對於企業導入AI的5大矛盾課題：要讓新手還是專家使用？集中管理或分散給基層？組織扁平化還是增加更多層級？部署的腳步要加快或放慢？該由高層還是基層推動？領導人須真正掌握雙邊特性與限制，才能擴大正面效益，並抑制負面衝擊。
Illustration by Chen Wu
波蘭內視鏡醫師開始用AI偵測癌症時，雖然準確率得到提升，但他們在執行非AI程序時，表現反而退步。學生用AI撰寫SAT格式的作文時，初期的創意表現雖然大幅躍升，但那些一開始就依賴AI生成構想的學生，他們大腦的α波活動（創意心流的指標）反而減少，「詞彙和構想往往相同」，而他們的「產出內容也非常、非常類似」。此外，一份2025年涵蓋20個歐洲國家的研究指出，從事高度自動化工作的員工表示，即使工作在技術層面的難度降低，卻也讓他們更沒有目標與掌控權，心理壓力反而更大。
綜合來看，這些研究捕捉到AI在工作應用上的某些雙重性。有些工具雖然減輕工作的枯燥乏味，卻可能一併消除賦予工作意義的挑戰性摩擦。這類工具或許讓工作變得更輕鬆，但員工再也得不到磨練，來培養技能與成就感。
我們希望了解這些矛盾如何在真實組織中上演，以及睿智的領導人如何建立系統和護欄以解決它們。在各種炒作與空泛的論述中，我們開始要找出真正有效的方法。我們有不少人脈正在協助自家和其他組織將AI導入工作場所，或在研究相關挑戰和解決方案的發展；我們蒐集其中百餘位（有35位接受我們訪談）的研究成果和經驗教訓。這群來自全球各地的AI開發者、高階主管、投資人、顧問與研究人員，雖然專業領域各異，對AI應用於工作場所的樂觀程度也不盡相同，但他們的智慧與常識皆令我們深感敬佩。
而成果便是「AI轉型100」（AI Transformation 100）：一份附有註解的清單，收錄了100個構想，探討AI在工作場所「可能」要怎樣才能放大正面效益，並抑制負面衝擊。這是我們在Glean新成立的工作AI研究院（Work AI Institute）推出的第一項專案。Glean是一個企業AI平台，協助團隊尋找知識、採取明智行動，並將工作自動化。我們的目標是要開始把實驗與執行區隔開來、將炒作與實質轉型區隔開來，並了解AI正在哪些地方帶來進展、陷入困境，以及默默（或明顯）造成反效果。
為了建立AI轉型100清單，我們蒐集大量研究和案例，其中不乏雜訊與矛盾。然而，我們可以明顯看到一個模式：頂尖的領導人不會用絕對的字眼談論AI。他們不會把它當成救世主或是破壞者。他們始終保持好奇心……也略帶懷疑。他們會問：我們是走得太遠，還是不夠遠？在整個研究過程我們不斷看到5大矛盾浮現，每個矛盾都是AI的平衡難題，各位領導人必須妥善處理。
矛盾1》專家 vs. 新手
AI正在顛覆專家的定義。過去需要經年累月訓練才能掌握的技能，如撰寫程式、分析數據、起草法律文件，如今只要輸入正確的提示詞，幾乎人人都能辦到。專家與新手的界線正在模糊當中。
這場轉變同時帶來了風險與機會。它雖然讓更多人可以做出貢獻，卻也更容易誤會精通AI就等於精通一門技藝或知識領域。真正的挑戰，不在於選擇專家或新手，而在於知道何時該請專家或新手協助。
