問題意識

如果公司導入 AI，真正值得問的問題不是「AI 會不會搶走工作」，而是：在成本不增加、產出不下降的前提下，企業到底有多大空間縮減人力？而這個答案，又會因為 AI 是「菁英放大器」還是「技能拉平器」而徹底不同。

幾個月前，我在社群媒體看到一張裁員通知書的截圖。底下有一行說明：「公司說是因為導入 AI 工具，現有的人力已經足夠應付產出需求。」

貼文底下，討論炸鍋了。有人說「AI 終於來搶工作了」，有人說「才不是，景氣才是主因」，有人說「這只不過是管理層找的藉口」。

你有沒有發現，每次講到 AI 取代工作，大家都搖身一變成為科幻小說作家或政論節目名嘴，但很少有人能把問題問得更精確一點？

這正是我想做的。

企業裁員本來就常常同時混著很多因素：景氣循環、利率環境、先前擴張過頭、部門重整、資本市場壓力，還有管理層自己的判斷失誤。AI 可能是其中一個原因，但通常不會是唯一原因。

即使如此，如果企業真的導入 AI，而且確實拿它來減少人力，那這件事在理論上會受到什麼限制？仍然很值得分析。

這篇想做的，不是判斷每一次裁員到底有多少能歸因於 AI，也不是「AI 會不會取代人類工作」那種容易流於口號的大哉問，而是把問題縮成一個更乾淨的版本：

如果公司導入 AI，並且希望用它減少一部分人力，那麼這個人力縮減比例，在理論上有沒有上限或下限？

這篇想做的，就是用一個非常簡單的理性模型，把這件事的骨架先抽出來。

先講在前面：這不是現實世界的完整描述。現實裡，企業不只在乎成本和產出，還會看品質、風險、交期、客戶體驗、組織摩擦、法規責任，還有不同職位之間複雜的互補關係。這篇只是想先把問題簡化到最基本的形式，看看有哪些力量，在拉扯企業的人力調整空間。

先界定問題：企業到底在調整什麼？

假設一家公司原本有 $L$ 位員工。

當然，隨著分析顆粒度不同，這個 $L$ 也可以指涉部門或團隊的規模，分析方法是完全一樣的。為了方便說明，這裡先以「公司」為分析單位。

現在，公司決定導入 AI。導入之後，我們先考慮一個最簡單的情境：

  • 有一部分員工被裁減
  • 剩下來的員工都搭配 AI 工具工作
  • 公司至少希望滿足兩件事：
    • 總成本不能增加
    • 總有效產出不能下降

這裡的「有效產出」，你可以把它想像成一家餐廳的「出餐量」——不是單純計算出了幾道菜，而是把速度、品質、客訴退餐率都折算在內、用一個可以加總的指標來衡量。這當然是很強的假設，但如果不先這樣做，問題就很難寫成一個清楚的理性模型。

另外，這裡說的也不是嚴格意義上的「AI 直接替代率」，而是比較保守地講：

在導入 AI 之後，若公司希望同時滿足成本不升、產出不降，它「可行的人力縮減比例」是多少？

把這個比例記成 $\rho$，其中 $0 \le \rho \le 1$。下限 0 代表「一個都不裁」，上限 1 代表「一個都不留」。

模型中的基本變數

再多定義幾個符號：

變數 符號 意義
原始員工人數 $L$ 公司導入 AI 前的總雇用人數
員工平均月成本 $w$ 每位員工平均月薪資成本
AI 月成本 $C_{ai}$ 每位留任員工平均分攤到的 AI 月成本
人力縮減比例 $\rho$ 導入 AI 後的人力縮減比例
員工平均有效產出 $q$ 每位員工每單位時間的有效產出
AI 生產力提升率 $\phi$ AI 讓每位留任員工產出提高的比例，$\phi \ge 0$

這裡有一個重要的設定：我把 $C_{ai}$ 寫成「每位留任員工平均分攤到的 AI 成本」。也就是說，下面的模型考慮的是一種特定情境：AI 的使用成本，大致會隨著留任員工數增加（尤其是數人頭計價的 AI 服務訂閱制），或至少可以等價攤分到每位留任員工身上。

