全部閱讀與思考行銷洞察 AI 實戰筆記商業分析

整齊的格子櫃裡每一格都放著分好類的卡片，桌上卻擺著一塊沒有任何一格放得下的漂流木

AI 實習生過了試用期，下一題是你要交代它什麼

2026 Oct 20 AI 實戰筆記

內容目錄

這篇是想在生成式 AI 即將滿四年的此刻，回答我身邊白領上班族都很焦慮的問題：「AI 會取代我們嗎？以後的工作會變怎樣呢？」

我不想製造更多焦慮。我想描繪一種可能性，然後我跟我的朋友們，可以看看自己如果在那個可能性中會怎樣。可能性大概率會猜錯，但是猜的開始，就是安心的開始，開始把未來落地看看。

我用的方法是看同一件事在四年內怎麼變。讀了三本書、兩份調查，加上三十八個企業發表會與媒體高峰會從 2023 到 2026 年掛出來的官方主題句。書單跟報告名稱放在文末。

底下是三個已經發生的轉變。

生成式 AI 剛出來那陣子，大家給它的評語差不多都是聰明但不可靠。像一個很快的實習生，交出來的東西有時候讓你意外，有時候整段是編的。

以台灣的資訊來看，這兩年大企業的態度變了。它逐漸被認可通過試用期。

通過之後要問的，跟試用期在問的不一樣。試用期問它行不行。通過之後要問怎麼合作才有效率，至少包含三件事：【需求】讓需求的範圍界定清晰，【驗收】讓驗收的標準與方法經過討論，【效率】讓 Token 的運用高效。

另一方面，台灣的中小企業分布極不均勻。經濟部中小及新創企業署 2025 年委託工研院做的調查，收了 1,207 份有效樣本，問導入 AI 遇到什麼障礙。第一名是「尚無明確應用需求」，63.9% 的受訪者勾了這一項，第二名「對 AI 不理解」26.8%。成本排第三 25.5%，人才短缺第四 21.3%。

需求還沒有展開，所以問題還沒有流到錢跟人。還沒決定要蓋什麼樣的房子的時候，討論鋼筋一噸多少錢是沒有意義的。

也許只是時間未到。人工智慧科技基金會 2026 年的調查顯示，台灣各行業對 AI 的採用都有兩極表現。零售業是其中最明顯的一個，而且基金會自己寫了為什麼：

零售業是本次調查中 AI 化成長最顯著的產業，然而這波動能主要來自個人層級的工具使用，集中於內容創作、社群行銷等基層工作場景，尚未全面滲透至組織層級。領先者與落後者之間最關鍵的分野，在於數位化基礎的厚薄與 AI 應用工具的深度。

跑在前端的跟落後的，差距甚大。

不是不來，時間未到。當 AI 的成熟應用拓展到能做服務業的標準化、能簡單嵌入中小企業的流程，那一天也許會有不同面貌。

轉變一：模型從回答者變成建造者

從 2024 年到 2026 年，看台灣媒體、大企業，以及中國網路大公司的討論我們可以發現，重點從對提示詞的強調，變成對需求與規格的要求。這可以從 2026 年國泰技術年會中鄭正略的專題看到，講題叫「AI Agent 賦能 SDLC：以 BMad Framework 打造 Requirement Management Agent，釋放業務需求管理新生產力」。

表面上，提示語跟需求就是把話講清楚。但它們差在一個地方，是產出物到底只是一次性提案，還是會拿去用、會長大、要維護的作品。過去的 AI 產物，是個想法、是簡報草稿，我們只求能拿下來自己改。

2026 年 1 月，Anthropic 的 Claude Code 負責人公開說他已經超過兩個月沒有寫程式，他的程式碼百分之百由 AI 生成；同一時期，Anthropic 執行長在世界經濟論壇上說，部分工程師已經停止親自撰寫程式碼。大模型的角色從回答者，變成建造者。

但也因為大模型沒有記憶。每一次呼叫，它看得到的只有這一次送進去的字。如果我們維持用寫提示詞的手法：

砌第一塊磚的時候，它只要猜得準就好。而它越來越會猜，爛提示語也救得回來。

砌第二塊磚的時候，它要跟第一塊對齊。但它看得到砌好的結果，看不到當初的理由。於是它再猜一次，猜出一個跟上次不一樣的答案。

兩塊磚之間的關係不在模型裡。它只能在你寫下來的東西裡。

需求規格做的就是這件事：把關係存在模型外面，順便畫出邊界，讓它不要在你沒說的地方自己決定。那些決定你事後管不了，因為你不知道它做過。

更麻煩的是，模型越強，單次輸出越像對的，裂縫越晚被發現。而 RLHF 做的正好是讓模型在提示語不完整時也給出人類會喜歡的答案。訓練目標本身就在補提示語的洞。沒有任何訓練目標在補需求的洞，因為那個洞只有提需求的人看得到。

國泰世華那個需求管理 Agent，要解的原問題逐字是「需求書成形後，才發現構想與既有系統落差過大」。差別不在第一塊磚頭，在磚頭跟磚頭之間。換句話說，差別在長大，以及維護。

轉變二：驗收從一件事，變成一門生意

這題有幾層：知道該驗什麼、知道優先序、知道哪些事不合規時卻還可以過。

知道該驗什麼

當 AI 產出的瓶頸只剩算力，而人類最重要的角色又放在負責成敗時，驗收變成最能展現功力的一環。

先跳開台灣企業，講講美國的 SaaS 公司。它們已經開始實驗不同的收費模式，從以人計費，變成以使用的 token 計費，現在也有在嘗試以成果計費的。但問題在，成果成功與否，誰說了算？

