AI agent 進入企業後，HR 要評估的不只是 AI 技能，而是人能不能管理一段人機工作流程
過去一年，許多企業開始訓練員工使用生成式 AI。
會不會下 prompt、會不會用 AI 寫報告、會不會讓 AI 協助整理資料，逐漸成為新一代職場能力。對很多人來說，AI 已經不是陌生工具，而是每天工作中會打開使用的助手。
但當 AI 從「工具」進一步變成「agent」，問題就開始不一樣了。
工具通常是被動的。
人給它一個指令，它完成一個回應。
但 AI agent 不只是回答問題，它可能開始承接任務、串接流程、查詢資料、產出建議，甚至在某些場景中代表企業與客戶、文件、系統或其他 agent 互動。
這時候，企業真正要問的問題，就不再只是：
這個員工會不會用 AI？
而是：
這個員工能不能讓 AI 把事情做好？
他能不能拆解任務、設定邊界、檢查輸出、處理錯誤？
他會不會過度相信 AI？
他能不能知道哪些事情可以交給 AI，哪些事情必須由人做最後判斷？
會用 AI 已經不稀奇。
會讓 AI 在真實工作流程中安全、可靠、有效地完成任務，才是下一個關鍵能力。
從「會用 AI」到「會管理 AI」
現在很多企業談 AI 能力，仍然停留在「會不會使用工具」的層次。
例如：
- 會不會用 ChatGPT 寫文案
- 會不會用 AI 做摘要
- 會不會用 AI 產生簡報大綱
- 會不會用 AI 整理會議紀錄
- 會不會下比較清楚的 prompt
這些能力當然重要。
但它們比較像是 AI 使用的入門能力。
真正的挑戰會出現在 AI agent 進入企業流程之後。因為 agent 不只是產出內容，它可能會參與一段工作流程。
例如：
客服 agent 協助回覆客戶。
銷售 agent 協助整理客戶資料與推薦話術。
HR agent 協助初步整理候選人資料。
PM agent 協助追蹤專案進度與產生週報。
財務 agent 協助整理報表與發現異常。
這些場景中，AI 不再只是「幫我寫一段文字」，而是逐步變成工作流程中的一個行動單元。
這時候，人類員工的角色也會改變。
他不只是 AI 的使用者，而是 AI agent 的任務設計者、監督者、驗證者與風險把關者。
換句話說，企業未來需要的不是單純會用 AI 的人，而是會管理 AI 的人。
企業導入 AI agent 後，真正的風險不只是 AI 出錯
很多企業在導入 AI 時，會先關心工具本身：
這個 AI 準不準？
這個 agent 能不能串接系統？
這個模型會不會產生幻覺？
這個平台是否安全？
這些問題都重要。
但在真實工作場景中，AI 出錯只是其中一部分風險。
更大的風險往往來自：
人不知道 AI 可能在哪裡出錯。
人不知道什麼時候該相信 AI。
人沒有設定清楚的任務邊界。
人沒有設計人工覆核點。
人把不該交給 AI 的判斷交給 AI。
人在 AI 出錯後，不知道如何補救。
也就是說，AI agent 的風險不只來自 AI 本身，也來自人如何設計、使用、監督與修正它。
例如，一個客服 agent 產生錯誤回覆，問題不只是模型回答錯了。
企業還需要追問：
- 為什麼這個 agent 有權限直接回覆？
- 是否有設定高風險問題的人工覆核？
- 員工是否知道哪些回覆必須查證？
- 是否有建立錯誤升級流程？
- 是否有留下紀錄，方便後續改善？
- 是否有人負責檢查 agent 的輸出品質？
如果這些問題沒有被設計好，即使企業買了很強的 AI agent，仍然可能在真實工作中產生風險。
因此，AI agent 時代的人才能力，不只是 prompt 能力，而是管理 AI 工作流的能力。
Prompt 是起點，不是終點
很多企業的 AI 訓練，會從 prompt engineering 開始。
這是合理的，因為 prompt 是人與 AI 互動的入口。
能不能清楚描述目標、限制條件、輸出格式與上下文，確實會影響 AI 的輸出品質。
但如果企業只訓練員工下 prompt，仍然不夠。
因為在真實工作流程中，問題不是只有「如何問 AI」。
還包括：
- 這個任務適不適合交給 AI？
- 需要哪些資料才能讓 AI 做得好？
- AI 的輸出要如何驗證？
- 哪些地方可能出現幻覺或錯誤？
- 什麼情況必須交給人類判斷？
- 多個 agent 之間如何分工？
- AI 出錯時，誰負責處理？
