過去一年,我反覆在思考一個問題:在後 AI 時代,員工個人到底能做什麼？職能怎麼轉型？企業裡會長出哪些新角色？
這個問題困擾我很久,是因為市面上的答案往往走兩個極端。一種是恐慌型的——「你的工作會被 AI 取代」,然後給一堆焦慮但空泛的建議;另一種是樂觀型的——「AI 會讓每個人變成超級員工」,但說不清楚「超級」在哪裡、超級員工的日常長什麼樣子。兩種答案都沒有回答我真正想知道的問題:在一個企業組織裡,AI 會重新切出哪些角色?這些角色之間的分工邏輯是什麼?
這禮拜去商周舉辦的 2026 AI 百強年會,聽到群聯電子執行長潘健成在分享中提到一個概念——「AI 藍領」。
他用這個詞描述企業內部負責打通 AI 基礎建設的人:讓員工能用 AI 生產、讓部門之間能用 AI 溝通、讓管理層能用 AI 做決策。這個概念像是打開了一扇窗,讓我原本模糊的思考開始聚焦。
回來後我把這個啟發延伸整理,形成一個四層的員工角色框架。
這篇文章想分享的，是我自己對 AI 職能地圖的，覺得解釋力比較好的視角——跳脫按職位高低分層的視角，改成先看 AI 可以怎麼改造企業的生產流程，按照「改造對象」分層。
四層角色的輪廓
第一層:AI 藍領——基礎建設與治理的守門人
雖然潘健成用「藍領」這個詞,但這其實是四個角色裡技術判斷最深、對企業影響最底層的一個。
AI 藍領的工作是打通基礎建設——讓一般員工能生產用 AI、讓部門之間能溝通用 AI、讓管理層能決策用 AI。聽起來像是傳統 IT 部門的延伸,但實際上涵蓋的判斷遠比 IT 複雜:哪些場景該用哪個模型?資料怎麼治理才能餵給 AI?員工用 AI 的權限邊界在哪?模型產出的品質怎麼把關?
以及，實際在企業中更會遇到的：該怎麼訓練員工使用 AI？該如何為一群不熟悉技術的同事建構安全又彈性的開發空間？彼此的 Vibe coning 作品如何協作？如何在創造的過程又做好資安與個資保護？
此外，我認為這個角色還必須加上另一個容易被忽略的任務:AI 治理。
為什麼要加治理?因為當 AI 工具大量下放到組織裡,必然會出現幾個問題:員工私自把公司機密丟進公開模型、各部門自製的 AI 工具產生不一致的業務邏輯、AI 給出的建議沒有人負責追蹤準確性、客戶資料在模型訓練的過程中外洩⋯⋯這些風險如果沒有一個專門角色去守,最後會變成高階主管收拾不完的爛攤子。
所以完整的 AI 藍領職能應該包含兩個面向:
- 建設面:模型選型、資料管道、權限系統、工具鏈整合
- 治理面:使用規範、資安邊界、合規稽核、品質監控
這兩個面向看起來矛盾——一個是「讓 AI 能用」,一個是「讓 AI 不亂用」——但實際上必須同一群人來做,因為只有建設者才知道哪裡有風險破口,也只有守門人才知道什麼規則不會扼殺生產力。把它們拆成兩個部門,最後一定會出現建設方抱怨治理方擋路、治理方抱怨建設方挖坑的內耗。
這個角色之所以稀缺,是因為它同時需要技術深度、風險意識、跨部門溝通能力、以及願意做「基礎工」的務實性格。潘健成用「藍領」這個詞,可能就是想強調這個角色不是坐在會議室裡談策略，而是真的動手做把水管接通、把地基打好。
第二層:AI 落地師——流程與跨部門整合的翻譯者
如果說 AI 藍領負責基礎建設,那「AI 落地師」就是負責把這些建設實際接到企業的營運血管裡。
AI 落地師的核心能力是理解三件事:公司的營運流程長什麼樣子、市場的價值與競爭力缺口在哪、以及 AI 能在其中扮演什麼角色。
更精確定義 AI 落地師的工作，更像是在組織裡找出適合導入 AI 的環節，然後做整合——可能是橫向的跨部門合作(行銷+業務+客服)，也可能是縱向的多層級協作(第一線+中階管理+決策者)，解決跨部門的吵架、低效。
為什麼這個角色特別難?因為它要求同時具備三種視角:
- 業務視角(知道什麼流程痛、痛在哪)
- 技術視角(知道 AI 能做什麼、做不到什麼)
- 組織視角(知道怎麼讓不同部門的人願意改變)
傳統的流程優化顧問有前兩個視角但缺最後一個;內部的資深 PM 有業務和組織視角但缺技術判斷;AI 工程師有技術視角但不懂業務痛點。AI 落地師是這三個圓的交集,而這個交集過去幾乎沒有對應的職位,現在正在快速形成。
舉個具體的例子:一家零售企業想導入 AI 來優化庫存管理。AI 藍領會把模型、資料管道、權限都接好;但如果沒有 AI 落地師,採購部不會信任 AI 給的預測、門市不會願意配合新流程、財務部會質疑投資報酬率。
AI 落地師的工作,是把這些部門的顧慮（aka 平常跨部門吵架的主題）翻譯成可以解決的問題,然後一步一步拆解、試行、調整,最後讓 AI 真的嵌進日常運作,而不是停在「PoC 很成功但沒人用」的階段。
第三層:AI 創新長——商業模式的重新設計者
再往上一層,是 AI 創新長。
這個角色的工作,本質上是從根本上重新問一次:在後 AI 時代,我們的企業還應該是現在這個樣子嗎?我們的價值主張需不需要升級?我們的商業模式還有沒有重新設計的空間?