在這個設定裡：

  • 原本公司有 $L$ 人
  • 導入 AI 後，裁減比例是 $\rho$
  • 所以留下來的人數是 $(1-\rho)L$
  • 每位留任員工都搭配 AI，因此每人多一筆 $C_{ai}$ 成本
  • 同時，AI 讓每位留任員工的有效產出變成原本的 $1+\phi$ 倍

但現實裡，AI 成本也可能包含固定成本，例如算力硬體、模型微調、資料清洗、流程整合等。此時，企業會有更強的動力進行大規模調整，來補償這筆固定支出，而不只是承擔「每留一人就多一筆 $C_{ai}$」的邊際成本。

所以，下面推出來的結果，不是所有 AI 導入情境的普遍規律，而是這種成本結構下的理論結果。

人力縮減比例的可行區間：兩個約束

你有沒有發現，很多人討論「AI 會取代多少工作」時，只想到一個方向的力量——技術有多強、AI 能取代多少任務？

但這個模型最重要的地方在於，人力縮減比例不只會受到一種力量限制，而是同時被兩種方向不同的約束夾住：一邊來自成本，一邊來自產出。以下我們先看成本，再看產出。

第一個約束：成本不能上升

先看成本。這一步會推出有點殘酷的結果：如果公司決定讓每個留任員工都配 AI，那麼，在這個理性模型裡，裁掉一部分人，不再只是選項，而是打平新增成本的必要條件。

導入 AI 之前，公司的總成本很簡單，就是所有人的薪資總和：

$$ Lw $$

導入 AI 之後，員工數變成 $(1-\rho)L$，而且每位留任員工除了薪資 $w$ 之外，還多了一筆 AI 成本 $C_{ai}$，所以導入後的總成本是：

$$ (1-\rho)L(w+C_{ai}) $$

如果公司要求「導入 AI 後，總成本不能增加」，那就必須滿足：

$$ Lw \ge (1-\rho)L(w+C_{ai}) $$

整理之後可得：

$$ \frac{C_{ai}}{w+C_{ai}} \le \rho $$

也就是說，在這個模型裡，人力縮減比例 $\rho$ 有這麼一個下限 $\frac{C_{ai}}{w+C_{ai}}$。

成本下限的直觀意義

我也曾經直覺以為：如果 AI 很便宜，那公司導入 AI、但少裁點人，不就兩全其美了？

但這條式子告訴你，事情不完全是這樣。

簡單來說，如果公司決定讓每一位留下來的人都配 AI，那新增的 AI 成本總得有人埋單。而在這個模型裡，埋單的方法就是裁掉一部分人，省下薪資，去抵消 AI 的新增成本。

所以，關於人力縮減比例：

  • 如果人工很貴、AI 相對便宜，那麼，只要裁掉少少一部分人，就足以把新增的 AI 成本打平（也就是下限 $\frac{C_{ai}}{w+C_{ai}}$ 會比較低）
  • 如果 AI 很貴、人工相對沒那麼貴，那麼，企業就得裁掉更多人，才有辦法讓總成本不增加（也就是下限 $\frac{C_{ai}}{w+C_{ai}}$ 會比較高）

