Stanford AI 導入後，企業怎麼培育初階人才？

Stanford 研究團隊追蹤跨國企業的海外附屬公司，發現採用 AI 的企業在 2026 年 3 月初階員工占比比相似企業低 1.9 個百分點；差異主要來自資深職位增加，而非初階職位確定減少。這項涵蓋 41 國資料的研究，呈現 AI 採用後企業人力結構的變化，也帶出一個實務問題：企業該縮編，還是先重設流程？[1]

一、41國研究發現：AI採用企業的就業結構偏向高階職位

Stanford 數位經濟實驗室分析 41 國企業資料，發現採用 AI 的企業可能小幅增加就業，高階職位增加、初階職位占比下降，主要變化是企業聘用組成。

研究團隊 Bharat Chandar 與 Bouke Klein Teeselink 分析約 12.5 億筆職缺與 1.54 億筆就業紀錄，涵蓋 41 個國家。主要因果估計來自跨國企業的海外附屬公司，研究以職缺廣告中的生成式 AI 使用內容推估採用情形，再與相近的未採用企業比較；LinkedIn 資料偏向管理與專業職位，國家涵蓋也不均，不能視為各國所有企業的代表樣本。

這項比較反映採用企業相對於相似企業的變化，不等同於整體經濟工作總量。台灣中小企業與未上網刊登職缺的公司，仍需依自身資料判斷。企業若要轉成內部流程，可先看生成式 AI 導入後如何安排人工覆核與流程驗收，再依任務、資料權限與錯誤成本設計試點。

Stanford 數位經濟實驗室的研究估計，採用企業的初階員工占比相較控制組低約 1.9 個百分點。模型點估計為高階就業增加約 6.7%、初階就業減少約 2.5%，後者未達統計顯著；企業總就業增加約 3.3%，也只有邊際統計顯著性。這些是相對於控制組的估計效果，不是實際成長率，只能視為提示性證據。

在職務暴露程度上，勞動需求相對轉向 AI 暴露程度較高的資深職務約 5%，初階職務則約往較低暴露職務移動 2%。「AI 暴露職務」是依職缺文字與職務任務，判定工作內容中有多少部分可能由生成式 AI 協助或改寫；這是需求估計，不代表員工實際轉職或職務必然消失。31 個可估計國家中有 23 個初階員工占比下降。

Chandar 與 Klein Teeselink 的研究摘要將主要發現指向聘用組成的改變；至於企業總就業的估計幅度較小且統計證據有限，仍須放回研究的比較設計與樣本範圍理解。

• 研究觀察的是採用企業相對於相似未採用企業的變化，不是整體經濟的就業預測。
• 高階就業增加是較一致的訊號，初階就業的負向估計仍有統計不確定性。
• 企業就業增加，不能直接等同於台灣整體就業增加，也不能用來保證個別公司的擴編結果。

二、AI導入為何不只是降低成本？關鍵在規模效應與任務重組

AI 導入可能降低部分任務的人力需求，也可能創造新任務、擴大產出或服務規模。這是研究模型中的規模效應機制，不代表研究已驗證企業實際產量提升；流程變複雜或品質責任提高時，能整合任務與判斷風險的人才需求也可能上升。

研究模型把影響拆成三條路徑。第一是規模效應，AI 降低生產成本後，企業可能擴大產出與服務範圍，帶動部分職務需求。第二是任務重組，部分原由人執行的工作可能交給 AI，企業內其他任務也會隨之改變。

第三是既有任務的生產力變化。AI 協助員工更快完成工作，不代表該工作在商業流程中的重要性同步下降；人力需求取決於新增業務與任務削減哪一邊較大。

從企業流程設計角度延伸看，AI 稽核、工作流設計、資料品質管理與例外處理可能成為需要補強的工作。高階人才的價值常在任務連接處：把業務目標轉成流程，決定哪些輸出要由人複核，並安排權責與例外處理。這些職務例子是管理上的應用推論，並非 Stanford 研究逐項觀察到的新增職缺。

三、初階職位減少時，企業可能失去人才培育階梯

初階職位常是累積產業知識、熟悉流程與學習判斷的入口。若刪除例行工作卻沒有新的實戰場景，長期可能缺少能接任高階職務的人才。

ILO 研究團隊彙整 29,753 項波蘭職業分類任務，並蒐集 1,640 名就業者對 2,861 項任務的評估；研究估計全球每四名工作者約有一人從事某種程度受生成式 AI 影響的職業，最高暴露類別占全球就業 3.3%。研究指出多數職務仍包含需要人力投入的任務，因此更可能經歷工作轉型[3]。OECD 的雇主調查則提供另一個企業案例：在採用 AI 的金融與製造業雇主中，超過半數表示對高學歷員工的需求提高；相應調查樣本分別為 291 家金融業與 452 家製造業雇主[2]。兩項跨國研究不能直接決定個別企業方案，台灣企業仍須用任務試點驗證，再設計低風險模擬、輸出比對與輪調。也可參考勞動力再培訓需求與台灣 AI 人才布局，依職務需求排定優先順序。

