這半年的新聞有一種說不上來的怪節奏，上半年，超過十萬個職位的裁員被歸因於 AI，幾個月後，三分之一的公司悄悄把同樣的職位請了回來。報導多半聚焦在企業決策的反覆，而我想的是另一個畫面：那位被資遣又被請回來的工程師，在重新坐回座位的那一天，心裡想的是什麼…
這場大型實驗證明了什麼
IBM 用 AI 接手人資業務，處理了 94% 的例行請求，卡在剩下的 6%，後來宣布擴大招募新人。Ford 把三百五十位資深工程師請了回來，因為自動化品管抓不到老師傅眼裡的問題。讓我想起 2012 年在杭州工作與生活的日子，有晚汽車壞了，技師接上電腦檢修，查不出任何毛病，老師傅現身，用耳朵一聽就說出了問題在哪。十幾年過去，機器換了好幾代，這件事沒有變。Orgvue 的調查裡，39% 的企業領導人因為 AI 裁過員，其中 55% 事後承認做錯了，必須說，願意認錯還是好事。
半年的震盪換來一個清楚的結論：機器接得住例行，接不住判斷。而判斷是在流程裡打磨了很多年才長出來的東西，包含犯過的錯、修正的過程，也包含看著旁邊的人怎麼處理難題。裁員裁掉的往往就是這些長在人身上、帳面上看不見的資產。
人機協作，先協作的其實是人
談人機協作，多數的想像是一個人配一台機器，各自分工。但既然判斷有很大一部分是從旁邊的人身上學來的，人機協作就容易有一個常被跳過的地基：人和人之間的協作，經驗的交換，判斷的傳承。
數據把這個缺口量了出來，BCG 的 AI at Work 調查發現，超過 85% 的使用者停留在請 AI 幫忙做事的階段，走到深度協作的不到 10%。同一份調查還有個反直覺的數字：75% 的主管每週多次使用生成式 AI，第一線員工只有 51%，落差比想像中更靠近管理層的辦公室門口。在台灣，AIF 的產業 AI 化調查裡，人才策略是所有構面的最低分，44.7% 的企業沒有任何培訓計畫。
把這些數字放回日常，畫面很熟悉：用得快的人，他的提示詞和判斷留在自己的視窗裡；還沒上手的人，在大家都說 AI 很簡單的氣氛裡，不太敢說自己卡住了。一邊留不下來，一邊問不出口，中間的距離每週都在變大，而多數公司對此沒有設計，只有各種的期待。
CloudAD 自己怎麼做
我們公司也有這個落差，這也不需要假裝沒有。今年整理內部提案教材的時候，我在第一頁寫了一句話：帶頭的人也是一起學的，沒有人一開始就什麼都懂。會特別寫這句，是因為教的人一旦被放在不會錯的位置，學的人就不敢暴露自己卡在哪裡，人和人之間的協作也隨之降低。必須說，理解工程師最害怕 try and error，但我總感覺（自己）在錯誤中找到下一個出口很能成長。
另外兩件事也在做，把資深同事的判斷拆成可以挑選的材料，受眾怎麼分、媒體怎麼配，變成一盒樂高積木，新手從挑選開始學，門檻就降下來了。再來是新人的工作日誌，讓卡住的地方被寫下來，而回饋的重點放在把個人的卡點變成下一版制度的養分。人機協作走得快的公司，先做好的多半是人和人這一段，我們正在努力往這個方向前進。
幾個保留，和三個問題
這些調查引用時我自己會留一點餘地：裁員回聘的報導以個案彙整為主，能不能代表整體還需要時間；BCG 對「使用」的認定相當寬鬆；培訓時數和使用信心的關聯，也可能只是積極的人更願意去上課或是更願意表達，方向值得參考，細節保持懷疑，正好用來訓練自己的思辨力。
最後，留三個問題：
- 公司裡最值錢的那些判斷，如何被寫下來？
- 誰正在悄悄掉隊？誰會坐到他旁邊？
- 如果明天 AI 再接手三成的例行工作，留下來的人，如何準備接住彼此？
機器的部分會越來越快，而人的部分快不來，也不必快，「慢」的部分正是價值之所在。
寫到這裡夜深了，也好，夜本來就適合慢，白天用掉太多系統一（System 1），系統二（System 2）就留給夜裡練習，致敬《快思慢想》。
參考來源
・CNBC｜Employers who laid off workers citing AI are starting to regret it
・Forbes｜AI Layoffs Are Backfiring
・BCG｜AI at Work: Momentum Builds, but Gaps Remain
・AIF 知勢｜2026 台灣產業 AI 化大調查