104學習

2026-08-31 經濟日報記者洪安怡　由聯合新聞網授權轉載 怎麼把AI用得好，是職場下一階段的決勝關鍵。人才招聘與顧問公司華德士（Robert Walters）最新調查顯示，96%台灣專業人士已在工作中使用AI，高於亞洲整體的93%；73%受訪者有信心持續更新AI技能，更居亞洲十個受訪市場之冠。 華德士發布《未來職務洞察：AI如何重塑亞洲職場》報告，調查亞洲十個市場近5,000名專業人才及企業，包括台灣、香港、新加坡、日本、中國大陸、馬來西亞、印尼、菲律賓、泰國及越南。 結果顯示，亞洲已有93%專業人士在日常工作使用AI，超過五成雇主也已正式導入AI工具；其中台灣AI使用率達96%，另有79%認為AI將為未來職涯帶來正面影響。 隨AI加速改變工作內容，企業對人才技能轉型的需求也升高。調查顯示，超過九成台灣雇主預期，未來五年內員工需要因應AI發展重新培養或提升技能，其中18%更認為，超過半數員工都需要進行技能轉型。 104 AI通用素養檢測 實體 104 AI通用素養檢測｜104獨家AI測驗認證 1656人感興趣 了解課程＞ 亞洲整體最常見的AI應用情境，以文案及內容生成占47%最高，其次為數據分析與洞察40%、研究38%；但台灣則以「預測分析與決策支援」占62%居首，其次為文案與內容生成58%、數據分析與洞察40%，反映AI應用正由內容產出，進一步走向資訊分析及決策支援。 不過，AI深入工作流程，也讓職場焦慮從「會不會被取代」轉向「資料能不能放心交給AI」。調查指出，台灣專業人士最擔心資料遭誤用或涉及機密性問題，占54%；其次為AI產生錯誤或參與決策後的責任歸屬，占51%，兩項比例皆為亞洲10個受訪市場最高。 雇主對人才能力的要求也跟著改變，高達76%台灣雇主將「批判思考與事實查核」列為AI時代最關鍵能力，高於亞洲整體64%。 延伸閱讀：當大家都在瘋AI，你要怎麼贏？報告顯示：聰明人都回頭學這老派技能！ 而目前成長較快的職務主要集中在三大方向： 一是能串聯技術與實際業務需求的AI應用與導入相關職務，如AI產品經理、AI商業分析師； 二是將數據轉化為決策與成長動能的相關職務，如數據分析師、商業智慧（BI）及數位轉型相關職務； 三是因應AI應用擴大而增加的治理、風險與法遵相關職務，包括AI治理或風險管理、Responsible AI、AI法遵及資料隱私等職位。 華德士台灣總經理John Winter表示，對組織來說，下一步的關鍵不只是導入AI，而是重新思考工作設計與人才能力，並建立值得信任的AI使用方式。AI能提升效率，但如何做出正確判斷、創造真正的商業價值，最終仍取決於人。 延伸閱讀：AI時代你的工作還安全嗎？李開復「2張職場地圖」解析難取代關鍵 * {box-sizing: border-box;} .wp-block-table .has-fixed-layout td { width: 50%; height: 1px; } .wp-block-table .has-fixed-layout td a { padding-bottom: 8px; } 最新【AI產品經理】精選職缺 AI 產品經理 — 製造業 力新國際科技股份有限公司 台北市內湖區 待遇面議 AI 產品經理 — 商業應用 力新國際科技股份有限公司 台北市內湖區 待遇面議 AI產品經理(台北) 大云永續科技股份有限公司 台北市大安區 月薪40,000元以上 立即前往【更多相關職缺】 * {box-sizing: border-box;} .wp-block-table .has-fixed-layout td { width: 50%; height: 1px; } .wp-block-table .has-fixed-layout td a { padding-bottom: 8px; } 最新【AI商業分析師】精選職缺 商業分析師 Insurance Business Process Analyst 法商法國巴黎人壽保險股份有限公司台灣分公司 台北市信義區 待遇面議 商業分析師 拓樸龍科技股份有限公司 台北市中正區 月薪50,000元以上 C6251 商業分析師 (EN) 遠傳電信股份有限公司 台北市內湖區 待遇面議 立即前往【更多相關職缺】 * {box-sizing: border-box;} .wp-block-table .has-fixed-layout td { width: 50%; height: 1px; } .wp-block-table .has-fixed-layout td a { padding-bottom: 8px; } 最新【數據分析師】精選職缺 資料分析師 Data Analyst 重高科技股份有限公司 台北市大安區 月薪45,000-60,000元 【鷹傑獵才】Data Analyst 數據分析師（產品分析Product / 數據建模Modeling） 鷹傑管理顧問有限公司 台北市內湖區 待遇面議 數據分析師 風采有限公司 台中市西屯區 月薪45,000-70,000元 立即前往【更多相關職缺】 【產業新訊】若您願意提供更多的產業趨勢、業界人才動態、工作機會等資訊至《職場力》 >> 歡迎來函

AI會先取代誰，又會留下哪些位置給人類？李開復以工作內容自由度與人際互動依賴度，提出智力、體力工作兩張職場地圖，解析難被AI取代的關鍵，以及未來最值得培養的5種能力。本文節錄自《AI未來已來》。 文／李開復 本文目錄（點擊可快速前往） 兩張地圖：我的工作還安全嗎？智力工作的四象限地圖體力工作的四象限地圖李開復：3個方向，未來的路成為團隊裡最會用AI的那個人 兩張地圖：我的工作還安全嗎？ 現在把鏡頭從你的公司拉到整個勞動力市場上。每個人都想要一張能進行自我對照的地圖，以判斷自己的工作到底安不安全。很多年前我就做過AI將改變、甚至取代人類工作的預測，事實證明我的邏輯是對的。隨著AI的飛速進步，我把這個預測更新成下面兩張地圖：一張給智力工作者，另一張給體力工作者。 下面先講兩條由兩張地圖共用的軸。 橫軸表示的是一份工作的內容自由度。低自由度意味著工作環境中有標準答案，邏輯清楚、對錯分明，機器在這裡有壓倒性優勢；高自由度意味著工作中沒有標準答案，這種工作可能看起來有一些模糊、很新穎，對隨機應變能力有很高的要求，有時連問題本身都不容易說清楚，人在這裡有優勢。這條軸的兩端並非總是截然兩分的，但大體上可以認為自由度愈低，機器愈占上風。 縱軸表示的是一份工作對人際互動的依賴度。在低依賴度一端，價值是你工作的速度、規模、成本、品質等，在這些方面，機器在未來都會更強；在高依賴度一端，價值是誰能在場承擔責任、誰值得被信任、誰能說服他人、誰能創建合法性、誰能關心別人、誰能被另一個人需要，在這些場景中，人更強。 這兩條軸劃分出四個區域：機器最占優勢的是「工作內容自由度低＋人際互動依賴度低」區域，人最占優勢的是「工作內容自由度高＋人際互動依賴度高」區域。 智力工作的四象限地圖 圖／《AI未來已來》 下面具體介紹智力工作四象限地圖的4個區域。 機器主場（工作內容自由度低＋人際互動依賴度低） 在這個區域，每項工作都有清晰且可遵循的標準答案，不需要某個特定的人在場，比如資料輸入、帳務處理等。一個很「扎心」的事實是，以前我們認為人類能力的高點之一——基礎程式碼撰寫，居然也在這個區域。因為程式碼對不對是有標準答案的。正因為有這把客觀的尺，AI在寫程式碼上才進步神速。所以如果今天你只是一個「寫程式的封閉執行者」，那麼你能留在機器主場的日子就不多了。 人機協作（工作內容自由度低＋人際互動依賴度高） 機器已經比人更會執行這個區域的工作的核心環節，但這個區域的工作仍然需要保留一部分人——可能是為了取得信任、擔負責任，或者確保合法。比如，AI已經能解讀放射科提供的影像資料了，但簽字負責的仍是主治醫生。又如，法官做出的裁決可能本就基於AI的推薦，但這一判決必須由人來做出才有合法性。 這個區域的工作者面臨的風險就是可能變得只會「蓋章」。若是如此，那麼其遲早會被取代。 開放成果（工作內容自由度高＋人際互動依賴度低） 這個區域的工作的特點是：內容很雜、很新穎，所以還得由人來做，但沒人在乎由哪一個人來做。這一類工作沒有關係溢價，如前沿研究、原創寫作、腦力激盪、給全新問題想出第一版策略等，它們處於人類智力和創造性的前沿，但很少涉及人際關係。這個區域的工作者暫時安全，但這種安全性會隨AI技術的進步逐漸下降。 人性核心（工作內容自由度高＋人際互動依賴度高） 這個區域的工作特點是內容很雜且是關於人的。這類工作的從業者多為資深人員，包括心理治療師、優良教師、資深業務等。這是目前人類最有優勢，也最安全的區域。 體力工作的四象限地圖 體力工作的四象限地圖是類似的。（如圖22所示） 圖／《AI未來已來》 左上方的部分，還涉及很多人際互動，收銀員有時要和客戶互動、理髮師需要和客戶聊天溝通，機器的滲透還相當有限。 左下方是機器主場，涵蓋的工作包括倉庫分揀、流水線裝配、產品品質檢驗等，機器正在一塊塊拿下這個區域。 在圖中愈往右的區域，機器的優勢愈小。右下方的工作包括老屋水電改造、災後救援、管道搶修等，對於這些雜亂的工作，工作者需要在不可預測的空間裡隨機應變，人仍然穩穩占優勢。而右上方涵蓋的工作，如護理、臨終關懷、助產、到府私廚等，更是隱藏著機器無法觸碰的人性核心。 這裡還有一個反直覺的現象。十年前，絕大多數人認為AI會先搶走工廠工人和卡車司機的工作，知識工作者最安全。但真實結果是大腦能幹的活比我們以為的更封閉，手腳能幹的活比我們以為的更開放。這正是「摩拉維克弔詭」在四象限地圖上的樣子。 在AI 1.0剛出現的時候，包括我在內的很多人都把創意工作當成人類的安全區，沒想到生成式AI一腳就踏了進來。