AI Native 通識職能架構

本文件為 AI Native 職能分層的完整設計規格，用於內部溝通對齊與後續 HR 制度嵌入。

1. 背景與目標

要解決的問題

公司推動 AI 導入後，多數員工已有使用 AI 工具的習慣（主要停在工具使用層），少數先行者已走向流程重構。但缺乏統一的語言來描述「AI Native 能力到底是什麼」，導致：

招聘時無法明確定義 AI 能力要求
績效考核沒有 AI 能力的衡量標準
人才發展缺乏清晰的成長路徑

設計原則

通識框架：適用全公司所有角色，不分職能
同一把尺：全員用同一套標準，不因角色不同而改變層級定義
行為導向：每個層級用可觀察的行為錨點定義，不依賴主觀判斷
中性描述：不暗示「越高越好」，有些崗位的最佳配置就是 L1

優先應用場景

內部溝通對齊（第一步）：讓管理層與全員對「AI Native」有共同語言
嵌入 HR 制度（第二步）：用於績效考核、招聘標準、晉升參考

2. 核心通識框架

三個層級，每層三個行為錨點。全員適用，全公司統一。

L1 — AI 運用者（AI User）

一句話定義： 能穩定運用 AI 提升日常工作效率。

行為錨點：

日常任務中習慣性使用 AI，不需他人提醒或推動
能撰寫清楚的指令，提供足夠的背景資訊與預期格式
能辨識 AI 產出中的明顯錯誤並修正

關鍵特徵： 使用 AI 的方式相對固定——面對不同任務，傾向用同一種方式處理。AI 是工作的「外掛加速器」。

壓力測試： 如果所有 AI 工具突然消失，L1 的工作方式不會受太大影響，他只是變慢了。

注意： L1 是入場門票，不是「不夠好」。在高重複性崗位（如客服、資料輸入、標準化報表），L1 做到極致就是最大價值。

L2 — AI 策略運用者（AI Strategist）

一句話定義： 能根據任務特性，選擇不同的 AI 使用策略。

行為錨點：

面對不同類型的任務，會採用不同的 AI 使用方式（而非一招套用所有情境）
能說明為什麼這個任務適合用這種 AI 策略
為自己的重複性工作建立穩定的 AI 工作模式

關鍵特徵： 具備「情境辨識」能力——理解不同任務的特性（執行類、分析類、思考類），並選擇匹配的 AI 使用方式。AI 是工作方式的「內建核心」。

壓力測試： 如果所有 AI 工具突然消失，L2 的整個工作方式需要重建，因為他的流程已經圍繞 AI 重組。

判定問句： 「你最近用了幾種不同的方式來使用 AI？為什麼選這些方式？」

L1 回答：描述一種固定流程
L2 回答：描述多種方式 + 能說出為什麼

L1 vs L2 的差異：

維度	L1	L2
AI 使用方式	固定模式，一招套用所有任務	多種策略，因任務選擇
能否說出為什麼	「大家都這樣用」	「因為這個任務需要 XX，所以我用 YY」
工作模式	AI 是外掛，拿掉只是變慢	AI 是內建，拿掉需重建流程

L3 — AI 角色重塑者（AI Role Reshaper）

一句話定義： 能運用 AI 主動擴展自身角色的職責範疇，並管理擴張帶來的風險。

行為錨點：

利用 AI 承擔了原本不在自身職責範圍內的工作，且已成為常態
能說出「因為 AI，我的角色可以從 X 擴展到 X+Y」，並有具體的嘗試或提案
對擴展領域的 AI 產出有驗證機制——知道自己是跨出舒適圈，主動管理品質風險

關鍵特徵： 這個人因為 AI，重新定義了自己在價值鏈中的位置——向上游（預判、策略）或下游（執行、驗證）延伸了自己的角色覆蓋範圍。

壓力測試： 如果所有 AI 工具突然消失，L3 有些工作會回到「做不了」的狀態，因為那些工作在沒有 AI 之前本來就不在他的能力範圍內。

L3 的三個必要條件：

超出原有職責——做了以前不是他負責的事
常態化——不是偶爾借力，已經成為固定工作結構
主動性——是他自己選擇擴展的，不是被指派的

L2 vs L3 的精確邊界：

維度	L2	L3
AI 改變了什麼	做事的方式（how）	做什麼事（what）
工作範疇	跟原本職責一致	超出原本職責邊界
跨領域使用 AI	偶爾借用、任務導向	常態整合、角色導向
主管怎麼描述	「他用 AI 之後效率很高」	「他現在連 XX 的事也會做了」

判定問句： 「這個人因為 AI，現在做了哪些以前不是他負責的事？而且已經變成常態？」

主管說不出來 → L2
主管能說出具體的事 → L3

不算 L3 的行為（常見誤判）：

行為	實際層級	原因
偶爾用 AI 幫忙擬一份法務草稿	L1-L2	一次性借力，不是角色擴展
用 AI 做了份外的事但不知道品質風險	危險的 L2	缺乏風險意識
被主管要求去做的新任務	不適用	被動指派，非主動重塑

