生成式 AI 大幅衝擊職場！企業應該如何導入AI、員工需要裝備哪些技能？|經理人

（點擊連結立即免費下載：《2024職場學習趨勢報告》完整版）

在 ChatGPT 爆紅之前，台灣就有不少廠商正在嘗試讓 AI 變成組織核心競爭力的一環。台灣人工智慧學校（下稱 AIA）產學長郭秉宸的第一線觀察是，「產業討論 AI 愈來愈務實。更多企業從一開始的觀望，逐步接受成為轉型的目標，實際思考該如何往下做。」

這樣的企業有多少？《經理人》、《數位時代》、與 AIA 今年合作〈2023 職場學習趨勢調查：企業如何幫助員工學習 AI？〉，近 5 成受試者表示，公司已經有足夠的技術能力、或是正在嘗試 AI 相關專案；另外兩成則是公司大致了解 AI，尚在評估該如何應用。

企業導入 AI 會面臨哪些困難？

隨著生成式 AI 的普及化，會加速 AI 在企業落地應用嗎？根據上述調查，企業導入 AI 面臨最大的困難，其實不是技術的適用性，而是「數據資料不足、散落於各部門難以整合」。

郭秉宸解釋，其實更精確來說是「數據資料不全」。當部門各自為政，數據分散於各部門的流程與表單之中，不僅難以確認哪些數據應該被保留下來、哪些又是不必要存放，整理和儲存的方式也不一致，部分存在雲端、部分以紙本留存，導致最終數據資料串連時有缺漏，難以解決企業遇到的經營問題。

「例如公司要求要『順利出貨』，但出貨只是結果。整串作業流程從原物料採購、製造、生管、品管、倉儲到物流，每個環節都可能需要數據去檢視發生了什麼問題，不會只是單看某一步驟。」

因此，要評估數據資料的完整性，必須從公司高層，執行長或 CXO 層級制定數據治理（data governance）方針，規畫數位轉型到AI導入的短、中、長期策略藍圖，並從解決問題的視角，觀察相關流程與部門單位的數據架構，才能判定欠缺哪些數據資料。

根據問卷調查，企業導入 AI 的第二大困難是「核心業務所在領域的 AI 相關技術尚未成熟」。郭秉宸表示，這個背後的問題可能是部門本位主義作祟，主管被動等待一個完美符合需求的工具出現。但真正可行的方法，應該是釐清自己部門遇到的問題、轉換成對應的「語言」，和擁有技術能力的專家溝通、共同討論如何運用既有的 AI 技術和工具來解決。

那把 AI 導入的任務交給資訊部門來執行，是不是就沒問題了？「實際上正好相反！」郭秉宸觀察，台灣企業的資訊部門通常無所不能，小到修電腦、接網路線，大到雲端策略，好像軟硬體問題都可以丟給資訊部門處理，其他部門置身事外，「但導入 AI 是完全不同的事，需要連動整個公司的不同部門，單是丟給資訊部門、欠缺各部門之間的溝通，最終一定會變成一場災難！」

具體來說，資訊部門熟悉於技術相關知識，但不夠了解公司整體運作、各部門日常營運環節，難以掌握該如何運用 AI 相關技術來解決其他部門的工作痛點，可能規畫了一系列的任務，最終就是白費力氣，還打壞了其他部門對於 AI 可以協作的想像。

如果要解決這個困難，必須回到組織層級來思考，從執行長到各部門主管都具備一定程度的 AI 素養，就像是過去為同仁裝備起 Excel、Word、 Gmail 等技能，大家才能運用同一套語言討論，共同找出 AI 可以應用的場景。

AI 人才不等於會寫程式，文法商非技術背景也重要

許多主管誤以為，AI 素養就等於要培養團隊成員寫程式的能力，但實際上不只如此。「與 AI 領域相關的人才，除了大家熟知的研發、運算、平台相關的工程師，還有不同領域的產業顧問、協助推動轉型的專案管理人員、維護 AI 運用合法性或倫理性的法規治理人員，或是如同 AIA 從事實務教學工作者，需求的專業不只限於程式技術，甚至還包含了文法商專業。」