這層的思考往往是顛覆性的。舉幾個可能的提問:
- 如果客戶可以直接用 AI 做我們原本賣的顧問服務,我們還在賣什麼?
- 大家都用 AI 自己造輪子的情況下，市場仍需要的軟體解決方案會長什麼樣子？
- 如果 AI 可以讓我們服務的客戶數量翻十倍,我們的組織結構該怎麼調整?
- 如果競爭對手用 AI 把價格打到我們的三分之一,我們的差異化該建立在哪?
- 我們的護城河,在 AI 普及後還成立嗎?
這些問題沒辦法用優化思維回答,必須用重新設計的思維。這也是為什麼 AI 創新長通常要有 C-level 的視野和授權——因為答案往往牽涉到事業組合的調整、商業模式的轉軸、甚至組織的重組。
我想特別補一點:AI 創新長和 AI 落地師之間,其實還有一個常常被忽略的中間層——事業單位級的 AI 產品策略角色。
全公司級的商模重設太慢太大,跨部門流程整合又太戰術,中間這一層專門在單一產品線或 BU 內,思考 AI 如何重塑產品定義、客戶體驗、定價邏輯。這個角色在很多企業現在還沒成形,但它可能是未來三年最關鍵的人才缺口。
第四層:一般員工——人人 vibe coding 的時代
最後一層,是佔企業絕大多數人口的一般員工。
這層的變化最戲劇性:使用者就是開發者。當 AI 工具讓每個員工都能用自然語言生出可用的程式碼、自動化腳本、分析報表,很多原本需要跨部門協作的事情,可以由提出需求的人自己完成。
業務想要一個客戶分析儀表板,不用等 BI 團隊排隊;行銷想要抓一批數據做活動分析,不用寫 ticket 給資料工程師;HR 想要做員工調查的自動化處理,自己就能搞定。
這個變化帶來的最大效益,除了單人生產力提升,更關鍵的是節省掉大量的溝通節點。
過去一個跨部門的小需求,可能要經過提需求、澄清規格、排期、開發、驗收、修改⋯⋯現在使用者直接跳到最後一步。
這也凸顯前面「AI 藍領」的重要性：當人人都能 vibe coding,影子 IT、資料分散、業務邏輯不一致、安全漏洞會像野草一樣冒出來。沒有治理框架的 vibe coding,短期看起來很有效率,長期會變成技術債的災難。
一般員工這一層的挑戰,不只有「學會用 AI」,還包含學會在一個有護欄的環境裡用 AI——知道哪些資料不能丟進模型、哪些決策還是要人類拍板、哪些產出需要被審核、哪些工具要走官方管道。這些 AI 素養,某種程度上比 prompt 技巧更重要。
後 AI 時代的企業轉型,不是所有人都變成 AI 人才，而是不同層級的人扛起不同的改造任務
這裡忍不住又用了 AI 最愛的句型：不是...而是 XD
- AI 藍領改造的是技術底層與治理框架
- AI 落地師改造的是營運流程與跨部門協作
- AI 創新長改造的是商業模式與價值主張
- 一般員工改造的是自己的產出方式
這四層之間不是取代關係,而是堆疊關係。少了藍領,上面三層都建在沙地上;少了落地師,藍領打的基礎沒人用;少了創新長,整個組織只是在用 AI 做老事情，容易被 AI 原生代顛覆;少了一般員工的升級,前三層再強也只是在紙上談兵。
對個人來說,這個框架可以幫你定位自己:你現在最接近哪一層?你想往哪一層移動?那一層需要補哪些能力?
對企業來說,它可以當作人才盤點的參考——組織中這四個角色是不是都有人?有沒有哪一層是空的、或是放錯了人?
當然,這個框架還有很多可以挑戰的地方。比如說,中小企業可能沒有資源同時養這四種角色,那該怎麼取捨?又比如說,這四個角色之間的晉升路徑怎麼設計?人才從哪裡來?這些問題我還沒有答案,也歡迎留言一起討論。
但至少,從「AI 會不會取代我」這種焦慮性問題,轉向「在 AI 時代,我想扛起哪一層的改造任務」這種建設性問題,對我自己的思考來說,已經是一個有用的跳躍了。
