AI世代新手追上了，老手怎麼辦？
季度考核會議上，客服經理投影出一張圖：去年底導入 AI 助理之後，新進客服的結案數在三個月內就追上了資深同仁。主管們都很高興，有人說：「這樣以後新人訓練可以縮短一半。」
只有組長淑惠沒有說話。她做了十二年客服，是團隊裡最會處理難纏客戶的人。去年導入 AI 時，她被請去提供「優秀回覆範例」，交出了幾百則自己的對話紀錄。現在，她的結案數沒有變，團隊平均卻追上來了；在圖表上，她從「頂尖」變成了「平均」。
會後，她對同事說：「我覺得自己好像被掏空了。」
這是一個很少被討論的問題。大家都在關心 AI 讓生產力提高了多少，很少人問：這些提高從哪裡來？又該歸功於誰？
研究發現：14% 與 34%
MIT 與史丹佛的 Brynjolfsson、Li 與 Raymond 研究了一家軟體公司客服中心導入生成式 AI 助理的過程。這是最早也最常被引用的 AI 職場田野研究之一，2025 年刊於經濟學頂尖期刊《經濟學季刊》（Quarterly Journal of Economics）。
這個 AI 助理會在客服人員與顧客對話時，即時建議可以怎麼回覆。研究者利用它分批上線的時間差，比較 5,179 位客服人員在有無 AI 協助時的表現。
發現一：平均生產力提高約 14%。 以「每小時解決的問題數」計算，使用 AI 之後平均提高了約 14%。
發現二：效果集中在新手。 新手與技能較低者的生產力提高了約 34%；資深、高技能的客服人員，則幾乎沒有變化。研究也發現，有 AI 協助的新人，大約兩個月就能達到沒有 AI 協助、年資六個月以上的人的水準。
發現三：AI 把資深者的做法擴散給所有人。 這是這份研究最重要的解釋。AI 助理的建議，是從表現好的客服人員的對話中學來的。作者認為，它等於把頂尖員工的做法，包括很多難以言傳的技巧，擴散到整個團隊。新手追上的速度，有一部分來自資深者的經驗。
發現四：顧客與員工都更滿意。 顧客在對話中的情緒更正面，要求「找你們主管來」的次數減少，員工的留任率也提高了。對高流動率的客服產業來說，這是很重要的成果。
研究的限制
這是一份設計嚴謹、發表在頂尖期刊的研究（證據等級 A），但有幾個限制。第一，只有一家公司、一種工作：客服的對話有大量的重複性，而且有清楚的結果指標，很適合 AI 學習。在其他工作中，結果未必相同。第二，研究中的 AI 是 2020 年代初期的對話助理，與今天的 AI 代理不同。
第三個限制最重要：「資深者幾乎沒有影響」，指的是 AI 沒有讓他們的產量增加，而不是他們沒有價值。恰恰相反，如果沒有他們的對話紀錄，AI 就沒有可以學的東西。他們的價值，恰好發生在統計數字看不到的地方。
效益分配的三個問題
從組織的角度看，這份研究引出了三個關於「分配」的問題。
第一：省下來的時間給誰？ 生產力提高了 14%，意味著同樣的工作量可以用更少的時間完成。這些時間是用來增加工作量、減少人力，還是用來讓員工學習、處理更複雜的案件？這不是技術決定的，而是管理決定的。我們在〈AI 幫你省下的時間，最後去了哪裡？〉一文討論過這個問題。
第二：資深者的知識如何被肯定？ 淑惠交出了自己十二年的經驗，這些經驗變成了 AI 的一部分，讓整個團隊受惠。但在考核制度裡，她的貢獻沒有任何位置。組織行為學者 Kerr 在一篇經典文章中批評過這種現象：「獎勵 A，卻期待 B」。如果考核只看個人結案數，就不要期待資深者願意分享。
第三：新人的成長是真的嗎？ 新人的結案數追上了，但他們是「學會了」，還是「有 AI 就會」？研究發現有一些學習的跡象，但對組織來說，這個問題仍然重要。如果新人的能力是「借來的」，當遇到 AI 沒見過的狀況，他們可能接不住。我們在〈當 AI 做掉大部分工作，組織的經驗存在哪裡？〉一文談過這個風險。