- 流程如何回滾、修正與防止重複發生？
這些問題都不是單純靠 prompt 可以解決的。
Prompt 是讓 AI 開始工作的指令。
但企業真正需要的是一套讓 AI agent 能安全工作的流程。
所以未來的 AI 能力評估，也不應該只考員工會不會寫 prompt，而要看他能不能設計、監督與修正一段人機工作流程。
未來 HR 要評估的，不只是 AI 技能，而是人機協作能力
過去 HR 評估人才，常常會看幾件事：
- 專業能力
- 溝通能力
- 邏輯能力
- 抗壓性
- 團隊合作
- 領導潛力
- 職位適配度
這些能力在未來仍然重要。
但 AI agent 進入企業後，HR 會遇到新的問題：
這個人能不能和 AI agent 一起工作？
這不是一句空泛的問題，而是非常具體。
例如：
他能不能把模糊任務拆成 AI 可以執行的步驟？
他能不能把需求說清楚，而不是丟給 AI 一句模糊指令？
他能不能發現 AI 產出的錯誤、過期資訊、邏輯漏洞或不合理建議？
他能不能判斷什麼時候可以採用 AI 建議，什麼時候必須人工覆核？
他能不能在 AI agent 出錯時，快速修正流程並降低損害？
他是否理解資料安全、合規、權限與責任歸屬？
他能不能在 AI 給出看似合理但其實有風險的答案時，保留人類判斷？
這些能力，會成為 AI agent 時代非常重要的人才指標。
我們可以把它稱為一種新型的人機協作能力。
它不只是「會不會用 AI」，而是「能不能讓 AI 在工作中真正產生可靠價值」。
不是每個會用 AI 的人，都適合進入 AI 工作流
這句話可能有點直接，但它很重要。
很多人會用 AI，但不代表他適合被放進高風險的 AI 工作流程裡。
例如，有些人很會用 AI 產出內容，但不擅長查核事實。
有些人很會下指令，但容易過度相信 AI。
有些人追求效率，卻忽略資料安全與合規邊界。
有些人能讓 AI 快速完成任務，但無法判斷輸出的品質。
有些人看到 AI 給出自信答案，就直接採用，沒有保留人類判斷。
在低風險任務中，這些問題也許還可以被容忍。
但在高風險場景中，例如客服回覆、財務分析、法規判斷、招聘篩選、醫療建議、資安事件、企業決策，這些問題就可能造成嚴重後果。
因此，企業未來不能只問：
誰最會用 AI？
還要問：
誰適合使用哪一種 AI？
誰適合管理哪一類 agent？
誰可以被授權讓 AI 自動執行任務？
誰的 AI 輸出需要更高程度的人工審核？
誰需要先接受 AI 風險與治理訓練？
這就是 HR 未來會面對的新課題。
人類的新價值：不是比 AI 快，而是讓 AI 做對
AI 的出現，讓很多人開始擔心：
人會不會被 AI 取代？
但在企業場景中，真正的問題可能不是「AI 取代人」，而是「誰能把 AI 用好」。
未來的職場分水嶺，可能不是：
會不會使用 AI。
而是：
能不能管理 AI。
因為 AI 可以快速產生內容，但不一定知道內容是否正確。
AI 可以整理資料，但不一定知道資料是否可靠。
AI 可以給出建議，但不一定承擔後果。
AI 可以執行流程，但不一定理解組織責任。
AI 可以模擬專業語氣，但不一定真的具備專業判斷。
所以人類的新價值，不是每件事都比 AI 做得快。
而是能夠：
- 定義正確問題
- 設計任務流程
- 判斷輸出品質
- 發現錯誤與風險
- 理解情境與責任
- 在不確定中做最後判斷
未來不是 AI 取代所有人，而是會管理 AI 的人，會比不會管理 AI 的人更有競爭力。
從人類 workforce 到 Human × AI agent workforce
過去企業管理的是 human workforce，也就是人類工作力。
企業要思考的是：
- 招募什麼人
- 訓練什麼能力
- 如何配置職位
- 如何管理績效
- 如何發展人才
- 如何設計組織
但 AI agent 進入企業後，組織會逐漸變成 Human × AI agent workforce，也就是人類與 AI agent 混合工作力。
這時企業管理的不只是人，還包括：
- AI agent 的任務範圍
- AI agent 的權限邊界
- 人類與 AI 的分工
- 人工覆核與審核點
- AI 輸出風險
- 例外處理流程
- 責任歸屬
- 人機協作效能
這是一個全新的管理問題。
傳統 HR 系統多半是圍繞「人」設計的。
傳統測評也是圍繞「人」設計的。
