Kimi 新模型推出後，短短 48 小時內，用戶請求量便逼近算力集群的承載極限。許多人關注的是 GPU 不夠、算力緊缺，但我更在意的是新聞透露出的另一個訊號：AI Agent 正在快速成為企業中的「新勞動力」。
新聞中提到，AI Agent 執行任務所消耗的 Token，可能是傳統聊天應用的數百倍甚至上千倍；未來，一人公司可能不是一個人搭配幾個工具，而是一個人管理十幾個甚至數十個 AI Agent。這不是遙遠的想像，而是已經開始發生的工作型態。
這也代表，企業管理的基本單位正在改變。
AI 不再只是工具，而是工作夥伴
過去，我們把 AI 當成搜尋引擎、文書助手或程式碼生成器，它的角色比較像是一把更好的工具。
但現在的 AI Agent 已經不同了。
它可以自己拆解任務、規劃步驟、呼叫 API、查詢資料、撰寫程式、修正錯誤，甚至與其他 Agent 協同完成一項工作。
這意味著，一名員工完成一份企劃、一段程式或一份分析報告時，背後可能同時有十幾個 AI Agent 在協助。
真正完成工作的，不再只有「人」。
而是人與 AI 所組成的工作系統。
HR 面臨的新挑戰：我們到底在評估誰？
傳統的人才管理有一個隱含前提：工作成果主要來自於個人的能力。
因此，我們評估的是：
- 這個人有沒有領導力？
- 他是否具備問題解決能力？
- 溝通能力好不好？
- 邏輯分析是否清楚？
但是，在 Human-AI Workforce 的時代，這些問題開始變得不夠完整。
例如，同樣兩位主管都使用 AI：
一位主管把所有事情直接丟給 AI，沒有查證結果，最後讓錯誤一路流進正式報告。
另一位主管則懂得拆解問題、選擇適合的 Agent、交叉驗證結果，再根據商業情境做最後判斷。
兩個人使用的是相同的模型。
最後產出的品質卻完全不同。
真正造成差異的，不是 AI。
而是人如何與 AI 協作。
因此，未來 HR 評估的，不應只是「AI 使用能力」，而是：
- 是否知道哪些工作適合交給 AI？
- 是否能辨識 AI 的錯誤與幻覺？
- 是否能整合多個 Agent 的工作成果？
- 是否能在人機協作中做出最後決策？
- 是否能在效率、成本與風險之間取得平衡？
這些能力，將逐漸成為新的核心職能。
世界模型的重要性，正是在這裡
目前大部分 HR AI，都擅長回答一個問題：
「這個人最後得幾分？」
例如：
- 面試是否錄取？
- 是否具有領導潛力？
- 是否有離職風險？
這些都是靜態的分類問題。
但 Human-AI Workforce 面對的是另一種問題：
人在不同情境下，會如何與 AI 互動？
這就不是一個分數可以回答的。
世界模型（World Model）真正想理解的是整個互動過程。
它不是只看最後的答案，而是持續理解：
- 人如何理解任務？
- 如何拆解問題？
- 如何選擇 AI Agent？
- AI 提供建議後，人是否接受、修正或否決？
- 遇到新的資訊時，策略是否會改變？
- 最後的成果，是哪些互動共同造成的？
真正重要的，不只是結果，而是形成結果的決策過程。
未來的人才評估，將從「評分」走向「模擬」
如果企業未來真的開始大量導入 AI Agent，那麼人才評估方式也必須改變。
我們不能再只是問：
「你會不會使用 ChatGPT？」
而是要建立真實情境，例如：
主管交辦一個緊急專案。
受試者需要在有限時間內，與多個 AI Agent 協作完成任務。
AI 有時會提供正確建議，有時會故意遺漏資訊，有時甚至提出錯誤結論。
系統真正觀察的，不是他最後交出的報告，而是整個過程：
他如何分配工作？
如何判斷 AI 是否可信？
如何與 AI 修正彼此的錯誤？
如何在人機協作中保持效率，又兼顧品質與風險？
這些互動，才是真正反映未來工作能力的證據。
HR AI 的下一步，不只是更懂人，而是更懂互動
AI 的快速發展，正在重新定義企業中的「工作」。
未來，一位主管帶領的不一定只有十位員工，也可能同時管理數十個 AI Agent；一位分析師完成一份報告時，也可能背後有多個模型共同參與。
因此，HR AI 的任務，不再只是評估一個人的能力。
而是理解一個人在不同情境下，如何與 AI、與團隊、與工作環境共同完成任務。
真正的競爭力，也不再只是「誰最會使用 AI」。
而是誰最能建立一支 Human-AI Workforce，讓人與 AI 持續做出更好的決策。
這或許也是 AI 面試、人才評估與人才發展的下一步：不是更會評分，而是更懂互動。