這裡要特別注意，這條式子講的並不是「企業偏好裁員」，也不是「AI 越貴，公司就越想裁人」。現實裡，AI 如果太貴，公司完全可能根本不導入。

這條式子真正描述的是一件比較窄、但很重要的事：

在「每位留任員工都要搭配 AI」且「總成本不能增加」的前提下，公司至少需要達到某個縮減比例，才能把新增的 AI 成本打平。

不論企業想不想裁員，事實是：若人人都要配 AI，企業至少得裁到某個程度，導入才不會變成一筆更貴的交易。

第二個約束：產出不能下降

再來看產出。這一步會把替代率的另一端也釘住：AI 再強，也只能讓企業縮編到某個範圍；超過那個範圍，總產出就會掉下來。

導入 AI 之前，公司的總有效產出是：

$$ Lq $$

導入 AI 之後，雖然只剩下 $(1-\rho)L$ 位員工，但每位留任員工的有效產出變成 $1+\phi$ 倍，所以總有效產出會變成：

$$ (1-\rho)Lq(1+\phi) $$

如果公司要求「導入 AI 後，總有效產出不能下降」，就必須滿足：

$$ Lq \le (1-\rho)Lq(1+\phi) $$

整理後可看出，在這個模型裡，人力縮減比例 $\rho$ 有一個上限 $\frac{\phi}{1+\phi}$：

$$ \rho \le \frac{\phi}{1+\phi} $$

產出上限的直觀意義

拿健身來比喻：你不能光靠「想像自己在健身房」就讓肌肉長出來。這條式子在說的也一樣：你不能光靠「AI 很強」的想像就決定裁多少人，你得看它實際上能不能撐住原本的產出，而且是「有效產出」。

  • $\phi$ 越大，人力縮減比例的上限 $\frac{\phi}{1+\phi}$ 越高
  • $\phi$ 越小，人力縮減比例的上限 $\frac{\phi}{1+\phi}$ 越低

換句話說：

如果 AI 越能提升留任員工的有效產出，企業在維持總產出的前提下，可承受的人力縮減比例就越高。

不論企業意願如何，事實是：AI 增益再高，企業的人力縮減幅度也仍然有天花板。

合併來看：人力縮減比例落在一個可行區間

前面兩條不等式要同時成立，所以 $\rho$ 必須滿足：

$$ \frac{C_{ai}}{w+C_{ai}} \le \rho \le \frac{\phi}{1+\phi} $$

這條式子告訴我們：

在這個模型裡，人力縮減比例不是想設多高就設多高，而是被夾在一個可行區間裡。

左邊是成本條件給出的下限，右邊是產出條件給出的上限。如果左邊比右邊還大，就代表，在數學上，這個可行區間根本不存在。換句話說，導入 AI 並同時達成「成本不升、產出不降」這件事，沒有可行解。

所以，這個模型還會再多出一個先決條件：

$$ \frac{C_{ai}}{w+C_{ai}} \le \frac{\phi}{1+\phi} $$

化簡之後得到：

$$ \phi \ge \frac{C_{ai}}{w} $$

這條式子，其實才是整件事最值得記住的地方。

真正的核心：AI 的效能能否覆蓋它的成本

到這裡為止，整篇其實已經推出一個最重要的小結論：企業真正在意的，通常不是一句「AI 很厲害」，而是 AI 的效能提升幅度，是不是大於相對的人工成本。

把剛才的先決條件再寫一次：

$$ \phi \ge \frac{C_{ai}}{w} $$

這條式子在講的，其實就是：

AI 帶來的生產力提升，至少要大於它相對於人工成本的負擔，整件事才有可行空間。

AI 的提升，值不值得它的成本？

  • AI 越貴，就越需要證明它真的很有用
  • AI 越便宜，就算只幫上一點點忙，也可能值得導入

這比很多新聞標題更接近企業真正在面對的問題。真正的核心，不是抽象地問「AI 會不會取代人」，而是：

AI 的效能／成本比，能不能支撐「人力調整」這件事成立？

如果不能，技術再炫，企業也未必埋單。 如果可以，那就算 AI 還沒有神到徹底取代人的程度，企業也可能非常認真地重新配置人力。

從平均模型走向異質員工：關鍵在於 AI 幫到誰

到這裡為止，我們得到的是平均模型的結論；但真正接近現實的問題，從這裡才開始。因為企業不是面對一群平均員工，而是在不同類型的人之間，重新分配 AI、預算與人力。

也就是說，我們前面一直用同一組 $w$、$q$、$\phi$ 去描述整家公司：每個人的薪資差不多、產出差不多、AI 帶來的增益也差不多。這樣做的好處，是可以把問題寫得很乾淨；壞處是，它還沒碰到現實企業真正麻煩的地方。