各職能 L2 vs L3 案例對照

職能	L2 行為	L3 行為
業務	用 AI 根據客戶產業快速生成客製化提案	主動在提案前用 AI 模擬客戶反應和反對意見，將「事前策略模擬」變成提案流程的固定環節
設計	用 AI 快速生成多個設計變體，探索更多可能	主動在設計階段用 AI 預測不同用戶群的反應，將「事前用戶洞察」納入設計流程
客服	用 AI 加速回覆，根據問題類型選不同的回覆策略	主動用 AI 分析工單趨勢，識別重複問題模式並回報，將「趨勢偵測」變成日常工作的一部分
財務	用 AI 加速報表製作，根據報表類型選不同分析框架	主動在出報表時用 AI 掃描異常值並附上初步假說，將「主動分析與決策建議」變成報表的標配
行銷	用 AI 生成文案，根據渠道和受眾選不同策略	主動在上線前用 AI 做訊息測試和受眾模擬，將調整週期壓縮到上線前完成

3. 加分項

獨立於核心層級，正交評估。一個人可以是 L1 但有加分 A（例如擅長教同事用 AI），也可以是 L3 但沒有任何加分項。加分項是晉升和專業發展的拉力，不是考核壓力。

A — AI 團隊賦能（AI Team Enabler）

定義： 能將個人的 AI 能力轉化為團隊能力。

行為錨點：

將有效的 AI 工作模式文件化，讓團隊成員可以直接複用
主動協助同事解決 AI 使用上的問題
推動團隊或部門層級的 AI 流程改善

B — AI 創新者（AI Innovator）

定義： 能創造新的 AI 使用範式，產生超出個人範圍的影響。

行為錨點：

發明前所未有的人機協作方式，解決過去無法解決的問題
設計可規模化的 AI 應用架構或流程
能判斷組織層面哪些能力適合 AI 化、哪些應保留人類判斷

設計原則：

加分項與核心層級零重疊——只描述「額外的事」，不描述「把核心的事做得更好」
避免加分項成為隱性必要條件

4. 應用政策：決策權限矩陣

核心框架評「這個人的 AI 能力在哪一層」（能力事實），應用政策管「這個人在這一層能做什麼決策」（風險控管）。兩者職責分開。

決策等級定義

決策等級	特徵	例子
D1 — 個人決策	影響自己的工作，完全可逆	用 AI 重寫自己的報告草稿
D2 — 團隊可見決策	產出會被同事或主管使用，低成本可逆	用 AI 做的分析被納入團隊報告
D3 — 外部可見決策	產出面向客戶或外部夥伴，中等成本可逆	用 AI 生成的提案發給客戶
D4 — 組織承諾決策	涉及法律、財務或策略承諾，高成本或不可逆	用 AI 生成的合約條款、財報數據

權限矩陣範本

各部門根據自身風險特性填寫，全公司統一格式。

	D1 個人	D2 團隊可見	D3 外部可見	D4 組織承諾
L1	自主	抽查	需審核	不可
L2	自主	自主	抽查	需審核
L3	自主	自主	自主	抽查

控制措施定義

措施	說明
自主	不需額外審核
抽查	定期抽查產出品質（如每月抽 10%）
需審核	每次產出需指定人員審核後才可發出
不可	此層級不得用 AI 產出作為該決策的依據

審核權責

D2 的抽查、D3 的審核： 由直屬主管負責，重點是產出品質（不需要懂 AI）
D4 的審核： 由該領域的專業人員負責（法務審合約、財務審數據），不是由主管審

部門自訂指引

法務部門：整體偏嚴，例如 D3 全部需審核（不論層級）
行銷部門：整體偏寬，例如 L2 在 D3 即可自主
各部門需在 Phase 2 填寫自己的矩陣

5. 評估方式

日常判定（主管用）

三個觀察問題，不需正式流程：

他怎麼使用 AI？ → 一種方式 vs 多種策略 → L1 vs L2
他現在做了以前不是他負責的事嗎？而且是常態？ → 沒有 vs 有 → L2 vs L3
他有教別人或推動流程改善嗎？ → 加分項判定

正式評估

嵌入既有績效考核週期，不額外增加流程
在現有績效表中加一個區塊：「AI Native 層級」
主管勾選 L1 / L2 / L3，附一句話說明依據
加分項獨立勾選（有 / 無）

校準機制

校準會議（Calibration Session）： 主管群使用匿名員工案例進行判定練習，公開討論差異，統一認知標準
建議在導入初期做 2-3 次校準，之後每季一次