創意工作可以分為以下兩種。 重組式的創意工作——公式化的行銷文案、圖庫插畫、範本設計，這類工作很快就被推到了「封閉＋交付結果」區域，AI在此已占上風。 原創式的創意工作——真正去界定一個新問題，這是AI很難觸及的，這類工作仍處於「開放＋交付結果」區域。 所以「創意能讓你安全」本身是一個過度簡化的結論，重要的是你得分清你做的是哪一種創意，究竟是有跡可循的公式重組，還是原創性極強的新想法。 李開復：3個方向，未來的路 本節的內容是給每個人的一張行動地圖，這也是你能轉達給身邊其他人的建議。地圖的價值在於告訴你：哪些仗別再打了，以及哪些方向真的通向人還占優勢的地方。整體有以下3個方向供你參考。 方向一：往「開放」靠 你要主動去尋找那些最難、標準化程度最低、最沒人願意去做的事，去問題還沒被定義清楚的地方。如果你是工程師，與其更快地寫一段標準函數，不如去啃那個連需求都沒人說得清的專案。你要去做靠品味和判斷、沒有清晰對錯的事，成為那個決定什麼值得做的人。當執行幾乎免費，稀缺的就不再是「做」，而是「選」。培養品味、磨練同理心都很有價值，你要大量去看你所從事的產業裡最好的作品，逼自己講清楚它好在哪裡。 方向二：往「複雜、風險、把關」靠 高風險的把關、跨部門的協調、要照顧各方利益與進行合規的判斷，這些愈是依賴人和規則的專案，AI愈啃不動。而且出了事，只有人能承擔責任，AI無法承擔責任。你要把自己放到「出了事要由你負責」的位置上去，那正是價值聚集的地方。 方向三：往「溫度、信任」靠 未來人類參與最多的工作，不是前沿技術領域的工作，而是「另一個人特意為我付費」的服務工作。當一個人有了更多的時間和更厚的錢包，他要的往往不只是一頓飯、一堂課，而是「我無條件信任他」、「有個人真的把心放在了我身上」的感受。人與人的關係很多時候需要時間和經歷的累積，這是AI完全無法取代的。 這裡再分享5種無論朝哪個方向走都該努力培養的能力，按重要性由高到低排列如下： 一是模糊中的判斷力（資訊不全時做對決定，並知道什麼值得做）。 二是建立信任與關係的能力（讓他人希望你在場）。 三是共情與在場能力（真正聽懂他人的話）。 四是指揮AI的能力（界定問題、拆解、委派、驗證、整合）。 五是獨特的品味與策展能力。 成為團隊裡最會用AI的那個人 最後，如果挑一件清晰且可以執行的事情來幫助你在未來獲得更強的競爭力，那麼它會是：從2026年起，成為你的團隊裡最會用AI的那個人，這是你能買到的最便宜的保險，而且別只用它追求「更快」，要用它追求「更高」，讓它把你托舉到原來達不到的層級。這正是破解「斷梯」難題的辦法。AI先取代的恰恰是初級職位，新人一開始就要和AI競爭，這第一級台階反而是最困難的；而善用AI，新人能直接交付出過去要熬幾年才拿得出的東西。 節錄自：天下文化《AI未來已來）：變革巨浪中的CEO、企業、個人轉型戰略》／李開復 著 將【104職場力】加入Google偏好來源 推薦閱讀： AI時代該學什麼？程世嘉：比技術更值錢的是「基本功＋軟實力」 AI進入3.0時代：智慧通膨、零點擊、人機協作如何改寫白領工作？

75%數位工作者每週用AI省下約11小時，卻有69%曾交出「自己也無法負責」的半成品，當大家都把時間拿去當「Botsitting（AI保姆）」、反覆餵資料與除錯，我們究竟是變高效，還是陷入了生產力假象？同步揭開高效工作者的逆向生存法則。 文／《104職場力》 本文導覽 時間去哪了？87%職場人都中招的「生產力假象」每週花6.4小時伺候機器，大家其實只是「AI保姆」從Botsitting到「職場廢話」，引爆職場信任危機！累到不想檢查：69%的職場人曾交出「自己也無法負責」的成果工具看起來越聰明，我們越容易放棄判斷、推卸責任不想被Botsitting累死，高效工作者做對了什麼？懂得「刻意不用AI」把AI當隊友推敲 生成式AI普及後，你的工作真的變輕鬆了嗎？ 企業搜尋與工作AI平台Glean旗下的Work AI Institute，針對美、英、澳三國共6,000名全職數位工作者進行調查，發布了《Work AI Index 2026》研究報告。 調查結果呈現出一組強烈的反差：高達87%的工作者日常工作都有使用AI，其中有75%認同AI提升生產力，平均每週透過自動化省下約11小時；但再進一步詢問，卻只有13%的人真心覺得組織整體績效有顯著提升。 那省下來的11小時究竟去了哪裡？ 時間去哪了？87%職場人都中招的「生產力假象」 每週省下11小時，為什麼只有13%的人覺得效率真的變好？ 很多人用AI寫草稿、抓摘要，速度的確變快了，但省下來的時間，全在實際的工作流程裡被悄悄吃掉了，主管想看到的「把時間拿去做策略、帶來業務成長」這類理想根本沒發生。 每週花6.4小時伺候機器，大家其實只是「AI保姆」 這筆大家都沒算到的隱形時間成本，報告直接命名為Botsitting（伺候AI）。 調查發現，工作者每週平均花6.4小時在Botsitting，這段時間甚至比真正拿它來產出工作（3.6 小時）還要長。 那這6.4小時裡大家到底都在忙什麼？ 反覆餵背景資料（每週2.3小時） 請AI產出一份文件前，得不斷補充公司規矩、專案細節、客戶需求等前後文，有時同一個任務換個視窗，就得重新貼一次Context跟指令；另外還有一個尷尬點是，背景資訊餵少了怕得不到想要的答案，塞太多又容易引發AI「情境腐爛」、產出荒腔走板的內容，如何拿捏也是一門學問。 調查顯示，員工每多花10%時間在餵資料，感到心力交瘁的機率就跟著增加25%。 忙著抓錯與監督（每週2.2小時） AI最可怕的地方是「給出的文字或分析看起來超專業、講得頭頭是道，明眼人一細究才發現漏洞百出」，所以謹慎的工作者只能一行一行盯著檢查，抓AI的幻覺、核對數據真實性，清理那些看起來漂亮卻毫無用處的產物，並隨時準備接手AI付失敗留下的爛攤子。 反覆除錯換問法（每週1.7小時） 當AI第一次給不出好結果，人類就開始當偵探，改Prompt、補指令、修正錯誤，甚至把同一個問題丟給兩三套不同的AI互相比較，直到擠出跟自己預期差不多的答案…… 這種「人➔AI➔錯➔改Prompt➔換模型➔人手動修整」的無限來回，心智耗損率最高（疲憊倍率高達1.4倍）。 更慘的是「工具還越用越多」，77%的人每週在好幾套AI工具間跳來跳去，3分之1的人工作時甚至同時開到4個以上，在視窗間來回複製貼上、比對答案，光是這些切換成本就耗掉一大半精力。 104 AI通用素養檢測 實體 104 AI通用素養檢測｜104獨家AI測驗認證 1656人感興趣 了解課程＞ 從Botsitting到「職場廢話」，引爆職場信任危機！ 當Botsitting讓職場人筋疲力竭，截稿時間又步步逼近時，大家就容易自暴自棄，最先被犧牲的就是「專業把關」。 當大家開始交出未經查證的產出，出事就推給AI，甚至連主管與客戶都不知道眼前的報告到底能不能信，這場由AI引發的連鎖反應就會動搖職場上的信任基礎。 累到不想檢查：69%的職場人曾交出「自己也無法負責」的成果 調查的數字相當驚人： 69%的使用者坦承，自己曾在工作中交過這種未經把關的成品。 41%的人承認，如果主管或客戶追問細節，根本講不出背後的推導邏輯。 在那些已經對AI感到身心俱疲的職場人當中，交過這種產物的比例更直接飆到95%。 針對這個情況，報告直接幫它取了一個很犀利的名詞，叫「Botshitting」。 工具看起來越聰明，我們越容易放棄判斷、推卸責任 為什麼大家敢交出連自己都沒把握的東西？問題就出在我們對工具的「盲目信任」，以及對專業責任的稀釋。 看得順，就以為是對的（流暢度偏誤） AI寫得越有條理、語氣越自信，使用者的警覺心就越低，尤其是職場經驗較少、還不熟悉業務眉角的Z世代，交出這種半成品的機率比其他世代高出19%。 出了事，第一反應怪工具 當沒做到專業把關，當責感通常也會跟著瓦解，有28%的受訪者坦言，自己犯了錯卻把責任推給「是AI算錯、AI給錯資料」，把人該負的最終責任甩鍋給機器。 信任透支帶來的後遺症 天天在Botsitting與擦屁股之間循環，員工對工作的熱情也會被消磨殆盡。 調查發現，經常陷入Botsitting的員工，想換工作的機率高出73%；更有51%的人無奈表示，AI沒幫自己省去繁瑣雜事就算了，反而還把自己原本最喜歡、最有成就感的工作給自動化掉了。 不想被Botsitting累死，高效工作者做對了什麼？ 在調查裡，有少數是既能提升效率，又能顧好品質的強者，他們不盲目追捧工具，而是抓準了兩件事： 懂得「刻意不用AI」 這群高手比一般人多出18%的機率會主動在特定任務上關掉AI，他們很清楚，有些需要深度判斷、人際信任和專業洞察的事情，交給AI只會帶來沒完沒了的除錯黑洞，不如自己動手更快更準。 把AI當隊友推敲 比起無腦把AI當免責的代工廠，高手們反而是把工具當成對話的夥伴（75%的高成就者把AI當隊友看待，一般人只有32%），他們把力氣花在補充關鍵情境和最後把關，確保交出去的每一份成果都禁得起檢視。 在AI越來越聰明的時代，比誰用的工具多、省的時間多，都只是一場數字遊戲，如果省下時間的代價，是在疲憊中交出連自己都無法說明的半成品，那這份效率只是一場自我安慰的假象；且不只會逐漸失去批判思考，最終也守不住自己的專業價值。 104學習推薦： （參考資料來源：Glean Work AI Institute, The Work AI Index 2026: Botsitting, botshitting, and the hidden human labor of AI at work, 2026.） 將【104職場力】加入Google偏好來源 延伸閱讀： OECD研究揭：全球青少年閱讀力正在下滑！AI世代如何培養「深度腦」？ AI破牆，硬知識貶值了！拆解「2種智力」決定你被取代還是被放大

