2026/08/20More AI Doesn’t Mean More Productivity: Redesign the Workflow, Not Just the Task
人工智慧與機器學習｜約沛科技｜2026/08/20
人工智慧已經能替員工撰寫文件、分析資料、產生程式，甚至自主執行一連串工作，但企業很快就會遇到一個反直覺的現象：每一項工作的速度都變快了，整體營運卻沒有等比例加速。McKinsey、BCG、Deloitte 與《哈佛商業評論》近年的研究都指向同一個問題：人工智慧真正的企業價值，往往不是來自「把原本的工作做快一點」，而是重新檢視哪些工作還需要存在、哪些交接可以消除，以及人、AI 與企業系統之間應該如何重新分工。
惠普企業（Hewlett Packard Enterprise, HPE）的財務團隊在導入代理式人工智慧時，刻意沒有從「哪個員工最需要一個 AI 助手」開始，而是選擇了一個完整的企業流程：營運績效檢討（Operational Performance Review）。這項工作需要從大量企業資料中整理營運狀態、分析異常、製作圖表，再把結果整理成管理階層可以採取行動的資訊，是一個橫跨資料蒐集、分析與決策支援的完整流程。HPE 財務長 Marie Myers 表示，團隊選擇這個案例，就是因為希望真正改變端到端的工作方式，而不只是解決其中一個小痛點。
HPE 與 Deloitte 共同開發的系統，在公司內部被稱為 Alfred。它不是只在原本的報表流程中加入一個文字摘要工具，而是由多個人工智慧代理共同處理查詢拆解、SQL 資料分析、圖表製作與管理報告整理，再從公司的資料倉儲取得資訊；這個資料環境包含超過約 3 億筆資料紀錄，底層則連接企業資源規劃系統與客戶關係管理系統。原本偏向靜態、回顧性的報表流程，因此開始轉變為可以持續與資料互動、探索問題並提供下一步分析方向的管理工具。
這個案例值得注意的地方，不是 HPE 使用了多少個人工智慧代理，而是它選擇改造的「單位」不同。很多企業導入人工智慧時，會先把工作切成一個個任務，例如撰寫摘要、製作圖表、搜尋資料，然後問每個任務可以節省幾分鐘；HPE 則從完整的營運績效檢討流程出發，再思考哪些步驟應由人工智慧執行、哪些資訊可以直接串接，以及管理者真正需要參與的環節是什麼。這兩種做法看似都叫做導入人工智慧，產生的組織效果卻可能完全不同。
這正是目前企業人工智慧採用最明顯的落差。McKinsey 2025 年全球人工智慧調查顯示，人工智慧在企業中的使用已經相當普遍，但是企業層級的實質價值仍不平均；在 McKinsey 測試的 25 項管理實務中，重新設計工作流程，是與生成式人工智慧帶來息稅前利潤影響關聯最明顯的因素。然而，在已經使用生成式人工智慧的受訪企業中，只有 21％ 表示曾經根本性重新設計至少部分工作流程。
到了 2026 年，這個差距仍然存在。BCG 對年營收至少 5 億美元企業的 152 位執行長進行調查，接近九成受訪者表示已經在部分領域看到人工智慧帶來成本或營收效益，但是多數企業仍難以把這些成果擴展成整體財務影響；表現較好的企業，重新設計工作流程與端到端改造業務的可能性約為其他企業的七倍。人工智慧真正的瓶頸，逐漸不是模型能不能完成任務，而是企業是否願意重新設計工作的運作方式。
局部效率提高，不等於組織效率提高
假設一家企業的行銷團隊，原本需要兩個小時撰寫一份活動企畫。導入生成式人工智慧後，第一版企畫只需要二十分鐘就能完成。從個人的角度來看，這是一個非常明顯的生產力提升；如果企業把人工智慧的效益用「單項工作節省多少時間」衡量，這個專案幾乎一定會被判定成功。
然而，一份企畫產生之後，可能還要交給產品部門確認內容、品牌部門修改文字、法務確認宣稱、主管審核預算，再回到行銷團隊修改。原本兩個小時的撰寫工作可能縮短到二十分鐘，可是後面的等待、交接與反覆確認完全沒有改變。甚至因為人工智慧產生內容的成本降低，員工開始更容易產生五個版本、十個想法和更多附件，結果需要被審核的資訊反而增加。