你有沒有發現，一個公司裡，不同職位的人，往往有著截然不同的：

  • 薪資水準
  • 產出形式
  • AI 可放大的程度
  • 被替代或被保留的可能性

如果要把模型往現實再推一步，就得把員工拆成不同類型，用下標 $i$ 表示。也就是說，不同職位各自有自己的：

  • 薪資 $w_i$
  • 產出 $q_i$
  • AI 增益 $\phi_i$
  • 人力縮減比例 $\rho_i$

這時候，公司的約束條件就不再是一條平均式，而會變成加總：

$$ \sum_i (1-\rho_i)L_i(w_i+C_{ai,i}) \le \sum_i L_i w_i $$$$ \sum_i (1-\rho_i)L_i q_i(1+\phi_i) \ge \sum_i L_i q_i $$

一旦寫成這樣，問題的性質就變了。

前面的平均模型，問的是：整體而言，人力縮減比例有沒有上下界；但異質員工模型問的則是：

公司會把縮減幅度放在哪些職位？又會把 AI 資源優先配給哪些人？

AI 固然很強，但是，AI 增益 $\phi_i$ 到底落在了哪些人身上？ 也就是說，AI 究竟是在放大原本最強的人，還是在拉平不同員工的能力差距？這兩種關係，會把企業帶向完全不同的組織重整路徑。

劇本一：AI 作為菁英放大器

第一種劇本是：薪資越高的人，本來就在做更複雜、更高槓桿的工作，因此 AI 對他的生產力提升也越大。這一節要看的，就是：如果 AI 比較像是在放大原本就強的人，企業內部的調整空間會怎麼變。

如果把這個想法寫成一個簡單的線性假設，可以設：

$$ w = k\phi, \qquad k>0 $$

也就是薪資越高的職位，AI 對它的放大效果也越強。

把這個關係代回原本的區間：

$$ \frac{C_{ai}}{w+C_{ai}} \le \rho \le \frac{\phi}{1+\phi} $$

不等式會變成：

$$ \frac{C_{ai}}{k\phi + C_{ai}} \le \rho \le \frac{\phi}{1+\phi} $$

這代表當 $\phi$ 變大時，右邊的上限會上升，而左邊的下限會下降。換句話說，人力縮減比例的可行區間會被拉開。

直覺上，這意味著：如果某些高薪職位剛好也是 AI 最能放大的職位，那麼企業在這些職位周圍做人力與工具配置調整的空間，理論上會變大。

這可能帶來兩種結果：

  • 一種是，少數高槓桿人才被 AI 進一步放大，因此更值得保留
  • 另一種是，因為這些人被 AI 放大後覆蓋面更大，企業有條件縮減其他位置

《從 A 到 A+》書中談到「刺蝟原則」：真正偉大的企業，不是因為做很多事，而是因為深刻理解自己在哪個點上能做到世界最好。這條不等式，有點異曲同工之妙——重要的不是 AI 能做多少事，而是在它真正能放大的那個點上，效能夠不夠強。

但這裡要很小心。這個模型能推出的是：可行配置空間變大了；它不能直接推出「高薪者一定更安全」或「高薪者一定更危險」。

如果把公司層級的總預算與總產出都放進來看，還會出現更接近真實世界的配置問題：某些較容易被縮減的工作，所省下來的成本，可能被拿去支持另一些更高槓桿、較難替代的工作導入 AI。這是一種可能的「跨職類補貼」，但不是前面平均模型自動保證會出現的結論。

如果 AI 更偏向「放大高槓桿者」，企業的組織重整就更可能朝資源集中、節點化配置的方向走。

劇本二：AI 作為技能拉平器

但也存在另一種完全不同的可能。這一節要看的，則是另一個反向問題：如果 AI 幫助最大的不是原本最強的人，而是原本較弱、較初階的人，故事會怎麼翻轉？

有一項研究讓我印象深刻。2023 年，哈佛商學院在與 BCG 合作的研究中發現 1 ：使用 AI 的顧問中，原本表現低於平均的人，生產力提升了 43%；而原本表現高於平均的人，只提升了 17%。