但未來企業需要管理的是「人 + AI agent + 任務流程 + 風險控制」共同構成的工作系統。
因此，HR AI 的下一步，不應該只是更會評估人，而是要開始理解人如何在 AI agent 工作系統中表現。
下一代人才評估，會從測能力走向模擬情境
如果企業真的想知道一個人能不能與 AI agent 一起工作，單靠問卷可能不夠。
因為很多人都可以在問卷中回答：
我會查核 AI。
我不會過度相信 AI。
我重視資料安全。
我會保留人類判斷。
但真實工作中，他是否真的做得到，需要透過任務與情境觀察。
例如：
給他一份 AI agent 產出的報告，裡面包含錯誤資料、邏輯跳躍、過期引用與合規風險，看他能不能找出問題。
給他一個模糊任務，例如「請設計一個 AI agent 協助完成客戶流失分析」，看他能不能定義目標、資料需求、指令、輸出格式、驗證標準與人工審核點。
給他一個 AI agent 出錯的情境，例如「agent 回覆客戶時引用錯誤資訊，造成客訴」，看他如何處理危機、修正流程並避免再次發生。
這些測評方式，不是問這個人「覺得自己會不會用 AI」，而是觀察他在 AI 工作情境中的行為。
這代表人才評估會從靜態問卷，走向任務型、情境型、可觀察行為型測評。
世界模型為什麼會成為關鍵？
當我們開始評估人如何與 AI agent 共事，就會發現這不只是單一能力測驗。
因為一個人在 AI 工作流中的表現，會受到很多因素影響：
- 任務本身的模糊程度
- AI agent 的可靠性
- 輸出錯誤的成本
- 時間壓力
- 權限邊界
- 組織的審核流程
- 主管的管理風格
- 團隊的 AI 治理成熟度
- 個人對 AI 的信任傾向
- 個人的風險意識與判斷能力
這些因素不是彼此獨立的，而是會互相影響。
例如，一個人在低風險任務中使用 AI 可能表現很好，但在高壓、高錯誤成本、需要即時判斷的任務中，可能過度依賴 AI。
另一個人可能 prompt 技巧普通，但查核能力很強，因此更適合擔任 AI agent 的監督與審核角色。
這就是世界模型思維有價值的地方。
世界模型不是只看單一輸入與單一輸出，而是試圖理解：
人、AI agent、任務、組織情境與風險事件之間如何互動。
如果放在 HR 場景中，它可以幫助企業思考：
如果把這個人放進某種 AI 工作流，他可能如何表現？
如果 agent 出錯，他是否能發現並修正？
如果任務風險提高，他是否仍能保留人類判斷？
如果組織給 AI 更高權限，哪些人適合管理這些 agent？
哪些流程可以自動化，哪些流程仍然需要人工決策？
這就是 Human-AI workforce simulation 的核心想像。
企業未來需要的是一套人機工作力模擬能力
在企業真正把人放進 AI agent 工作流程之前，最理想的狀態，是先知道這個人可能如何與 AI 共事。
也就是說，企業需要的不只是 AI 工具，也不只是 AI 課程，而是一種新的管理能力：
在真實部署之前，先模擬人與 AI agent 的協作表現。
這樣企業才能更清楚地回答：
- 誰已經準備好進入 AI-native 團隊？
- 誰需要先接受 AI 風險訓練？
- 誰適合管理客服 agent？
- 誰適合管理銷售 agent？
- 哪些員工可以被授權使用較高權限的 AI？
- 哪些任務必須設置人工覆核？
- 哪些流程不適合完全自動化？
- 哪些人適合成為人機協作流程的設計者？
這些問題，會成為 AI agent 時代的人才與組織管理新課題。
結語：會讓 AI 把事情做好，才是下一代職場能力
生成式 AI 的普及，讓「會用 AI」逐漸成為基本能力。
但 AI agent 的到來，會把問題推向下一個層次。
未來企業真正需要的，不只是會打開 AI 工具的人，而是能夠讓 AI agent 在真實工作流程中安全、可靠、有效地完成任務的人。
這種人不只是下 prompt。
他能拆解任務。
他能設計流程。
他能設定邊界。
他能查核輸出。
他能處理例外。
他能理解風險。
他能在 AI 看起來很有自信時，仍然保留人類判斷。
所以，AI agent 時代的職場能力，不是單純的人機使用能力，而是人機協作與人機治理能力。
會用 AI 已經不稀奇。
會讓 AI 把事情做好，才是關鍵。
而這也將推動 HR AI 從傳統人才評估，走向人類 × AI agent 混合工作力模擬的新階段。