AI 會取代多少員工？企業真正面對的是約束條件

這篇要問的事

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」而明顯不同。

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。」

這類貼文底下很快就會吵成一團。有人說 AI 終於開始搶工作了；有人說這根本是景氣問題，不要什麼都怪 AI；也有人說，這只是管理層找的藉口。

如果把問題問得精確一點，真正值得分析的，其實不是口號式的「AI 會不會取代人類工作」，而是更窄、也更接近企業實際決策的問題：

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，就是先用一個盡量簡單的模型，把這件事的骨架抽出來。

先講在前面：這不是現實世界的完整描述。企業不只在乎成本和產出，還會在乎品質、風險、交期、客戶體驗、組織摩擦、法規責任，以及不同職位之間的互補關係。這裡只是先把問題縮到最基本的形式，看看哪些力量會一起限制企業的人力調整空間。

先把企業面對的條件寫清楚

假設一家公司原本有 $L$ 位員工。

隨著分析顆粒度不同，這個 $L$ 也可以理解成某個部門或團隊的人數，方法完全一樣。只是為了說明方便，這裡先用「整家公司」做分析單位。

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」，你可以把它想像成餐廳的出餐量，但不是只看做出了幾道菜，而是把速度、品質、退餐率、客訴等因素都折算進去，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，問題就很難寫成清楚的模型。

另外，這裡談的也不是嚴格意義上的「AI 直接替代率」，而是更保守地去問：

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」。

幾個基本變數

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，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

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。若把固定成本也放進來，企業對「是否需要更大幅度調整人力」的計算會再變一層。下面先不處理那種情況，而是專注在這個較乾淨的邊際成本版本。

可行區間：成本與產出兩道約束

很多人談「AI 會取代多少工作」時，心裡其實只有一種力量：技術有多強、AI 能替代多少任務。

但在這個模型裡，人力縮減比例不是只受一個方向限制，而是同時被兩道約束夾住：一邊來自成本，一邊來自產出。先看成本，再看產出。

成本約束：至少要省下多少人力

導入 AI 之前，公司的總成本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 $\rho$ 有一個下限：

$$ \rho_{\min}=\frac{C_{ai}}{w+C_{ai}} $$

這條式子真正說的，不是「企業一定偏好裁員」，也不是「AI 越貴，公司就一定越想裁人」。它說的是更窄、但很關鍵的一件事：如果企業已經決定讓留任員工普遍使用 AI，且又要求總成本不能增加，那至少得縮減到某個比例，帳面上才站得住。

直覺上：

• 如果人工很貴、AI 相對便宜，只要裁掉少少一部分人，就足以把新增的 AI 成本打平
• 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

假設每位留任員工平均分攤到的 AI 月成本為 $C_{ai}=6k$ 新台幣，員工平均月成本設為 $w=60k$ 新台幣，那麼¹：

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

大約會是 9%。意思只是：在這個簡化模型裡，如果企業想讓多數留任員工都用上這套工具，至少得省下差不多這個量級的人力成本，帳才打得平。

但這個下限只告訴你「要省到多少」，沒有告訴你會裁誰。現實裡可能是裁員，也可能是遇缺不補、縮編某些團隊、把部分工作外包，或把人力移去新的流程與驗證環節（此文後面會探討這一點）。

產出約束：人力最多能縮到哪裡

再來看產出。這一步會把人力縮減比例的另一端也釘住：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：

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

整理之後得到：

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

也就是說，在這個模型裡，人力縮減比例有一個上限：

$$ \rho_{\max}=\frac{\phi}{1+\phi} $$

$\phi$ 越大，人力縮減比例的上限越高；$\phi$ 越小，人力縮減比例的上限越低。

這條式子在說的其實很簡單：你不能只因為「AI 很強」這個印象，就直接決定要裁多少人。你得看它到底能不能撐住原本的有效產出。

因為你裁掉的人越多，就越需要靠留下來的人把缺口補回去。而這個補缺能力，不靠想像，只靠 $\phi$ 所代表的有效產出提升。

先決條件：增益要蓋過成本

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，就代表這個可行區間根本不存在。也就是說，想要「導入 AI」並同時達成「成本不升、產出不降」這件事，在這個模型裡沒有可行解。

