為什麼越資深，越容易錯過 AI 轉型？用破壞式創新框架拆解資深工作者的困境與轉機

資深工作者的豐富經驗，是限制還是機會？

在企業導入 AI 的過程中，最常見的阻力，往往不是來自最不懂的人，而是來自最懂的人。他們通常是部門裡最資深、最可靠、最熟悉業務的人。他們對 AI 的質疑也往往有其說服力：

「AI給的內容太淺，不夠深入。」

「我們的情況和其他企業不一樣。」

「AI 的品質還沒到堪用的程度。」

問題不在這些話是否全然錯誤，而在於它們一旦出自最資深的人，就容易被組織視為專業判斷，進而掩蓋轉型真正的阻力。這不是態度問題，而是結構問題。

成功邏輯，為什麼會變成轉型障礙

《創新者的兩難》的核心觀點是，很多企業失敗，不是因為做錯事，而是因為持續把原本正確的事做得更徹底。

它們聆聽重要客戶，把資源投入高獲利業務，用已被驗證的方法做決策。這些做法在穩定環境中都合理，也常常正是企業成功的原因。但當技術典範轉移時，這套「合理的決策系統」本身，反而會使組織低估新技術的威脅。

克里斯汀生區分了兩種創新型態：

一種是持續性創新。它會讓既有產品更好、更快、更有效率，也符合主流市場的需求與績效標準。

另一種是破壞性創新。它初期通常看起來粗糙、不成熟，不符合主流使用者的要求，也很難用既有指標證明自己的價值。但它會從邊緣場景切入，逐步改善，最後重寫整個競爭規則。

這兩種創新最大的差別在於：它們所依賴的評價系統不同。持續性創新符合既有標準，所以容易被組織接受。破壞性創新不符合既有標準，所以最容易被既有運作系統排斥。

持續性創新與破壞式創新的差異

這正是 AI 在許多白領工作現場的處境。

今天的生成式 AI，早期輸出確實常有粗糙、不穩定、需要修正的問題。若用資深者長年建立的專業標準來看，它當然不夠成熟。但這正是破壞性創新最容易被誤判的階段。問題從來不只是它現在有多好，而是它正在以多快的速度變得更好，以及它是否已開始改寫遊戲規則，包括成本、任務分工與競爭門檻。

資深者最容易犯的錯，是用靜態標準評估快速進化的技術

資深工作者評估 AI 時，會拿 AI 目前的產出水準，對比自己現在的專業標準，再得出「還不夠好」的結論。這種比較方式最大的問題，在於它只評判了當下的狀態。

破壞性創新的關鍵，從來不是早期品質是否已經追上既有高手，而是它的改善速度是否足以在短時間內改變遊戲規則。若一項技術正在快速提升，用靜態標準做判斷，往往會得到延遲且保守的結論。

早期的數位相機畫質不如底片，早期的串流影音片庫不如實體租片，早期的網路購物體驗也遠不如百貨公司。當時說「這個技術還不夠好」的人，說的都可能是事實；但他們仍然做出了錯誤判斷，因為他們看的是當下表現，忽略的是技術進步的方向與速度。

AI 也是如此，而且它的速度比過去任何一波技術迭代都更快。根據史丹佛大學 HAI（人工智慧研究院）的 AI Index Report，從 GPT-3 到 GPT-4 的能力躍升，在多個專業領域都呈現出相同的軌跡：從明顯落後人類平均水準，到追上，到超越，時間只需要兩到三年。在律師資格考試中，早期版本的 AI 表現在後段班，GPT-4 發布後已進入前段班；在程式設計能力測試與醫師執照考試中，同樣的曲線反覆出現。這條曲線的形狀不是線性的，它是加速的。用「今天的 AI 還不夠好」作為不行動的理由，等同於用底片相機時代的畫質標準，來預測數位相機五年後的位置。

AI 從明顯落後人類平均水準，到追上、超越，時間只需要兩到三年。

AI 最先改變的，通常不是最複雜、最關鍵、最需要專家判斷的工作，而是那些過去看起來不夠核心、卻數量龐大、可重複、可規格化的任務。生成初稿、整理摘要、彙整資料、改寫新版、格式轉換、會議紀錄，這些都屬於典型例子。