文／黛C 🎯 科技業人資✖職涯顧問師 2027 年部門預算怎麼編？從人力需求、外包成本、AI 與 SaaS 工具、教育訓練到情境預算，整理主管編年度預算必算的 5 筆帳，讓資源配置更精準。 每到第三、第四季，許多主管都會開始面對年度預算。真正難的，通常不是把明年的數字填進 Excel，而是當上級或財務追問：「為什麼需要這筆錢？如果少了，會影響什麼？多投入之後，又能換回多少成果？」主管能不能拿出一套清楚的估算方式。 尤其到了 2027 年，單純沿用去年的預算結構，準確度可能愈來愈低。薪資成本持續變動，AI 與 SaaS 工具快速進入工作流程，有些工作可以透過自動化降低工時，有些專業能力的取得成本卻變高。如果只是把今年實績加減幾個百分點，很容易把今年的低效支出一起複製到明年，真正需要補強的資源反而沒有被編進去。 因此，編預算前可以先換一個順序：**先算明年要完成多少工作、需要多少產能，再決定該用人力、外包、工具還是培訓補足。以下 5 筆帳，可以幫主管把「我覺得需要」轉成更具體、可被驗證的預算依據。 1. 團隊到底缺幾個人？先把工作量換成 FTE，避免 Headcount 多報或少報 「明年事情會變多，所以希望增加一個人」，是主管很常使用的人力申請理由，但它有一個問題：很難判斷這一個人到底是怎麼算出來的。更精準的方法，是先把明年新增的工作換算成工時，再進一步估算需要多少人力。這裡可以用 FTE（Full-Time Equivalent） 來計算，簡單來說，就是把工作量換算成「大約需要幾個全職員工才能完成」。它的用途很簡單：把模糊的「很忙」換成「實際缺幾個人的工作量」。 例如，明年預計新增 12 場活動，每場從企劃、執行到結案平均需要 40 小時，全年就增加 480 小時；另外新增兩個長期專案，每月各需要 20 小時，一年再增加 480 小時。光是這兩項新增工作，全年就多出約 960 小時。接著再估算一名員工一年真正能投入核心工作的有效工時。這裡不能直接用「一天 8 小時 × 工作天數」來算，因為實際工作還包含會議、行政、內部溝通、訓練與休假。主管真正要抓的是員工一年可以拿來完成主要任務的時間。 假設一名員工一年可投入核心工作的有效工時約為 1,300 小時，明年新增工作量為 900 小時，換算方式就是： 900 ÷ 1,300 ≒ 0.69 FTE，意思是，這批新增工作大約需要 0.7 個全職人力。 這個數字真正有價值的地方，在於它可以幫主管做下一步決策。0.7 個人的工作量，是否值得直接新增一名正式員工？其中有沒有 0.2 個人的工作可以透過自動化處理？0.2 個人的工作適合委外？剩下的 0.3 個人工作量，是否能透過重新分工消化？ 反過來，如果算完發現明年的新增工作量已經接近 1.5 FTE，團隊卻只打算增加一個人，也能提早看見人力超載的風險。 行政院主計總處 2026 年公布的統計顯示，2025 年有 34.8% 的工業及服務業廠商調升經常性薪資，40.7% 員工獲得調薪；截至 2026 年 3 月，也已有 31.4% 廠商確定或預計調薪。當人事成本持續變動，每一個新增 Headcount 都更值得先用工作量驗證需求。 簡單說，FTE 的用途就是：先算出「到底缺多少工作量」，再決定要不要真的補一整個人。 2. 什麼時候該新增員工、什麼時候繼續外包？先算出成本臨界點 很多主管會把人事費與外包費分開看，但只要某一項工作長期、固定又高頻發生，這兩筆成本就應該放在一起比較。 假設一個團隊一年固定需要剪輯 60 支影片，每支外包 8,000 元，全年成本就是 48 萬元。如果明年需求增加到 100 支，外包費就會提高到 80 萬元。這時就可以開始問：工作量增加到什麼程度後，繼續外包的成本已經接近，甚至可能高於增加內部人力？ 不過實務上，主管不能只拿「外包 80 萬」和「員工年薪 80 萬」直接比較，因為兩者包含的成本不同。如果要估算增加一名員工的實際成本，至少還要把年薪、獎金與雇主負擔、設備、軟體、招募成本，以及新人學習期間一起算進去。 假設一名剪輯人員全年的總成本約為 90 萬元，而明年外包支出預估 80 萬元，這時兩種做法的成本其實已經很接近。但「差 10 萬元」還不足以直接決定要不要增加人力，接下來還要看三件事。 第一，需求是否全年穩定 如果需求只集中在旺季三個月，正式人力可能在淡季出現閒置；如果每個月都有固定且穩定的工作量，增加內部人力的合理性就會提高。 第二，溝通與修改成本高不高 如果每個專案都需要和外部廠商來回修改五、六次，表面上的外包報價可能比較低，但主管與團隊花在對接、確認與修改上的工時，也是一筆容易被忽略的成本。 第三，這項能力值不值得留在團隊裡 如果它直接影響產品、品牌、客戶關係或未來核心業務，把能力留在內部還能持續累積經驗與知識；如果只是低頻、專業度高的單次任務，交給外部專家反而更有效率。 所以最後可以用一個簡單原則判斷：如果工作量穩定、需求高頻，而且需要大量內部協作，就可以優先評估是否增加人力；如果需求集中在特定期間、工作量波動大，或需要的是低頻但高度專業的能力，保留外包通常更有彈性。 成本可以幫主管判斷「哪一種做法比較划算」，工作特性則能進一步判斷「哪一種配置更適合團隊」。 3. AI、SaaS 值不值得續？不要只看 License 價格，改算使用率、節省工時和新增產能 近年部門預算裡，另一筆很容易默默膨脹的支出，是 SaaS 與 AI 工具。專案管理、簡報設計、數據分析、會議紀錄、文件協作，再加上 ChatGPT、Claude、Copilot 等 AI 服務，每一套看起來可能都不算貴，但當帳號逐年增加，年度總支出很容易變成一筆可觀成本。 而且企業對 AI 的投入仍在增加。國際商業與科技研究顧問公司 Gartner 2026 年調查 1,303 名企業功能主管發現，85% 預計在 2026 年增加 AI 支出；受訪組織在 2025 年平均已將約 12% 的部門預算投入 AI。不過，同一份調查也顯示，只有 22% 的組織已成功把 AI 擴大到多個事業單位。 對主管來說，這代表「有買 AI」已經不是足夠的判斷標準，真正需要看的是使用程度與實際產出。 先算每位活躍使用者成本 假設某套工具一年花 24 萬元，共買 20 個帳號，表面上每人一年成本是 12,000 元。但如果每月至少使用一次的只有 8 人，實際每位活躍使用者成本就變成： 240,000 ÷ 8 = 30,000 元 因此，續約前至少可以看三個數字：購買多少帳號、每月真正活躍的使用者有多少，以及每位活躍使用者成本多少。如果同時還有兩套以上功能高度重疊的工具，例如兩套會議摘要、兩套專案管理系統，或多個 AI 工具都在處理類似的文字生成工作，也可以順便檢查有沒有重複付費。 再往下算：AI 到底替團隊省多少時間？ 假設一套 AI 工具一年成本 12 萬元，每月能替 10 位同事各省下 2 小時，一年就是： 10 人 × 2 小時 × 12 個月 = 240 小時 如果平均每小時人力成本估算為 600 元，這 240 小時換算出的時間價值約為 14.4 萬元。 但這裡還不能直接說 AI 的 ROI 是正的，因為「省下時間」和「公司真的多得到產能」是兩回事。 主管還要再看第三層：省下來的時間被拿去做什麼？**如果團隊因此多完成專案、服務更多客戶、減少外包或提升分析品質，那才開始真正轉成可見的產能。 可以把 AI 預算的判斷拆成三層：第一層看使用率；第二層看省下多少工時；第三層看這些工時最後有沒有轉成更高價值的工作。 這樣比單純問「大家覺得好不好用」更能判斷明年要不要續約或擴大採購。 4. 教育訓練該編多少？從「明年缺什麼能力」倒推，比一人一筆額度更精準 教育訓練預算很常用「每人每年多少額度」來抓，但這種方式比較難回答一個重要問題：花完這筆錢之後，團隊究竟多了什麼能力？ 主管可以改從能力缺口開始。假設明年部門目標需要更多 AI 資料分析、BI Dashboard、英文簡報或專案管理能力，就先盤點目前團隊裡有多少人可以獨立完成這些工作。真正要補的地方，就會很快浮現。 例如一個 6 人團隊，目前只有 1 人能獨立完成 AI 資料分析，BI Dashboard 則完全沒有人能獨立製作。這兩項能力的培訓優先度，通常會高於「大家有興趣學」但和明年工作關聯較低的課程。 經濟部中小及新創企業署 2026 年推出企業 AI 人才培育輔導計畫，提供超過 200 門免費 AI 主題課程，涵蓋營運管理、行銷客服、製造流程、知識管理與內部作業優化，也把學習進度、訓練成果與成效追蹤納入企業培訓機制。對主管來說，這提供了一個很實用的做法：把培訓 KPI 從「上過幾堂課」改成「有多少人能獨立完成這項工作」。 例如，今年只有 1 人可以獨立製作 BI Dashboard，2027 年希望提升到 4 人；今年只有 2 人可以使用 AI 完成完整資料整理流程，明年希望提高到 6 人。這樣預算就可以從「教育訓練費 10 萬元」，進一步變成「投入 10 萬元，把某項關鍵能力從 1 人提升到 4 人」。 年底檢視時，也不用只看上課人次或預算執行率，而可以直接看能力缺口到底縮小多少。 5. 預算突然被砍 10% 怎麼辦？提前做好 90%、100%、110% 三個版本 不少主管都有過這種經驗：花了很多時間做完年度預算，送出後收到一句：「請各部門再減 10%。」如果一開始只有一版預算，最常見的做法就是每個項目都砍一點。活動費少一點、軟體少幾個帳號、培訓縮一些、外包也減一點。最後所有事情看起來還能做，但每一項資源都剛好不夠。 更有效率的方式，是一開始就做三個情境版本。 