防誤判機制

自評 vs 主管評交叉比對： 差距大的地方是認知需要對齊的重點
產出審計： 低求助 + 高錯誤率 = 危險的 L2（過度自信），不是 L3
第一次評估明確宣告為現況調查，非考核，降低膨脹自評的動機

6. 躍遷路徑

L1 → L2：瓶頸是思維轉換

核心轉換： 從「AI 是工具」到「AI 是策略夥伴」
行為期望： 嘗試用不同的方式處理不同類型的任務，並能說出為什麼選這個方式
介入方式： 展示多元的 AI 使用案例、鼓勵實驗不同策略、建立「AI 使用分享」的團隊文化

L2 → L3：瓶頸是勇氣與組織空間

核心轉換： 從「把現有工作做得更好」到「重新定義自己的角色」
行為期望： 找到一個可以用 AI 擴展到的新職責，進行至少一個月的試驗，並回報成果與風險
介入方式： 主管主動開放空間（「你覺得你的角色還可以做什麼？」）、提供試錯安全網、表彰成功的角色擴展案例

7. 導入計畫

Phase 1 — 內部對齊（第 1 個月）

目標： 全公司對「AI Native」有共同語言。

發布本框架文件，向管理層說明設計邏輯
全員自評：每人判斷自己在 L1 / L2 / L3 哪一層，附簡短說明
主管校準會議：用匿名案例統一判定標準（建議 2 場）
產出全公司 AI Native 現況地圖（各部門 × 各層級的人數分佈）

Phase 2 — 制度嵌入（第 2-3 個月）

目標： AI Native 層級正式進入 HR 制度。

各部門填寫決策權限矩陣
將 AI Native 層級嵌入績效考核表
主管培訓：如何用三個問題做日常判定
招聘 JD 中加入 AI Native 層級要求

Phase 3 — 持續發展（第 4 個月起）

目標： 框架從靜態標準變成動態發展工具。

定義各層級的躍遷行為期望與支持機制
每季回顧：更新應用政策、校準層級判定標準
收集 L3 角色擴展的成功案例，作為組織學習素材

8. 架構總覽

┌──────────────────────────────────────────────────────┐
│                                                      │
│  核心通識框架（全員同一把尺，HR 統一定義）               │
│                                                      │
│  L3  角色重塑者   what 改變，角色範疇擴展               │
│  L2  策略運用者   how 改變，因任務選策略                │
│  L1  運用者      習慣性使用，固定模式                   │
│                                                      │
├──────────────────────────────────────────────────────┤
│                                                      │
│  應用政策（部門自訂，統一格式）                          │
│  決策權限矩陣：L1-L3 × D1-D4                          │
│  控制措施：自主 / 抽查 / 需審核 / 不可                  │
│                                                      │
├──────────────────────────────────────────────────────┤
│                                                      │
│  加分項（正交，獨立於核心層級）                          │
│  A. AI 團隊賦能：文件化、教學、推動流程改善              │
│  B. AI 創新者：新範式、可規模化架構、人機分工             │
│                                                      │
├──────────────────────────────────────────────────────┤
│                                                      │
│  評估機制                                             │
│  日常三問 + 績效嵌入 + 校準會議 + 產出審計               │
│                                                      │
├──────────────────────────────────────────────────────┤
│                                                      │
│  躍遷路徑                                             │
│  L1→L2 思維轉換（工具→策略夥伴）                       │
│  L2→L3 勇氣+空間（擴展角色邊界）                       │
│                                                      │
└──────────────────────────────────────────────────────┘

附錄：Round Table 討論紀要

日期： 2026-03-31 議題： AI Native 通識職能應如何分層？ 參與者：

人物	核心貢獻
Ethan Mollick	AI 能力的核心是信任校準；L2/L3 的差異在「how 變 vs what 變」；校準盲區概念
Dreyfus Brothers	技能習得的五階段模型作為分層參照；底層靠系統護欄、上層靠主管判斷
Cedric Chin	堅持行為可觀察性；五職能案例交叉驗證；校準會議建議
Julie Zhuo	分層的軸應是自主性；主管視角的判定問句；團隊賦能移出核心；落地評估設計
Nassim Taleb	風險不對稱框架；「不是所有人都該爬到頂」；決策等級分級；躍遷瓶頸分析

關鍵轉折：

分層主軸從「求助模式」→「AI 使用複雜度」→「策略多樣性」演進
團隊賦能從核心路徑移出至加分項（保持純個人路徑）
L4 從核心層級移至加分項（核心到 L3 封頂）
L3 從「做到原本做不到的」收緊為「角色結構的常態化重塑」
風險控管從框架內分離至應用政策層（決策權限矩陣）

未解決的開放問題：

完全不使用 AI 的員工是否需要定義 L0？
加分 B（AI 創新者）的判定標準需要更多實務案例
不同產業和公司規模對決策權限矩陣的影響
AI 工具快速演進時，層級定義的更新頻率