AI 已成為職涯分水嶺：企業制度化導入下，個人技能落差正在被快速放大

生成式AI 大規模進入辦公場景後，企業面臨的問題不再是「要不要用AI」，而是「不用AI的成本是否已高到不可接受」。這個變化之所以迅速，原因在於AI直接碰到白領工作最常見的活動類型，例如整理、摘要、撰寫、分析、溝通與初步決策支援。

McKinsey Global Institute 在 2023 年的研究指出， 生成式AI 可能影響大量工作活動的時間配置，且對知識型工作的影響尤其顯著。重點在於，企業更可能重新分配工作內容與責任，而非用「AI直接取代整個職位」來理解這件事。

你是否具備 AI能力 ，過去多半只能用「看起來會用」來判斷。但當企業把 AI能力 變成制度、標準與等級，個人差距就會被快速放大，因為它變成可被比較、可被追蹤、可被衡量、可被要求的項目。

2.1 企業案例：DeNA 將 AI能力 制度化

日本企業 DeNA 對外公開「DeNA AI Readiness Score（DARS）」的概念後，一個訊號非常清楚。企業不滿足於「鼓勵大家用AI」，而是要建立「全員能力現況」與「可被指引的成長路徑」。DARS 的核心做法，是用分級方式描述從初步接觸到能以AI設計策略的能力差異。

2.2 治理推力：AI治理與法規環境

歐盟在 2024 年推出《AI Act》相關政策與法規框架後，企業對AI的治理責任與風險意識明顯上升。
這類外部治理壓力，會推動企業建立內部標準，包含使用規範、風險控管與人員能力。

很多人的學習停在「會用某個工具」，但企業在意的往往是更上層的能力，例如判斷、流程設計、品質控管與風險管理。Harvard Business Review 對管理者的建議方向，集中在「如何把 生成式AI 變成可治理的能力」，而不是把AI當成一次性捷徑。

3.1 一個可用於自評的AI能力表

現在網路上充斥各種教人做短影片、教提示詞、教工具操作的內容，看起來門檻低、成效快，也很容易讓人產生一種錯覺，以為只要跟上這波工具潮流，就已經站在產業前端。但對企業來說，他們真正關心的，從來不是你會不會操作某個新工具，而是這些能力能不能被治理、能不能被整合進組織流程、能不能在真實營運情境中持續產生價值。

如果你因為學會了影像生成、做出幾支效果不錯的短影片，就在那裡暗自得意，甚至把這當成自己「已經很懂AI」的證明，那其實是一個非常危險的誤判。這不只是個人能力評估的偏差，更可能讓人誤入一種看似前衛、實際上卻正在消耗時間與判斷力的潮流陷阱。真正可怕的，從來不是工具更新太快，而是大量人力被引導去追逐表層技巧，卻錯過了更關鍵的結構性能力養成。

而近期 DeNA 公開揭露的相關做法，對許多企業與管理者而言，其實就是一記非常清楚的警鐘。它提醒市場，企業在看待AI與數位技能時，評估標準早已從「會不會用」轉向「能不能負責」。也就是說，你是否理解這些技術會如何影響組織決策、資料治理、風險控管與長期競爭力，而不是單點產出看起來很炫。

很多人會選擇用短影片課程、提示詞範本或工具教學，快速讓自己「看起來上手」。這種方式在入門階段並非毫無價值，但如果你的目標是從「能用」進階到「可治理、可整合、可創新」，那麼你真正需要的，往往不是更多工具清單，而是更接近現場、更接近真實問題的訓練條件。

OECD 在多份關於成人學習與再技能提升的研究與專題中，一再強調情境、回饋與可遷移能力的重要性。這類能力不是靠看教學影片累積的，而是在面對真實限制與不確定性時，反覆修正決策、接受他人質疑與校對，才會逐步形成。也正因如此，企業在評估人才時，越來越重視一個人是否曾在真實場域中，承擔過決策後果，而不只是展示過漂亮成果。

從這個角度看，最值得警惕的，不是沒有跟上最新工具，而是把潮流本身誤認為能力。當整個市場都在教你怎麼更快產出，卻很少有人提醒你如何為產出負責，這正是為什麼現在這個訊號如此重要，也如此值得被嚴肅看待。

當AI變成決策與治理的一部分，學習需求會從「學工具」轉向「學方法」。這也是為什麼 EMBA、MBA、在職專班的設計邏輯開始重視可驗證的產出，例如提案、專案、策略分析、跨部門溝通與商業決策。

5.1 為何「同儕環境」會影響 AI能力 成熟

AI能力 走到更高層級時，最常遇到的不是「不會操作」，而是「不確定怎麼定義問題、怎麼驗證、怎麼避免錯誤擴大」。同儕環境能提供交叉檢核與壓力測試，讓輸出更接近企業可用的品質。

5.2 人財育成中心的下一步：從課程供給走向能力路徑

多數在職專班仍停留在課程供給邏輯，重點是上了哪些課、聽了哪些理論、完成哪些報告，但人財育成中心已經往前走了一步，直接對準企業怎麼判斷一個人「可不可靠、可不可以被授權」。實務上，本中心做的不是單純教授如何使用 AI工具 ，而是要求學員在真實情境中建立可重複的工作流程，清楚標示資料來源、品質標準與風險邊界，並且必須能向他人說明為什麼這樣用、什麼情況下不能用。學習成果不單只是交給老師評分，而是透過跨背景同儕與實務專家的回饋反覆修正，直到輸出達到企業可用的水準。

這類訓練一般在職專班往往做不到，原因很現實。一來學員背景單一，缺乏跨部門與跨角色的壓力測試；二來課程時間與設計無法承擔反覆推翻與重做的成本；三來沒有把「可治理、可負責」當成能力門檻，只能停在概念理解與個人練習層級。人財育成中心真正補上的，是這段從「會用AI」到「敢讓你用AI做決策」之間，企業最在意、卻最難培養的斷層。

如果你不想只停在焦慮，最有效的方式通常是把 AI能力 拆成可檢核的項目，先完成盤點，再做投資。
你可以用本文的分層表，對照你目前最常做的工作，逐一回答以下問題。

若你的答案多停在「會用、但不穩定」，建議先把目標放在 Level 2 到 Level 3。
因為 Level 3 的關鍵是可治理與可控，這通常是企業願意信任並擴大授權的分界線。