美國多家大型企業，正在改變對人力的態度。在認定 AI 足以扛下更多工作、因而收手招聘一年多後，包括 Google 母公司 Alphabet、顧問公司 Booz Allen Hamilton、鐵路業者 CSX 在內，近期都陸續表示要為成長與新技術布局增聘，其中不乏初階職缺。
《華爾街日報》引述人資平台 Lattice 執行長 Sarah Franklin 的觀察：不少公司原本以為 AI 代理（AI agent）能補上人力缺口而停招新人，後來才發現人與 AI 協作仍不可少。她說：「有會寫程式的 AI 代理，不代表你就不必再聘工程師。」她表示，企業重新看重的，是這批初階人力熟悉 AI、思維靈活。
但把人招回來只是第一步，更難的問題緊接而來：同樣使用 AI，為什麼有人能大幅提升產出，有人卻始終停在表面？德州大學奧斯汀分校（University of Texas at Austin）與 KPMG 針對 523 名資淺工作者的研究，給出一個略為意外的答案：AI 操作技巧的高低，幾乎解釋不了誰做得好；真正決定成效的，是每個人實際「怎麼用」AI。
同樣用 AI，成效卻分成三種
這項研究刊登於《哈佛商業評論》（HBR），做法是替人設一條對照線：先讓 AI 代理單獨完成任務、建立基準，再請年資 18 個月內的員工用同一套 AI 做同樣的工作，看誰為成果加了分、誰反而扣了分。
結果員工分成三群：一半的人（50.1%）能把成果推得比 AI 獨作更好，是「AI 放大者」；約四分之一（25.8%）做出來的與 AI 相當，屬「AI 委派者」；剩下的（24.1%）成果不如 AI 自己來，成了「AI 學徒」。
照直覺推想，落在哪一群應該和批判思考、AI 素養、領域知識這些底子有關；但研究發現，這些基本功幾乎預測不出誰會勝出，真正決定高下的，是運用能力的方式。這也意味著，AI 沒有把眾人拉到同一水準，反而把「會用」與「不會用」的落差撐得更開。
放大者做對了什麼？落後的人補得回來
差別就藏在與 AI 互動的方式裡。放大者會主導整段流程：先把問題框清楚、替 AI 設好方向與評估標準，再一步步追問、挑戰假設、反覆修改產出。他們把 AI 當成能對話的思考夥伴，會請它檢驗假設、說明推論依據，甚至找出還缺哪些證據，才據以定稿。這些人的底子未必比別人好，差別在於他們把手上的能力，真正用在了與 AI 協作的每一步。
另外兩群人卡在不同的地方。AI 學徒的底子其實不輸放大者，力氣卻常用錯方向：他們會質疑 AI 的回應，卻很少讓產出變得更好，反而把大半時間耗在要求、改寫、重排資料，或追問無關緊要的細節，很少拿 AI 來檢驗自己的想法。委派者則走向另一個極端，基本功最弱又習慣照單全收；由於 AI 本來就能交出堪用的成品，他們只看結果時顯得頗有產能，能力的不足卻被一併蓋過。
不過後兩群人的能力落差都補得回來：研究把學徒看作「尚未被釋放的潛力」，只要重新設計工作流程、給更明確的判斷權與實際演練，就能從單純使用工具走向真正駕馭 AI；委派者則需要同時補強基本功與實作方法，才不會一直躲在 AI 的產出後面。
考核從「答案」轉向「過程」
研究對企業最直接的提醒，是評量的方式該換了。過去衡量一個資淺員工，多半看他最後交出的成果；但 AI 已能產出像樣的成品，光看產出，難以分辨誰真有貢獻、誰只是把 AI 的答案照抄。該研究團隊主張把重心移到過程，觀察員工在整段工作裡如何與 AI 互動、怎麼評估與修正它給的答案。
KPMG 已朝這個方向走。它要求員工記錄自己為何採納或推翻某項 AI 產出、依據什麼標準判斷，把原本藏在心裡的思路攤開來、變得可以指導；在資淺員工的專案裡，也試行以流程為主的考核，像針對審計實習生的試點，評量的不只是技術對錯，更看他們能否推敲問題、挑戰假設、把決策理由說清楚。
KPMG 的同業也有類似做法：PwC 今年起要求員工接受 AI 訓練，一旦用 AI 代理完成任務，系統會追問他打算怎麼複查。這些改變源自會計業自身的產業變化：KPMG 估計兩三年內，薪資、營收合約這類例行查核將不再需要人力，今年也已把美國審計合夥人數量縮減一成。
當 AI 把知識工作的門檻整體墊高，人的價值也隨之位移：從「產出答案」，轉向「引導、把關，並把 AI 的成果再往前推一步」。這也是那些重新招人的企業眼前最實際的功課：手上多了一批資淺人力，能否幫他們把既有本事，真正用在與 AI 的協作上。
【推薦閱讀】
◆ 4 個人，服務 75 萬名客戶：研究揭 AI 原生企業正在改寫「請更多人」老規則
＊本文開放合作夥伴轉載，資料來源：《Inc》、《The Wall Street Journal》1、《The Wall Street Journal》2、《HBR》、《Business Insider》，首圖來源：Unsplash