所以，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。

它說的是：

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。

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 還遠不到「完全替代人」的程度，企業也可能開始認真重算自己的人力配置。

平均員工模型，到這裡就不夠了

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。

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；限制也很明顯：它還沒有碰到企業真正麻煩的地方。

從平均模型到異質員工

一個公司裡，不同職位的差異至少有四種：

• 薪資不同
• 產出形式不同
• AI 可放大的程度不同
• 被替代或被保留的可能性不同

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？

不過，這裡要先把推論邊界講清楚。接下來不是要解完整的異質員工最適化問題。 如果真的要解那個問題，還得額外指定企業的目標函數、不同職位之間的互補關係、品質門檻，以及哪些工作可以互相替代。

下面要做的，是比較靜態地看：如果 AI 增益和薪資之間呈現不同關係，縮減壓力大致會往哪裡移動。 這不是完整求解，但足以幫我們看出兩種很不一樣的組織方向。

另外，這裡的薪資 $w_i$，也只是職位複雜度、責任密度與市場稀缺性的粗略代理，不等於能力本身。

情境一：菁英放大器

第一種情境是：AI 比較像一個「菁英放大器」——薪資越高、位置越關鍵的職位，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。

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。

這裡比較穩妥的推論，不是「高薪者一定更安全」或「高薪者一定更危險」，而是：

• 某些高槓桿職位更可能成為 AI 投資的優先節點
• 一旦這些節點的覆蓋範圍被放大，周邊部分工作的位置壓力可能跟著上升

重點不在 AI 能做多少事，而在於它是否能在某些關鍵職位上形成足夠大的邊際增益。若答案是肯定的，可以推想企業較可能朝資源集中、節點化配置的方向調整；但這仍然只是組織推論，不是單靠這個簡化模型就能完全證出的結論。

情境二：技能拉平器

也有另一種完全不同的可能：AI 比較像一個「技能拉平器」——幫助最大的不是原本最強的人，而是原本較弱、較初階的人。

2023 年，哈佛商學院與 BCG 合作的研究發現 ²：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%。

這個結果至少提供了一個很強的線索：在某些任務環境下，AI 的效果可能比較像是在補強低於平均者，而不只是放大原本最強的人。換句話說，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，快速從原本不穩定的狀態，被拉到接近可用的水準。

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「補強能力」：$k$ 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 把他們快速補到可用水準。

光靠這個模型，還無法斷定哪一種策略一定會發生；但至少可以看出，壓力更可能先集中在初階職位周圍的配置方式，而不是直接集中在資深職位本身。

更有意思的是，在這個情境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，在這個很特定的假設下，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 真的是一種技能拉平器，那企業在意的就不再只是「人工貴不貴」，而會更接近這個問題：

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？

同樣是導入 AI，重整邏輯並不一樣

把前面兩個情境放在一起看，差別就很清楚。

如果 AI 比較像是菁英放大器，那它傾向擴大既有差異：原本就位在關鍵節點的人，被進一步放大，企業會更關心怎麼把工具集中到乘數效應最大的地方。

如果 AI 比較像是技能拉平器，那它傾向壓縮既有差異：原本較弱的人被快速拉到可用水準，企業思考的重點就會從「把最強者再放大」轉成「如何重排團隊分工與梯隊結構」。

所以，這兩種情境雖然都可能導向人力調整，但背後的組織邏輯其實不一樣：

• 前者比較像：把關鍵節點再放大
• 後者比較像：把原本較弱的人補到可用

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。

模型之外的四個摩擦

如果只看前面的式子，「技能拉平器」這個情境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。

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，以及出錯時誰能發現、誰要負責。

換句話說，前面的式子給的是一個可行區間的上限感；一旦把管理摩擦放回來，真正可兌現的空間，通常只會更小，不會更大。

品質門檻

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、涉及大量例外情境的專案協調，或錯誤代價極高的醫療、金融與安全場景。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託付的高品質人力。