一方面，專家能夠提供嚴謹與深度。他們見識過失敗案例、極端狀況、事情行不通的原因。這些知識固然重要，但也可能過早扼殺創意。Duolingo的董事會成員約翰．利禮（John Lilly）曾與我們分享一個案例，兩位完全沒有西洋棋經驗的非工程師，在短短4個月內就用AI打造一套西洋棋學習課程的原型，進度甚至超越Duolingo內部的其他計畫。「若你太早請專家來做，」他解釋說，「他們會告訴你所有行不通的理由。AI讓非工程師的人也能快速展現各種可能性。」在Google，團隊也從撰寫詳細而冗長的產品需求文件，轉向「原型優先」的方法。多位內部人士透露，借助AI驅動的「氛圍編碼」（vibe coding），他們現在會在起草提案前，先建立可以運作的demo，來提高迭代速度，也避免好點子在層層審查中夭折。
但另一方面，過度偏向新手也會帶來新風險。正如第一線領導人與研究人員一再向我們強調，新手若使用AI來模仿專業，可能會產生「AI廢品」（AI slop）──這些成品乍看說服力十足，實則禁不起檢視。史丹福大學曾研究哪些軟體開發人員會得到錄取或拒絕，結果顯示企業正仰賴專家把關，來抵禦這類廢品。初階開發人員的職缺有所下降，對資深工程師的需求則持續攀升。AI雖能生成勉強及格的初稿，卻無法複製資深開發人員的判斷力、巧妙的技藝或系統性思考。
為激發新手的想像力，同時避免AI廢品氾濫，可以嘗試採取以下做法：
讓通才開始，但別讓他收尾
運用AI降低早期原型開發的進入門檻，但務必讓專家介入後續的測試、改進，並將可以運作的原型擴大規模。Stitch Fix前演算長艾立克．柯爾森（Eric Colson）說明，演算法如何掃描庫存和顧客偏好，標記出尚未滿足的需求（例如產品線中缺少的款式、顏色或布料）。柯爾森團隊開發的客製化演算法，隨後根據這些缺口生成設計建議。然而，Stitch Fix沒有讓這套系統直接放行生產，而是將這些建議交給人類設計師，由他們判斷哪些建議會與品牌契合、符合品質標準，並打動顧客的心。演算法擴大創意選擇的數量；專家則負責收斂到真正值得做的範圍。
別讓頂尖人才缺席模型訓練
TELUS的AI副總裁亞歷山卓．吉爾博（Alexandre Guilbault）提醒我們，別讓高績效員工過度受到日常工作束縛。他說：「頂尖人才能夠帶來最大的轉型……但許多組織卻希望把他們最優秀的員工留在日常營運的工作中。」領導人需要把頂尖員工從第一線拉過來，如醫師、技術人員、人資專家和數據專家，讓他們從一開始就參與AI模型的測試與試行計畫，即使這樣會拖慢短期的執行進度。若將他們排除在外，公司就會根據績效一般的員工習慣來建立系統，而不是根據頂尖人才的傑出行為。
讓專家進駐各地方團隊
在Glean，「AI上的Glean」團隊的成員是代表並正式隸屬公司不同職能（如行銷、財務和工程）的專家。這些專家負責找出各自專業職能內部哪些人工流程值得自動化，並制定路線圖，說明如何一步步將這些流程轉化為AI驅動的代理。Glean的「AI成果」團隊也採用類似策略，將銷售人員派駐到客戶的組織，了解他們的運作方式，並「與他們一起」開發解決方案，而不是「為他們」開發。
矛盾2》集權 vs. 分權
隨著AI的普及，領導人面臨一道熟悉的課題：高層與中央應保留多少控制權，組織的邊緣與基層又應擁有多少自由？
部分組織選擇強化集權，設立AI卓越中心來貫徹標準、管理風險和控制存取，然而當每項試行計畫都得在法律、安全與採購審查的迷宮裡緩慢通關時，創新往往就葬送在眾多委員會、瓶頸與交接混亂之中。等到最後批准時，技術早已往前推進。
另一方面，當AI開發變得高度分權時，創新的速度可能會超越整合。團隊各自朝不同方向衝刺，導致儀表板數量激增，自動化解決方案互相重疊、甚至彼此衝突。這會讓員工負擔過重，他們必須無止盡切換不同的App與零散的工具，助長加州大學聖塔巴巴拉分校教授保羅．雷奧那帝（Paul Leonardi）所說的「數位疲勞」。