這些工作過去多半由初階人員負責，也是資深者指導新人的主要場域。一旦這些任務被 AI 重分配，影響的就不只是效率，而是整個部門的人才養成方式、協作流程與專業邊界。

因此，資深者若只盯著 AI 目前做不到的部分，很容易忽略它已經開始改寫自己熟悉的工作結構。

案例：沒有拒絕 AI，卻用舊流程把 AI 變成了附屬工具

一家中型消費品牌的行銷部門，在去年開始要求團隊使用生成式 AI 協助內容製作。表面上看起來，導入相當順利。部門主管也支持，內容團隊人人都開了帳號，例會上還安排同事分享 prompt 寫法。但三個月後，團隊產出速度並沒有明顯提升。

問題不在工具，而在流程。

這個部門原本的工作方式，是由初階行銷企劃人員先整理市場資料、競品內容與受眾觀察，接著寫出初稿，再交給資深內容主管逐段修改。主管會親自改標題、調語氣、補案例、重排段落，最後才交給設計與投放團隊。這套流程多年來很穩定，也培養出不少能獨當一面的內容人員。

AI 導入後，初階同事確實開始用 AI 產生初稿、整理資料、做標題版本測試，但後面的審稿流程幾乎沒有變。資深主管仍然習慣從頭到尾親自重寫，對 AI 產出的初稿也普遍不信任，常覺得「語感不對」「洞察太淺」「品牌口吻失準」。結果是，AI 只被拿來加快前端蒐集與起草，卻沒有真正改變後端的決策與協作方式。

表面上看，這位主管的判斷完全合理。她確實比 AI 更懂品牌，也比團隊更能掌握語氣品質。問題在於，她仍然用過去「我親自修到最好」的成功邏輯在工作，而不是重新思考：哪些地方必須由我判斷，哪些地方可以交給 AI 先做出八成，再由我做最後校準。

最後，團隊陷入一個很典型的狀態：人人都用了 AI，但組織效率沒有被真正放大。初階同事只是更快做出第一版，資深主管卻仍然承擔幾乎相同的精修工作量。新工具被塞進舊流程裡，結果只是讓舊流程看起來更現代，卻沒有改變工作結構。

這就是很多企業當下最真實的情況。阻礙轉型的，不是資深者公開反對 AI，而是資深者只把 AI 視為一個附屬工具，不願思考如何改變自己的工作邏輯、流程與角色定位。

用了 AI，但組織效率沒有被真正放大

困住資深者的，是一整套曾經有效的工作系統

若要更精準地理解這個問題，可以借用克里斯汀生常用的 RPV 框架，也就是資源、流程、價值觀。這個框架原本用來分析企業為什麼難以轉型，其實也很適合用來理解個人面對 AI 時的阻力。

先看資源。資深工作者累積了判斷力、人脈、跨部門經驗、領域知識，這些都是重要資產。但 AI 帶來的新工作方式，要求的是快速試驗、快速修正、大量比較版本。原本有價值的資源，未必能直接對應這種新的操作節奏。資深者的問題不在於沒有資源，而在於既有資源不一定適合新的工作系統。

再看流程。很多資深者習慣的工作方式，是先深度思考，再反覆修改，最後交出成熟版本。這是一種強調品質控制的流程。AI 更常見的工作方式則是，先快速生成，再透過比較、篩選與迭代逐步收斂。兩者的差別，不只是效率高低，而是作業邏輯不同。對一個已經把舊流程練成肌肉記憶的人來說，這不是換工具，而是重設整套工作作業系統。

最後是價值觀，這也是最深層的一層。

許多資深者的職涯成功，是建立在精準、穩定、不犯錯的標準上。他們的專業認同，來自可靠判斷與高品質產出。這套標準不只是工作要求，更是對「什麼叫做專業」的自我核心定義。

然而，AI 的運作邏輯不是先求正確再產出，而是先生成多個版本，再由人判讀與修正。它的輸出本質上是機率結果，不是確定答案。對一個把準確性視為專業基礎的人來說，這不只是操作上的不習慣，而是對專業定義本身的衝擊。即使他理性上知道 AI 很重要，情感上也可能很難真正信任。而沒有信任，就不會真正的投入與擁抱新作法。

所以，資深者面對 AI 的抗拒，並非不願學習，而是因為這項技術直接顛覆了他長年建立的專業標準與流程。

冰山表面是抗拒改變，實際原因是資源、流程與價值觀

資深者抗拒的不是 AI，而是自己暫時失去熟悉的優勢

在組織中，資深者通常是高績效者。他們知道什麼樣的產出成果會被視為專業，也知道怎樣處理事情能讓團隊與主管放心。久而久之，他們的自我價值感建立在「我是最懂這件事的人」的認知上。