90%：預算縮減時，哪些成果一定要守住？ 這一版只留下會直接影響核心工作與主要目標的支出，例如必要人力、必要工具、已承諾專案，以及無法取消的營運成本。重點不是「每個項目砍 10%」，而是先定義：如果資源少 10%，哪些結果一定要保住？ 100%：依照目前最合理預測編列的 Base Case 這一版按照現階段最可能發生的業務量、工作量與資源需求編列，也是正式預算的主要版本。 110%：業務超標時，哪些資源值得優先追加？ 如果明年專案量、客戶數或業務表現高於預期，主管也可以提前決定哪些成本可以跟著增加，例如外包產能、額外工具帳號、專案費或增補人力。 這種「先替不同情況準備預算版本」的方式，在管理上稱為 情境規劃（Scenario Planning）。簡單來說，就是先假設明年可能出現「預算縮減、符合預期、業務超標」等不同情況，提前決定每種情況下哪些支出要保留、哪些可以縮減，以及哪些資源需要跟著增加。 實務上，也可以把預算再分成三類：一定要花、工作量增加才花，以及可以延後。這樣當上級要求砍預算時，不需要臨時從整張表亂刪；當業務突然增加，也能知道哪些資源應該優先追加。 預算編完後，再檢查兩個數字：每個成果花多少？預算增加後成果有沒有跟著增加？ 總預算只能告訴主管「明年準備花多少錢」，真正能幫助判斷效率的，是支出和成果之間的關係。 第一個可以看的數字是「每單位成果成本(Cost per Output)」，也就是平均完成一個成果需要花多少錢。依照不同部門，可以換算成每場活動、每支影片、每個專案或每位客戶的平均成本。假設今年 100 萬元預算完成 20 個專案，每個專案平均成本就是 5 萬元。明年預算增加到 120 萬元，如果只能完成 21 個專案，單位成本就提高；如果能做到 28 個專案，則可能代表團隊產能或規模效益正在改善。 第二個可以看的，是預算增加幅度與成果增加幅度之間的關係。如果某項預算增加 20%，產出只增加 5%，主管就值得往下查成本為什麼提高；如果增加 10% 預算，卻能換回 30% 的產出，這筆投資就更容易說明價值。 這兩個指標的好處，是不需要把部門管理變成一堂財務課，卻已經能讓預算從「花多少」往前走到「花得有沒有效率」。 好的部門預算，要能回答「這筆錢可以替團隊多完成什麼？」 主管在預算審查時，最有說服力的通常不會是「去年也有這筆錢」，而是能清楚說明資源和成果之間的關係。 申請新增人力，可以說明明年增加多少工作時數、相當於多少 FTE；申請外包費，可以說明工作量到什麼程度後外包仍然比內製有效率；續約 AI 或 SaaS，可以提出活躍使用率、省下工時，以及省下來的時間最後轉成多少產能；教育訓練則可以直接對應明年要補上的能力缺口。 同樣的邏輯，也能用在預算刪減上。當某一筆預算被拿掉時，主管應該可以說清楚：會少掉多少產能、延後哪個專案，或增加什麼執行風險。 做到這一步，年度預算就不只是去年的數字延伸，而會更接近一張「下一年度資源配置圖」。 而主管真正要算清楚的，也正是這件事：有限的資源放在哪裡，才能替團隊換回最大的產能與成果。

輝達開出年薪650萬招募簡報師，點出一個當前的職場現實：把複雜資訊講得簡單清晰，就是高價值的核心硬實力！然而每個人履歷都寫「擅長 PPT」，用人主管和企業該憑什麼相信你的專業呢？由國內三大簡報專家打造的「台灣簡報認證」，能快速客觀驗證你的簡報邏輯，直接為履歷加分、拉開競爭差距！ 文／104學習 本文導覽 不只是排版，高薪買的是「把複雜講成簡單」求職最大痛點：每個人都說自己「精通簡報」業界三大名師背書：20分鐘線上測驗，直接替履歷加分提早卡位建立差距，就是最划算的職涯投資 輝達開出年薪650萬台幣找簡報設計師，引發網友熱烈討論，這件事點出職場最真實的現實：把複雜事情講清楚，本來就是超高價值的專業，但每個人履歷都寫自己擅長簡報，主管到底憑什麼相信你？ 不只是排版，高薪買的是「把複雜講成簡單」 很多人以為做 PPT 只是找漂亮模板、調調字型，但輝達願意開出這種高階年薪，買的其實是「資訊轉譯」的硬實力。 科技巨頭每天要面對投資人、跨國客戶與內部高層，講台上不能有一句廢話。簡報師的工作是把深奧的 AI 技術與複雜數據，轉化成對方一聽就懂、願意買單的商業故事。 現在AI工具隨手一按就能生出一份投影片，操作軟體早就不是門檻；真正值錢的，是你能不能抓出重點、梳理邏輯，並促成最後的商業決策。  延伸閱讀：AI會做投影片，不代表你會說服人：職場簡報力健檢的6個關鍵 求職最大痛點：每個人都說自己「精通簡報」 打開104人力銀行的履歷，十個人裡面有九個人都會在技能欄勾選「擅長 PowerPoint、具備簡報溝通提案能力」，但對人資和用人主管來說，這反而是最難在面試前驗證的模糊技能。 畢竟口說無憑，很多人自稱精通，做出來的頁面卻塞滿整段密密麻麻的文字；加上主管不可能每個人都找來現場試講，而在學校報論文、做小組作業的經驗，拿到職場商務提案也常常不管用。 這種「大家都在寫，卻沒人拿得出證據」的狀況，正是為什麼越來越多求職者選擇直接考一張具公信力的簡報實力認證來證明自己。  延伸閱讀：「台灣簡報認證」是什麼？為什麼求職者、上班族都該考？ 業界三大名師背書：20分鐘線上測驗，直接替履歷加分 想在一片履歷海當中被挑選相中、一眼被看見，你需要一套具備公信力的客觀標準。 台灣簡報與溝通教育訓練領域的三位代表性人物：企業簡報教練王永福（福哥）、影響力教練謝文憲（憲哥），以及台大簡報大賽創辦人葉丙成教授，聯手制定了這套標準化的評測機制。  這次推出的104 × 台灣簡報認證-初級門檻很親民，不考軟體操作、也不用上台演練，純粹檢核你的「簡報核心觀念」，內容涵蓋簡報觀念、簡報準備、投影片技巧、表達技巧、邏輯結構與群眾分析等六大能力。  測驗方式：線上測驗，單選加複選共 30 題，70 分及格。  彈性快速：約 20 分鐘就能完成，即報即考、不限時間地點。  履歷連動：測驗通過後，104學習於3-5個工作天將直接把認證回傳至你的 104 履歷資格認證欄位，讓你的實力被看見。  104學習推薦： 實體限定優惠 台灣簡報認證-初級｜104 × 台灣簡報認證 1250人感興趣 了解課程＞ 提早卡位建立差距，就是最划算的職涯投資 初級認證只是起點，未來還能一路挑戰中級（作品審查）與高級（實體上台，由福哥、憲哥親自評定），現在考等於提早卡位，拉開跟其他求職者的差距。  從日常向主管回報進度、跨部門協調爭取預算，到對外向客戶提案競標，簡報力決定了你在職場上的能見度與說服力。與其在自我介紹裡花大篇幅解釋自己多會溝通，不如在履歷放上一張有公信力的認證，讓你的實力一眼就被看懂。  立即報名【台灣簡報認證】 AI也許能幫你做簡報，但沒辦法替你說服別人！「台灣簡報認證」由企業簡報教練王永福（福哥）、影響力教練謝文憲（憲哥）、台大簡報大賽創辦人葉丙成教授共同發起，是一張標準化的「簡報溝通能力」認證，已對接104證照中心，檢測通過(70分以上)104幫您回傳於個人履歷，認證終身有效，適合求職新鮮人、轉職者、在職工作者、主管報考。　▶ 台灣職場簡報認證 - 初級｜104 × 台灣簡報認證

明明資料齊全、說明完整，報告卻總是無法說服人？問題往往出在解讀方式。作者曾任貝恩顧問公司策略顧問，解析報告最常見的3個誤區：只從自身立場解讀、見樹不見林、以及硬套理論脫離現實，並整理出克服問題的3種能力，幫助從大量訊息中找出核心重點。本文節錄自《薪水翻倍的報告撰寫法》。 文／金玲瓏 本文目錄（點擊可快速前往） 報告的常見3大誤區陷阱1：侷限觀點的解讀陷阱2：見樹不見林陷阱3：脫離現實框架用錯，不如不要用避開失真陷阱，需要的3種能力 報告的常見3大誤區 到目前為止，我們已探討報告的3個要素。邏輯思維、「所以重點是什麼」與「為什麼會得出這個結論」，都是強化結構的有力工具。接下來，就讓我們一起看看，該如何巧妙運用這些工具吧。 有時，即使報告已包含所有必要要素，內容仍可能偏離主題。儘管清楚說明了該做什麼、為什麼這麼做，也加入各種數據，羅列得非常清晰，最後得出的結論卻難以引起共鳴，也缺乏說服力。這時，必須重新檢查以下3點： 侷限觀點的解讀。 見樹不見林。 脫離現實。 只要能避開以上3個陷阱，就能保證報告不會偏離主題。現在就來一同檢視這3個問題，以及該如何避開它們。 陷阱1：侷限觀點的解讀 第一個陷阱是：侷限觀點的解讀。舉例來說，A項目是公司的新事業，公司正在評估是否應持續投入資金於該事業，以及目前的經營成績。此時，負責人拿著整理好的報告說：「近期銷售增加50％，顯示已逐漸培養出忠實顧客，應該繼續經營這項事業。」 這段陳述乍聽之下相當合理，看似符合報告該有的邏輯結構。「所以重點是什麼」（繼續經營這項事業）與「為什麼會得出這個結論」（近期銷售增加50％，顯示已逐漸培養出忠實顧客）兩者均無遺漏。但這樣就能確保負責人說的正確無誤？ 據了解，A項目多年來持續占用公司超過一成的資金，但銷售占比卻始終不足公司整體的1％。此外，在市場中的競爭力也不明確，最近銷售之所以成長，只是受到大型促銷活動帶動。這項事業投入的成本很多，獲利卻趨近於無，某種程度上甚至可以視為虧損。即使擁有部分忠實顧客，人數也相當有限，而且長期以來幾乎沒有新顧客。 在這樣的情況下，負責人卻表示：「A項目最近銷售表現不錯，所以應該繼續經營。」這樣的判斷，真的正確嗎？ 當然，A項目負責人的發言並非毫無根據。銷售成長與擁有忠實顧客，的確是不爭的事實。只是，若從公司整體角度來看，A項目更像是花了很多錢，卻沒什麼水花的「雞肋事業」。而從負責人的立場來看，由於這是自己長期投入心力的事業，自然會希望保住它，同時也能避免因經營成果不佳而遭到批評。 越是在這樣的情況下，越需要以客觀角度看待問題。站在公司的立場，比起費心包裝A項目的業績，更希望負責人能主動指出問題，並提供替代方案。