🖌️文章出處：榕耀管顧
兩個數字擺在一起，才看得出問題
這一週有一份調查問了近五萬個人。
PwC 在五月到六月訪問了 48 個國家、29 個產業、共 49,364 位工作者，發表《2026 全球勞動力希望與恐懼調查》（Global Workforce Hopes and Fears Survey）。裡面有兩個數字，分開看都不奇怪，擺在一起就有點刺：
- 64% 的人說，過去一年在工作上用過 AI，比前一年多了 10 個百分點；每天使用生成式 AI 的比例，也從 14% 升到 22%。
- 但只有 51% 的人說，自己拿得到需要的學習與發展資源，比前一年的 59% 少了 8 個百分點。
工具發得比訓練快，而且不是快一點。
PwC 把勞動力切成四種人
PwC 用兩個維度切：技能在市場上稀不稀缺，以及 AI 學習走到哪一步。四個族群長這樣：
| 族群 | 佔比 | 特徵 |
|---|---|---|
| 前鋒（Front-runners） | 14% | 技能稀缺，AI 能力也強 |
| AI 起義者（AI insurgents） | 18% | 技能不算稀缺，但用 AI 把產出做大 |
| 不可替代者（Indispensables） | 11% | 技能稀缺、公司高度倚重，但 AI 學習落後 |
| 引擎室（Engine room） | 56% | 技能不稀缺，AI 學習也落後 |
細部數字比總表更值得看。前鋒裡有 51% 每天用生成式 AI，引擎室只有 11%；引擎室只有五分之二的人拿得到學習資源；而前鋒裡有 29% 說，未來一年很有可能換工作。PwC 全球勞動力負責人 Pete Brown 的結論很直白：全球勞動力「開始用不同的速度前進」。
榕耀觀點：這份調查最容易被讀錯的地方，是把「引擎室」讀成「落後的那一群」。它不是。56% 指的是公司的日常運作實際靠誰在跑：出貨、對帳、客服、排班、送貨。PwC 自己的說法是，這一群人比較不容易因為使用 AI、學新技能或挑戰既有做法而被獎勵。當一件事不會被獎勵，它就不會發生。這才是那 56% 真正卡住的地方。
換一個切法：會不會用，和會不會查
PwC 的兩個軸是「技能稀不稀缺」與「AI 能力強不強」。我們在輔導現場用的軸不太一樣，是會不會用（能不能把 AI 放進每天的工作流）與會不會查（能不能判斷它給的東西對不對）。兩個軸交叉，會看到四格：
| 會查 | 不會查 | |
|---|---|---|
| 會用 | 前鋒：產出快，也攔得住錯 | 直送型：產出快，風險原封不動送到末端 |
| 不會用 | 守門人：把關很強，但產能沒打開 | 引擎室：日常運作的主力，兩邊都沒被訓練到 |
我們認為最貴的是右上那一格，暫且叫它「直送型」。它不見得是最沒能力的一群，反而常常是產出最快的一群，快到來不及檢查，東西就已經送到客戶、財報或生產線上。PwC 的四種人裡看不到這一格，因為它藏在「AI 起義者」與「前鋒」的邊界上：同樣每天在用 AI，差別只在有沒有人教過他怎麼查。
榕耀觀點：這一格之所以貴，是因為它的成本不會出現在自己的帳上。他省下的是自己的時間，付帳的是下一個環節的人。
為什麼「查」這件事突然變貴了
HBR 在 10 月 2 日刊出一篇〈AI 讓驗證成為企業的瓶頸〉（AI Is Making Verification the Bottleneck for Companies），作者 Christian Catalini 把邏輯講得很乾淨：當生成文字、影像與程式碼的成本一路往下掉，公司內部的價值計算就跟著翻轉，執行變便宜，驗證就變貴。他把這種公司叫做「驗證工廠」（verification factory），而一座好的驗證工廠靠兩樣資產：獨特的 ground truth（可驗證的基準事實），以及人。
同一週，前 Google 執行長施密特在 Blackstone 的 podcast 上，把同一件事講得更狠。他說自己年輕時是那一代最好的程式設計師之一，但現在 AI 寫得出來的程式，他自認已經寫不出來。他的結論是下一代工程師會變成「建築師」：不再自己砌磚，而是把需求講清楚、把驗收標準定義好，然後判斷產出夠不夠好。
兩件事指向同一句話：AI 把「做」變便宜，把「判斷做得好不好」變貴。 而 PwC 的調查剛好告訴我們，後面那件事的訓練，正在減少。
台灣的版本：四格可能只剩三格
