撰文者／先行智庫執行長 蘇書平

在多數企業裡，工作說明書（Job Description, JD）長期被視為招募工具或人資行政文件。然而，在 AI Agent 大規模進入企業營運的今天，我們在先行智庫看到一個明確趨勢：未重構工作說明書的企業，將無法真正落地 AI。這不是技術問題，而是KM知識管理問題。

當 AI 不再只是聊天機器人，而是成為能執行任務、參與決策、協助產出的 AI Agent，「工作內容如何被定義」將直接決定企業的 AI 轉型速度。而這場變革的起點，正是——工作說明書。

一、AI Agent 時代改變了什麼？

在傳統數位轉型時期，我們強調流程優化（Process Optimization）、系統整合（System Integration）。但在 AI Agent 時代，我們進入的是任務自動化、決策輔助、知識外掛與人機協作。

現在AI 不再只是工具，而是「數位同事」。許多企業誤以為：只要導入 ChatGPT，建立幾個 AI 工具，做幾場企業內訓，就算完成了 AI 轉型。但在先行智庫輔導企業的過程中，我們發現真正的瓶頸是：

• 任務沒有被清楚拆解
• 知識沒有被結構化
• 能力沒有被模組化

AI Agent 的本質是什麼？它是「可被指派任務的數位同事」。那麼問題來了：如果企業連人類同事每天在做什麼，都無法清楚描述，AI 又要如何接手？當企業談論 AI 轉型與 AI Agent 導入時，往往忽略一個根本問題——現有的工作說明書（Job Description, JD）是否具備 AI 可執行的結構？在先行智庫的實務觀察中，大多數企業的 JD 存在三個結構性缺陷，這些缺陷直接阻礙 AI 導入、人機協作設計與 Prompt Engineering 的落地。

1、描述性語言過多，缺乏任務拆解

傳統工作說明書常見寫法包括負責市場開發，協助部門營運，完成主管交辦任務。這些語句對人類來說尚可理解，但對 AI Agent 而言卻缺乏操作性與可執行邏輯。AI 需要的是可結構化的任務模型，包括：

• 任務單元（Task Unit）
• 輸入資料來源（Input）
• 判斷與決策邏輯（Decision Logic）
• 產出格式與標準（Output Format）
• 風險界線與範圍（Risk Boundary）

若工作內容未經任務拆解，AI 就無法嵌入工作流程，更無法生成高品質的 Prompt 指令。這也是許多企業在導入 ChatGPT 或建立 AI 工具後，發現實際效益有限的根本原因。

在 AI 時代，每一項工作本質上都可以被翻譯為一組可由 Prompt Engineering 描述的指令結構。若工作說明書無法轉寫為清晰的 Prompt 結構，代表企業的知識尚未完成結構化，也意味著 AI 轉型的基礎尚未建立。

2、沒有區分「可自動化」與「需人判斷」

企業若無法回答以下問題，就無法真正落地 AI Agent：

• 哪些任務屬於高度規則型、可標準化流程處理？
• 哪些任務屬於經驗判斷型，需要情境理解？
• 哪些任務可透過 Prompt 設計優化與加速？
• 哪些任務必須由人類進行最終決策與責任承擔？

若缺乏這樣的分類能力，企業在導入 AI Agent 時將無法清楚界定人機協作邊界，進而產生責任模糊與風險問題。這種自動化分級能力，並非來自技術部門，而是來自工作說明書的精細化重構。當任務被清楚拆解並標示決策層級，企業才能建立「人機協作藍圖」，而非單純的工具應用場景。

3、知識管理仍停留在「檔案儲存」階段，而非「知識結構化」

許多企業認為自己已具備知識管理機制，因為他們擁有共享硬碟、檔案伺服器、內部文件系統，然而，檔案儲存不等於知識管理系統。AI Agent 無法有效運作於零散、未分類、未模組化的文件資料庫中。真正支撐 AI 轉型的知識管理，必須具備：任務模組化、能力模組化、決策邏輯明確化、Prompt 可轉譯性四大特性。如果企業的知識仍停留在 PDF 文件、簡報檔與零散報告中，而未被轉化為可結構化調用的任務模型，AI 只能作為搜尋輔助工具，而無法成為真正的數位同事。因此，工作說明書的重構，本質上也是企業知識管理升級工程。

二、工作說明書升級教戰守則：從 JD 到 AI 協作藍圖

在 AI Agent 時代，工作說明書不再只是人資文件，而是企業知識結構與人機協作架構的基礎設計圖。根據先行智庫的 AI 組織升級模型，工作說明書必須經歷三個階段的調整才能真正支撐 AI 轉型與 AI 協作落地。這三個階段分別是：任務盤點、能力模組化，以及人機協作設計。這是一條從「描述職位」走向「設計組織未來形態」的進化路徑。

