AI 企業培訓先教全員，還是先培養種子？組織擴散前的兩難

企業第一次決定推動 AI 培訓時，最容易通過的方案，往往是讓所有員工一起上課。它看起來公平，執行也單純。一次課程便能涵蓋大部分同仁，對管理層而言，這也是容易呈現的成果。

但問題很快就出現。當行政、業務、財務與資訊部門處理的工作完全不同，同一套教材究竟能讓誰改變工作方式？反過來說，只培養少數 AI 種子員工，雖然有機會更快做出具體成果，卻也可能讓新的技術能力始終集中在少數人手裡。

企業面對的並不只是課程採購，而是組織能力應如何擴散的問題。「全員普及」與「種子培訓」不是誰比較先進的選擇；它們試圖解決的是兩種不同的瓶頸。

同樣一堂 AI 課，員工帶走的可能不是同一種能力

BCG 在 2025 年調查 11 個國家與地區的超過 10,600 名主管、管理者及第一線白領工作者，發現超過四分之三的領導與管理階層每週使用生成式 AI 數次，但第一線員工的規律使用比例為 51％。[S02] 這是調查受訪者的使用情況，不能直接當成台灣企業採用率；它卻指出一個核心事實：企業內部的人員，可能處於極不相同的 AI 使用階段。

如果同一堂課從基本概念開始，已經在使用 AI 的學員可能覺得進度太慢；如果直接教自動化與進階串接，尚不熟悉工具的同仁可能連練習材料都看不懂。課程並不是沒有內容，而是沒有回答「這些人每天要完成什麼工作」。

能力差異並非只來自熟悉程度。Brynjolfsson、Li 與 Raymond 於 2023 年的工作論文《Generative AI at Work》，分析 5,179 名客服人員導入生成式 AI 助理的情況，發現平均每小時解決案件數提升 14％，其中初階及低技能工作者約提升 34％，熟練員工的效果則較小。[S07] 研究發生於特定客服場域，不能推導「培訓所有員工就能提升 14％」，也不代表所有工作都會呈現相同差距。它提醒企業：員工起點與工作性質，會影響 AI 支援能發揮的價值。

因此，培訓設計若只依部門人數分班，往往不夠。更有用的是看員工對 AI 的熟悉程度、日常工作的可重複性、資料可用性及錯誤風險，決定學習應從認識工具、完成任務，還是設計團隊共同流程開始。

全員普及買的是共同語言，種子培訓買的是可複製的做法

全員普及最有價值的情境，是企業連基本使用邊界都尚未形成共識。當同仁不知道哪些資料能交給 AI、產出需要怎樣的覆核、不同工具具有什麼限制時，先建立共同語言可以降低誤用，也能讓組織往後討論工作改革時不必從零開始。這類培訓的成果應該是辨識風險、理解工具用途、掌握基本操作，而不是承諾當天改造所有部門。

種子培訓則適合已經找到少數重要工作場景的企業。例如客服部門有大量重複性來信，或財務部門每月固定整理管理報表。這時可讓直接負責該流程的人、主管與 IT 共同參與，產出一套經過驗證的示範作業，再逐步轉為其他同仁可用的材料。這條路徑的風險是：若種子人員始終被當作臨時救火隊，沒有留下文件、教學機制與交接制度，能力便無法擴散。每項示範作業都應指定教材與流程的維護者，保留可分享的去識別樣本、版本日期及錯誤處理方式；種子人員轉調時，也要由另一位同仁依文件完成同類任務，確認方法已能交接。這是建議的管理安排，不代表已完成企業實測。

更嚴重的情況是，種子班被錯誤地設計成「選出最有興趣的人」。高動機不等於有流程決策權。真正能推動工作變化的人，還需要取得必要的資料、能與主管協調工作規則，也有時間試錯。否則課程結束後，種子員工可能成為唯一會用工具的人，卻不是能推動組織改變的人。

主管支持，是兩種培訓模式共同的缺口

BCG 的同一份 2025 年研究指出，員工是否有主管支持、合適工具及充分培訓，與其日常 AI 使用相關；受訪者中，獲得至少 5 小時培訓、且有實體訓練與輔導者，規律使用情況較高。[S02] 不能把這個關聯解讀成「只要排滿 5 小時，就會達到某個使用率」。研究更值得注意的是：訓練時數之外，還有主管是否支持、工具是否可用、工作是否允許練習等條件。

想像一位行政同仁在課堂上學會以 AI 整理會議摘要。回到公司後，主管仍堅持所有摘要採用原來的逐字紀錄方式，也不願確認使用邊界，同仁再有能力，也很難把新方法用進工作。問題不是沒有學會，而是工作規則沒有跟上。

因此，真正應該先被教育的，有時反而是主管。部門主管至少要能判斷：哪一項工作適合先做？什麼品質算可交付？哪些輸入資料需要限制？誰負責確認 AI 產出？當這些問題有人負責，學員才有把練習帶回工作現場的空間。

比選哪一種模式更重要的，是如何接續下一段

對尚無共同使用規範的企業，可以先以全員短課建立基本識讀與風險意識，再挑選有明確工作場景的部門進入種子實作。對已經有大量個別 AI 使用者的企業，未必需要從全員入門課重新開始；更合適的方式可能是先把成熟使用者的工作方法整理成可審核的標準，再為其他部門設計符合其任務的培訓。

這不是固定的雙階段公式。有些產業涉及較高的資料與合規風險，應先處理授權和資料使用規則；有些企業員工高度分散，混成學習與在職支持可能比集中上課更適合。唯一可以確定的是，只統計「多少人上過課」，不足以證明組織取得新能力。

完成培訓規劃時，應能回答兩個問題：第一，這批人結束後可以多完成哪一種有品質要求的工作？第二，這種能力如何被傳給下一批人，並持續更新？前者關於學習成果，後者關於組織擴散。兩者都寫進計畫，企業才不必在全員與種子的二選一之間反覆徘徊。

需要了解可討論的培訓形式，可參考企業 AI 內訓服務說明；若需求尚未釐清，建議先閱讀既有的AI 內訓需求訪談文章。本篇著重部署策略，不重複需求訪談工具；若需要依角色與任務分級，可使用既有的企業 AI 工作盤點。

資料來源與研究邊界

• [S02] BCG（2025），AI at Work: Momentum Builds, but Gaps Remain。自述性調查，不代表培訓時數與採用率之間的因果效果。
• [S07] Brynjolfsson、Li、Raymond（2023 工作論文版），Generative AI at Work。經 Stanford SIEPR 所列原始工作論文摘要核對，本文 14％／34％ 引用該版本；不是培訓效果，不可外推所有職務。
• [S08] OECD（2026），Skills in the AI age。支持能力分類與持續學習的必要性。

編輯說明：情境均為一般性分析示例，不是未經授權的客戶故事。

編輯揭露

本文由 TARAISG 使用 AI 協助起草、編修、核對來源與製作原創示意圖；未經具名人類編輯或領域專家獨立審閱。文內情境與時間配置為編輯示例，不是實際客戶紀錄、固定產品課綱或成效保證。最後來源核對：2026 年 10 月 21 日。