BCG 在 2026 年研究人工智慧生產力時，把這種現象描述得相當直接：人工智慧可以增加產出與工作速度，但是如果既有的步驟、審核層級、角色與重複工作仍然存在，新增的生產力很容易被原本的組織複雜度吸收。企業看得到員工做得更快，卻不一定看到成本下降、流程縮短或財務績效同步改善。
這也是為什麼「員工每天使用多少次人工智慧」或「每個月產生多少份人工智慧內容」，很難單獨證明人工智慧轉型成功。這些數字只能證明工具被使用，不能證明組織的運作方式已經改變。真正需要觀察的是，一個原本需要五天完成的工作現在是不是只需要兩天、原本需要六次人工交接的流程是不是只剩兩次，以及原本需要主管逐件確認的案件，有多少已經轉變成只處理例外狀況。
不要把人工智慧裝進一套為人類設計的舊流程
企業流程通常不是一次設計完成，而是多年逐步累積的結果。某個步驟曾經出過問題，所以增加一次審核；某個系統沒有介面，所以安排一個人負責複製資料；另一個部門需要被通知，因此再增加一封電子郵件。每一個步驟出現時都有理由，但經過多年之後，一個原本簡單的工作可能已經變成跨越五個部門、三套系統與數次人工確認的複雜流程。
《哈佛商業評論》在討論 AI Agent 與工作設計時，用早期工廠導入電力的歷史作為比喻。最初的工廠只是把中央蒸汽動力替換成電動馬達，卻保留原有廠房與傳動方式，因此改善有限；直到企業重新依照電力的特性設計工廠配置，新的生產模式才真正出現。人工智慧也面臨類似問題：如果企業只是把 AI 放進原本為人類工作方式建立的組織結構中，能得到的往往只是局部效率改善。
Deloitte 在 2026 年代理式人工智慧研究中也提出相同警告：很多企業試圖自動化既有流程，而這些流程原本就是為人類的工作限制所設計。領先企業採取的做法則是回到端到端流程，重新檢查工作應該如何完成，而不是單純尋找「現在哪一個步驟可以放一個 Agent」。Deloitte 甚至指出，有些設計不良的代理式人工智慧專案會額外增加工作，使流程變得更沒有效率。
這帶來一個很重要的管理問題。企業在評估人工智慧時，最常問的是：「這個步驟可以用 AI 做嗎？」但真正有價值的問題應該再往前一步：「有了現在的人工智慧能力之後，這個步驟還需要存在嗎？」前者通常得到更快的舊流程；後者才可能得到新的營運方式。
重新定義人、AI 與系統的責任
傳統企業流程有一個很少被明說的前提：大部分資訊必須由人來閱讀，大部分跨系統動作也需要有人操作。因此企業會依照人的能力與限制，把工作拆成部門、職位與操作步驟，再利用表單、電子郵件、會議和軟體畫面把它們串在一起。這也是為什麼很多公司的流程裡，存在大量「把資訊從一個地方搬到另一個地方」的工作。
例如業務收到客戶需求後，可能先把電子郵件內容整理到客戶關係管理系統，再通知技術人員；技術人員估算後，把結果放進專案管理系統；業務再取得價格資料建立報價，主管確認折扣，最後才寄給客戶。這裡真正需要人類判斷的，可能只有需求釐清、特殊估算與異常折扣，其餘大量工作其實只是資訊整理、系統操作與狀態傳遞。
當生成式人工智慧與 AI Agent 開始具備理解文件、查詢企業資料、呼叫工具與操作系統的能力，這些原本理所當然的分工就值得重新檢視。Deloitte 在研究代理式人工智慧時指出，領先企業不是單獨替現有職位增加工具，而是開始從整個流程思考，人類與 Agent 分別應該處理哪些工作，再讓兩者共同完成最終成果。
這也意味著人工智慧轉型不再只是資訊部門的責任。資訊團隊可以負責模型、資料、系統整合、安全與技術架構，但它無法單獨決定「哪些審核其實沒有必要」「什麼客戶可以自動報價」「哪些例外一定需要主管」。這些問題需要真正負責營運結果的事業單位參與，因為流程重設本質上是管理問題，而不是單純的技術導入問題。
定義一套以成果為起點的流程重設方法
企業開始重新設計流程時，不需要一開始就把整間公司全部重做。比較實際的方法，是挑選一個具有明確成果、跨越多個步驟，而且目前存在大量人工整理、交接或等待的流程，從頭到尾重新檢查。BCG 也建議企業選擇一個完整流程，從端到端重新設計，而不是在不同部門各自尋找零散的人工智慧案例；其研究指出，工作流程重新發明所帶來的影響，可能達到傳統漸進式改善的三到四倍。