郭秉宸也提醒，市面上已經有許多成熟、便捷的軟體工具，符合當前產業追求低程式碼（low-code）、無程式碼（no-code）的開發趨勢，即便不是技術背景出身的人，也可以運用這些工具完成重要功能的開發。與其拚命找尋懂各種程式語言的工程師，不如先回頭思考公司需要解決的課題裡，有哪些已經能透過無程式碼軟體來協作完成。

另外，「今年 ChatGPT 在全世界火紅，如何幫助非技術背景出身人員，學習使用這些生成式 AI 技術和工具，完成撰文、繪圖、整理數據資料、跨媒介內容產出的需求，也持續升高。」

組織分三層級，裝備不同的 AI 素養

既然程式能力並非 AI 素養的核心，真正的 AI 素養又是指什麼？又該如何讓員工裝備起 AI 的基礎能力？在這次調查顯示，「不知如何循序學習（欠缺學習地圖）」是多數人認同、影響企業學習 AI 的重要痛點。

郭秉宸解釋，AI 素養要從人員在公司負責的工作出發，不同層級的員工，分別思考 AI 要幫忙解決什麼問題。例如工程師做專案，需要找到幫忙優化程式產出效率的工具；如果擔任採購經理，則要尋找能預估未來幾個月原物料價格的工具，解決方案可能就是運用過去累積的數據搭配好用的預測模型。光是這兩個例子，就會發現他們需要培訓的 AI 技能不完全相同。

為了協助企業養成 AI 人才，AIA 將組織員工分為三種：工程師、經理人、CXO，分別設計學習路徑。

工程師（技術人員）層級：專精於學習 AI 核心技術，包括程式語言、預測模型、物件偵測、智慧製造等項目，是企業推動 AI 最核心的技術；
經理人（各級主管）層級：肩負對上、對下、水平溝通的角色，因此除了必須了解技術基礎，還要具備策略思維和關注趨勢，跨領域、跨產業的應用交流必不可少；
CXO（高階主管，包含企業領導者）層級：推動 AI 的決策者，最關鍵的素養就是認識 AI 的能與不能。

「最怕的就是領導者將 AI 當作一個許願池，無所不能的工具。」誤判自家公司的資料準備度、可調度資源，想要無限制擴大 AI 應用的範圍、膨脹想解決的問題，導致失敗收場。

務實調整人才政策，透過內部培訓補足能力缺口

近幾年高科技產業欠缺人才的現況並不是新鮮事，愈趨搶手的 AI 人才當然也是如此。郭秉宸認為，重金挖角優秀人才的難度愈來愈高，更務實的做法是，調整人才政策、更大比例透過內部培訓獲取需求的人才。

當公司內部多數人都擁有 AI 基礎概念，接下來就能跨出資訊部門的範疇，讓高階團隊從策略面來思考，如何運用 AI 解決公司經營最迫切的問題。

「攤開公司財報，看哪裡破了洞、哪裡最脆弱，就是應該專注解決的問題所在。」郭秉宸認為，多數公司資源有限，別為了跟緊競爭對手而投入、也別想著一步到位，領導者應該按照自己公司的需求，專注於解決迫切性高的問題。

「例如代工廠面臨出貨品質不佳，那麼聚焦改善製程良率，就能讓公司營運表現好上許多。在思考 AI 應用時，就應專注去做讓品質提升的改善方針。」

郭秉宸_台灣人工智慧學校產學長_2023-09-26_侯俊偉攝影_ (3).jpg
郭秉宸表示：「企業必須先想清楚自己的 AI 藍圖與行動方案，才能繼續往前，走該走的路。」

侯俊偉攝影

郭秉宸最後分享，每當有企業來找他諮詢 AI 導入相關問題，他都會反問對方以下這四個「靈魂拷問」:

