當我們開始把決策，交給一個看不見的「同事」
有一次在客戶公司開會，行銷主管半開玩笑地對我說：
「說真的，我們現在一半的文案都是 AI 寫的。
結果大家最常問我的，不是轉換率有沒有變高，而是——
還算不算我在做這份工作？」
他說這話的時候，不是抱怨，也不是炫耀，而是一種說不太清楚的複雜心情。
生成式 AI 走進辦公室，往往就是這樣開始的：
不是哪天公司鄭重宣佈「導入 AI」，而是某個週末晚上，有人用 ChatGPT 生出了一版企劃初稿，隔天大家發現：「欸，其實還不錯。」
從那之後，遊戲規則就默默改變了。
生成式AI的真正衝擊：不是取代，而是「重排」
高盛在 2023 年做過一份分析，估計生成式 AI 在技術上可能影響多達 3 億個全職工作，同時在十年內讓全球 GDP 提高約 7%。
這種數字聽起來既壯觀又可怕，但如果只把它理解成「多少工作會消失」，其實有點可惜。
在實際現場，我看到的更像是：
工作的內部組成正在被重排。
-
客服人員發現，日常八成的常見問題已經由 AI 先回答完了，真正需要他們介入的，變成那些情緒濃度很高、情境很複雜的對話。
-
工程師發現，GitHub Copilot 幫忙寫掉了大段模板式程式碼，他們花更多時間在架構、風險與協作上。微軟的研究就指出，使用 Copilot 的開發者，完成同樣任務的速度快了 55%。
-
內容團隊發現，產品描述、 EDM 初稿可以交給模型生，自己反而比較像「總編輯」而不是「打字員」。
換句話說，生成式 AI 帶來的最大變化，不是「人 vs 機器誰贏」，而是：
同一份工作裡，人做的部分變了，
機器做的部分也變了。
真正的問題變成：
在這份組合裡，我還想要保留什麼是「一定要由人來做的？」
我們在加速的，同時也在模糊什麼？
如果只看商業數字，生成式 AI 帶來的一切都很迷人。
電商可以用 AI 生成不同版本的商品文案，針對不同族群調整語氣，轉換率明顯變好；
新創公司用 AI 做藥物設計，像 Exscientia 就把從構想到臨床的時間，從 5 年壓到 1 年多。
開發團隊用 AI 寫測試、寫文件，產品迭代速度肉眼可見地加快。
但當我們沉浸在「快很多、便宜很多」的同時，有些東西也在慢慢變得模糊。
內容的「作者」是誰？
當一篇文章、一次設計、一段程式碼，有一半以上是 AI 生成、另一半是人調整出來的，
這作品的作者究竟是誰？
美國版權局近期的立場是：沒有實質人類創作貢獻的純 AI 產物，不具版權保護資格；
只有當人類對 AI 輸出做了足夠的創意選擇與改寫，才談得上「人類作者」。
聽起來合理，但實務上，有多少組織會在忙碌的節奏裡，細細分辨這條線？
又有多少創作者，會在壓力之下，被迫接受一個模糊的說法：「反正公司都算集體創作」？
決策的「邏輯」還看得見嗎？
另一個更值得擔心的，是那些藏在演算法裡的決策。
當 AI 模型開始被用來做貸款評估、履歷篩選、風險控管時，
我們有多大把握，能夠向被影響的人清楚解釋：
-
為什麼這份履歷沒有被選中？
-
為什麼這個客戶的額度就是比別人低？
歐盟的 AI Act 之所以對「高風險系統」提出嚴格要求，就是因為它們很可能影響一個人的健康、安全與基本權利，
像是教育、就業、金融服務等領域。
這一切背後其實是很簡單的直覺：
你可以接受一個黑箱幫你挑顏色、推薦影集，
但很難接受一個黑箱決定你能不能拿到房貸、能不能被錄取。
企業真正需要回答的，不是「導不導入」，而是三個更難的問題
很多公司現在喊著「要擁抱生成式 AI」，
開了預算、買了授權、辦了幾場內訓，感覺像是交了一張功課。
但真正難的部分，往往不是技術，而是下面這幾個問題：
1. 我們願意把哪些判斷交給機器？
是讓 AI 只提出建議，由人類最後拍板？
還是允許它在某些門檻以下的決策（比如小額退款、一般客訴處理）自動執行？
這背後隱含的是：
我們對風險的容忍度、對效率的追求，以及對人類直覺的信任程度。
這不是 IT 部門能單獨回答的問題，而是董事會、法務、人資、業務都要坐在同一張桌上談的。
2. 當 AI 做錯時，我們打算怎麼負責？
AI 做出錯誤判斷的那一天，一定會來。
那時候，公司要怎麼對客戶、對員工說：「這是我們的決策，我們負責」，
而不是推給一句模糊的：「系統出了點狀況」？
這牽涉到的是可解釋性（我們知不知道它怎麼想的）、
也是治理問題（有沒有紀錄、有沒有審查、有沒有回溯機制）。
3. 在這個新分工裡，人還剩下什麼獨特價值？
如果一家公司真正把生成式 AI 用得很徹底，
它遲早得面對員工提出的那個問題：
「那我還能帶給公司什麼，是 AI 替代不了的？」
這個問題的答案，不能只是「你們要變得更有創意」、「要學會使用工具」這種漂亮話。
企業必須在制度上、在培訓上、在職涯設計上，
真的為員工預留那塊只有人能做的工作：
理解上下文、整合利益、處理衝突、承擔責任。
個人呢？我們要學會的，不只有新工具
從個人角度看，生成式 AI 一定會成為你身邊的某種存在：
也許是簡報起草的小幫手，也許是寫程式的副駕，也許是 24 小時待命的研究助理。
學會用工具當然重要：
懂得怎麼下指令、如何檢查輸出、什麼時候該相信、什麼時候要再確認一次。
但也許更重要的是，保護好幾樣東西不被磨平：
-
懷疑的能力：看到一段看似完美的分析，敢再問一句「那如果反過來看呢？」
-
承擔的意願：在 AI 與數據都指向某個方向時，如果直覺不對，敢不敢說「我先負責停一下」。
-
對人的感覺：在所有東西都可以被量化、分數化的時代，還記得去問問：「這個決策，對那個人來說意味著什麼？」
最後，技術之外的那個問題
Goldman Sachs 說，生成式 AI 可能讓全球 GDP 多出 7%。
GitHub 的研究說，Copilot 讓開發者快了 55%。
歐盟 AI Act 說，高風險系統必須符合一整套新的規範。
美國版權局說，沒有人的創意，就沒有版權。
這些數字與規則都很重要，
但在它們之上，還有一個更根本的問題，只有我們自己能回答：
當我們把越來越多事情交給一個看不見的「同事」去做時，
我們究竟希望，它幫我們放大的是什麼樣的世界？
效率？
利潤？
還是某種我們還不太擅長說出口，但其實一直在尋找的東西——
例如公平、尊重、時間、與人真正相處的空間。
生成式 AI 已經在這裡，而且只會越來越聰明。
技術怎麼演進，某種程度上已經不是我們能完全控制的；
但在怎麼使用它、為什麼使用它、為誰使用它這些問題上，我們還握有選擇權。
而那，才是我真正期待看到企業和個人一起開始認真討論的地方。