AI 正在吃掉職務邊界：當一個人開始做三種工作，公司也開始用更少的人

2026 年 7 月 27 日，Caroline Chin 與 Alex Martin Richmond 發表一份 OpenAI 職場研究。他們分析超過 80 萬則美國使用者的工作訊息，發現扣除寫信、摘要、排程等通用工作後，43.5% 的訊息正在處理「別種職業原本會做的事」。

一個月前，INSEAD 的 Hyunjin Kim 與哈佛商學院的 Rembrand Koning 也發表了一份工作論文。他們把鏡頭從員工移到公司，看 AI 新創怎麼長大。結果同樣讓人停一下：AI 原生新創平均少約 25% 員工，管理層與初階職位比例都更低，估值卻與同類非 AI 新創相近。

30 秒概覽：OpenAI 看到個人的工作邊界正在外擴；Kim 與 Koning 看到公司的組織結構正在變薄。兩份研究都沒有預測失業，卻指向同一件事：AI 先降低跨部門交接的成本，再改寫企業需要哪些人。工作數量只是一部分；初階工作變少之後，下一代專家要從哪裡長出來，才是組織更難回答的問題。

那份職務說明書，已經開始落後

OpenAI 把這個現象稱為「任務跨界」（task crossover）。業務人員自己分析客戶資料，行銷人員排查網站問題，小公司老闆草擬文案、檢查合約、做基本財務分析。以前這些工作要排隊、開單或找別的部門；現在，最先碰到問題的人會先問 AI。

跨界程度最高的幾個職務很有意思。扣除通用工作後，客服人員有 77% 的職業特定訊息跨出原職務，設計 75%、人資 69%、法務 56%、行銷 53%。工程與行銷任務則最常「旅行」到其他職務，其中財務計算與電腦疑難排解，都進入另外七種職業最常見的跨界任務前三名。

“AI may change not only how work gets done, but who does it.” 「AI 改變的不只是工作怎麼完成，也包括工作由誰來做。」—— Caroline Chin、Alex Martin Richmond，OpenAI《Work at the Frontier》，2026（中文為本文翻譯）

這句話比「AI 會取代哪些職業」更貼近日常。職稱還掛在名片上，工作內容已經先移動了。政府統計、徵才網站與公司內部的職務說明書，通常要等變化穩定後才會更新；ChatGPT 的使用紀錄，看到的是人們正在試做什麼。

員工開始跨界，公司開始變薄

Kim 與 Koning 從另一端看同一件事。他們把 2020 年冬季到 2024 年秋季的 Y Combinator 新創，連結到團隊規模、職能、年資、組織層級與估值資料。相較於同產業、同批次的非 AI 新創，AI 原生公司有幾個明顯差異：

觀察面向	AI 原生新創的差異
團隊規模	平均員工數少約 25%
人才組成	工程師占比高 13%；初階員工與管理者占比各低約 15%
組織層級	平均少約半個年資層級，組織更扁平
公司估值	與可比較的非 AI 新創相近，代表每位員工對應的估值較高

論文還分析 990 家貼有 AI 標籤的 YC 新創。LLM 依公司介紹分類後，428 家把 AI 用來自動化原本人做的工作，234 家用來增強專業工作，兩者合計約 67%。另外 15% 提供建置 AI 的工具，18% 屬於其他類型。

這個 67% 很容易被社群貼文寫成「67% 的工作會消失」，但研究沒有這樣說。它的分母是 YC 的 AI 新創公司，與所有工作無關；它描述的是這些公司的產品在賣什麼，也沒有估計失業人數。

“Embedding AI into the product … is a primary way startups are scaling ‘knowledge work’ without large teams of knowledge workers.” 「把 AI 直接做進產品，是新創不用擴大知識工作者團隊，也能放大知識工作的主要方式。」—— Hyunjin Kim、Rembrand Koning，《AI-Native Firms》，2026（中文為本文翻譯；原句節錄）

這裡的差別很重要。員工用 ChatGPT 寫快一點，是「流程管道」；公司把原本要由律師、設計師、客服或分析師逐件提供的服務做進產品，是「產品管道」。後者會直接改變收入與人數之間的關係，也更可能改變組織長相。

我在內訓現場看到的，是交接成本先消失

我這幾年跑企業與公部門 AI 內訓，沒有看到某個職位突然不見。先發生的變化，是很多「本來要等人」的工作被拿回自己手上。

承辦人不再等設計同事做第一版圖卡，行銷不再等工程師改一小段網頁，主管也不一定把每份資料都交給分析人員整理。AI 把第一版做得夠便宜，讓人願意跨出職務試一次。試得動，交接就少一個；交接變少，管理工作也跟著減少。

小公司會最早感受到這件事。OpenAI 的資料顯示，在一般使用量的族群中，2 至 5 席工作空間的跨職務訊息占 18.9%，超過 100 席的工作空間是 16.3%。大公司有法務、財務、資訊與品牌部門；小公司遇到問題時，往往只有「自己做」或「先不做」兩個選項。AI 多給了第三個選項：先做出一個能被專家檢查的版本。

少掉初階工作，專家從哪裡來？

我對這兩份研究最在意的，其實不是 43.5% 或 67%，而是 Kim 與 Koning 發現 AI 原生公司的初階員工比例低約 15%。這對單一公司很合理：小團隊聘資深工程師，用 AI 處理大量例行工作，短期效率會很好。

問題出在五年後。法務主管之所以能判斷合約風險，是因為他以前逐條看過很多普通合約；資深行銷人能改掉 AI 文案裡那句不對勁的話，是因為他寫過無數沒人按讚的貼文。初階工作很慢，也常讓人覺得浪費，但它同時是專業判斷的練習場。

如果企業只留下會審核的人，把練基本功的工作全交給 AI，短期會得到一張漂亮的人均產值報表，長期卻可能找不到下一批能審核的人。自動化值得做，管理者也要記得：省下初階人力時，必須另外設計學徒制度。讓新人先做判斷、再看 AI 答案；保留抽樣複核、案例回顧與錯誤紀錄；把資深員工腦中的判準，寫進可教、可問、可追溯的流程。

企業現在該改的是工作設計

這兩份研究都還有邊界。OpenAI 分析的是美國使用者、八種職業與訊息內容，不代表完成的工作量，也沒有測量品質、工時或就業變化；《AI-Native Firms》是 2026 年的工作論文，研究對象以新創與創投資料為主，不能直接套用到成熟企業、公部門或台灣勞動市場。

即使如此，兩邊資料已經足以讓企業先做三件事：

1. 用任務盤點取代職稱盤點。不要只問「哪個部門要導入 AI」，要列出工作在哪裡發生、要交接幾次、最後誰負責。
2. 替跨界工作設審核線。會用 AI 做基本分析，不等於能簽核財務數字；能產生合約初稿，也不等於可以承擔法律責任。
3. 把新人培養寫進 AI 流程。別讓新人只剩複製 AI 答案。安排他先判斷、說明理由，再與模型和資深同事比對。

下一次改職務說明書時，也許不用急著加一條「熟悉 ChatGPT」。先看那份工作過去三個月多做了哪些別人的任務，又有哪些工作已經不用交出去。員工技能可能已經往前走了，落後的是公司那張舊部門圖，以及依圖管理人的方法。