這個數字，其實就是「技能拉平器」假說最直接的現實依據。我們可以這麼詮釋：資深員工本來就接近較高的人類表現水準，因此 AI 對他們的邊際補強未必那麼大；反而是初階員工，可能因為 AI 的輔助，很快就從原本的 50 分被拉拔到 80 分。

如果把這個想法寫成一個簡化的線性假設，可以設：

$$ \phi = \frac{k}{w}, \qquad k>0 $$

也就是薪資越低的職位，AI 帶來的生產力提升率越高。這裡的 $k$，可以理解成 AI 的「技能拉平能力」：$k$ 越大，代表 AI 越能把較低技能者快速拉近可用水準。

把這個關係代回替代率區間：

$$ \frac{C_{ai}}{w+C_{ai}} \le \rho \le \frac{k}{w+k} $$

這會給出一個和前面幾乎完全相反的故事。

對高薪、資深職位來說，當 $w$ 很大時，左邊的成本下限會趨近於 0，但更關鍵的是，右邊的產出上限 $\frac{k}{w+k}$ 也會趨近於 0。這代表在這個假設下，高薪資深職位的人力縮減空間會顯著變小。企業如果想大幅裁撤這類人力，會更容易碰到產出下降的約束。

相對地，對低薪、初階職位來說，當 $w$ 很小時，右邊的上限會快速逼近 1。這表示這些職位周圍的人力配置空間會變得很大：企業既可能選擇用較少的人力、搭配 AI 維持原本產出，也可能反過來保留更多初階人力，利用 AI 把他們快速拉到可用水準。光靠這個模型，還無法斷定哪一種策略一定會發生，但可以確定的是，這一類職位的組織重整壓力會更大。

更有意思的是，在這個劇本下重新檢視可行條件：

$$ \frac{C_{ai}}{w+C_{ai}} \le \frac{k}{w+k} $$

化簡之後會得到：

$$ C_{ai} \le k $$

工資 $w$ 竟然被消掉了。

這代表，在這個非常特定的假設下，導入 AI 的可行性不再直接取決於工資高低，而更取決於 AI 的底層補強能力 $k$，能不能蓋過它本身的成本 $C_{ai}$。

如果 AI 真的是一個技能拉平器，那企業在意的就不再只是「人工貴不貴」，而是：

AI 到底能不能把原本沒那麼強的人，快速補到足夠有用的水準？

這是一個和「菁英放大器」完全不同的世界。

如果 AI 更偏向「拉平能力差距」，那企業的重點就不再只是把資源集中到最強者身上，而是重新設計整個人才梯隊與團隊分工。

兩種 AI 劇本，對應兩種組織重整邏輯

把前面兩個劇本放在一起看，差別就會變得很清楚。

如果 AI 比較像「菁英放大器」，那它傾向擴大既有能力差距：原本就高槓桿的人被進一步放大，企業的重點會變成怎麼把 AI 資源集中到最有乘數效應的人身上。

如果 AI 比較像「技能拉平器」，那它傾向壓縮既有能力差距：原本較弱的人被快速補強，企業的重點就不再只是把資源集中到最強者身上，而是重新設計整個人才梯隊與團隊分工。

所以，這兩種劇本雖然都可能導向人力調整，但背後的組織邏輯其實完全不同：

  • 前者比較像：把最強的人再放大
  • 後者比較像：把原本較弱的人拉到接近可用

真正重要的差別，不在於「誰一定會被裁」，而在於：AI 的增益，究竟是在放大既有優勢，還是在改寫能力分布。

不過，若把這個問題再往真實辦公室裡推一步，就會發現「技能拉平器」這條路徑還有另一層更麻煩的現實摩擦。數學上，它看起來給了企業更大的人力重整空間；但管理上，這個空間未必能被無摩擦地兌現。

