麼這麼建議，然後有勇氣說「不，這一次我信我的判斷」或「對，AI 說的沒錯」。
前者需要很深的領域知識，後者需要對 AI 的信任度足夠高。既然能一小時出稿，為什麼還要留出思考時間？這是很多決策者現在問自己的問題。而最難的，是在 AI 的精準性和人的經驗值之間找到平衡。
10/80/10 法則
我最近意識到，過去常說的帕累托法則（80/20）需要在 AI 時代改寫成 10/80/10。
過去，一個工作流程的分配大概是這樣：
- 20% 是前期規劃與設定
- 80% 是執行與輸出
現在變成：
- 10% 是前期規劃（定義問題、拆解任務、設定品質標準）
- 80% 交給 AI 執行（生成、測試、優化、輸出初稿）
- 10% 是後期檢查與決策（品質把關、判斷校準、處理例外）
人的價值，一週裡的40小時，應該是要集中在這個 10/80/10 的兩個 10 裡。而這兩個 10 恰好是最需要經驗、判斷力、領域知識的地方。
更關鍵的是：這個前期的 10%，現在比過去重要得多。你定義問題的方式、拆解任務的邏輯、設定品質標準的嚴格度，會直接影響 AI 做出來的東西。換句話說，「怎麼問問題」變成了最重要的技能。
而後期的 10%，也因為 AI 產出品質通常更高，變成了「你有沒有能力發現 AI 沒看到的問題」——這也不簡單。
所以 AI 沒有讓人退出流程。它只是把人的價值推向兩端：前面的定義，後面的驗收。
台灣企業現在卡在哪裡
台灣企業普遍還停留在「買工具」的階段。很多公司現在的做法是：讓員工用上 ChatGPT、買個 Claude Pro、裝一些自動化軟體。然後期待生產力自動提升。
但這樣往往失敗。為什麼？因為沒有同步做角色重新定義。
你還在期望員工「快速執行」，他們卻開始感受到 AI 比他們更快、更準。你還在用傳統的績效指標（「完成了多少工作」），但在 AI 時代，更重要的是「判斷品質有多高」和「流程設計有多好」。
很多企業目前還在「買工具」階段，很少往前跨一步去做角色重新設計。最常見的狀況是：原本的工作完全不變，只要求員工額外「善用 AI」。結果就是工作量疊加，而不是工作重構。員工表面上有了新工具，實際上只是多了一個新的期待來源。
如果員工的工作內容已經從執行轉向指揮、整合、把關，你還用舊的 KPI 去評估他，他一定痛苦。你會叫一個已經在帶 AI 團隊的人，繼續用產出件數、工時長短、回訊速度來證明價值。那個評估方法會直接把角色升級壓扁回去。
我在 DeepWave 做的，就是反過來：先決定「每個角色在 AI 時代應該做什麼」，然後才是「怎麼用工具」。
當 AI 成為團隊成員
還有一個被忽略的問題：如果 AI 是團隊的一員，它需要有「職位說明書」嗎？
聽起來有點荒謬。但想想就知道很實用。
比如，我在 DeepWave 的客服 Agent，它的「職位說明書」大概是：
- 負責回覆常見問題
- 可以承諾的事：幫忙檢查資料、轉給人工客服
- 不可以承諾的事：給予產品路線圖、承諾 feature 上線時間
- Escalation 規則：如果客户情緒負面指數超過 X，轉給人工
每一條規則，其實都是在定義「這個 AI 員工」的角色邊界。沒有這些明確的界線，AI 可能越界、可能給錯承諾、可能毀掉品牌信任。而在 DeepWave，我們愈來愈傾向把每個 Agent 當成有範圍、有邊界、有 escalation 規則的角色。它不是一團模糊的「智能」，而是某一段流程裡的特定分工。它能查什麼資料、可以生成到哪裡、何時一定要交還給人，這些都得定義。
而定義這些邊界的過程，往往讓你更清楚地看到：我們的組織到底想要什麼樣的客服體驗？
這件事的本質，是責任設計。
先改職位說明書，再談導入成效
AI 時代的角色設計，焦點已經不在「有沒有學會用 AI 工具」。真正的題目是：這個位置上的人，現在究竟該負責什麼？
當工作的比例逐漸往 10/80/10 移動，人更該守住的是前端的規劃與後端的把關，中段交給 AI 去放大。企業如果還停在「把工具加進流程」，通常只會得到局部效率；企業若敢進一步重寫角色，才有可能真正把 AI 變成組織能力，而不是個人小聰明。
AI 導入的第一份文件，不該是採購清單，而該是新的職位說明書。
想聊聊你的團隊角色該怎麼因應 AI 調整？歡迎預約一次免費的 AI 顧問諮詢。