第一階段：任務盤點

所有 AI 轉型的起點，都必須回答一個最基本卻最常被忽略的問題：這個職位每天到底做哪些具體任務？多數企業其實無法精準回答這個問題，因為過去的工作說明書偏向職責概述，而非任務拆解。

因此，在第一階段，先行智庫會協助企業透過系統化方法進行任務盤點，包括深度訪談、工作日誌分析、現場觀察、使用者旅程描繪，以及流程梳理與價值流分析。透過這些方法，企業可以將原本模糊的職責轉化為可量化的任務單元，並進一步標示任務頻率、任務耗時、任務標準化程度與任務重要等級。這個過程的成果，是一張清晰的組織級任務地圖（Task Map）。

這張任務地圖除了可以當作是新人教育訓練的地圖，也能為企業在導入 AI Agent 時，提供基礎的資料結構與工作方法。沒有任務地圖，AI 只能停留在工具層面；有了任務地圖，AI 才能被精準嵌入流程。

第二階段：能力模組化

任務背後必然對應能力。當任務被拆解後，下一步就是辨識支撐這些任務的能力模組。例如，一項「市場策略分析」任務，可能涉及資料蒐集能力、分析能力、邏輯推演能力與報告撰寫能力。當企業將這些能力抽象化並模組化，就能開始回答兩個關鍵問題：

哪些職能可以被 AI 強化？
哪些能力必須由人類保留與承擔責任？

這個階段的本質，是建立企業的能力架構。在這個過程中，HR 的角色也將從傳統的行政管理工作升級為設計能力架構與未來職能模型的戰略角色。

第三階段：人機協作設計

當任務與能力都被結構化後，企業才真正具備設計人機協作模式的條件。在這個階段，企業可以明確區分：

• 哪些任務由 AI 主導執行；
• 哪些任務由人類主導決策；
• 哪些任務採取人機共同協作模式。

此時的工作說明書，將不再只是職責描述，而會包含任務模組、AI 技能配置、Prompt 範例庫、知識庫連結與作業流程設計，它成為一份完整的 AI 協作藍圖。例如：原始任務：「分析競爭對手市場策略」，經 Prompt 工程轉譯後：

• 指定資料來源
• 指定分析框架
• 指定比較維度
• 指定輸出格式

這其實就是「高階工作說明書重寫能力」。企業若沒有任務拆解基礎，就培養不出真正的 Prompt Engineer。

三、AI Coach 的出現：管理者角色的轉型

當 AI 深入工作流程後，基層主管與中階主管的角色也將轉變為 AI Coach——人機協作教練。AI Coach 不只是監督工作進度，而是協助團隊重新設計工作流程，指導員工如何與 AI 協作，建立安全與倫理使用規範，並優化 AI 與人類之間的任務分配比例。他們更像是組織行為與 AI 協作設計的專家。

這種角色轉型意味著，工作說明書已不再是 HR或用人主管的行政文件，而是企業 AI 能力培養與組織進化的基礎教材。它重新定義了人機協作的邊界，也界定了未來人才培養方向。在先行智庫的實務觀察中，我們發現 AI 轉型成敗取決於三項核心權力：

• 任務定義權——誰來定義工作如何被拆解？
• 能力定義權——誰來決定哪些能力需要強化或重構？
• 績效定義權——誰來重新界定成果衡量標準？

未來三年，AI Agent 時代的企業差距，不在模型選擇，也不在工具數量，而在於企業是否完成以下三類基礎工程，包括：

1.數據工程是否乾淨且可調用
2.流程工具是否標準化且可模組化
3.知識管理是否完成結構化與可轉譯化

我們稱之為組織的「下水道工程」——平時看不見，卻決定整體運作效率。在先行智庫的觀察中，企業正在出現明顯分化：

第一類企業，將 AI 視為效率工具，用於簡化報告撰寫與資料整理。
第二類企業，則以 AI 為契機，重構任務架構與組織設計。

前者提升局部效率，後者重塑整體競爭力。兩者的差距，將在三年內被迅速放大。如果你是 HR、組織發展主管或企業決策者，現在正是啟動工作說明書升級工程的關鍵時刻。在 AI Agent 時代，組織競爭優勢不再來自人數規模，而來自知識被結構化的能力。誰能更快完成任務拆解、能力模組化與人機協作設計，誰就能更快建立 AI 驅動的組織模式。而這一切的起點，是重新書寫工作說明書。未來，工作說明書不只是 HR 文件，而是企業最重要的 AI 基礎建設。

如有任何問題或需求，請填寫以下表單，我們將竭誠為您解答！
您也可以透過以下按鈕了解更多資源：