撰文 尤韻蓉
AI 要淘汰的不是你，而是老舊的工作模式！你該想的是：哪些工作需要重新設計？
「我的工作會不會被 AI 取代？」
自 2022 年生成式 AI 快速進入企業現場，這個問題幾乎成了所有知識工作者的共同焦慮。從寫報告、做簡報、分析資料到產出企畫，過去被視為知識工作者的核心任務，如今只要輸入指令，幾秒鐘內就能完成。
然而，這個問題本身，可能問錯了。AI 帶來的衝擊，並非單純的「人是否會被取代」。當我們仍用「舊的工作想像」理解 AI，而 AI 又能大量接手產出型任務，問題已不再是「人會不會被取代」，企業與工作者必須思考：哪些工作，還需要由人單獨完成？哪些工作方式，已經到了必須要重新設計的時候？
工作任務全面自動化，還要人做什麼？
世界經濟論壇（World Economic Forum）2025 年《就業未來報告》（Future of Jobs Report 2025）調查來自全球 55 個經濟體的企業雇主，2025 年有 47% 的任務主要由人類單獨完成，22% 由科技（機器和演算法）完成、30% 由兩者結合的人機協作完成（相加起來為99%，可能與各項數字經過四捨五入有關），不過到了 2030 年，人類單獨完成的任務剩下 33%、由科技單獨完成的比例將增至 34%。
值得注意的是，被取代的並非整個職位，而是「人類單獨完成任務」的型態。報告估算，人類單獨完成的任務中，有 81.5% 將被自動化所取代；但人機協作的比例則維持在約 1/3。報告強調，在人類獨立完成與完全自動化之間，人機協作正成為一條關鍵分水嶺。
換言之，AI 並不是直接取代人，而是淘汰那些沒有重新設計過的工作模式。能否避免被取代，組織要開始做的，是設計「人該怎麼與 AI 一起工作」。
管理顧問公司埃森哲（Accenture）在《Work, Workforce, Workers: Age of Generative AI》報告中指出，企業若僅導入技術，並不足以保證成長；當企業在設計生成式 AI 時，將「人」納入流程與角色分工，生產力可提升 11%。反之，若邊緣化人為因素，提升幅度僅剩4%。差距不在技術，而在職務設計。
監督成果或提供情感支持，確保服務和產品品質
這點出了一個關鍵轉折，AI 時代的競爭，不只是誰擁有 AI 工具、會不會用工具，而是誰更懂得重新設計工作流程、清楚分工 AI 與人類、培養被賦能的 AI 增強型人力（AI-augmented workforce）。
麥肯錫（McKinsey & Company）《The economic potential of generative AI》指出，AI 可以讓占據員工 60～70％ 時間的工作都透過自動化解決，將生成式 AI 應用於各類知識工作者的活動中並發揮潛力，每年可為全球經濟帶來 6.1 兆至 7.9 兆美元的經濟效益。
但從技能層面來看，生成式 AI 的可取代性，其實遠不如想像中全面。《就業未來報告》分析超過 2800 項細分技能後發現，沒有任何一項被評為「極高可取代性」，其中 69% 屬於低或極低可取代性。
目前生成式 AI 在需要實體執行、細緻判斷與高度情境理解的工作上，仍存在明顯限制，尤其是高度仰賴人類互動的能力，例如傾聽、同理心、感知與價值判斷。這也是為什麼，在多數企業中，AI 的最佳角色並非全權代理，而是成為被指揮、被校正、被監督的助手。
要求推理過程、角色設定，讓提示工程產出精準答案
那麼，實際上該如何與 AI 協作？IBM 建議，企業導入生成式 AI 的第一步，不是選工具，而是先釐清目標：為何要用 AI？希望改善哪一段流程？接著評估資料與技術的可信度，建立基本能力後，從小規模試點，再逐步擴大。
多份研究皆指出，理想的人機協作模式是，人類扮演導航員與守門人，AI 負責高量、重複性任務；人類則負責決策、倫理與情境判斷。
要能跟 AI 好好協作，一個重點是學會提示工程（prompt engineering）。《就業未來報告》建議雇主，應該提供員工關於進階的提示寫作技巧、AI 素養的培訓。
提示工程是透過不斷調整對 AI 下達指令，引導它產出更符合需求結果的過程。要把提示工程做好，有幾個技巧，像是 思維鏈 （chain of thought），引導大型語言模型一步步推理，而不直接給出答案。
許多大型語言模型（LLMs）無法一次完成複雜任務，根據微軟（Microsoft）研究報告《Sparks of Artificial General Intelligence》，以 GPT-4 為例，它的架構有局限性，包含缺乏規畫能力、工作記憶有限，在執行需要多步驟計算的任務時，常出現算術錯誤或跳過步驟。
舉例而言，要 GPT-4 直接計算出 150～250 之間的質數數量時，它會給出錯誤答案，但如果要他先列出質數再計算數量，它的答案就正確。
IBM 指出，這個做法通常是使用者會在提示詞末附加指令，例如「描述你的推理步驟」、「讓我們一步步思考，請寫下所有中間步驟」。這可以讓使用者判斷推理的過程，也避免 AI 跳過重要的步驟。
再來是 角色設定 ，使用者透過指令控制模型可以模擬哪種知識狀態、風格和推理模式，從而產生更符合預期的答案。舉例而言，如果提問「天空為什麼是藍色的」並設定 AI 為物理學家，得到的答案會是「天空是藍色的，是因為太陽光與地球大氣中的氣體分子發生相互作用。」如果是其他角色，答案又會不同。
提供範例的「 逆向工程 」也有助於產出更精準的答案。微軟研究實驗，讓 GPT-4 玩文字冒險遊戲（玩家必須讀懂文字描述、理解目前狀態，並用正確文字指令推進任務）在第一次遊戲中，GPT-4 無法完成任務，但在當給予模型範例後，它就能順利完成。此外，顧能（Gartner）建議為員工開發一個提示詞庫（prompt library），協助他們更容易產出想要的答案。
分析工作流、拆解任務，每個節點都有AI協助
成熟的應用不只停留在下對 prompt。從組織角度來看，企業正走向 AI 工作流：在工作流程加入 AI 協助，打造端對端 AI 解決方案。研究公司 Vanson Bourne 指出，80% 的組織目標是做到盡可能讓業務流程從端到端自動化。
該怎麼做？IBM 建議首先要分析現有系統、流程，找出能改進的地方。再來是任務拆解與流程設計，將工作拆解成更細的子任務，例如處理客戶投訴，拆解為識別情緒、生成回應，當這些步驟被清楚定義後，就有機會透過 API（application programming interface，協定2個軟體間彼此通訊的機制）把每個步驟會用到的AI工具、內部資料庫與外部服務串接起來，讓資料不再靠人手搬運，而是在系統之間自動流動。
不過，在追求效率的同時，有一個關鍵前提不容忽視：人必須留在流程中。AI可以很快，但不一定正確；唯有設計檢查點，培養員工的判斷能力，AI 才能長期發揮價值。
說到底，AI 工作流不只是技術升級，更要做到管理思維的轉換。企業正從「人做事、工具輔助」，走向「流程自動化、人負責決策」。在這樣的轉換中，真正不會被取代的，不是某一項技能，是能夠設計協作、做出判斷，並對結果負責的人。