當「技能拉平器」走進真實辦公室

如果只看前面的式子，「技能拉平器」這個劇本會給企業一個很強的直覺：既然 AI 對初階人力的補強特別大，那麼企業似乎就有更大的空間，去重整初階與資深人力的比例。

但把這個故事往現實再推一步，麻煩往往才真正開始。

原因很簡單：模型裡的「有效產出」雖然可以寫成一個乾淨的 $q$，但現實世界裡，企業要的從來不只是數量，還包括品質、判斷、自我校正能力，以及出錯時誰有能力發現、誰要負責。

換句話說，技能拉平器真正帶來的，未必只是更大的替代空間，也可能是更高的管理成本。

現實問題一：不是所有 80 分都能替代 95 分

技能拉平器最容易讓人產生一種直覺：如果 AI 能把原本只有 50 分的人拉到 80 分，那麼企業就可以用更多「80 分的人」去取代少數「95 分的人」。

但這件事未必成立。

因為很多工作不是只要「差不多可用」就行，而是必須跨過某個品質門檻。對這些任務來說，80 分和 95 分不是線性差距，而是兩種不同性質的能力。

例如：

  • 底層系統架構設計
  • 高風險決策
  • 關鍵法務與合規判斷
  • 涉及例外情境的大型專案協調
  • 錯誤代價極高的醫療、金融或安全場景

在這些地方，AI 把初階員工快速補到「看起來夠用」，不代表企業就真的得到了可替代的高品質人力。

更麻煩的是，技能拉平器可能會讓組織更晚發現自己出了問題。因為產出的表面形式變好了、速度變快了、完成品變多了，但真正高階的判斷力、邊界意識與自我修正能力，未必有跟著一起提升。

所以，技能拉平最危險的地方，不是它讓更多人變得夠用，而是它可能讓企業更晚才發現：夠用不等於可託付，產出增加也不等於判斷力增加。

現實問題二：AI 可能把生產時間變成檢查時間

前面的模型把 AI 成本寫成 $C_{ai}$。在理論上，這可以代表授權費、算力、內部系統維運等成本。

但在技能拉平器的劇本裡，現實中往往還有另一種沒有被直接寫進去的隱形成本：驗證稅（verification tax）。

也就是說，當初階員工在 AI 幫助下產出更多程式碼、報告、簡報、分析與文件時，資深員工未必因此更輕鬆，反而可能要花更多時間去審查內容是否正確、檢查推理是否偷渡漏洞、修正 AI 生成的低階錯誤，甚至承擔最終交付的責任，控制幻覺、合規與聲譽風險。

這時候，AI 對初階人力的「高增益」，未必是純粹增加了有效產出，也可能只是把大量工時，從「生產」轉移成「檢查」與「收尾」。

如果用更貼近現實的方式講，模型裡的 $C_{ai}$ 其實常常不只是一筆工具費，而更像是：

$$ C_{ai}^{\text{effective}} = C_{tool} + C_{verification} $$

也就是：一部分是看得見的工具成本，一部分是看不見、但常常更昂貴的管理與驗證成本。

一旦把這一層放進來，技能拉平器的故事就會變得沒那麼樂觀。因為所謂的「效率提升」，很可能只是把負擔轉移給更少數、更貴的資深人力，而不是讓整體成本真的下降。

現實問題三：短期最適可能毀掉長期梯隊

前面的模型本質上是一張靜態快照。它問的是：在當下這一刻，企業能不能在成本不升、產出不降的前提下，縮減一部分人力。

但真實企業不是活在快照裡，而是活在時間裡。

而這正是技能拉平器劇本最容易被低估的地方。

如果企業看到的是：少數初階人力加上 AI，就能完成原本更多人才能完成的工作，那短期內它確實可能選擇大幅壓縮初階職位。但問題是，初階職位不只是當期產出單位，它同時也是未來資深人力的來源。

很多行業裡，真正值錢的判斷力不是在課堂上養成的，而是在大量低難度、低風險、可犯錯的任務中慢慢累積起來的。如果這些任務被 AI 吃掉，或這些位置被企業過度裁掉，那麼新人就會失去學習曲線，企業也會失去自己的學徒制。

