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
- 工作增加
- 增加人力
- 增加管理
- 增加協調
- 固定成本與人員依賴提高
AI 時代的工作設計邏輯
- 工作/需求出現
- 先刪除不必要的工作
- 簡化與標準化
- AI 輔助/AI 執行
- 自動化/外部專業資源
- 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。
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:
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:
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。
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。
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。
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。
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。
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。
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。
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。
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。
相關實踐與思考
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。