若要建立足夠的治理機制，同時又不讓任何好點子受阻於繁冗的程序，請嘗試採取以下做法：
在規模與安全方面集權；在學習與速度方面分權
美國某大學在中央設立IT卓越中心，管理各種高風險領域，包含數據治理、整合與基礎設施，以確保一致性和安全性。各學院則分權執行試行計畫，來加快推進速度並測試各種構想。該大學的資訊長建議我們使用以下經驗法則：
●高風險、低實驗性（例如，數據安全、法遵）：集權。
●低風險、高實驗性（例如，工作流程自動化、提示詞測試）：分權。
警惕華而不實的新職位
在轉型時期，領導人常常想要發明新的AI職銜，像是AI長、提示工程師、AI倫理主管，來集中管理AI的進展。但這些職位往往淪為象徵性的存在，而非策略性的角色——它們只是徒有其表，沒有預算、權力、實質的影響力。
多位領導人和學者向我們解釋，把AI領導權集中在一兩位掛著新職銜的領主（overlord）手上，可能會拖慢學習速度，並造成官僚瓶頸；但若過度分權，又會讓權責散落在太多輕量級、缺乏協調，甚至相互傾軋的職位上。與其再增加更多層級、領導人、團隊和職銜，進而提高不必要的複雜性，或被公司內外視為空洞的象徵，不如將AI職責分配給現有的團隊和職位，因為他們本來就具有權力、了解工作內容，同時也受到信任。
選擇既能落實企業級治理，又能讓員工在工作時不受摩擦阻礙的技術
頂尖的AI平台會提供護欄（如安全機制、權限管控和稽核軌跡），同時讓各團隊在各自領域內安心地建置、測試和迭代。在Booking.com部署內部的AI搜尋平台之前，人資團隊一度對導入AI「非常緊張」。他們擔心員工使用該工具搜尋公司資源（如人事政策和表格）時，可能會撈取到同事的敏感資訊。資深工程經理塔德烏．費德里克（Tadeu Faedrich）解釋：「我們不希望員工找到他們無權存取的文件。」他們謹慎部署系統，確保AI搜尋只會顯示員工有權查看或存取的資訊。如此一來，員工就能自由使用這套工具，將它當成日常工作的一部分，而不必陷入批准流程，或是擔憂隱私風險。
矛盾3》組織更扁平 vs. 更多層級
組織架構包含太多管理層級，就會扼殺動能，讓決策與最佳的數據、經驗、判斷力相隔許多層級。許多組織，尤其是科技公司，紛紛跟進「愈扁平愈好」的潮流。隨著AI將報告編製與日常決策自動化，許多領導人誤以為，他們可以削減層級，提高公司的運作速度。但層級結構不等於令人窒息的官僚體系；它是組織駕馭並理解複雜性的方式。削減層級的同時，若未重新設計工作流程，只會轉移、而且往往加劇破壞性的摩擦。
我們的受訪者之一，麥可．阿雷納（Michael Arena）曾任通用汽車（General Motors）人才長，也是一位資深的社會網絡研究者，他發現過度扁平化會讓經理人負擔過重，無法及時處理決策、危機與日常事務，造成工作瓶頸。具體來說，當經理人領導一個直屬部屬超過7人的團隊時，往往每天花10～13小時還是很難完成工作，最終不堪負荷、出現倦怠。
考量到實際完成工作的方式相當複雜混亂，在判斷組織架構是否適合扁平化時，可以考慮採取以下幾種方法：
警惕「愈扁平愈快」這種半真半假的說法
許多企業為追求速度而將組織扁平化，但阿雷納與同事的研究指出，這種策略可能適得其反，不但加重經理人的負擔，也會拖慢協調的速度。因此，在推動扁平化之前，阿雷納建議先評估組織成員處於以下兩種工作模式的比例：
