導入 AI 協作時，如何從任務重新設計角色

導入 AI 協作後，角色不該依職稱一次判定為「保留」或「自動化」，而要先拆開實際任務，再看工時、權責、例外與學習如何移動。客服可能更快完成回覆初稿，主管卻同時接到更長的審查佇列，專家收到更多模糊升級案件，知識維護者也得修正助理引用的內容。只計算前線省下的產出時間，容易高估容量、掩蓋跨角色移轉的工作，甚至在新流程尚未穩定前便改變職務期待。

為什麼角色重設要從任務開始，而不是從職稱開始？

因為同一職務會綁在一起的任務，受到 AI 影響的方式並不一致：有些能由系統在清楚邊界內完成，有些只是加速資料搜尋或起草，有些仍需要人員判斷，也可能新增監測、修正與溝通工作。ILO 的精進指數使用任務層級的職業資訊評估生成式 AI 潛在暴露，並指出整體而言工作轉型比取代更可能發生；該指數不衡量單一組織的人力效果。OECD 也指出，許多勞工更可能先遇到任務與工作環境改變，而不是直接失去工作，AI 則可能在同一職務中自動化、補強或新增任務。

因此，職業暴露率只能提醒管理者深入調查，不能直接換算成台灣某家公司可刪減的職缺、可承諾的產量或可節省的預算。分析順序應是先確認在地工作實際怎麼做、在什麼條件下完成，再判斷每項任務的未來安排，最後才把任務重新組成完整角色與團隊。重組時還要檢查角色間的交接、授權與服務責任，避免局部加速卻把瓶頸推到主管、後勤或專家端。

現況任務台帳應記錄哪些內容？

現況台帳應能回答任務做了什麼、何時發生、由誰完成、交給誰，以及完成與失敗各長什麼樣子。每項任務先以「動作＋對象」命名，再記錄觸發條件、輸入、輸出、完成標準、現任負責人、接收者及例外路徑；若步驟使用的證據、判斷、後果或負責人不同，就拆成不同任務。只有會一起改變且共用同一控制方式的細小動作，才適合合併。這套格式是可調整的編輯性方法，不是 O*NET 或其他來源規定的標準。

• 以明確期間記錄需求量、尖峰與季節型態。
• 分開記錄人工接觸時間、等待時間及佇列；等待時間不能自動算成人力工時。
• 標示變異、重工、退件、歷史失敗、依賴、諮詢、核准與錯誤後果。
• 記錄所需判斷、授權、獨立性、領域知識，以及能力如何學會、練習與更新。
• 為訪談、現場觀察、工作樣本及系統紀錄標明來源與信心程度。

O*NET 提供職業任務敘述、任務評分、工作活動與工作情境資料，可用來補充盤點，但無法證明企業內實際需求量、工時、判斷或錯誤後果。它適合當作詞彙表與漏項檢查，不適合取代在地觀察。員工訪談能說明難以從紀錄看出的判斷與繞路，系統資料能顯示數量和等待，工作樣本能呈現品質與例外；三者應互相校正，而不是讓其中一項單獨代表完整現況。

分派給人或 AI 之前，每項任務該怎麼測試？

每項任務都應以固定、可辨識的 AI 設定及代表案例實測，再決定分工，不能只看展示效果或任務名稱相似。測試紀錄至少要鎖定模型、工具、提示、資料、控制措施、案例集合與日期；案例則要涵蓋日常高頻情況、合法變體、模糊邊界、少見但後果重大的事件、缺漏或衝突資料，以及已知歷史失敗。若經驗、產品、通路、客群或地區可能影響結果，就分組檢視，不以團隊平均值掩蓋差異。

一項預先登錄、涵蓋 758 名顧問的實驗發現，AI 改善了測試能力邊界內所選任務的表現，卻降低能力邊界外一項複雜任務的正確性；同一研究也將能力邊界描述為不均勻、會變動且不易預先判定。這不代表所有複雜任務都不適用 AI，而是表示表面相近的任務不能共用未經驗證的標籤。NIST AI RMF Core 也要求區分人與 AI 的責任、記錄操作人員能力並界定監督流程；該框架屬自願性且不限定特定用途。

除了產出時間，還要衡量哪些工作變化？

除了產出時間，至少要分開核算驗證、判斷、例外處理與協調，連同產出形成五項工時帳。產出是搜尋、撰寫、轉換、輸入或執行第一版成果；驗證是核對來源、計算、完整性、規範適用與下游可用性；判斷涵蓋問題框定、情境解讀、選擇、授權與承擔責任；例外處理包括資料缺漏、模糊案件、工具失效、覆寫、修正、復原與升級；協調則包括傳遞脈絡、回答問題、分派、調整衝突、教練指導及維護共享知識。這五帳是本文的核算工具，不是研究標準。