但 AI 導入初期，幾乎所有人都會遇到不熟悉、失準、試錯、反覆修正的過程。這代表資深者必須從自己最熟悉的領域裡，重新回到學習者的身份。對新人來說，這種狀態很正常。對資深者來說，這可能是一種威脅。

他不只是在學一個新工具，也是在面對一個不舒服的事實：自己過去累積的部分優勢，可能無法再用原來的方式展現。這就是為什麼很多資深者不是公開反對 AI，而是用非常合理的理由，讓自己延後開始改變。

三句最常見的話，也是三種延後改變的方式

於是，在組織導入AI的過程中經常聽見三句話。

第一句是：「我們這一行不一樣。」

有時這句話成立，因為產業確實有差異，工作情境也不會完全相同。但很多時候，這句話的功能不是界定邊界，而是延後面對變化。

破壞性創新很少在一開始就從最核心的地方全面進入，它通常先從局部流程、低風險場景與邊緣需求切入，再逐步擴散。很多產業都以為自己足夠特殊，不會那麼快受影響；實際上，變化常常就是從那些原本看起來不那麼重要的環節開始。

第二句是：「AI 做得還不夠好。」

這句話雖然正確，但真正該問的，不是 AI 今天能否達到資深專家的水準，而是它是否已經足以改變任務分工、成本結構與競爭門檻。

如果一位初階員工在 AI 協助下，能用原本一半甚至更少的時間做出可用初稿，那麼即使品質還不到資深專家的程度，這項技術也已經對組織形成實質影響。它改變的是工作分工與速度結構，而不只是單一成果的品質。

第三句是：「我們以前就是這樣成功的。」

這句話最危險。它把歷史經驗誤當成未來保證。

《創新者的兩難》最殘酷的提醒就是，昨日最合理的選擇，可能正是今日最需要改變的選擇。過去成功的方法，不會因為曾經有效，就自動適用於下一輪技術轉換。當外部環境改變時，原本的優勢也可能變成障礙。

三種延後改變的思維

案例：沒有否定 AI，但拒絕重新定義專業價值

一家大型企業的法務部門開始測試 AI 協助合約摘要、條文比對與初步風險標示。年輕法務人員很快上手，因為他們本來就習慣在大量文件中找差異、查範本、整理版本。AI 對這些任務的幫助非常直接，至少能讓整理時間明顯下降。

但部門資深法務主管對此始終保持距離。她沒有反對導入，也沒有在會議上直接批評 AI。她只是持續強調，法務工作的核心是風險判斷，AI 做不出真正可靠的法律意見。問題在於，她因此把整套 AI 應用都視為邊緣輔助，沒有進一步要求團隊思考：既然初步整理、條文對照、版本摘要已可加速，法務部門是否該重新分配人力，把更多時間用在高風險條款談判、跨部門溝通與商業判斷上？

最後的結果是，AI 只停留在個別年輕同事的工作習慣裡，沒有升級成部門能力。資深主管仍然以「我最後一定要全部自己看過」作為品質保證機制。於是，團隊的整體運作模式沒有變，培養新人和分配工時的方式也沒有變。

這個案例的關鍵問題在於：資深主管把「AI 無法取代最核心判斷」直接推論成「AI 不足以改變部門工作結構」。這正是 Christensen 所說的典型誤判：既有領導者因為過度聚焦在高階價值，而忽略了邊緣任務被重寫後，整個系統其實也會跟著重組。

對這位主管來說，真正困難的不是學會用 AI，而是承認自己的專業價值未來不再主要建立在「我比別人更會逐條檢查文件」，而會更多建立在「我比別人更能界定風險、排序優先順序、把法律判斷放回商業情境裡」。

這種轉變，才是資深者真正的角色升級。

組織最大的矛盾：最需要改變的人，往往最有能力抗拒、延遲改變。

如果這個問題只停留在個人層面，解法還相對單純。真正困難的是，它同時是一個組織問題。

在多數企業裡，資深員工不只是執行者，往往也是決策者、帶人者，或至少是意見最有分量的人。這直接製造了 AI 轉型最核心的矛盾：最需要完成角色升級的人，也最有能力阻礙改變發生。 他們不需要公開反對，只要持續以「專業判斷」的名義，讓舊流程保持合理性，轉型就會停滯。這是因為組織的資源分配與績效制度，本來就偏向保護既有成功模式。