夠用不等於可託付，產出增加也不等於判斷力增加。這是「技能被拉近」和「責任能被轉移」之間最容易被忽略的一段距離。

驗證成本

模型裡的 $C_{ai}$ 看起來像工具成本。但現實裡還有一種常被低估的成本：驗證成本。

初階員工在 AI 幫助下，的確可以更快產出程式碼、報告、簡報、分析與文件；但資深員工未必會因此更輕鬆，反而可能要花更多時間審查內容是否正確、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，控管幻覺、合規與聲譽風險。

以軟體開發為例，junior 在 AI 協助下可以更快交出可執行的程式碼，但 senior 可能得花更多時間 review 架構一致性、邊界條件與安全問題。以顧問或分析工作來看，初稿速度變快，不代表最後判斷也能一樣快地放心交出去。

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」。這是前端看不太到、但往往更昂貴的管理成本。

人才梯隊

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。這正是技能拉平器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、可犯錯的任務裡慢慢累積起來的。如果這些任務被 AI 吃掉，或這些位置被企業過度裁掉，那新人就會失去學習曲線，企業也會慢慢削弱自己的學徒制。

所以，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。今天看似合理的縮編，幾年後可能變成資深人力斷層。

市場競爭

還有一個更外層、但也很現實的問題。

如果 AI 真的是一種技能拉平器，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，甚至走出新的差異化路線，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：AI 若真的在壓縮能力差距，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。

當 AI 變強、變便宜

把前面的分析收束起來，可以得到一個相對穩健的結論：

• 隨著 AI 變強，也就是 $\phi$ 上升，人力縮減比例的上限 $\frac{\phi}{1+\phi}$ 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。
• 隨著 AI 變便宜，也就是 $C_{ai}$ 下降，人力縮減比例的下限 $\frac{C_{ai}}{w+C_{ai}}$ 會下降。意思是：從成本角度來看，導入 AI 這件事更容易成立。

因此，單就這個模型來看，AI 支持企業做人力調整的條件，理論上確實會越來越容易成立。

但這裡不能偷換概念。畢竟「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。

所以更精確的說法是：

AI 越強、越便宜，企業用 AI 支持人力重配的條件越容易成立；但它最終走向縮編、擴編還是重組，取決於更完整的商業情境。

結語：回到約束與配置

回到最早那則裁員貼文，該問的其實不是「AI 到底有沒有搶工作」，而是：在這家公司裡，AI 是否真的讓「成本不升、產出不降」的人力重整變得可行。

這也是本文想說的重點。AI 是否會導致人力縮減，不能只看技術展示，也不能只看新聞標題，而要看它能不能同時通過層層約束：工具成本撐不撐得住，產出守不守得住，而它的增益，究竟落在哪些人身上。

一旦離開平均員工的世界，問題就不再只是 AI 強不強，而是它到底在放大既有優勢，還是在改寫能力分布。前者可能把組織推向更集中的節點配置，後者則可能帶來另一種重整邏輯，同時引進新的驗證成本、梯隊風險與管理負擔。

所以，下一次再看到「AI 導致裁員」這種說法，先別急著下判斷。先問：它是否真的有可行區間？它省下的是成本，還是只是把成本換了位置？

全文圖解

  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 可用，不代表足以支撐「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["離開平均員工之後：<br/>AI 的增益會先落在哪些職位？"]
    F --> G[情境一：菁英放大器<br/>w ∝ φ]
    F --> H[情境二：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/>局部可行配置空間拉大]
    G2 --> G3[可能推論：<br/>AI 投資更集中在關鍵節點]
    G2 --> G4[周邊部分工作<br/>位置壓力可能上升]
    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 --> I[但現實裡還有管理摩擦]
    I --> I1[品質門檻]
    I --> I2[驗證成本]
    I --> I3[人才梯隊]
    I --> I4[市場競爭]
    G4 --> 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]
    I4 --> Z