例如停止該項目，將相關資源重新投入其他核心業務，或嘗試轉向更具成長潛力的新項目。 即便是具邏輯依據的發言，也不代表一定是正確的訊息。同樣一個現象，也會因觀察角度、評斷標準與解讀方式不同，而產生截然不同的結論。隨著邏輯結構的差異，最終呈現出的訊息，可能偏向個人立場，也可能真正符合整體利益。 陷阱2：見樹不見林 偏離主題的第二個原因就是見樹不見林。有一天，負責線上服務的主管發現一項異常數據──使用B服務的人數突然下降20％，他立刻慌張的向上回報：「B服務的使用人數下滑20％，必須立刻改善該服務。」 這項提案中，「所以重點是什麼」（立即改善B服務）與「為什麼會得出這個結論」（B服務的使用人數下滑20％）看似都交代清楚了。但問題是，只要改善B服務就夠了嗎？ 在急著下結論之前，不妨先檢視整體狀況。仔細查閱後會發現，不只是B服務，連帶C服務與D服務的使用人數，也都下降20％。 換句話說，最近使用整體服務的人數下降20％，因此各項服務的使用人數也因此受到影響。既然如此，難道能說問題出在B服務嗎？眼下最該做的，真的是改善B功能嗎？ 在改善B服務之前，應該先釐清為何整體使用人數銳減，並確認是否能採取措施，挽回這些使用者。 工作中很常出現類似情況──忽略整體脈絡，僅憑一、兩項數據就急著判斷並下結論。即使是再聰明的人，也可能掉入這種陷阱。因此，為了避免這種錯誤，應該在解讀問題與分析情況時，不斷反問自己：「我是否忽略了整體？」、「是否有遺漏的地方？」 除此之外，我們再來看看行銷組長C的案例。某天，C突然發現這個月訪客人數暴跌了30％。驚慌之下，他立刻提出以下提案：「這個月的訪客人數暴跌了30％，必須盡快增加行銷預算。」 這個提案看起來也十分合理。增加行銷預算，的確可能帶動使用者成長。「所以重點是什麼」（立即增加行銷預算）與「為什麼會得出這個結論」（訪客人數暴跌30％），這兩個部分，也都交代清楚。 倘若此時擴大範圍檢視數據，又會發現什麼？真正該做的應該是在急著追加行銷預算前，先回頭檢視過去兩年的整體趨勢，而非只盯著最近這兩個月的數據。只要仔細查看就能發現，這個公司因為事業屬性的關係，某些季節使用者會增加，反之則會下降。由此可知，現在的數據變化，只是反映了季節波動。 由於季節因素影響，這項服務的當月訪客人數，原本就會比上個月減少約30％。若不與前一個月相比，而改與去年同期比較，會發現人數其實上升20％。既然如此，「訪客人數比上個月暴跌30％」，算是嚴重問題嗎？ 雖說對企業而言，若能每月持續成長是再好不過，但像這樣季節性明顯的事業，在判斷數據時，更需要以宏觀的角度來看待。 觀察某種現象並從中獲取訊息時，必須兼顧整體與局部，以及長期趨勢與短期變化。若只關注局部現象或短期數據，可能會忽略更重要的細節，甚至導致判斷失真。 陷阱3：脫離現實 最後一個陷阱，則是脫離現實。以下是一個與多家企業合作的案例，這些合作公司原本各自經營自家工廠。然而，總部企劃負責人D卻認為：「各自運營不僅無法發揮規模經濟，也缺乏效率。」因此，他強烈主張，即使要耗費巨額資金，也應整合成一座大型綜合工廠，並表示：「蓋了大工廠後，合作公司的訂單就能統一透過總部管理，合作方也能因規模經濟獲得更大利益。」 在D看來，只要將工廠合而為一，不但能發揮規模經濟、降低成本並提高效率，也能省去經營工廠的繁瑣雜事，這份提案看起來的確不錯。關於「所以重點是什麼」（蓋一座大型綜合工廠）與「為什麼會得出這個結論」（透過規模經濟讓雙方獲利）的邏輯結構，也相當完整。 不過，這項計畫勢必要投入大額投資，總讓人覺得哪裡不太對勁。因此，團隊決定深入檢視，而後在過程中發現幾個關鍵問題。在確認合作工廠的生產流程後，發現這些製程都難以自動化。也就是說，合作工廠的產量與投入的人力成正比，並不是蓋一座大型綜合工廠就能解決的事。 另一個問題是，合作方各自負責生產的內容本就不同。只有在製程相近的情況下，才能產生協同效應，但由於產品與生產流程皆不相同，即使強行合併，也無法形成更快速、更有效率的運作模式。 此外，光是讓合作方關閉目前營運中的工廠，並將既有設備與貨物轉移至綜合工廠，就需要付出龐大成本，這本身便是一大阻礙。更何況，每個合作方早已經在工廠用地、設備等方面投入大量資金，也為了維持運營招聘不少職員，因此要讓工廠停運並不容易。 透過規模經濟改善效率、提高利潤率，是管理學常見的策略之一。但現實往往比教科書更複雜，有時甚至會與理論完全相反。不論接觸任何書籍或理論，都要時刻警惕過度套用，或認為它能適用於任何情況。若對現實缺乏足夠理解，只是一味強調理論和技巧，那麼提出的訊息表面看似合理，實際上卻可能早已偏離重點。 框架用錯，不如不要用 套用特定框架也是如此。隨着管理學發展和顧問產業興起，各種思維框架接連誕生。從大家熟悉的「SWOT分析」、「○○矩陣」，到「○○飛輪」等，在經營學書籍、教科書，以及各種部落格都隨處可見。然而，如果對現況缺乏正確理解，就貿然套用這些模板，有時可能會產生「不如不要用」的念頭。 目前許多廣為人知的框架，大多出自顧問公司。即使是曾開發過優秀框架的經營顧問，在實際工作時，也不會只依賴單一框架就想推動所有專案。因為每個產業、每家公司面臨的問題和情況都截然不同，無法用同一套模板帶入所有案例。 正因如此，比起使用既有框架，能否根據專案當下的情況，重新建立思考框架才是更理想的做法。 不同情況適用的框架各不相同，與其了解各種框架、鑽研特定框架，擁有能針對情境處理的能力更重要。所以，簡報不該只停留在形式，應以能真正影響業務和成果的訊息為主。 避開失真陷阱，需要的3種能力 到目前為止，相信你已經了解即使具備完整的邏輯結構，訊息仍可能失真的3種典型情況，分別是「侷限觀點的解讀」、「見樹不見林」及「脫離現實」。想避免落入這些陷阱，就必須具備以下能力： 客觀解讀：比起從主觀角度解釋現象，更應站在客觀立場提出合理觀點。 綜觀全盤的思考能力：從整體與長期角度得出合理結果，而非沉溺於細枝末節和短期目標。 現實感：跳脫表面包裝或固有理論，聚焦本質、傳遞具有實際意義的訊息。 前面提到的邏輯思維，以及能展現思考能力的「所以重點是什麼」與「為什麼會得出這個結論」，再加上「客觀解讀」、「綜觀全盤的思考能力」及「現實感」，等於已經具備從大量訊息中找出核心重點的能力。 節錄自：大是文化《薪水翻倍的報告撰寫法：我在全球三大顧問之一，貝恩策略公司學到的祕訣。》／金玲瓏 著

生成式AI熱潮即將進入新階段，企業對AI人才的需求也明顯發生變化。前幾年當我們談到「AI人才」時，多數人第一時間想到的可能是「AI工程師」、「資料科學家」或「機器學習工程師」；但到了2026年，另一群人才正在快速受到企業重視——那就是「AI產品經理」(AI Product Manager)。 文／《104學習》 本文導覽 AI產品經理是什麼？不只是「會用ChatGPT的PM」趨勢一：AI人才需求正在從工程端往產品與商業端擴散趨勢二：從「AI Chatbot」進入「AI Agent」時代趨勢三：PM不一定要成為工程師，但「做得出來」正在變重要趨勢四：只會Prompt，差異化可能愈來愈小趨勢五：企業不再只看AI使用率，而開始追問ROI趨勢六：AI Governance也正在進入產品經理的工作範圍未來可能不是「AI PM變多」，而是「所有PM都要懂AI」想進入AI產品領域，可以從這4層能力開始光是「知道AI」還不夠，實作才是最重要的一步從「會用AI」到「管理AI」，PM競爭正式進入下一階段 根據《104學習》發布的《AI人才趨勢報告》，近5年台灣AI人才需求成長 97.6%，明顯高於整體招募市場同期增幅。其中，「專案／產品管理」相關AI人才需求從2022年平均每月951人，增加至2026年3,453人，5年增幅高達263.1%，是成長幅度最高的職類。 這個數字透露了一個重要訊號：企業現在缺的不只是「會開發 AI 的人」，更缺「知道怎麼把 AI 做成產品的人」。 而這樣的轉變並不只發生在台灣。 從美國科技業到全球大型企業，AI發展的焦點正在從「模型有多強」，進一步走向「AI能不能真正進入工作流程、解決問題，並產生可以衡量的商業成果」。 產品經理，也因此站到了這波 AI 轉型的第一線。 延伸閱讀：不再只看影片！AI如何顛覆企業培訓？「圍繞AI設計學習體驗」成2026職場新顯學 AI產品經理是什麼？不只是「會用ChatGPT的PM」 「AI產品經理」(AI Product Manager)並不是多學、會用幾個AI工具，就可以在職稱前面加上「AI」。 簡單來說，AI PM 真正要做的是： 找到值得 AI 化的問題，設計 AI 解決方案，再把它變成使用者願意使用、企業可以持續經營的產品。 傳統產品經理需要進行：使用者研究、規劃 Roadmap、管理產品需求、分析數據，以及協調設計與工程團隊。 儘管這些能力到了AI時代仍然重要，但AI產品又多了不少全新的不確定性。 例如： AI回答到什麼程度才算正確？ 準確率90%可以上線嗎？ 如果AI判斷錯誤，誰負責？ 哪些事情可以讓AI自動完成？ 什麼時候需要人類確認？ 模型使用成本多少才合理？ 使用者資料能不能送進大型語言模型？ AI產生幻覺時，產品要如何處理？ 這些問題已經不單純是工程問題，同時也是產品的問題，因此，AI PM 的角色正在逐漸從單純的「需求管理者」，轉向：「Product Manager × AI Solution Designer × Business Owner」。 延伸閱讀：AI PM紅什麼？！年薪上看150萬！ 哪些職類適合轉職成AI產品經理？這5種背景都有機會 你可能會想：「一定要原本就是產品經理，才能成為AI產品經理嗎？」 其實不一定。 AI產品經理需要的並不是單一技能，而是「產品思維 × AI理解 × 商業判斷 × 產業知識」的組合。