每一筆移轉工時都要記下實際承接的角色與團隊，並觀察佇列及尖峰需求；否則主管審查、專家支援與知識修正很容易被藏成間接成本。OECD 的證據回顧指出，AI 可能減少繁瑣工作，也可能加快工作節奏、降低自主性或讓任務範圍變窄，影響方向會因情境與工作者而異。因此，除了分鐘數，還應查看工作強度、自主權、任務多樣性及人員是否仍承擔實質責任。

AI 不會整塊移除工作；它會改變工時、權限、例外與學習落在哪裡。

任務改變後，如何重組角色又不流失所有權與專業？

重組角色時，要把新舊職責逐一變成具名所有權、可執行權限與可承受的工作量，而不是只寫「保留人工把關」。凡流程需要，就應指定輸出審查者、例外負責人、知識維護者、系統管理者、績效監測者、學習負責人與升級裁決者，並為各自列出判準、證據、溝通路徑及尖峰容量。人工介入只有在審查範圍清楚、人員具備能力與權限、佇列有人管理且有足夠時間時，才是一項可運作的控制。

專業養成也要列入角色設計。先找出哪些現有任務提供觀察、反覆操作、回饋、因果理解、督導練習及困難案件經驗；若 AI 減少這些機會，就安排原始案件抽樣、跟班、模擬、案例複盤、輪調、教練指導與逐步承擔更有後果的決定。這些做法是可調整的編輯建議，不是已證實適用所有職場的介入方案。衡量能力時，也要看新人能否在 AI 無法使用或回答錯誤時診斷與復原，而不只是會不會操作工具。

• 假設客服團隊以 AI 協助搜尋知識與起草回覆，例行案件的第一版產出時間可能下降。
• 客服人員仍須釐清模糊需求、核對適用規範與帳戶脈絡，並在授權範圍內承擔對客決定。
• 主管或專家可能承接更多品質審查、例外判斷、知識修正及教練工作，應先配置佇列容量。
• 培育中的人員應接觸原始客戶證據、診斷及困難案件，而不只閱讀 AI 修飾後的回覆。

一項涵蓋 5,179 名客服人員的職場研究發現，所測得的平均生產力效果會因經驗而有明顯差異，並提出助理可能傳遞較熟練人員作法的提示性證據；結果僅限該組織、助理及績效指標。另一項涵蓋 776 名產品開發專業人員的實地實驗則發現，AI 改變了受測個人與團隊配置的表現及專業整合，作者也指出專業能力長期發展與維持仍有待研究。兩者都不支持把研究效果直接套成其他企業的編制比例。

何時才有足夠證據調整容量、角色或服務承諾？

只有在實測試辦已對完整工作量完成對帳、需求趨於穩定，且所有權與專業養成方案可運作時，才有理由把剩餘工時稱為暫定容量。以一段明確期間為基礎，先估算觀察需求下減少的人工產出工時，再扣除新增的驗證、判斷、例外、協調、學習、監測與知識維護工時；接著校正需求變化、服務水準、品質、重工、尖峰佇列及移轉到下游的工作。等待時間可用來判讀流程，但不能未經分析就當成人工工時。

• 追蹤品質、缺失、覆寫、重工、工作量分布與員工回饋。
• 檢查自主性、任務多樣性，以及人員在 AI 不可用或錯誤時的診斷與復原能力。
• 確認審查、例外、監測與知識維護佇列在尖峰時仍能運作。
• 模型、提示、資料、控制、流程、任務組合或營運情境改變時重新評估。

試辦時間要長到足以看見旁支工作與合理穩定的需求，但沒有一個適用所有組織的固定週數。NIST AI RMF Core 要求記錄責任、納入回饋並持續衡量與監測風險及影響；OECD 則提醒，任務改變對工作品質及不同工作者的影響不一，平均產出不能單獨成為重設依據。若代表性證據、完整台帳、有效審查、例外容量、具名所有權或專業養成仍不完整，就維持現有編制、職務說明、績效指標與服務承諾。

這套容量對帳與試辦關卡是營運方法的綜合整理，不是 OECD、NIST 或實驗研究制定的公式。涉及僱用、勞資關係、無障礙、歧視、個資、安全、法律、監管或專業責任的判斷，仍應交由組織內具資格且獲授權的負責人處理；任務台帳只能提供工作證據，不能替代這些專業與治理決定。