資深者通常背負最重要的任務，組織也要求他們以穩定、高品質的方式完成任務、避免犯錯。但 AI 的學習過程，本來就需要一段摸索、犯錯與實驗。這兩種要求彼此矛盾。組織一方面要資深者轉型，另一方面又不提供容錯空間，結果往往是表面導入、實際不變。

因此，很多資深者不轉型，並不是單純缺乏意願，而是在現有制度下做出的理性選擇。若組織沒有刻意設計低風險的實驗空間，沒有把流程重構與團隊效率納入評估，轉型很難真正發生。

真正有效的管理作法，不是要求資深者多用 AI 工具，而是重新設計他們在 AI 時代的價值定位。

企業 AI 轉型最核心的矛盾

資深者真正要完成的，不是工具升級，而是角色升級

過去，資深工作者的價值來自「我比別人做得更好、更快、品質更穩定」。未來的價值，將逐漸轉變為：我比別人更懂得如何重新設計這份工作。

這意味資深工作者的價值，從「手藝人」轉換為「架構師」。

手藝人的價值，在於自己能把細節做得很精。架構師的價值，則在於能判斷哪些事情該由人做，哪些適合交給 AI，哪些流程根本不該繼續存在，並能重組整體協作方式。

資深者要從手藝人轉型成架構師

對資深者來說，這種轉型來自於：

先從拆解自己的工作開始，哪些環節真正需要判斷力與經驗識別，哪些環節其實只是高熟練度的重複執行。

接著，讓腦中的隱性知識外顯。資深者真正有價值的，不是單純的執行能力，而是判斷標準。若能把審核邏輯、決策框架、品質要求整理成可重複使用的指令、SOP 或原則，就能把原本只存在個人腦中的隱性知識，轉成團隊與系統都能使用的資產。

再來，建立「沙盒」（容錯實驗區）。不是所有工作都適合立即交給 AI，但總有一部分低風險任務，適合拿來測試流程、調整做法。若沒有試錯的空間，資深者永遠只能在高壓任務中維持原狀。

最後，讓績效評估從個人產值，逐步轉移到團隊整體績效與流程設計能力。當資深者的角色從親自完成每個細節，轉向放大整體產出，他的經驗價值才會被放大。

資深者 AI 轉型重新設計自我價值四步驟

經驗不會自動失效，失效的是經驗依附的形式

經驗本身不會自動失效。真正會失效的，是建立在特定流程、特定工具、特定資訊結構上的經驗形式。

一位主管懂得判斷一份企劃書是否有邏輯，這項能力仍然有價值；但若他主要把時間花在修句子、補資料、調格式，而不是進一步做問題定義、優先順序判斷與策略取捨，那麼他的價值就會逐步貶值。

一位資深文案的風格與創意仍是寶貴的能力；但若他仍然從零開始完成每一份初稿，而不是把 AI 當成加速起點，他的時間成本就會愈來愈難與新的工作方式競爭。

所以，資深工作者真正該問的問題，不是「AI 會不會取代我」，而是「我的經驗中，有哪些是判斷力，哪些只是對舊流程的熟練度？」

真正成熟的資深，不是守住舊方法，而是有能力重新定義自己的價值

《創新者的兩難》最值得今天的工作者警惕的地方，不在於它告訴我們弱者會輸，而在於它提醒我們，強者最容易輸，因為他們太習慣原本的成功邏輯。

資深工作者面對 AI 的最大風險，是太容易把曾經有效的方法誤當成永久有效的方法。當一個人對自己過去的成功方式過度確定，他就更難看見規則已經開始改變。

因此，AI 時代對資深者真正的要求，不只是學會新工具，而是願意承認自己的專業價值正在變化。過去你被肯定，可能是因為你最會做；未來你仍然重要，則可能是因為你最懂得判斷、最懂得設計流程、最懂得把人的判斷力與科技的效率組合起來。

若能如此，資深將會成為你放大自身價值的槓桿，而不是天花板。

---------

管理經典智慧遇上AI

隨著AI的普及，執行力不再是稀缺資源，管理者的價值因而面對巨大的轉型機會。

「 #當管理學遇上AI 」不只是給管理者的 AI 操作指南，從深厚的經典管理智慧出發，拆解 AI 時代的真實挑戰，協助管理者跨越「工具操作」的表層，進入「組織協作」的深層核心。

除了幫你的「管理工具箱」增添配備之外，AI 將成爲管理的力量放大器，而你則是負責校準方向的引導師。我們在追求效率的同時，更要練習在複雜中找到平衡，讓你在 AI 時代，當個更從容、也更有溫度的領導者。