因此，不同職務背景的人，都可能帶著原本的專業優勢切入AI產品領域。企業需要的不只是懂技術的人，更需要能理解實際工作問題、知道哪些流程值得AI化的人。 舉例來說，以下幾類工作者，轉職AI產品經理時尤其具有既有優勢： 產品經理／專案經理：產品方法與跨部門協作能力最接近。 軟體工程師／資料分析師：懂技術，更容易判斷AI能不能做。 UX／UI／使用者研究：最懂使用者如何與AI互動。. 行銷／營運／商業企劃：最了解市場、流程與ROI。 HR、金融、醫療、製造、教育等產業專業人才：Domain Knowledge可以成為最大優勢。 因此，想轉職AI產品經理，不一定要把過去的工作經驗全部歸零。相反地，原本累積的產業知識，很可能就是你的轉職籌碼。 真正需要做的，是在既有專業上補上「產品方法」與「AI能力」，慢慢形成自己的跨域組合：原本專業 × Product × AI。 未來企業需要的AI PM，很可能不是最會下Prompt的人，而是最清楚「問題在哪裡、AI可以怎麼解、產品怎麼落地，以及最後能不能創造商業價值」的人。 第一屆－AI 產品經理學習營 ｜緯育TibaMe X 104人力銀行獨家 實體限定優惠 【確認開班】第一屆－AI 產品經理學習營​｜緯育TibaMe X 104人力銀行獨家 42952人感興趣 了解課程＞ 趨勢一：AI人才需求正在從工程端往產品與商業端擴散 AI發展初期，企業最需要的是AI Engineer、Machine Learning Engineer、Data Scientist等技術人才。 但當企業真正開始導入生成式AI，管理者面對的問題就變了。 以前問的是：「我們能不能做AI？」 現在問的是： 「哪些流程最值得 AI 化？」 「這個功能真的有人需要嗎？」 「AI 可以節省多少時間？」 「導入之後能不能增加營收？」 「這筆 AI 投資到底值不值得？」 104人力銀行的人才數據也反映出這個轉變。除了專案／產品管理人才需求5年內增加263.1%之外，業務銷售相關的AI人才需求也增加247.8%，行銷相關需求則增加了165.4%，都是非常高的成長曲線。 換言之，AI已經不再只是資訊部門或研發部門的事情。它開始進入：產品、營運、行銷、業務、人資、金融、製造、教育等不同場景。 無獨有偶，世界經濟論壇(WEF)所發表的《Future of Jobs Report 2025》也將「AI and Big Data」列為未來成長最快的技能，並預估到2030年，現有工作所需的核心技能有約39%將發生變化。 所以未來真正稀缺的，可能不只是 AI 工程師，而是：懂原本專業，又知道如何利用 AI 改變工作的跨域人才。 第一屆－AI 產品經理學習營 ｜緯育TibaMe X 104人力銀行獨家 實體限定優惠 【確認開班】第一屆－AI 產品經理學習營​｜緯育TibaMe X 104人力銀行獨家 42952人感興趣 了解課程＞ 趨勢二：從「AI Chatbot」進入「AI Agent」時代 當2023、2024年AI應用剛起步流行時，多數企業選擇做「生成式AI」，那時候最常見的應用，就是「AI Chatbot」的應用。例如以下的情境應該不讓人感到陌生： 員工問：「公司差假怎麼申請？」 AI從知識庫找到答案後回覆答案。 但現在企業開始往下一個階段前進：「AI Agent」。 不同的是，過去AI Chatbot的主要負責的工作是：「回答問題」，而AI Agent能做到（或想做到）的則是：「完成任務」。 例如：過去的客服AI可能只是告訴顧客如何退貨。未來的AI Agent可能直接可以執行以下的動作： 讀取訂單 直接執行以下5個SOP → 判斷是否符合退貨資格 → 建立申請 → 通知物流 → 更新 CRM → 回覆顧客 因此連帶讓產品設計從過去陽春的「對話介面」，直接變成完整可以提供服務的「AI Workflow」。 不過，根據勤業眾信在《2026 AI企業現況報告》指出，就算企業已開始積極布局Agentic AI，但當前AI的治理與組織準備程度仍有落差；企業真正面臨的挑戰已從「要不要用AI」，逐漸轉向「怎麼安全地讓AI進入核心流程」。 這也是AI PM接下來最重要的工作與挑戰，產品經理必須懂得設計： AI 可以做到哪一步？ 什麼時候交回給人？ 哪些操作需要再次確認？ AI 可以存取哪些資料？ Agent 執行錯誤後如何恢復？ 如果過去PM主要工作是在設計產品的「User Flow」，未來很可能還要學會設計：Human × AI × System 的 Agent Workflow。 延伸閱讀：文科生的AI時代生存指南：這4類證照幫履歷「套上科技濾鏡」，跨領域轉職必備！ 趨勢三：PM不一定要成為工程師，但「做得出來」正在變重要 AI同時也正在重新定義產品經理與工程團隊之間的工作邊界。 過去 PM 想驗證一個產品概念，常見流程可能是： 需求研究 → Wireframe → Figma Prototype → PRD → 工程開發 → MVP 現在，Vibe Coding、AI Coding Agent、No-code／Low-code等工具正在壓縮這段流程。 產品經理即使沒有完整工程背景，也開始有機會自己建立： AI Chatbot 簡單Web App AI知識庫 RAG應用 自動化Workflow AI Agent Prototype 未來企業期待 PM 的可能不只是：「你能不能把需求寫清楚？」，而會進一步變成：「你能不能先把想法做出來，證明值得投入？」 雖然這並不代表產品經理都要轉職成工程師。 但是當你真正理解基本的技術邏輯（包括 API、LLM、RAG、Prompt、Agent與資料流程），才能更有效率地和工程團隊一起完成產品。 延伸閱讀：PM的隱性停滯：你是「救火型PM」還是「系統設計型PM」？ 趨勢四：只會Prompt，差異化可能愈來愈小 生成式 AI 剛出現時，「Prompt Engineering」曾經被視為非常稀缺的能力。但隨著模型能力持續提升，單純會操作ChatGPT、Claude 或 Gemini，會逐漸變成知識工作者的基本能力。 真正拉開 AI PM 差距的問題，不再只是：「Prompt 怎麼下？」，而是：「什麼問題值得交給 AI？」 例如：公司有50個客服流程，哪5個最值得優先 AI 化？AI 自動化率做到多少才有 ROI？如果準確率只有 90%，剩下 10% 的錯誤會造成什麼影響？哪些情境一定需要 Human-in-the-loop？ 這些問題靠 Prompt Engineering 解決不了，它需要的是：「產品判斷＋商業理解＋AI知識＋產業經驗」。 因此未來有價值的人才組合，很可能會是： 金融 × AI HR × AI 醫療 × AI 製造 × AI 教育 × AI 行銷 × AI 對已經有幾年工作經驗的產品經理而言，原本累積的Domain Knowledge（領域知識）並不會因AI出現而失去價值，反而可能成為自己切入AI產品的重要優勢。 延伸閱讀：AI害你被裁員？104資深協理：學會用AI開外掛，未來是你挑公司 趨勢五：企業不再只看AI使用率，而開始追問ROI 生成式 AI 剛進企業時，許多組織最先觀察的是： 多少員工開始使用AI？ 一天用了幾次？ 有哪些團隊導Chatbot？ 但2026年之後，更重要的問題開始變成：「用了之後，到底產生多少價值？」 根據勤業眾信在2026年的研究顯示，66% 的企業已經從AI獲得生產力或效率提升；但是只有約20%已經看到AI帶動營收成長。儘管74%的企業期待未來AI可以創造營收，但這中間巨大的落差，就是「AI Product Manager」的機會。 OpenAI在2026年談企業AI投資管理時，也提出不應只看Token單價，而應衡量AI每一美元實際完成多少有價值的工作，包括成功完成的任務、節省時間、改善決策以及能否形成可規模化工作流程。 因此 AI PM 未來除了 DAU、Retention、Conversion 等傳統產品指標，還可能需要理解： Task Success Rate Accuracy Hallucination Rate Latency Automation Rate Human Intervention Rate Cost per Successful Task 最後回到最核心的問題：這項AI產品，到底替使用者與企業創造了什麼價值？ 延伸閱讀：85%員工上完課卻不會用！AI時代真正的危機不是失業，而是你的「技能已過期」 趨勢六：AI Governance也正在進入產品經理的工作範圍 2026 年另一個值得注意的全球變化，是 AI 法規正式進入執行階段。 歐盟的《AI Act》於2024年生效，多項規範已在2026年8月2日進入適用或執行階段，包括特定 AI 系統的透明度義務；部分高風險 AI 系統則有不同的後續實施時程。 因此做 AI 產品時，PM 未來還需要思考： 使用者知不知道自己正在跟 AI 互動？ AI 產出的內容需不需要標示？ 產品使用了哪些資料？ 哪些事情一定需要人工決策？ 系統如何留下紀錄？ AI 判斷錯誤後如何追蹤？ 特別未來的世界裡，金融、人資、醫療、教育等領域，AI Governance很可能逐漸成為產品設計的基本能力，需要注意的規範範圍將會愈來愈廣。 延伸閱讀：AI基本法借鏡國外 美專法重競爭、歐盟南韓有罰則 未來可能不是「AI PM變多」，而是「所有PM都要懂AI」 從更長期來看，「AI Product Manager」甚至未必永遠是一個獨立職稱。 