← 回到實踐

實踐案例 · 王若婷 Sammi

當傳統人力增補思維遇上 AI

奇豐 AI-Native Transformation · 持續演化中的實踐紀錄

面對工作量、能力與交付壓力,我開始檢查:每個缺口都需要增加人力嗎?

在奇豐,我先回到工作本身:哪些可以刪除、簡化或標準化?哪些適合交給 AI 協助?哪些仍需要人的判斷?

01|先改變一個假設

傳統的人力增補邏輯

  1. 工作增加
  2. 增加人力
  3. 增加管理
  4. 增加協調
  5. 固定成本與人員依賴提高

AI 時代的工作設計邏輯

  1. 工作/需求出現
  2. 先刪除不必要的工作
  3. 簡化與標準化
  4. AI 輔助/AI 執行
  5. 自動化/外部專業資源
  6. 最後才考慮增加固定人力

所以我開始不再先問:「奇豐還需要多少人?」

我先問的是:

「這些工作,還應不應該用原來的方式做?」

02|為什麼我能把它變成一個真實實驗

我剛好同時站在兩個位置。

經營者的位置

我要面對人力、成本、交付、客戶承諾、風險與組織持續運作。

AI 工作流與技術現場

我也能親自進入需求、規格、AI 協作、工程流程與工作系統的實作現場。

多數經營者有權改變方向與制度,但不一定親自進入技術實作;多數技術工作者可以實作,卻不一定有權重新設計組織。

我剛好站在兩者的交會處,因此可以直接改變流程、角色、工具、權限與交付方式,再觀察這些改變對經營與工作的影響。

奇豐因此成為我的 AI 轉型實踐場域。

03|不是從 AI 工具開始,而是從工作開始

這個改造不是先問「要導入哪一套 AI」,而是先回到工作本身。

看見問題→盤點現況→判斷哪些值得改→重新設計流程→進入真實工作→驗證成效→沉澱資產

每一個流程節點都重新問:誰做、為什麼做、需要什麼輸入、產出什麼、哪裡需要判斷、依賴誰,以及怎樣才算完成。

再進一步區分:Human、AI Assist、AI Execute、Automation。

真正要回答的,是:

  • 哪些工作一定要由人完成?
  • 哪些可以標準化?
  • 哪些可以讓 AI 輔助?
  • 哪些可以交給 AI 執行?
  • 哪些決策無論如何都應該保留在人身上?

04|先只改一條核心價值鏈

我沒有打算一開始就把整間公司一次 AI 化。

第一階段先選一條真實價值鏈:

需求→PRD→Issue→開發→Review

先讓 AI 真正進入需求、規格、開發與審查,再用真實工作驗證能不能穩定運作。

第一條路徑成立後,才往後延伸:

測試→上線→維運→客戶回饋→產品改善

不是一次 AI 化整間公司,而是先讓一條真實價值鏈跑通。

05|奇豐的 AI 改造,是一條持續演化的路徑

下面不是完成清單,而是目前正在累積的演化紀錄。已發生的事與仍在驗證的假設,我會分開記錄。

V0|AI 工具進場

先讓 AI 進入日常工作

痛點
AI 使用仍偏個人化,工具變多不等於組織能力變強。
調整
讓不同工作開始接觸 AI,觀察哪些情境真正產生價值。
思考與洞察
使用 AI,不代表組織已經具備 AI 工作能力。
V1|工作拆解

重新看工作,而不是只看職位

痛點
很多工作仍依賴「某個人會做」,離開這個人就很難接續。
調整
開始拆解工作的輸入、輸出、判斷、依賴、交接與完成標準。
思考與洞察
組織需要管理的是工作與能力,不只是職稱與人數。
V2|知識資產化

把人的理解變成正式工作資產

痛點
需求、技術與經驗大量存在於人的理解裡,難以追溯與複製。
調整
逐步把 PRD、規格、流程、資料結構與程式碼納入正式版本與知識管理。
思考與洞察
只有存在人腦裡的能力,無法真正被複製。

剛開始,我先用個人的資料庫實驗 AI 工作流。
隨著流程逐漸進入組織,我才開始面對版本、權限、責任與正式來源的問題,也因此重新設計知識與工作規則。

V3|AI 進入交付

從聊天工具走進真實工作流

痛點
AI 如果只停留在問答與個人助手層級,無法改變真正的交付能力。
調整
讓 AI 進入需求整理、任務拆解、程式實作、審查與測試。
思考與洞察
AI 的價值不在產出內容,而在能否真正接進工作流。
V4|責任邊界

重新定義人與 AI 的決策邊界

痛點
AI 能做愈多,決策與責任反而愈容易變模糊。
調整
保留需求決策、任務放行、成果核准、發布與驗收等人的決策點。
思考與洞察
AI 可以大量承擔執行,但責任不能一起交出去。
V5|工作產線化

從一次成功,走向可以穩定重複

痛點
單次 AI 協作做成功,不代表下一次、換人或換任務仍然能成功。
調整
開始把流程、規則、驗證、回報與交接制度化,形成可重複工作路徑。
思考與洞察
真正的組織能力不是 AI 做成功一次,而是可以穩定重複。
V6|Operating Model

朝 AI-native Operating Model 前進 正在驗證

目前假設
在人力取得較過去更具不確定性的環境下,組織能否降低不必要的人員依賴,同時維持交付能力、治理與持續改善。
下一步
持續用真實工作驗證效率、品質、返工、人員依賴、管理介入與異常復原。
思考與洞察
AI 轉型真正改變的,可能不是員工用了什麼工具,而是組織如何重新配置人、AI、流程、制度與外部資源。

工具只是入口,工作設計才是轉型的核心。

06|這個專案最後要留下什麼

Layer 1|奇豐

AI-native Operating Model

在有限人力下,維持交付、治理與持續改善。

Layer 2|CEOSIC / 朝恩

AI Ready Enterprise Consulting Method

把真實問題、流程與治理經驗萃取成可診斷、可訓練、可交付的方法。

Layer 3|其他組織

可借鏡的轉型路徑

不是複製奇豐,而是理解自己在哪個階段,以及下一步真正要改什麼。

奇豐實驗→CEOSIC 驗證→方法萃取→朝恩產品化→其他組織借鏡

專案目前進度

本篇記錄為什麼啟動這項實驗與它的演化脈絡;持續更新的藍圖、七條主線與決策紀錄整理在專案頁。

查看奇豐 AI 原生轉型實驗專案頁 →

相關實踐與思考

從個人開始:BTC 如何從工作痛點演化成控制系統 →

從組織治理看:一個人用 AI 是效率問題,組織用 AI 是治理問題 →

從交付看:AI 做出成果之後,主管該如何判斷能不能交付? →

這個專案仍在進行。我會繼續把每一次改變留下:當時的痛點、做了什麼調整、實際結果,以及形成了什麼思考與洞察。