一個實際的流程重設，可以依序回答以下問題：
- 這個流程真正要產生的成果是什麼？不是「製作一份報表」，而是「讓主管取得足以做決策的資訊」；不是「建立客服工單」，而是「讓客戶問題被解決」。
- 哪些步驟真正需要人的判斷？涉及策略、關係、例外、責任與高風險決策的工作，通常仍然需要人類參與。
- 哪些步驟只是資訊搬運？如果員工只是把資料從電子郵件複製到客戶關係管理系統，再從另一套系統查資料貼回來，這些工作首先就值得被消除或整合。
- 哪些審核是風險控制，哪些只是歷史習慣？不是每個簽核都應該被取消，但企業必須知道它正在降低什麼風險，否則人工智慧只會讓文件更快抵達下一個等待點。
- 哪些情況可以自動完成，哪些只需要例外上呈？如果 90％ 的案件都符合固定規則，就不一定需要 100％ 的案件都經過人工審核。
- 人工智慧應該在哪裡出現？直到前面的問題回答完，企業才決定使用生成式人工智慧、傳統自動化、AI Agent，還是根本不需要人工智慧。
這個順序非常重要。如果第一個問題就是「哪裡可以放人工智慧」，團隊很容易把現有流程視為不可改變的前提；反過來先問成果、判斷、交接與例外，人工智慧就變成重新設計工作的其中一種工具，而不是專案的目的本身。
好的 AI 工作流程具備哪些特質
從 HPE、McKinsey、BCG 與 Deloitte 的企業案例與研究中，可以看到真正能把人工智慧轉化成營運成果的流程具有一些共同特徵。它們並不追求「整個流程完全沒有人」，而是重新安排人類應該在哪裡出現、資訊應該如何流動，以及人工智慧產生的能力如何轉化成真正的組織成果。
- 以成果而不是任務為單位：設計的目標不是讓十個工作各快 20％，而是讓整個流程的交付時間、品質或成本發生明顯變化。
- 減少不必要的交接：人工智慧產生的資訊若仍需在人、文件與系統之間反覆搬運，生產力很容易在交接中消失。
- 把人放在高價值判斷點：員工不需要每一筆工作都介入，而應該集中處理例外、風險、關係、創意與需要承擔責任的決策。
- 讓企業系統直接參與流程：人工智慧若只能產生一段文字，再由員工手動輸入正式系統，就很難形成真正的端到端改善；資料、工具與工作流程需要逐步整合。
- 簡化之後才自動化：如果一個流程有十二個步驟，其中五個其實不再必要，最好的自動化不是讓十二個步驟全部跑得更快，而是先把五個拿掉。
- 衡量端到端成果：除了節省多少工時，還應該衡量週期時間、人工交接次數、例外比例、成本、轉換率、客戶滿意度與實際財務影響。
BCG 把這件事情形容為從 Productivity 走向 Performance。人工智慧可以迅速創造新的工作容量，但只有當管理者主動重新分配這些容量、移除不必要工作並修改角色與決策權時，生產力才會轉化為真正的成本改善與績效。否則員工只是利用新的時間完成更多原本就存在的工作。
如何從單點 AI 導入走向工作流程重設
企業的第一步，不是停止目前所有 Copilot、ChatGPT 或生成式人工智慧專案。單點工具仍然是很好的學習方式，也能快速建立員工對人工智慧能力的理解。問題在於，公司不能把「很多人開始使用 AI」誤認成轉型已經發生；當個人生產力開始提高後，管理者應該把視角往上一層移動，觀察這些效率最後去了哪裡。
比較好的起點，是挑選一個具有明確痛點與商業成果的完整流程。這個流程不一定要最大，而應該具備容易衡量的結果，例如報價週期、客服問題解決時間、採購處理時間、財務結帳、專案交付或品質異常處理。HPE 選擇營運績效檢討流程，就是因為它同時具備大量資料、明確管理價值與跨步驟改善空間。
接著，團隊應該先畫出目前真正發生的流程，而不是公司制度文件上寫的流程。每一個等待、人工複製、電子郵件確認、系統切換與主管審核都應該被看見。這時候團隊才有機會發現，真正拖慢工作的往往不是某個人打字太慢，而是資訊不知道在哪裡、責任不清楚、系統彼此斷裂，以及所有案件都被迫經過相同的控制方式。
第三步，是重新設計之後才選技術。有些步驟可能適合大型語言模型，有些適合傳統規則引擎，有些只需要 API 串接，有些則適合 AI Agent 自主處理。如果一個固定規則的工作用普通程式就能安全完成，沒有必要為了「人工智慧轉型」而硬套 Agent。Deloitte 2026 年也特別警告企業，不少被包裝成代理式人工智慧的案例，其實只是傳統自動化，錯誤選擇技術反而可能造成投資報酬率降低。