若大部分工作都是員工埋頭執行，無需緊密協調與持續溝通，就可以運用AI代理來處理例行事務，減輕經理人的負擔，讓他們能夠領導規模更大的團隊。若工作較多是抬頭型，則應減少每位經理人的直屬部屬數量，並重新運用AI帶來的效率，讓經理人能將更多時間用於溝通、預防破壞性衝突、發揮判斷力，及強化人際關係。
運用AI減輕管理工作，而非消除管理工作。將重複任務和繁瑣行政事務（如進度報告、時程安排與報告編製）改由AI來執行，經理人就能專注於只有人類擅長的領域：指導、協調和判斷。Workday的人力分析副總裁菲爾．威爾本（Phil Wilburn）告訴我們，他不再要求團隊製作簡報和每週更新文件，而是把Slack對話和專案計畫的非結構化資料，匯入單一的AI系統。在會議開始前，威爾本會請AI彙整一份簡報，或深入分析某個主題。結果，他的團隊不必再浪費好幾個小時，為他整理最新進度或是回答他的臨時提問。AI沒有取代管理工作，而是清除那些阻礙管理工作的繁瑣行政事務。
矛盾4》快 vs. 慢
幾乎每家企業的領導人都希望外界認為他們「正在做AI」，而且做得「快」如今已成為做得「對」的指標。但更快未必更好。相較於緩慢而艱辛地重塑員工實際工作的模式，炒作與華麗辭藻的產出可能要快上許多。真正的挑戰不在於一味加速，而在於知道哪些地方該快，哪些地方該慢。
在許多組織中，過度求快與急躁反而加劇決策與執行之間的落差：領導人採用新工具的速度很快，但在修復失靈的系統或理解技術如何融入現有的限制、習慣和工作流程時，速度卻不夠慢。結果，雖然決定要「創新」，實際執行時間卻遠遠超過預期（如果真有執行的話）。技術採用變得參差不齊、進度延誤，或是無疾而終。當組織缺乏必要的系統、激勵措施和技能，無法成功導入AI時，如果領導人還要將AI塞進組織，它就會愈來愈無法實現原本的承諾：提升效率和可靠性。
我們從西北大學（Northwestern University）教授哈汀．拉赫曼（Hatim Rahman）那裡聽到一個決策與執行落差的例子。他描述一個醫院專案，其中他的博士生喬迪．科（Jodie Koh）正在研究，如何導入AI來提升醫療診斷的普及性。訓練AI模型需要數千張超音波影像，特別是針對同一批病患在不同時間重複掃描的影像。但醫療效率的壓力讓醫師為節省時間與成本，養成盡量減少每位病患影像張數的做法。取得病患同意將影像用於訓練，也會造成額外的延誤。進度受阻的另一個關鍵在於，本應合作部署AI工具的影像部門往往並不合作。拉赫曼告訴我們，這些部門缺乏合作動機，以前有時甚至還與其他部門發生嚴重的衝突。技術人員也抗拒這個AI專案，因為他們擔心，這個專案產出的資料會被用來監控他們的績效、增加工作量，或是做為裁員的依據。因此，蒐集必要影像的過程，遠比領導階層在專案啟動之初的預期還要漫長許多。
投資人、同時也是Bloomberg Beta的合夥人詹姆斯．查姆（James Cham），則向我們分享了一家AI原生新創公司設法避免這類阻力的故事。他們將一個小團隊與公司其他部門隔離，遷入獨立辦公室，並賦予一項明確的任務：建立一些可由軟體執行、無需人類介入的端到端工作流程。在實務中，這意謂將「管理」的工作從監督員工轉移到監督AI工具。這些工具可以自己執行工作，例如，根據生產時偵測到的錯誤，來檢查、編寫和修復程式。〔加州大學聖塔芭芭拉分校教授馬特．比恩（Matt Beane）及其同事將這類工作形容為是在管理自主代理人「艦隊」。〕雖然這家AI新創公司採取這種隔離策略讓該團隊的速度超越組織內部其他部門，但這種速度能否轉化為全公司皆可採納並持續運作的模式，目前言之過早。