所屬企業與機構:
- AI 藍圖與行動方案是什麼？
- 在生態系的哪個位置？
- 對應的產品或服務是什麼？
- 打算做什麼規模的投資？

其中第一項問題尤其關鍵，因為那攸關企業領導者如何看待、思考 AI 的心態，「必須要想清楚了，才能繼續往前，走該走的路。」

郭秉宸｜
交通大學材料科學與政治大學科技管理雙碩士，清華大學跨領域國際博士班博士候選人。
曾任 KPMG 台灣所顧問部協理，領導智慧製造團隊，長期經營工業產業、家族企業管理、創業創新服務三大市場。擁有管理顧問專業與超過 26 年的產業服務經驗。
現任台灣人工智慧學校產學長，致力於建構以人工智慧為中心、「產官學研創」協同的創新生態系統，推動台灣人工智慧的卓越發展。

（點擊連結立即免費下載：《2024職場學習趨勢報告》完整版）

生成式 AI 無疑是今年的最熱關鍵字，手握資源的大企業急著砸錢導入 AI、尋找人才、解決方案來支援，但玉山金控(下稱玉山金)卻顯得「老神在在」，因為旗下負責 AI 研發的部門已經是一支 100 人的精銳部隊，甚至已經靠自家資料訓練出近百個AI模型，有的能夠辨識資料，有的能風險把控、辨識詐騙，甚至在前線擔任客服，解答用戶成千上萬的問題。

其實在金融業裡談起新科技的導入，玉山金幾乎一路都跑在最前頭。早在第一台 MacBook 問世的 2006 年，玉山金已經成立數據分析小組 CRV (Client’s Risk &Value)，用大數據評估現有客戶的資料，進行信用貸款風險分析、信用評等、行銷決策的任務，領先業界。

2018 年，也是玉山金設立台灣金融業第一位科技長職務，隔年將數據小組轉型為「智能金融處」(後稱智金處)，自此 AI 科技正式加入玉山金的工作流，開始快速結合技術和實務。

身處法規嚴格、相對保守的金融業，是怎麼做到的？玉山金科技長張智星接受專訪，分享導入 AI 的應用和觀察。

自建百種 AI 模型解決問題，堅持每一步都要「自己來」

玉山金旗下已經開發出近百個 AI 模型，每一項都來自前線業務的需求，可分為兩大主力方向。

首先是資料影像辨識技術，例如線上開立數位帳戶後，需要用戶上傳身分證、居留證等多種文件照片，智金處開發出的模型，能夠自動辨識照片中的資訊，並自動分類資料，登錄到系統中，省下 30% 人力登錄時間。

但證件是有固定欄目的文件，玉山金還希望系統可以辨識各式各樣規格的表單，甚至各家銀行多元造型的存摺封面影本，靠著更高階的大型語言模型技術，智金處近期正在著手研發具有「通用型辨識能力」的 AI，能夠辨識出各種表格、圖形、文字內容，將資訊整理匯入後台。這項技術已經在內部測試中，最快明年就會上線。

另一大類別在於客服 Chatbot，玉山金的 300 席電話客服中，目前已經有 90 線由 AI 客服人員接聽，辨識用戶的自然語言，回答相關問題，「如果用戶打給客服，沒有請你按數字鍵，那就是 AI 機器人了。」

除此之外，AI 還能把客服電話自動轉成逐字稿並定義關鍵字，讓後勤人員可以快速分析前線發生的問題。例如過去政府發放五倍券時，非常多人詢問相關問題，可能說明欄目寫得不夠詳盡，或者網站上位置不夠顯眼，透過這些問題關鍵字，可以幫助人員快速根據回饋解決問題。

另外還有理財相關演算法，例如根據客戶承受風險等級和交易紀錄，在 7 秒內推薦最合適的 5 檔基金，或者打造零人工介入的線上貸款流程，最快 58 秒就可撥出款項。在風控領域，更用 AI 加速黑名單掃描、風險評估，甚至是辨識詐騙帳戶，精準度還比傳統人工方法高出 40 倍。