最後，流程上線之後必須持續調整。人工智慧的能力會變、企業規則會變、員工也會逐漸發現新的使用方式，因此工作流程不應再被理解成一次設計、數年不變的固定制度。《哈佛商業評論》在 2026 年談新興科技與流程設計時指出，人工智慧降低資訊協調與實驗成本後，企業有機會把過去大型、週期性的流程改造，逐步轉變成持續演進的工作方式。
從使用率指標走向營運成果
人工智慧導入初期，企業很容易把採用率當成成功指標。例如多少員工開啟 Copilot、多少人每週使用 ChatGPT、公司建立多少 Agent。這些數字在推廣階段有價值，因為它們能顯示員工是否真的接觸新工具；但當人工智慧開始進入正式營運後，企業必須逐漸把衡量方式改成成果導向。
《哈佛商業評論》在 2026 年把企業只取得個人層級生產力、卻沒有形成整體商業成果的現象稱為「微生產力陷阱」（micro-productivity trap）。員工可以更快完成電子郵件、簡報、程式碼與分析工作，但如果這些改善沒有連接到完整業務流程，就很難反映在收入、成本與競爭力上。
因此，下一階段的管理儀表板需要開始出現不同指標。例如一份報價從需求進來到正式送出的平均時間縮短多少；客服案件第一次就成功解決的比例是否上升；一個採購流程平均需要多少次人工介入；多少工作原本需要主管逐件核准，現在只有異常案件需要處理；原本需要三個部門交換資料的流程，是否已經整合成一條資訊流。
這些指標和「模型回答多快」相比，看起來沒有那麼像人工智慧指標，卻更接近企業真正關心的結果。人工智慧的價值最後必須落在營收、成本、速度、品質、風險與客戶體驗其中至少一項；如果所有人工智慧使用量都快速增加，而這些指標完全沒有變化，管理者就應該重新檢查，公司得到的究竟是轉型，還是只是更多工具。
AI 轉型的重點，正在從工具轉向工作本身
目前的人工智慧技術仍然快速發展，企業未來幾年一定會持續取得能力更強、成本更低的模型與 Agent。換句話說，「取得人工智慧」本身會愈來愈容易。真正難以複製的競爭能力，反而可能是企業是否理解自己的流程、是否知道哪些決策真正重要，以及能不能重新安排人、人工智慧與企業系統之間的分工。
Deloitte 2026 年的企業人工智慧調查提供了一個值得注意的數字：人工智慧帶來效率與生產力成果的企業愈來愈多，認為人工智慧已產生轉型級影響的主管也比前一年增加，但真正表示正在「重新想像整個業務」的企業仍只有 34％。這說明大部分企業仍處在把人工智慧加入現有工作，而不是重新設計工作的階段。
BCG 最新研究同樣顯示，真正表現較好的企業不只是部署更多人工智慧，而是把 AI 與流程、角色、決策權和營運模式一起改造。當企業只追求「一個人一天多做多少工作」，改善通常停留在局部；當企業開始問「這個工作為什麼需要這麼多人、這麼多交接與這麼長的等待時間」，人工智慧才可能成為改變組織設計的力量。
因此，現在正是企業重新檢查流程的好時機。不是因為每一項工作都應該交給人工智慧，而是過去很多為資訊取得困難、人力有限與系統彼此斷裂而建立的工作方式，已經不再是唯一選擇。管理者真正需要培養的能力，也不只是知道最新模型有哪些功能，而是能夠重新判斷什麼工作值得存在、什麼應該消除、什麼應由機器處理，以及人類的判斷最應該被保留在哪裡。
科技本身不會自動改變一家公司。讓同一份報告快十倍產生，並不代表企業的決策速度快了十倍；讓每位員工都有人工智慧助手，也不代表公司的營運模式已經改變。人工智慧真正的轉型價值，來自企業願意利用新的技術能力，重新設計「工作究竟應該怎麼完成」。
所以，當公司下一次準備採購新的人工智慧工具、建立下一個 AI Agent，或要求更多員工開始使用人工智慧時，管理者或許應該先問另一個問題：如果今天從零開始設計這個流程，而且一開始就知道人工智慧具有現在的能力，我們還會把工作設計成今天這個樣子嗎？
如果答案是否定的，那麼企業下一步真正需要更新的，可能不是人工智慧工具，而是工作本身。
