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？
成功 Success > 職涯發展2026-02-26撰文 尤韻蓉 經理人雜誌
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。