台灣的中小企業通常沒有「AI 起義者」那一格。人數少、分工緊，一個人往往同時是產出者與把關者，所以我們看到的組合更常是：老闆或主管是前鋒，資深同仁是守門人，其餘的人全在引擎室。
這個結構有一個好處和一個風險。好處是決策鏈短，只要主管自己會查，錯誤當場就會被攔下來。風險是整間公司的「查」集中在少數幾個人身上，而這幾個人正好也是最忙的人。當產出量因為 AI 放大兩三倍，這個瓶頸會先從他們身上爆開。
天下雜誌出版的新書《工作大重組》把同一件事講得更遠：職涯階梯正在被一面攀岩牆取代，往上不再是唯一的路，橫移與換路都算前進。對引擎室的人來說，這句話是提醒也是機會：如果原本那一階一直爬不上去，換一條路線也許比等升遷更實際。
誠實提醒：這份調查能證明什麼、不能證明什麼
- 這是自陳式調查。 64%、51%、29% 都是受訪者自己說的，不是實測。它反映的是受訪者的感受與主觀評價，不是產出品質。真實的能力落差，很可能比數字更難看，也可能更好。
- 四格是簡化。 一個人在不同任務上可能落在不同格；今天在引擎室，不代表明年還在。
- 「技能稀缺」是市場定價，不是人的價值。 這是整份調查裡最需要小心的一句話。
- 51% 的下降不等於企業砍了預算。 也可能只是 AI 學得太快，既有課程跟不上。這兩個原因的解法完全不同。
明天就能做的三件事
第一，把複核寫成一個欄位，不是一種美德。 挑三條已經在用 AI 的流程，每一條填一個名字：這份產出誰看過、憑什麼說可以。填不出名字的那一條，先不要對外交付。
第二，訓練預算挪一格到「怎麼查」。 多數公司的 AI 課教的是工具操作與提示詞，那是「會用」的訓練。另外開一堂，只教三件事：去哪裡對來源、哪一種錯誤最常見、查到什麼程度算過關。
第三，給學習時間，而不是把學習疊在日常上面。 PwC 報告裡最實際的一句建議是，不要讓再訓練變成額外的工作量。引擎室的人本來就撐著每天的運作，把課程塞進他們的晚上，只會得到一份出席紀錄。
我們的下一步，和一個還沒解的問題
我們會先在自己的團隊做一次四格盤點，然後只挑一格下手：直送型。做法很土，就是在那三條流程上各貼一張檢查清單，兩週後看錯誤攔截率有沒有變化。
還沒解的那一題是：如果「查」的價值真的在上升，它應該被算進誰的績效？算在產出者身上，他會覺得被懷疑；算在把關者身上，等於把成本轉嫁給最忙的人。這一題我們還在試，如果你有做法，我們很想聽。
資料來源
- PwC，〈Global Workforce Hopes and Fears Survey 2026〉，2026-09-29，https://www.pwc.com/gx/en/issues/workforce/hopes-and-fears.html
- PwC 新聞稿，〈Companies risk losing their most AI-savvy employees while leaving majority behind〉，2026-09-29，https://www.prnewswire.com/news-releases/companies-risk-losing-their-most-ai-savvy-employees-while-leaving-majority-behind-pwc-302891362.html
- Harvard Business Review，Christian Catalini，〈AI Is Making Verification the Bottleneck for Companies〉，2026-10-02，https://hbr.org/2026/10/ai-is-making-verification-the-bottleneck-for-companies
- 天下雜誌，萊恩．羅斯蘭斯基、阿尼許．拉曼，《工作大重組》（Open to Work）書摘，2026-10-01，https://www.cw.com.tw/article/5142831
- Business Insider Taiwan，〈前Google執行長Eric Schmidt對程式設計師說：別再蓋房子，開始設計房子〉，2026-10-02，https://www.businessinsider.tw/article/7840
📍特別感謝 郭鎮榕CJ老師 授權轉載本文