我也曾經以為，效率最優化就是好的決策。直到看到一些企業的真實案例，才意識到：你可以在這一季的 P&L 上做出漂亮的數字，但幾年後，整個組織裡，可能沒有人真正長成可以扛責任的人。

結果就是：短期看起來更有效率，中期開始出現資深人力斷層，長期則可能出現「沒有人真正長成可以扛責任的人」。

換句話說，若把時間維度放進來，$\rho$ 就不再只是當期的人力縮減比例，而會影響企業未來的人才再生產能力。

所以，技能拉平器給企業帶來的，不見得只有短期替代空間，也有很現實的風險：今天看似合理的縮編，可能會變成幾年後的人才真空。

再往外看：當技能被拉平，競爭優勢也可能被拉平

還有一個更外層、但我只能點到為止的問題。

如果 AI 真的是一個技能拉平器，不只是幫到了你，也同樣幫到了你的競爭對手，那麼它壓縮的就不只是公司內部的能力差距，也可能是整個市場裡的能力差距。

當大家都能靠 AI 更快做出 80 分的東西，80 分本身就可能不再稀缺。

此時，企業導入 AI，未必只是為了裁員省錢，更可能是為了要在未來更激烈的商品化競爭中存活下來。企業關心的，也就不再只是「總產出能不能不下降」，而可能變成：如果市場價格會因為能力拉平而下滑，我是不是必須讓產出成長得更快，甚至突圍出新的價值路線，才能守住原本的利潤？

這已經超出前面那個簡單模型能處理的範圍了，但它提醒我們一件事：技能拉平器若真的成立，最後改變的可能不只是人力結構，而是整個市場的競爭方式。

小結：技能拉平器沒有被推翻，只是被推向現實

所以，前面那個「技能拉平器」的劇本，不應該被理解成「AI 對初階員工幫助很大，所以企業一定更容易裁掉誰」。更精確的說法應該是：

如果 AI 主要是在拉平能力差距，那企業表面上確實會得到更大的人力重整空間；但這個空間會立刻受到品質門檻、驗證成本、人才梯隊與市場競爭等現實條件的反作用。

也因此，企業最後付給資深員工的高薪，未必只是為了他們當下能多做多少事，而更可能是為了那些更難被 AI 直接複製的東西：判斷力、責任承擔、錯誤辨識能力，以及在不確定情境下做最後決策的能力。

如果順著這個方向再往下看，企業的結構確實可能逐漸改變：不是單純地讓所有人平均變強，而是慢慢朝向更小的決策核心，加上更大的 AI 輔助執行外環移動。

順著 AI 的發展趨勢看：可行條件如何變化

把前面的模型與兩種劇本合在一起看，可以得到一個相對穩健、但不誇張的方向判斷：只要 AI 持續變強、持續變便宜，企業用 AI 支持人力調整的條件，理論上會越來越容易成立。

原因很簡單。如果 AI 越來越強，也就是 $\phi$ 上升，那麼，根據不等式的右邊

$$ \rho \le \frac{\phi}{1+\phi} $$

這個上限就會上升。 意思是：從產出角度來看，企業理論上可以承受更高的人力縮減比例。

如果 AI 越來越便宜，也就是 $C_{ai}$ 下降，那麼，根據不等式的左邊

$$ \frac{C_{ai}}{w+C_{ai}} \le \rho $$

這個下限就會下降。 意思是：從成本角度來看，導入 AI 這件事更容易成立。

同時，先決條件

$$ \phi \ge \frac{C_{ai}}{w} $$

也會更容易被滿足。

所以，如果只在這個模型裡思考，可以先得到兩個方向性的結論：

  • AI 變強，會把人力縮減比例的上限往上推
  • AI 變便宜，會讓導入門檻下降

也就是說，AI 導入之後的人力調整空間，理論上會越來越大。

但這裡還是不能講得太滿。因為「調整空間變大」不等於「企業一定會大裁員」。企業也可能把 AI 用來擴大產出、降低價格、擴張市場，或者把人力移去新的流程、驗證、協作與管理工作。