就像現在很少有人特別強調自己是「Internet Product Manager」，當AI逐漸成為所有數位產品的底層能力後，企業遲早有一天將不再區分：Product Manager、AI Product Manager，而會認為：「產品經理本來就應該理解 AI」。 因此，真正值得產品工作者思考的，可能不是：「我要不要轉職 AI PM？」而是： 「我的 PM 能力，要怎麼升級成 AI 時代需要的產品能力？」 想進入AI產品領域，可以從這4層能力開始 如果把目前 AI Product Manager 所需能力整理成學習地圖，大致可以分成四層。 第一層｜產品基本功使用者研究、需求分析、產品策略、Roadmap、數據分析、商業模式第二層｜AI基礎理解生成式 AI、LLM、Prompt、API、RAG、AI Agent、資料流程第三層｜AI產品實作AI Product Design、AI Workflow、Prototype、產品驗證、Evaluation、Human-in-the-loop第四層｜AI商業化能力AI ROI、成本管理、AI Governance、產品商業模式與產業應用 真正的挑戰，是把這些原本分散的知識串在一起。 因為很多人現在已經「會用AI」，但從使用AI工具，到真正能提出一個AI產品構想、驗證需求、設計流程，再做出可以展示的Prototype，中間其實還有不小的距離。 第一屆－AI 產品經理學習營 ｜緯育TibaMe X 104人力銀行獨家 實體限定優惠 【確認開班】第一屆－AI 產品經理學習營​｜緯育TibaMe X 104人力銀行獨家 42952人感興趣 了解課程＞ 光是「知道AI」還不夠，實作才是最重要的一步 如果你原本就是產品經理、專案經理，或者希望往 PM 領域發展，現在需要補的可能已經不只是再上一堂「ChatGPT 工具課」。 而是實際練習： 怎麼找到值得用 AI 解決的問題？ 怎麼把需求轉成 AI 產品構想？ 怎麼和技術團隊討論 AI 解法？ 怎麼快速驗證產品？ 怎麼把 AI 概念變成真正的產品提案？ 針對這樣的能力轉型，104人力銀行也與緯育TibaMe合作推出「第一屆AI產品經理學習營」，鎖定希望在PM實務中應用 AI、提升產品提案能力，以及希望踏入產品經理領域的職場工作者。課程預計自2026年10月17日起正式展開。 與單純介紹 AI 工具有所不同，如果你的目標是往 AI Product 發展，更值得關注的是能否透過有結構的學習與實作，把「AI 知識」轉化成真正能用在工作上的「產品能力」。 👉 查看「第一屆 AI 產品經理學習營｜緯育 TibaMe × 104 人力銀行」課程資訊 從「會用AI」到「管理AI」，PM競爭正式進入下一階段 回頭看這幾年的市場，可以大致看到產品人才能力的變化： 2023，會用 AI，是加分：生成式 AI 與 Prompt 開始普及。 2024，懂 LLM，是稀缺能力：企業開始嘗試 RAG、企業知識庫與生成式 AI 應用。 2025，能做 AI Product，開始受到重視：AI 從實驗性專案逐漸走向正式產品。 2026，能設計 Agent、Workflow、Evaluation 並衡量 ROI，價值快速提升：AI 開始真正進入企業核心工作流程。 放眼望去，下一階段真正稀缺的工作能力組合，很可能是：AI × Product × Domain × Business。 AI 工具的操作門檻只會愈來愈低，真正有價值的，反而是那些知道問題在哪裡、知道什麼值得 AI 化、能把想法變成產品，也知道怎麼衡量成果的人。 所以，對產品經理而言，現在真正值得問的或許不是：「AI會不會取代PM？」 而是：「當AI開始改變所有產品，我是否已經具備下一代PM需要的能力？」 推薦閱讀 AI害你被裁員？104資深協理：學會用AI開外掛，未來是你挑公司 AI代理人時代，勝負不在AI多聰明！林之晨：關鍵在組織消除落地摩擦力 AI拆解傳統職位、重組專業分工：下一批高薪人才長什麼樣？

埋頭苦幹做了90分，卻因為簡報只呈現60分被奪走升遷機會？本文拆解3大報告盲點，教大家用4個關鍵技巧，把辛苦產出的專案價值完好呈現，讓你的專業不再被埋沒！ 文／《104職場力》 本文導覽 上台簡報時，明明底子硬、實力卻打折？掌握3個溝通關鍵，精準呈現你的專業！讓簡報力成為帶得走的跨領域競爭力 一場高層會議簡報後，某職位升遷人選終於定案！AB這兩位年資相當、能力與績效皆不相上下的候選人，一度讓選拔陷入膠著，但最終由A拔得頭籌，原因是：他會議上簡報講得有聲有色！ 這時有同事心想，B雖然「憨慢講話但很實在，且苦幹實幹」，A只是比較「能言善道、會做簡報包裝成就」，難道最終還是要靠耍嘴皮子才能勝出嗎？ 有點殘酷，但現實就是如此！專業能力只是決定一個人的下限，而簡報力、溝通表達等軟實力往往是決定一個人能往上爬多高的關鍵！尤其當兩個人硬實力旗鼓相當時，能不能把複雜的成果和想法精準傳達，就成了決定勝負的臨門一腳。 上台簡報時，明明底子硬、實力卻打折？ 很多優秀的職場人（尤其技術強者）常會陷入一個迷思：「只要我專案做好、發揮超強技術，主管自然看得見／一定會懂我的優勢！」 但主管老闆的工作節奏很快，加上組織高手雲集，只知道能擠進候選名單的人能力都很好，根本無法擠出時間、精力好好比對專案細節或候選人之間的差別，最終他們評估一個人的能力＋決定誰出線的依歸，就是來自會議上15分鐘簡報內所展現的溝通效率。 同樣都是報告，若A講得舌燦蓮花、讓主管們聚精會神（可能還有互動）；B不功不過，卻總是無法打動人（也許主管們聽到一半還恍神），最終會由A勝出好像也不是這麼意外。 簡報力相對弱的人容易吃什麼虧？ 一場簡報成不成功，其實開講5分鐘看台下的人是彌留還是振奮狀態就知道，通常會不小心召喚睡魔的講者都卡在以下這幾個盲點： 陷入「流水帳迷思」，簡報資訊抓不到重點 把簡報當工作日誌在寫，塞了所有執行步驟，過度沉溺於過程與工序細節，在缺乏資訊篩選與結構整理情況下，導致內容雜亂無章，聽眾看半天只覺得是一堆文字大雜燴，完全抓不到核心重點，更別提有什麼結論。 視覺圖表太複雜，畫面呈現讓人「看得很問號」 以為把數據表格直接截圖貼上就是視覺化，結果字體過小、顏色太花、重點數據沒標出來，聽眾花時間盯著螢幕，卻看不懂圖表想表達什麼趨勢，視覺不僅沒幫內容加分，反而增加閱讀理解的障礙。 只講自己的專業語言，忽略聽眾聽不聽得懂 習慣用自己部門的專業術語或執行視角報告，沒有針對聽眾換位思考，例如：對財務講技術名詞、對營運講Bug，沒有把內容「翻譯」成對方聽得懂且在意的語言（如成本、效益或風險），導致講者口沫橫飛、聽眾對不上焦。 這3個盲點最後都會走向無效溝通，把你平常辛苦累積的100分實力大打折扣，因為老闆主管根本聽不出你的價值在哪裡！ 掌握3個溝通關鍵，精準呈現你的專業！ 簡報力的重要性不分位階，我們永遠不曉得這項能力什麼時候會帶來實質影響，想在關鍵時刻展現無可取代的職場影響力？不妨練習調整簡報的底層思維： 讓「結論先行」，精準篩選資訊 捨棄照單全收的紀錄式報告，改用「倒金字塔架構」，在開頭直接給出結論與核心建議，再層層展開關鍵數據與理由，讓聽眾在第一秒就抓住重點，不必在資訊大海裡猜你的意圖。 →延伸閱讀：謝文憲教簡報：先說結論再講細節，一開場就要直球對決 善用「視覺導引」，讓圖表一目了然 好的視覺不是花俏，而是「降低理解成本」，善用對比色凸顯關鍵數字，刪除投影片上非必要的雜訊與滿版文字，確保聽眾一眼看過去就能讀懂圖表背後的趨勢與觀點，不必邊聽邊瞇著眼猜字。 →延伸閱讀：PPT簡報編排的5招資訊設計技巧，設計師教你成為簡報大師 練習「換位翻譯」，用聽眾的語言對話 簡報前先問自己：這場會議的聽眾是誰？他們最關心的是成本、時程還是風險？收起自己部門的內部術語，將技術與執行細節「翻譯」成聽眾聽得懂、在意的商業語言（如果熟知決策者在乎什麼重點，可以加強表述），才能真正打動對方並促成決策。 →延伸閱讀：你上台是要做「簡報、授課還是演講」？福哥：搞懂2大因素再開PPT 「控場表達」，展現臨場專業度 口語演繹決定了你的專業氣場！試著戒掉「然後、那個、基本上」等冗餘口頭禪，善用適度停頓來強調關鍵訊息，面對會議上的突發質疑時，先認同對方的疑慮，再引導至備用方案，展現從容的抗壓與應變能力。 →延伸閱讀：告別死背簡報講稿！5步驟練習「像賈伯斯一樣演講」 掌握這4個關鍵，不僅能大幅降低對方的理解成本，更能讓你辛苦產出的專案成果不再被埋沒，在每一次爭取信任與升遷的關鍵時刻，順利取得先機。 讓簡報力成為帶得走的跨領域競爭力 想知道自己的簡報實力是否足夠？或是明明超會用PPT匯報、溝通，充分掌握了邏輯構思、視覺設計與溝通策略，卻無人知曉、求職轉職時也苦惱無法呈現？ 20分鐘完成「台灣簡報認證」！讓實力具象化 如果你希望系統化檢視並提升自己的簡報說服力，不妨考慮104與3位簡報大師王永福、謝文憲、葉丙成聯手打造的「台灣簡報認證」！ 這項簡報認證不考操作、不考上台口條，單純針對「簡報邏輯、架構、說服思維」設計標準化的線上測驗，完全為懂邏輯的求職者量身打造，只要約20分鐘，通過認證後104會協助回寫履歷增加亮點，讓企業搜尋人才時能快速辨識。  現在就把實力化為證明，讓企業更容易看見你吧！ ★點擊按鈕，立即認證簡報力★ ★ 104學習推薦：建立「職場簡報力」標準，讓你的能力被看見 ★重量級講師王永福、謝文憲、葉丙成共同發起認證＋考前影片：▶ 台灣簡報認證 - 初級｜通過認證回傳104履歷 延伸閱讀： 一場簡報讓默默無名的業助驚艷董座！謝文憲：簡報，是職場最不公平的競賽 我簡報講不好，怎麼想都是聽眾的錯？千萬講師：重點不是誰錯，而是如何改善 「台灣簡報認證」是什麼？為什麼求職者、上班族都該考？ PPT做超美，但一開口就破功？3個簡報壞習慣暴露出你根本沒邏輯！ 

