企業導入 AI 後，最先浮現的問題往往是要裁掉多少人，卻少問了一層：當例行任務交給 AI，誰來重新設計流程、判斷輸出品質，並為結果負責？一項分析 41 國資料的 Stanford 工作論文提供了新的觀察角度：採用 AI 的企業可能增加整體就業，但人力結構更偏向高階職位。
一、41國研究發現：AI採用企業的就業結構偏向高階職位
研究顯示，採用 AI 的企業可能小幅增加就業，但更明顯的變化是高階職位增加、初階職位占比下降。這反映企業聘用組成改變，不能解讀成整體經濟必然增加工作。
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。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。
這種設計比較採用 AI 的企業與相似企業，不等同於所有產業的工作總量。樣本集中在具數位連結、跨國活動的企業，對台灣中小企業與未上網刊登的職缺仍需個別判斷。
研究結果顯示，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，高階員工轉向 AI 暴露職務的估計幅度約 5%，初階員工離開這類職務約 2%。這裡的「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，不代表員工已實際轉職，也不等於職務必然消失。31 個可估計國家中有 23 個初階員工占比下降，但各國條件仍會影響結果。
研究指出，AI 採用對企業的主要影響較偏向改變聘用組成，對聘用總量的影響相對較小；這項解讀仍應放回研究的相對估計與樣本範圍理解。
- 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、提高企業產能。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就可能上升。
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，另一些 AI 稽核、工作流設計、資料品質管理與例外處理任務則可能增加。
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。
對企業流程的延伸解讀是，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。
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。
國際勞工組織指出，多數職務仍由需要人力投入的多項任務組成，生成式 AI 更可能帶來工作轉型，而非全面替代[3]。OECD 2026 年報告則指出，AI 正提高對高技能人才的需求，培訓與再培訓是企業回應技能變化的重要做法[2]。企業可把這些方向轉成低風險模擬、輸出比對與輪調，重建初階員工的學習場景。
培訓是否有效，不能只看員工有沒有完成課程。第一層可觀察學習任務的完成品質，例如能否依規則整理資料、標出 AI 輸出的疑點，並說明採用或退回某項結果的理由。第二層看導師回饋與錯誤率，確認錯誤是否從格式問題逐步轉為較少見的判斷問題；若返工量持續下降，才表示工具與流程開始形成可用的工作習慣。
第三層是獨立作業能力。讓受訓者在沒有即時提示的情況下完成一個範圍明確的任務，再由資深同仁檢查其資料追溯、例外處理與交付品質。這類評估比單次測驗更接近實際工作，也能找出培訓內容與職務要求之間的落差。企業若只把初階人員送進課程，卻沒有安排導師、回饋週期與可練習的任務，人才培訓很難銜接到升遷或內部流動。
因此，再培訓的終點應該是清楚的職能轉換路徑：先從資料整理、提示設計或結果核對等低風險任務開始，通過品質門檻後再接觸跨部門協作、流程改善與例外判斷。每一階段都要留下作品、回饋與責任範圍，讓主管能判斷適合升級、輪調或補強，而不是用一次課程結業直接宣告已完成技能升級。
「AI 正在提高技能門檻，需求轉向更高層次技能。」— OECD《AI and skills: What we know so far》（2026，第 1 頁）
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、服務與科技業都可拆解排程、品質檢測、文件摘要、客服分流與程式協作等任務。模型能找出異常或產生草稿，但工藝調整、客戶權益、法遵與服務品質仍需人工判斷；實際責任邊界還要依產業法規、個資處理範圍與企業內規確認。評估時也要觀察錯誤率、返工率與新人學習機會。
台灣製造業可先從設備維護紀錄、品管報告與排程異常等有明確輸入輸出的工作試點，再由熟悉現場的工程或品管人員核對結果。金融業的文件整理與客服分流涉及個資、適合性與紀錄保存，工具選擇必須連同權限、留痕與人工覆核設計。服務業要留意回覆品質和客訴處理，科技業則要把程式碼檢查、資安測試與版本責任納入流程。這些差異表示企業轉型不能只採購同一套工具，也不能以單一生產力指標取代人才培訓與治理判斷。
| 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。
- 盤點任務，記錄輸入、輸出、錯誤成本與責任人，再分四類。
- 為每類任務定義輸出標準、人工覆核點、資料權限與最後責任人，避免「模型產出」被誤當成「工作完成」。
- 選可回復流程做小規模試點，同時安排學習任務、導師回饋與內部轉任所需的培訓路徑。
- 以錯誤率、返工率、處理時間、個資與法遵事件、新人獨立作業能力及學習機會評估結果，不用單一速度指標判斷成效。
- 事先設定擴大、暫停與回退條件；若品質未達標、責任無法追溯或培訓階梯被切斷，就先停止擴大並調整流程，再重新評估人力配置。
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。
