我為傳統產業的企業上了一堂AI 行政應用課，課後回饋回收 11 份，其中在「今天印象最深刻的單元」有意外的觀察—11 份回答，沒有重複。
有人寫的是語音轉逐字稿，有人寫的是簡報自動生成，有人寫的是怎麼下指令，有人寫的是步驟口訣卡，還有人寫的是認識了平台本身。

一開始我以為這是吸收程度的差異，但把這些答案和他們的工作擺在一起看，脈絡清晰浮現：
每天要處理會議記錄的人，記住的是轉錄工具，經常被要求交報告的人，記住的是簡報生成，本來就習慣用流程拆解事情的人，記住的是那張口訣卡。
每個人記住的，都是自己手上早就有的那件事的「更快版本」。新知識不會憑空長在一個人身上，它必須嫁接在某個既有的經驗上，才站得住，同一堂課之所以長出11種不同的收穫，是因為每個人接住的位置不一樣。
如果這個觀察成立，那麼讓人員「學得快」這件事，就不完全是學習能力的問題，更接近「人員是否清楚知道多少自己身上既有核心職能及應用情境」。

這在過去只是學習效率的問題，但在 AI 時代，它變成導入成敗的問題——因為工具更新的速度，已經超過組織培養專才的速度。

回到組織面，產生另一種解釋——企業導入新工具卡關時，最常見的歸因是預算不夠、系統不相容，或是員工抗拒改變，除此之外，我觀察到更有可能是「組織裡缺少能把新工具翻譯回現場各部門語言的人」；懂現場的人不懂工具，懂工具的人不懂現場，技術方提供的是通用功能，現場需要的是「我這份每週要交的報表怎麼辦」，如果沒有人做翻譯與嫁接，新技術導入就停留在「花大錢請顧問買系統、大家上過課，但最後沒有人用」的階段。
而能做這段翻譯的人，往往有一個共同特徵：跨過部門、跨過職能，或跨過產業，翻譯這件事的本質，就是把一套語言搬到另一套語境裡——這正是跨領域工作者每天在做的事。

企業可以這麼做：
一、導入前先盤點「嫁接點」，而不是先盤點新工具
第一步是讓各單位先列出「目前最耗時的三項重複性工作」，再回頭挑工具，而最能清楚描述自身工作痛點的人，就是最適合的第一批種子使用者——因為他們心裡已經有一個等著被嫁接的位置，工具一放便自然生長。
二、找出組織內部已經被驗證過的跨域者
履歷上曾經轉換過部門、職能或產業的員工，其實已經在真實壓力下證明過一件事——他能在陌生的知識體系裡活下來並交出成果，這比「他現在會不會用這個工具」重要得多。
三、把導入設計成「舊能力的新舞台」，而不是從零開始學。資深員工抗拒的通常不是新工具，而是「我累積二十年的經驗要作廢了、我快沒地位了。」如果訊息從「你要學新東西」換成「由你判斷新工具快速產出的初稿，再正式輸出」，前者是否定，後者是升級，接受度提升。

「跨得動，本身就是一種職能。」
過去我們習慣把「換過很多領域」看成履歷上的瑕疵，覺得那代表定性不足，當工具每隔幾個月就在改寫工作方式，能不能「跨得動」，顯然成為一種核心職能。企業真正該問的，或許已經不是「這個人有沒有相關經驗」，而是「這個人有沒有把經驗搬到新場域的能力」，組織需要的嫁接人才，其實本來就在公司裡——那些曾經跨過的人。

* 本文引用之課後回饋為單場課程樣本共 11 份，屬質性觀察，內容均經去識別化處理。

作者介紹

作者其他文章