為平衡快速行動的衝動和在關鍵時刻放慢腳步的自律，可以嘗試以下方法：
保護慢速模式
在創意和策略工作中設置減速帶，包括檢查點、孵化期及反思儀式。派瑞．克里本（Perry Klebahn）帶領史丹福大學設計學院（d.school）的啟動台（Launchpad）加速器，在過去10年間協助成立超過100家公司。克里本表示，AI讓他在啟動台輔導的創辦人，能夠遠比以往更輕鬆地產出原型並快速迭代，但這種便利與速度，有時反而削弱創辦人要將深具潛力的構想發展成可行的事業時不可或缺的條件：深度投入、意志堅定，以及主動承擔。他解釋，「創辦人過去常說『我的構想』或『我們的原型』，現在則是說『這個構想』。」
克里本對這種變化感到不安，因為他認為，當構想來得太容易，我們就不會再為它奮鬥。這正是心理學家所謂「勞動造就愛」（labor leads to love）效應的現代變奏：我們為某件事付出愈多心力，就會賦予它愈高價值，以便向自己與他人證明，我們的努力是值得的。關鍵在於認清，流程中哪些環節適合快速執行，哪些環節需要慢慢思考及努力，才能讓原始構想發揮它的潛力。
獎勵學習，而不是作秀
Udemy學習與領導力培養資深總監瑞貝卡．史登（Rebecca Stern），向我們介紹全公司都可以參與的AI學習活動「U日」（U-Days）。Udemy的獎項不是單純表揚花俏的demo，而是分為3大類：商業影響力最大、改善成效最可觀，以及同儕回饋意見最佳。它的目標不是獎勵速度最快或最耀眼的人，而是獎勵有想法、提供回饋意見來推動更深層變革的人。
執行「AI殘留」測試
所有管理與技術潮流都有一個特點：供應商、創辦人及內部團隊，說話都會堆砌時髦術語，藉此掩飾膚淺的思維、薄弱的構想與未經驗證的解決方案。遺憾的是，「AI」一詞也常常這樣使用。我們建議你在聽完簡報後，不妨放慢速度，逐一刪去簡報裡所有AI字眼（以及有毒的相關術語，如「尖端演算法」、「運用大數據」、「可擴大規模的解決方案」等），然後再讀一遍。若剩餘內容空洞無物，那麼恭喜，你可以「跳過」這個提案，省下時間和金錢。
矛盾5》變革由上而下 vs. 變革由同儕推動
我們看到的另一個矛盾在於，有多少AI轉型應由高層主導，或是由同儕推動。由上而下的政策、原則與領導力，對推動全公司AI使用與學習工具（或其他任何系統性變革）非常重要。Worklytics的數據顯示，若主管能率先使用AI工具，團隊採用這些工具的可能性將提高到原本的兩倍。然而，不論哪一種變革，如果上層過度施壓，反而可能讓員工心生抗拒、陽奉陰違：他們只是虛應故事，沒有真正改變工作方式。
另一方面，若過度仰賴由下而上的行動與能量，則會導致碎片化與疲乏——零碎的實驗永遠無法擴大規模。一位技術長說，這個問題就好比數百艘小型快艇朝不同方向疾駛，由於缺乏協調，反而拖慢公司速度。頂尖的領導人會找到平衡點，由上而下設定方向，同時鼓勵並獎勵由下而上的努力。
為平衡由上而下的指引，以及組織所有成員的熱情與投入，可以嘗試採取以下方法：
創造變革節奏