培訓成效不能只看課程完成率。可先檢查員工能否依規則整理資料、指出 AI 輸出的疑點並說明採用或退回的理由，再追蹤導師回饋、錯誤率與返工量，確認能力是否從基本操作進展到判斷。

接著安排受訓者獨立完成範圍明確的任務，由資深同仁檢查資料追溯、例外處理與交付品質。企業可把資料整理、結果核對等低風險工作設為起點，達到品質門檻後再逐步加入跨部門協作與流程改善；每階段留下作品和回饋，讓培訓能銜接內部轉任，而非以課程結業代替能力確認。

OECD 報告指出，AI 採用與高技能需求增加相關，培訓及再培訓是工作者回應技能變化的重要方式。[2]

四、對台灣企業的落點：先重設流程，再決定人力配置

較可控的順序是先盤點任務與瓶頸，再用試點驗證哪些工作適合自動化、哪些工作應升級，最後才評估人力數量。以職稱直接判斷誰該被取代，會忽略同一職稱內的任務差異與培訓功能。

製造、金融、服務與科技業可分別把排程、品質檢測、文件摘要、客服分流與程式協作列為試點候選，這些是流程測試建議，不是已查證的企業案例。模型能提示異常或產生草稿，工藝調整、客戶權益、法遵與服務品質仍需人工判斷；責任邊界要依產業規範、資料權限與企業內規確認，並追蹤錯誤率、返工率和新人學習機會。

試點時，製造業可評估設備維護紀錄或品管報告是否適合由熟悉現場的人員核對；金融業需把個資權限、留痕與人工覆核一併設計。服務業可追蹤回覆品質和客訴，科技業則可納入程式碼檢查、資安測試與版本責任。各產業的錯誤成本不同，不能以單一工具或速度指標取代培訓與治理判斷。

任務狀態	適合的處理方向	需要補上的能力	判斷重點
規則明確、重複性高、錯誤可回復	自動化或半自動化	例外監控、資料品質	自動化後是否減少等待與返工
需要跨部門協作與專業判斷	升級為 AI 協作職務	流程設計、驗證、溝通	誰能判斷輸出是否可用
適合新人練習但可由 AI 加速	保留學習任務，導入輔助工具	指導、回饋、情境演練	新人是否仍能累積產業經驗
涉及高風險決策、個資或客戶權益	保留人工決策與稽核	法遵、責任歸屬、審計	錯誤發生時誰負責處理

五、企業導入 AI 後的人才策略檢核表

判斷單位應該是任務，不是職稱。企業可依重複程度、錯誤代價、資料可得性、判斷複雜度與學習價值分流。

1. 盤點任務輸入、輸出、錯誤成本與責任人，分類自動化、AI 協作、人工決策及新人訓練。
2. 訂出輸出標準、覆核點、資料權限與責任人，避免把模型產出當成工作完成。
3. 選可回復的流程試點，安排導師回饋與內部轉任培訓。
4. 追蹤錯誤率、返工率、處理時間、法遵事件與新人獨立作業能力，不以速度單獨判斷。
5. 由主管依品質、法遵與營運門檻決定擴大或回退；未達標、責任不明或培訓中斷時，先調整流程再評估人力。

六、AI導入與人才結構的常見問題

研究只指出採用企業的人力結構可能偏向高階職位，沒有證明高階人才必然取代初階人才。企業能否保留初階職缺，取決於任務自動化程度、業務是否擴張，以及是否重新設計培訓路徑。

常見問題

Q1: 41國研究能代表台灣所有企業嗎？

不能直接代表。樣本偏向數位化、具跨國連結的企業，台灣中小企業仍需用自身資料驗證。

Q2: 研究說企業總就業增加 3.3%，代表 AI 一定創造工作嗎？

不代表。3.3% 是相對於比較對象的估計值，且只有邊際統計顯著性，不能推論整體經濟就業必然增加。

Q3: 初階職位減少時，新鮮人應該怎麼準備？

除了熟悉 AI 工具，也要累積任務拆解、資料判讀、品質驗證與問題回溯能力，並用專案展示如何檢查結果與處理例外。

Q4: 企業該先買工具還是先做人才培訓？

兩者應放在同一個流程試點中評估，先定義任務與衡量方式，再選擇工具與培訓內容。

Q5: 哪些職務最需要高階人才？

需要重設流程、整合資料、判斷 AI 輸出或承擔責任的職務，都可能增加高階人才需求，不能只用「AI 職缺」判斷。