堅持靠「自己人」訓練模型，張智星坦言這並非簡單的任務，因為智金處要做的是領先業界的技術，除了必須挖到業界最好的人才，同時得要自己握有龐大的算力資源，在近幾年 GPU 短缺的市場中也受到不小的壓力。

「我們也找過外部的解決方案，但後來發現我們手上的數據比他們多太多了，訓練出來更準確，為何不自己做?」張智星指出，玉山金擁有 700～800 萬客戶資料，只要妥善分析整理，就能夠有效發揮最大價值。

張智星教授_玉山金控科技長
張智星指出，玉山金擁有700 ∼ 800 萬客戶資料，只要妥善分析整理，就能夠有效發揮最大價值。

蔡仁譯攝影

金融產業傳統形象，AI 徵才不容易！產學合作、工作制度吸百位頂尖人才

玉山金的數據分析團隊，從 CRV 時期 10 人以內的陣容，擴展到現在智金處的百人大部隊，並圍繞著 AI 導入設計組織架構，分為四大部門：

● 技術中心：掌握業界最前端論文和技術，開發模型
● 系統中心：建立訓練 AI 的平台
● 應用中心：開發專案，和業管、技術中心溝通雙邊應用需求
● 企劃部：協助智金處接洽外部活動，處理法規相關事務

雖然玉山金團隊結構完整、人數眾多，但張智星坦言，即使 AI 人才培育已經在學界如火如荼進行，但從過去到現在，徵才都不是件容易的事，「一般 IT 人才可能首選都不是金融機構，會往台積電、聯發科，往園區裡跑。」 說起原因，張智星指了指身上的西裝制服，是外界普遍對金融業的刻板印象——傳統（等同於保守、守舊）。

加上金融業需要養成大量的產業知識，現在需要的人才除了懂 AI 外，還必須懂得如何應用在實務上，「很多學生解決機器問題很厲害，但沒辦法解決人的問題。」

因此，打破刻板印象、加強培訓機制是玉山金招募 AI 人才的重要任務。首先是制度的革新，讓工程師可以彈性工時上班，同時一周有兩天可以在家工作，希望藉由兼顧生活平衡的制度，吸引工程師從高壓的園區生活轉到金融業工作。

另外，玉山金也投入龐大資源進行產學合作，每年花費千萬和台大、交大等相關系所建立互惠制度，除了提供學生到業界學習、擴增畢業後接軌的工作機會，同時更吸收學界的知識養分。張智星指出，各種前端技術的研究一定是學界跑得最快，雙方每周開兩次會議，教授會提供技術協助，玉山金同時也提供學界可訓練應用的資料，透過合作把最新技術轉化成可實際應用的產品。

談起對於未來應用的想像，張智星很難一言蔽之，「真的有太多太多可能性，現在同業們也跑得非常快。」唯一不變的是會持續投資，創造有形和無形的效益，不管是加快速度、減少不必要人力，還是提高用戶滿意度，相信 AI 都能助攻。

玉山金控如何學習使用AI？
目標｜將客戶資料進行數據分析，以解決前線業務的需求。
做法｜設立台灣金融業首位科技長；打造將 AI 技術與實務結合的百人團隊。
成果｜開發近百個 AI 模型，如影像辨識、語音客服等，省下大量人力作業時間。

張智星｜
2020 年起於玉山金控擔任科技長，同時為台灣大學資工系教授，曾任台大金融科技研究中心首任主任，專長為 AI 機器學習領域，致力於科技金融雙邊跨域跨界的合作。

玉山金控｜
創立時間：2002 年
員工人數：約 9000 人
營收表現：548 億元(2022 全年)
營運項目：提供涵蓋銀行、證券、保險、創投的全方位金融服務

（點擊連結立即免費下載：《2024職場學習趨勢報告》完整版）

（本文出自數位時代）

生成式 AI 大幅衝擊職場！企業應該如何導入AI、員工需要裝備哪些技能？

2024 職場新趨勢：給企業的 AI 使用指南

專題主題 2024 職場新趨勢：給企業的 AI 使用指南