某家名列《財星》（Fortune）20大的零售商，執行長將AI列為每月與數百位副總裁開會的固定議題。跨職能指導委員會定期召開會議，在財務、人資、技術和營運等各職能之間，協調AI的採用、治理和用例。各部門的員工會議也以同樣的儀式結束：一個簡短的「AI時刻」，由主管輪流分享他們的嘗試、哪些有效以及哪些無效。成果：AI計畫滲透到組織各個層級，已成為組織營運節奏的一部分，而非一個額外專案。
做好大多數實驗都會失敗的心理準備
一位《財星》500大企業的副總裁告訴我們，大約80％的AI專案未能達成預設的生產力目標。因此，他們不會重新設計或裁撤職位，除非「已經」掌握令人信服的證據，顯示AI會提高效率與可靠性。
我們建議領導人在推動由上而下的變革時，把高失敗率視為創新過程中正常、意料之中、甚至是值得鼓勵的一環。把定期檢討納入標準程序，以便從基層員工身上深入剖析並記錄哪些做法有效、哪些做法無效以及背後的原因。如此一來，失敗就能促成學習，而不是導致挫折感和互相指責。
衡量真正重要的事
我們看到太多企業在由上而下推動變革時，僅僅衡量AI的「活動量」，即點擊、登入或提示詞數量，而不是「影響力」。例如，某家《財星》100大企業，甚至根據AI工具的使用量對員工進行排名，每週發布排行榜。另一家公司則將「AI活動量」納入績效評估。
Zendesk工程資深副總裁郭南（Nan Guo，音譯）向我們分享，她的團隊如何不追蹤登入次數或提示詞數量等膚淺的「使用量」指標，而是建立一個包含6項工程生產力指標的平衡計分卡：其中5項是作業指標（週期時間、程式審查週期時間、合併頻率、變更失敗率及部署次數），剩下一項是參與度指標，來了解工程師對工具的使用感受。據我們的經驗，聚焦影響力而非活動量，能由上而下讓員工更清楚知道領導人重視什麼，進而讓團隊可以由下而上採用AI，確實改善他們的工作。
把同儕網絡制度化
Uber的企業生成式AI策略負責人曼賈里．阿戈奇亞（Manjari Agochiya）告訴我們，Uber曾發起一項公開徵集AI用例的活動。該活動蒐集到大約150個構想，但更重要的是，它發掘53位來自不同職能的早期AI推動者。這些員工已經開始進行實驗、分享心得並打造原型。他們成為Uber第一個真正的AI推動者網絡，構成內部同儕學習社群的中堅力量。
在我們研究過的其他組織中，這類推動者網絡往往能夠提升參與度，提振跨職能的士氣，並開啟嶄露頭角與職涯晉升的新契機，尤其是那些常常率先推動新技術的非技術人員。例如，某家組織有一位銷售主管開始在日常工作中嘗試使用AI，很快就成為大家最常請教的內部專家，後來更被欽點，協助領導公司更廣泛的AI導入任務。
在AI的混沌世界中做好領導
AI轉型就像在走平衡木，領導人與組織必須處理一些相互拉扯的力量。睿智的領導人不會盲目地倒向任何一端，而是保持好奇心，把矛盾視為設計的特性和限制（需要加以管理與利用），而不是他們可以、也應該消除的缺陷或棘手問題。
歸根究柢，試圖準確預測AI將會、以及應該如何形塑組織，實屬徒勞。成功的領導人不會抱持強烈、僵化、不變的信念。目前關於AI導入工作場所的研究與實務經驗，仍然是初步、雜亂、不斷變化，並且（常常）相互矛盾。凡是提到未來怎麼走最好的，充其量只是暫時的結論。
領導人此刻面臨的挑戰，不禁讓人想起一則老故事（大概是杜撰的）：哈佛醫學院一位院長在開學第一天告誡新生：「我們教給你們的知識最後有一半會是錯的。問題是，我們不知道哪一半。」同樣地，在AI方面，真正睿智且最終勝出的領導人，將會足夠謙卑，並打造足夠彈性的組織，如此一來，他們與團隊就能隨著情勢的變化，持續學習與更新。
文章來源：哈佛商業評論 2月號
QQ