AI 導入最容易漏算的是人的能力成本
AI 導入最容易漏算的是人的能力成本
最近在 arXiv 看到一份討論 human-agent collaboration 的白皮書，提出一個我認為很關鍵的轉向：評估 AI 是否增能，分析單位不該只是模型、部門或總產出，而是完整工作流。它要求我們追問 agent 能生成、建議、決定與執行哪些事情，人又在哪裡檢查、授權、覆寫，以及遇到陌生案例和系統故障時誰負責收拾。
這個框架不只是反對自動化，而是要求把審核能力與學習路徑列入導入帳。企業常把初階、重複的工作視為最先交給 AI 的對象，卻忘了這些工作往往也是新人累積判斷力、理解情境、學會承擔責任的入口。當入口被抽走，組織短期可能少了幾個工時，長期卻可能失去下一代能辨識錯誤的人。到那時候，所謂 human-in-the-loop 只剩形式：人還在按確認鍵，卻沒有足夠經驗知道何時該拒絕。
因此，我會把「可監督」拆成更嚴格的問題：這項委派是否可檢查、可逆、低風險？人是否保有目標設定、有效性判讀與高後果使用的權責？驗證、例外處理、重工和復原成本算進去後，淨價值是否仍然成立？更重要的是，團隊是否設計了讓人持續練習與升級的路徑，而非只追蹤採用率和節省人力。
誰得利、誰承擔代價、誰擁有真正的決定權，才是 AI 增能的治理起點。若導入後沒有人能真正覆寫系統，效率數字再漂亮，也可能只是把風險轉嫁給最沒有議價能力的人。
作者：袁怡萱