AI不只取代單一任務，也正拆解傳統職位、重組專業分工。當AI開始大規模執行任務，人類的工作角色該如何重新定義？程世嘉從跨界轉譯、AI協作與π型人才等面向，解析下一批高薪人才需要具備的能力。本文節錄自《智慧通膨下的新商機》。 文／程世嘉Sega Cheng，蕭玉品採訪整理 兩個專業是基本： 想進入高薪賽道，得成為跨職能通才 如果你今天去看Anthropic、OpenAI、Google 3家公司的徵才頁面，會看到一批18個月前根本不存在的職位：知識架構師、前線部署工程師、Harness工程師、AI編排師（AI Orchestrator）、人機協作主管（Head of Human-AI Collaboration）。 這些職位的共同特徵是：基本薪資開到年薪30萬美元起跳，加上股票與獎金最高可破百萬美元，但這些公司還是找不到人。如果你再去LinkedIn上看大型企業的徵才需求，會看到完全相反的現象：傳統的初級資料分析師、初級行銷企劃、初級會計助理、客服代表等職缺，數量都比兩年前少了一半，薪資中位數也明顯往下掉。 兩個方向同時往極端走：頂尖的跨職能新角色搶到沒人，傳統的單一功能初階職位塞到沒人要。這背後是一場史無前例的職位大轉移。科技巨頭過去兩年的大規模裁員是這場轉移的一個顯眼切面，但裁員只是這場戲的表面。要看懂底下發生什麼，得進一步問：當AI開始有能力承接過去人類負責的單一任務，整個職位結構會被怎麼重組？工作者要怎麼站到對的位置上？ 2025年1月，世界經濟論壇在《2025未來就業報告》中預測，2030年前，AI會消滅9,200萬個既有職位，卻也會創造1.7億個新職位，一來一回扣掉後，職位的淨值大概會增加7,800萬個。從宏觀經濟的角度來看，整體工作機會會變多。我個人的觀察與世界經濟論壇有些差異。我認為在高度自動化的未來，職位總數其實會愈來愈少。 但無論總數增減，真正值得我們關注的，是這些新增職缺的「成分」，並沒有均勻分布在原先的就業光譜上，而是高度集中在與數據、AI、機器學習相關的領域。比方說數據分析師、機器學習工程師、超資深的軟體工程師、AI系統設計師，這些人的需求量沒有減少，反而瘋狂增加，速度只會愈來愈快。 這也呼應了Anthropic在2025年9月發布的〈Anthropic經濟指數報告：人工智慧在地域和企業中的應用失衡〉（Anthropic Economic Index report: Uneven geographic and enterprise AI adoption）所揭露的關鍵數字：在企業透過API大規模部署AI的場景裡，有77%的使用模式已經屬於「自動化」（AI主導執行，人類只做最後驗收）。企業AI應用的主流已經從「AI在後台輔助人類」演進到「AI直接執行、人類退到驗收角色」。這個轉變直接帶出一個關鍵問題：當AI開始大規模執行任務，人類的工作角色該怎麼重新定義？ 跨職能角色崛起：AI正在解構傳統職位中的單一任務，單一功能的初階職位大量消失，「Harness工程師」、「AI編排師」等跨職能工作者成為最搶手的人才。 氛圍編碼讓程式開發變成全民技能：氛圍編碼讓不會寫程式的人也能以自然語言指揮AI產出可運行的程式碼。原本需要產品、設計、工程3人的工作，如今一個善用AI的人就能搞定，職能因此被合併。 通才比專才更有競爭力：AI時代的真正創新來自跨界，單一專業的護城河正在縮減。工作者必須升級為「AI指揮官」，對各領域都具備至少80分的常識底蘊。 跨界轉譯力是最具價值的軟實力：當AI拉平執行門檻後，最稀缺的能力是「跨界轉譯」，亦即能聽懂工程師的技術限制，將之轉換成設計語言，包裝成商業故事，並以系統性思維將任務整合成有商業價值的完整系統。 從T型人才進化為π型人才：過去「一深一廣」的T型人才已不夠用，市場開始要求「兩根深度專業加跨領域廣度」的π型人才。因為AI已將「廣度」便宜化，真正稀缺的是兩根專業之間的交叉整合能力。 節錄自：天下文化出版《智慧通膨下的新商機：AI時代的稀缺能力與新護城河》／程世嘉Sega Cheng、蕭玉品採訪整理 著 * {box-sizing: border-box;} .wp-block-table .has-fixed-layout td { width: 50%; height: 1px; } .wp-block-table .has-fixed-layout td a { padding-bottom: 8px; } 更多104【AI】工作機會 Mid-AI 應用工程師（AI Application Engineer） 稑燾智能有限公司 台北市中正區 月薪72,000元以上 AI Waifu Visual Generation Engineer 萬達人工智慧科技股份有限公司 台北市松山區 月薪70,000-80,000元 AI工程師 財團法人台灣人工智慧學校基金會 新北市板橋區 待遇面議 立即前往【更多相關職缺】

當AI成為每個人都能用的外掛，獲取專業能力的成本就發生了斷崖式下跌。台灣大哥大總經理林之晨與資訊長蔡祈岩指出，生成式AI終結傳統分工邏輯，唯有翻轉晶體智力、全面轉向流體智力，才能不讓自己變成被組織埋葬的零件。本文節錄自《逆分工》。 文／林之晨、蔡祈岩 本文目錄（點擊可快速前往） AI為什麼是那個「破牆者」？AI帶來的改變：專業能力邊界消失硬知識貶值了，活腦袋才是王道 既然分工早就開始出問題了，為什麼我們以前不談逆分工？為什麼個人電腦和網路都發明了，人類也登上月球了，公司裡的分工卻還是愈切愈細？ 原因很簡單：過去做不到。 過去所有科技發明，像是電腦、網路、雲端、協作軟體，其實大多只是延伸了我們的手腳、記憶或通訊能力。它們幫我們算得更快、存得更多、傳得更遠，但它們沒有真正擴展我們的大腦容量。 你的大腦裝不下所有知識，一個人不可能精通所有專業。所以，隨著人類知識體系愈來愈大、每個學科愈來愈深，每個人從求學到職場，只能愈來愈專；公司的部門也只能愈來愈多，職能體系愈來愈膨脹。 直到生成式AI出現，情況才徹底改變。它像是一個能夠擴展我們大腦容量的底層引擎，讓我們第一次有力量打破不同專業之間的壁壘。 AI為什麼是那個「破牆者」？ 要理解逆分工為何在此刻爆發，我們得先面對一個現實：人的大腦容量是有限的。 根據常被引用的一萬小時定律，你要花大量時間，才能成為某個領域的專家。你花10年學寫程式，就很難再精通商業法律；你把青春奉獻給視覺設計，可能就對財務會計一竅不通；你長期做業務，就很難同時成為資料科學家。 我們需要部門和專才，說到底，就是因為一個人的大腦裝不下所有知識，但大型語言模型改變了這個遊戲規則。 AI不是一個簡單的資料庫，它更像是一位真正讀完了全人類各行各業深度知識的「超級博士」──它讀過大量書籍、論文、文件、開源程式碼與各種人類知識材料，能把不同領域的語言翻譯成彼此看得懂的形式。 它不會讓非專家一夜之間變成真正專家，但它能讓非專家第一次跨過專業領域的第一道門檻，取得初步理解、草稿、選項、框架與可討論的成果。 這件事之所以重要，是因為大部分組織內部的卡點，不是每件事都需要世界級專家，而是大量任務連第一版草稿、第一輪分析、第一個可討論版本都生不出來。 AI讓這件事變了。 AI帶來的改變：專業能力邊界消失 當AI成為每個人都能使用的通用外掛，獲取專業能力的成本就發生了斷崖式下跌。 這不是說專業不重要，真正重要的專業，仍然需要人類專家把關。合約最後要法務審，程式最後要工程師看，設計最後要品牌與市場判斷。 但在AI之前，大量工作卡在「我根本不知道怎麼開始」或「進入新的領域時要先花費巨大的學習成本」。 在AI之後，更多人可以先做出第一版，讓事情進入討論與迭代，而且這個第一版是有模有樣、有所依據的。 這就是為什麼像台灣大哥大這樣的公司，會將全員導入AI提升生產力的計畫命名為「超人計畫」。 「超人」不是說每個人都突然變成天才，而是說每個人都應該有機會，把自己原本的能力放大。 硬知識貶值了，活腦袋才是王道 我們接著談智力。 這裡可以挪用心理學家雷蒙德．卡特爾（Raymond Cattell）的概念：晶體智力與流體智力。 我們並不是完全套用原本的心理學理論，只是借這個理論的名詞，而且略微改變其定義，把人的智力粗略分成兩種。 第1種：晶體智力 你可以把它想像成你腦中的硬碟資料庫和肌肉記憶，它指的是運用過去累積的知識、經驗和標準化技能來解決問題的能力。 例如律師背誦法條、醫師根據症狀診斷常見疾病、會計師熟練查帳、資深員工熟悉公司SOP。 這是傳統職場常說「愈老愈吃香」的原因，因為這些知識會隨著年齡與經驗累積。 第2種：流體智力 它更像是你大腦的中央處理器，負責運算速度和靈活性。 它處理的是全新、陌生、混亂，甚至從未見過的情境。它考驗的是邏輯推理、模式識別、問題拆解與適應能力，跟你背了多少書沒有直接關係。 例如創業家在混沌市場中尋找新的商業模式，或是工程師面對一個從未見過的系統故障時，快速找出可能原因。 殘酷的事實是：AI已經是這個星球上最強大的晶體智力載體之一，它讀過大量法典、醫學期刊、財報標準、程式碼範例與商業文件，它不會忘記，也不會疲倦。 如果人類還想在職場上跟AI比記憶力、比誰的知識更廣、比誰操作標準流程更快，那我們完全沒有勝算，而且差距只會愈來愈大。在晶體智力的賽道上，人類已經被超越。所以，人類的戰場必須全面轉向流體智力。 未來的競爭，不再是比誰的腦袋裡裝的知識多，而是比誰能更快釐清混亂局勢；不再是比誰能給出標準答案，而是比誰能向AI提出最一針見血的好問題。 當每個普通員工都能透過AI這個強大引擎，瞬間具備跨越研發、行銷、法務、設計與資料分析的能力，那些原本為了協調他們而存在的經理、總監與各種跨部門會議，也必然會被重新檢視。 節錄自：天下雜誌出版《逆分工：AI 時代的生產力革命，重構組織、市場到經濟的生存新賽局》／林之晨、蔡祈岩 著