做客戶服務軟體起家的 Zendesk 把「這通客戶需求算不算解決」交給一個大型語言模型判定，官方文件只寫 a large language model，沒有模型名、也沒有準確率。AWS 按判官模型消耗的 token 收錢，而判官是誰從未公開。

我聽過 TWDS 的一場分享，來自矽谷大廠的分享者提到，最艱難的就是設計 EVALs 的題型。因為大模型很貴，怎樣用有限的資源，把每次要 release 的成果做最完整的驗收，以及搭配適合的資料集，每一項都是設計的挑戰。

知道優先序

HBR 那本選集裡我有興趣的三篇，剛好全是講驗收標準的。

第五章〈「影子學習法」讓組織學習邁開大步〉交出的是「什麼算學會」。第七章〈AI 行銷為何不給力？你沒問對問題，就會錯失機會〉交出的是「什麼算該挽留的客戶」。第八章〈定價演算法趕走我的客人？〉講的是到底短期收到更多營收算符合目標，還是長期的客戶關係維護以及市場競爭輸贏算目標。

它講人該怎麼守住判準。它沒講的是，判準本身會變成一條可以計費的商品。

《AI 的它時代》第 116 頁，作者列出四個判準，自己指出照判準答案應該是別的環節，然後寫「我們留一個空間給大家自行思考」。這一格，書也留白了。

知道不合規的時候，哪些事還可以過

回到經濟部那份中小企業調查。擋住中小企業的不是基礎建設：九成的企業已經把大部分關鍵營運資料數位化，完全不瞭解 AI 的只有 6.5%。

但這裡要講清楚，白皮書自己的結論是「絕大多數中小企業對於 AI 及其效益瞭解較為有限」，那 85.9% 是「僅稍微瞭解」加上「大致了解」。所以準確的說法是：幾乎都聽過 AI，很少人真的懂它能幹嘛。

資料有了，也聽過 AI，錢排第三。卡在最前面的是不知道要拿它做什麼。而排名第五的障礙是「導入成效難以評估」，20.1%。

有一份產業調查寫得更白：長期承接政府標案的資服業者，既無法擴大應用規模，也無法訂定正確的驗收標準，結果是專案結案了，工具卻因不符使用者需求而束之高閣。

結案符合規則。工具沒有服務到目標。中間沒有人有權說這不算做完。

我在組織裡看過這種位置。只能拿規則檢驗你合不合規則，卻找不出規則之外的可能性，也不知道怎麼適用不同的規則。那個位置可以改叫模型做，低階模型就夠了。

會被淘汰的是那些只敢看著紙面的規則行事，不敢挑戰規則以服務規則背後目標的人。留下來的是知道規則跟目標有矛盾時該怎麼辦的人。

所以我推薦職場人只問自己一句：我在哪個環節握有實質否決權。

轉變三：組織學會留下可以重複的那一部分

在講人才之前，先看組織這幾年學會了什麼。

2019 年陳昇瑋那本書花了篇幅講隱性知識，引學者的說法解釋人為什麼說不清自己會什麼。書擔心的是這種知識難以轉移，所以 AI 導入會卡住。

七年後有答案了，而答案跟書擔心的方向相反。國泰金控做了一個 Skill Hub，官方的說法是，技能來自真人資深員工的訓練，或把過去執行過的任務轉成可重複執行的技能。那句話的意思是，資深員工身上那些說不清楚的東西，正在被拆解、編號、存進系統。同一套系統裡，數位同事有獨立的員工編號、自己的 Email，分等級配不同的 token 額度與可呼叫的模型。有工號代表他常駐。

而《AI 的它時代》第 190 頁寫著另一邊：光是台灣大哥大就有約 1,500 席客服，接著是人才的流失鏈，通過面試的不一定報到，報到的不一定完成訓練，完成訓練的不一定留下。

一邊常駐，一邊流動。組織已經學會把可以重複的東西留下來，那麼人要帶進去的，就是組織留不下來的那一部分。

Anthropic 那位 Claude Code 負責人還說了一件事：他的團隊現在主要找通才而非專才，因為當 AI 處理實作細節時，許多傳統的程式設計技能變得不那麼相關。

林之晨與蔡祈岩今年七月又出了一本《逆分工：AI 時代的生產力革命，重構組織、市場到經濟的生存新賽局》，書中提到梳子型人才，定義是能定義問題、調用 AI 與多種專業、判斷 AI 產出並整合成果的人。

我的想法是，當企業組織的流程與科技的發展，張力大到需要一個人同時握住很多根齒的時候，人才的機會就來了，跟企業互動的時候，自己那一邊的重量會越來越夠。

當然，在那之前我們都會經歷這些技術的盛行與迭代。RAG 已經走完一輪，至少在 AWS 上它已經是按次計費的品項，標準檢索每千次呼叫一美元；MCP 跟多代理協作還在路上。跟多個 Agents 大隊合作、讓自己的主力 Agent 跟別人的 Agent 合作的技能，也會變得重要。

而 SaaS 大廠們的做法與銷售方式值得觀察，哪些東西他們拎出來賣、哪些東西只當作模組。拎出來賣的，表示它已經標準化到可以按次計價；只當模組的，表示那段還要有人整理與變形。

三個轉變看下來，難的不是學會跟機器相處，我們已經在人機協作的年代了。難的是在一個還沒有人驗收的地方，認出你能做出主張，說出原因的部分。

那部分，就是你不可取代的價值。