【AI 的隱形學徒稅】讓新人練到敢扛責任，企業如何建立「養成階梯」？
AI 開始從最小的工作單位進入知識工作，包括草擬備忘錄、整理逐字稿、生成程式碼雛形、找出參考先例等「任務」，都能交給它完成。
問題是，瑣碎工作往往有「產出成果」和「訓練新人養成判斷力」的作用，如今企業只把這樣的轉變當成效率提升來慶祝，很可能在不知不覺中讓新進人才失去磨練判斷力的機會。
任務被壓縮，年輕員工就業率下降
一份針對五種職業、逐項任務建模的研究發現，以 AI 導入前每 100 小時的工作量為基準，導入後只剩下 57 到 73 小時，多半集中在理解客戶脈絡、查證資料來源、承擔簽核風險這類工作。
換句話說，被壓縮掉的那一大塊，正是過去初階員工的主要工作內容——就業數據也出現對應的變化：史丹佛大學研究人員分析美國人力資源服務公司 ADP 的薪資紀錄發現，在最容易被 AI 取代的職業裡，22 歲到 25 歲的年輕員工，就業率比原本應有水準低了 19%，資深員工卻幾乎沒受影響。
年輕人首當其衝，不是因為能力不足，而是因為他們原本做的，就是最容易被 AI 接手的工作任務。
雜務被 AI 接手，新人也少了練習判斷的機會
事實上，那些瑣碎工作從來不只是瑣碎工作。過去初階員工找比較案例、清理資料、核對引註，做的雖然是打雜，卻也在過程中一次次練出辨認問題模式的直覺，這種「附帶學習」，正是傳統學徒式訓練的核心。
當 AI 把這些練習機會拿走，能力斷層就這樣悄悄形成。企業其實可以主動重新設計學徒制，比如每一套導入 AI 的工作流程，都該講清楚初階員工可以提出什麼問題、審查標準是什麼、什麼情況該往上呈報、誰該具名負責。
有了這些界線，AI 才會變成訓練場，而不是讓新人繞過學習過程的捷徑。因為初階員工應該該少花時間從零生產初稿，多花時間把 AI 產出的內容對照原始資料、揪出可能出錯的地方，再向資深主管報告取捨。
企業該做的：建一套判斷力的養成階梯
要補回附帶學習消失的空缺，企業需要幫初階職涯重新畫出一套階梯，包括輔助產出（讓 AI 生出草稿或摘要）、驗證查核（檢查資料依據、來源與假設站不站得住腳）、例外診斷（找出一個看似合理的答案，為什麼實際上行不通），以及承擔責任的建議——即在不確定性中，向主管或客戶解釋決策背後的理由，並願意為它負責。
這套階梯要落在日常工作裡才算數。企業可以建立經過驗證的案例庫，讓初階員工反覆練習判讀；對 AI 產出做有人監督的稽核，讓新人負責挑出遺漏或看似自信、實則有誤的內容；也可以要求每個人交出成果時，附上一句「信心註記」，說明這份產出該被信任、修改，還是該直接駁回。
光看產出數量，看不出這套機制有沒有效，企業更該追蹤，每個月有多少初階員工碰到模糊卻重要的工作？他們抓到了哪些錯誤，又漏掉了哪些？從輔助產出進步到能提出可信建議，平均要花多久？
企業若只靠更少的學習循環生產出更多文件，看起來可能很有生產力，實際上專業根基可能正在流失。
AI 衝擊多大還沒有答案，但企業不能空等
企業真正該關注的是，附帶學習正在一點一滴流失，如果不趁現在重建判斷力階梯，幾年後很可能會發現，沒有人接得住複雜的判斷工作。
當然，這個判斷也不一定準。經濟學家 Robert Solow 早在 1987 年就說過一句名言：「電腦隨處可見，卻不見生產力統計數字。」當年 PC 普及也是這樣，企業買了電腦，但真正反映在經濟效益上，要等到 1990 年代末才看得出來。
AI 對勞動市場的完整影響，很可能也需要好幾年才會顯現，業界目前也還吵不出共識；有人認為 AI 只是一種漸進式的技術，就像過去每一次技術革命一樣，會一邊淘汰舊工作、一邊創造新工作；也有人認為這次不一樣，因為 AI 普及的速度太快，而且集中衝擊的是動腦的工作，跟過去的技術革命性質完全不同。
正因為還沒人說得準，企業反而不能等答案出來才動手。體質較弱的公司，會放任 AI 把初階員工的工作內容掏空，還把這叫做生產力提升；體質較強的公司，會趁現在證據還在累積的階段，把「做事」和「學東西」分開處理，提早把訓練機制建回來。
在數位威脅日益複雜的今天，資安已是每位企業決策者必須掌握的課題。如果你能把艱澀的議題轉化為有觀點、有價值的分析，寫出決策者需要的報導，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
＊本文開放合作夥伴轉載，參考資料：Forbes、Stanford University，首圖來源：Unsplash
（責任編輯：鄒家彥）