所以比較穩妥的說法是：

隨著 AI 能力提升、成本下降，企業以 AI 支持人力縮減的條件，會越來越容易成立；但是否真的走向大規模縮編，仍然取決於更完整的商業情境。

結語：真正值得討論的，不是口號，而是約束與配置

回到最早的那則在社群媒體的裁員貼文。

如果我要給個評論，我不會說「很遺憾，你的工作被 AI 取代了」，也不會說「放心，AI 還沒有那麼厲害」。我會說：答案，取決於你的公司在哪一個象限。在這個象限裡，AI 效能夠不夠高？工具成本夠不夠低？而在你的職位上，AI 究竟是在放大你，還是在縮小你和初階員工之間的差距？

如果要把整篇壓縮成一句話，那就是：AI 是否導致人力縮減，不能只看技術本身，而要看它能不能在成本不升、產出不降的約束下，撐出一個可行區間；而一旦進入異質員工的世界，真正重要的已經不是 AI 強不強，而是它究竟在放大誰。

再往前一步看，真正左右組織命運的，也許不是 AI 會不會衝擊工作，而是：

AI 的增益，究竟是更偏向放大原本最強的人，還是更偏向拉平原本的能力差距？

如果是前者，企業看到的會是菁英放大與資源集中； 如果是後者，企業看到的會是技能拉平與組織重整。

《反脆弱》有一句名言：「風會熄滅蠟燭，卻能使火越燒越旺。」

AI 帶來的風，已經吹起來了。

你是蠟燭，還是火？而你的公司，是在放大最強的人，還是在拉平所有人？

這個問題，值得你認真想一想。

一張圖看完整篇論證

  flowchart TD
    A[企業考慮導入 AI] --> B[基本問題：是否存在可行的人力縮減區間？]
    B --> C{是否滿足可行條件？<br/>φ ≥ C_ai / w}
    C -- 否 --> D[沒有可行解<br/>在此模型下，無法同時滿足：<br/>1. 總成本不增加<br/>2. 總有效產出不下降]
    D --> D1[結論：<br/>AI 雖然可用，但不足以支撐「減人又不傷產出」]
    C -- 是 --> E[存在可行區間]
    E --> E1["人力縮減比例 ρ 必須落在：<br/>C_ai / (w + C_ai) ≤ ρ ≤ φ / (1 + φ)"]
    E1 --> F["AI 的增益 φ<br/>如何隨薪資 / 技能分布變動？"]
    F --> G[劇本一：菁英放大器<br/>w ∝ φ]
    F --> H[劇本二：技能拉平器<br/>φ ∝ 1 / w]
    G --> G1[高薪 / 高槓桿職位<br/>AI 增益更大]
    G1 --> G2[效果：<br/>可行配置空間拉大]
    G2 --> G3[可能結果 A：<br/>高槓桿人才更值得保留與放大]
    G2 --> G4[可能結果 B：<br/>少數被放大的人覆蓋更多工作，<br/>其他位置面臨縮減]
    G2 --> G5[組織特徵：<br/>資源更集中，可能出現跨職類補貼]
    H --> H1[低薪 / 初階職位<br/>AI 增益更大]
    H1 --> H2[效果：<br/>初階職位周圍的人力配置空間變大]
    H2 --> H3[可能結果 A：<br/>用更少初階人力 + AI 維持原產出]
    H2 --> H4[可能結果 B：<br/>保留更多初階人力，<br/>靠 AI 快速補到可用水準]
    H2 --> H5[額外條件：<br/>可行性更取決於 C_ai ≤ k]
    H2 --> H6[組織特徵：<br/>能力差距被壓縮，團隊結構可能重整]
    G5 --> Z[總結：<br/>AI 不只是「會不會取代人」<br/>而是會如何改寫企業的約束條件與人力配置]
    H6 --> Z

  1. 哈佛商學院與 BCG 在 2023 年合作的研究報告 “Navigating the Jagged Technological Frontier” 說，“Consultants across the skills distribution benefited significantly from having AI augmentation, with those below the average performance threshold increasing by 43% and those above increasing by 17% compared to their own scores.” ↩︎