這三個問題，可以用「組織正義」的框架來看。Colquitt 等學者把組織正義分成三個面向：分配正義（結果公不公平）、程序正義（決定的過程公不公平）、互動正義（是否被尊重地對待）。淑惠的「被掏空」，在三個面向都有：她的貢獻沒有獲得對等的回報；導入 AI 時沒有人跟她談過她的經驗會怎麼被使用；在考核會議上，也沒有人提到她。
心理動力的解讀：被掏空的感受
以下是作者的觀點，而非上述研究的發現。
對資深者來說，經驗不只是一種能力，也是一種身分。「我是最會處理難纏客戶的人」，這句話讓淑惠在團隊裡有一個位置。當 AI 把這個能力複製給每一個人，她失去的不只是競爭優勢，而是自己在團隊中的位置。
「被掏空」這個形容很精準。她的東西被拿走了，而且是她自己交出去的。這種失落很難在工作場合裡公開說，因為它聽起來像是在反對進步、或是在嫉妒新人。所以它常常以沉默、冷淡、不再主動分享的形式出現。對組織來說，這是一個危險的訊號：下一次要請資深者貢獻經驗時，他們會記得上一次發生了什麼。
另一方面，管理層對「新人追上了」的興奮，可能也帶著一種幻想：如果經驗可以被複製，組織就不再需要依賴任何人。這個幻想讓人安心，但它忽略了一件事：AI 學到的是過去的經驗，而下一個新的問題，仍然需要淑惠這樣的人。
怎麼做：重新定義資深者的貢獻
一、把「貢獻做法給 AI」納入認可。 當資深者的對話紀錄、判斷規則、範例被用來訓練或設定 AI，這就是一種重要的貢獻，應該被明確記錄、公開肯定，甚至納入績效與獎勵。導入 AI 之前，也應該跟提供經驗的人說清楚：你的經驗會怎麼被使用、你會得到什麼。
二、重新設計資深者的角色。 當 AI 負責例行的建議，資深者的價值就轉移到三個地方：處理 AI 沒見過的複雜案件、檢查與更新 AI 的建議、教導新人「為什麼」而不只是「怎麼做」。這也就是我們在〈「代理監督者」來了〉一文中談到的新角色。淑惠不應該只是「一個結案數平均的客服」，而是團隊的知識主理人。
三、檢查考核的公平感。 導入 AI 之後，重新檢視考核指標：是否只看個人產量？是否看得到知識分享、複雜案件處理、帶新人這些貢獻？也可以直接問資深員工：「導入 AI 之後，你覺得自己的貢獻有被看見嗎？」這個問題的答案，可能比任何績效數字都重要。
給人資與 OD 的提醒： AI 導入專案常會忽略一個問題：誰的經驗被用來訓練或設定了 AI？建議在專案一開始就把「知識貢獻者」列出來，設計認可與回饋的方式。這不只是公平的問題，也是下一個 AI 專案能不能得到員工合作的問題。
結語：AI 拉平了能力，組織要重新定義貢獻
AI 讓新手追上了老手，這是好事。但如果組織只看到「平均提高了」，而沒有看到「是誰的經驗讓平均提高」，就會在不知不覺中失去這些經驗的來源。AI 拉平了能力，組織就要重新定義什麼叫做貢獻。
留給你的問題： 你們的考核制度，會不會讓資深者覺得自己的經驗被拿走，卻沒有被看見？
延伸閱讀
參考文獻
- Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044（證據等級 A：同儕審查田野研究；早期版本為 NBER Working Paper 31161）
- Colquitt, J. A. (2001). On the dimensionality of organizational justice: A construct validation of a measure. Journal of Applied Psychology, 86(3), 386–400.（證據等級 A：同儕審查實證研究）
- Kerr, S. (1975). On the folly of rewarding A, while hoping for B. Academy of Management Journal, 18(4), 769–783.（證據等級 B：經典管理文獻）
慧培國際相關服務
更多資訊請見慧培國際網站 www.whitespace-leadership.com 。