如果有一天，你走進辦公室，主管告訴你：
「從今天開始，我們團隊多了一位新同事。」
這位同事不需要辦公桌，可以整理資料、製作報表、分析資訊、協助排程；只要給予適當權限，甚至可以自己完成一連串任務。
但他不是新進員工。
他是一位 AI 數位員工。
問題來了：如果 AI 真的成為組織裡的一員，我們還能用原來的方法管理嗎？
當「數位員工」真的來上班
2026 年 9 月，《經濟日報》報導緯穎科技導入 AI 的進程。目前緯穎內部已有約 1,700 人使用 AI，應用範圍也逐漸進入人力資源、財務與供應鏈等工作。
例如，人資可以利用 AI 協助整理履歷與製作候選人比較資料；供應鏈原本需要專人處理的單據核對，也開始可以由 AI 助理協助完成。
更值得注意的是，緯穎資訊長溫宗正預估，2027 年可能出現公司的第一位「數位員工」。
於是一個有趣的管理問題出現了：AI 員工到底歸誰管？
資訊部門？人力資源部門？還是實際使用 AI 的業務主管？
當我們開始認真回答這個問題，就會發現：這已經不只是資訊科技的問題，而是管理學的問題。
AI 帶來的，可能不只是自動化
傳統管理很重視「分工」。
複雜的工作被拆成比較小的任務，再交給不同的人負責。久而久之，我們形成部門、職位、專業分工與標準作業流程。
但 AI 可能讓這個方向開始出現變化。
緯穎在訪談中提出一個很有意思的概念：逆分工。
當 AI 能夠接手大量重複、瑣碎的工作，原本被拆散的工作流程，可能重新整合回一個人的手上。
過去管理者問的是：「這件工作應該分給誰做？」
未來可能還要多問一句：「一個人帶著 AI，可以完成多完整的一段工作？」
真正改變的，可能不只是某一項工作的效率，而是我們對於「工作基本單位」的想像。
過去是一個人。後來是一個人加上一套資訊系統。未來則可能逐漸變成：人 × AI × 流程。
這樣的變化並不只出現在單一企業的想像裡。Microsoft Research 2026 年提出的研究模型指出，當 AI 能連續執行彼此相鄰的工作步驟，企業如何把工作步驟組合成任務、再組合成職位，也可能跟著改變。換句話說，AI 影響的可能不只是「某一項工作做得更快」，而是工作本身如何被拆解、串接與重新組合。
管理五大功能還適用嗎？
管理學經常用 Planning（規劃）、Organizing（組織）、Staffing（用人）、Directing（領導）、Controlling（控制）來理解管理工作。
AI 並沒有讓這五件事情消失，但每一項功能面對的問題，都開始有些不同。
Planning｜規劃
不只規劃「誰做什麼」，還需要思考：什麼由人做、什麼交給 AI、什麼必須人機共同完成？
Organizing｜組織
不只思考如何分工，也可能重新思考：當 AI 接手例行工作後，哪些原本被切碎的工作，可以重新整合？
Staffing｜用人
原本我們可能問：「這個部門需要幾個人？」未來可能還要問：「完成這項工作，需要什麼樣的人，以及什麼樣的人 × AI 協作能力？」
Directing｜領導
當一般工作者開始設定 AI Agent 的目標、交代任務、提供資料、檢查成果與修正錯誤時，即使沒有主管職稱，也已經在進行某種形式的「管理」。
而到了 Controlling｜控制，問題可能更加明顯。
AI 做得越快，KPI 反而越難訂
如果以前完成一項工作需要八小時，現在人與 AI 協作只需要一小時：績效就變成八倍了嗎？
如果一位員工每天呼叫 AI 一百次，是否代表他比只使用十次的人表現更好？顯然沒有這麼簡單。
AI 的使用量、Token 數、工作速度，都可以被計算，但這些數字並不直接等於工作的價值。
緯穎在 AI 導入過程中也碰到類似問題。AI 使用成本相對容易估算，真正的效益卻沒有那麼容易衡量。因此現階段並沒有急著先套上一套舊有的 KPI，而是鼓勵實際使用，再從產生的亮點與價值中尋找未來適合的觀察指標。
用了很多 AI，不代表績效很好。做得很快，也不代表做得很好。
未來的績效管理可能不能只問「完成多少」，還必須一起問：成果正確嗎？品質好嗎？需要多少人工修正？真的解決問題了嗎？產生了什麼價值？又帶來哪些新的風險？
KPI 不一定會消失，但我們衡量「好工作」的方法，可能需要改變。
這也與其他 AI 導入經驗相呼應。Google Cloud 在 2026 年提出 Agentic AI 的績效衡量架構時，將指標分為可靠性與營運效率、採用與使用情形，以及商業價值三個面向，並特別提醒：只看 Token、呼叫次數或執行成本，很容易誤判真正成效。對 AI 而言，「做了多少」仍然重要，但更需要和「做對多少、產生多少價值」一起看。
管理者以後又要管人，又要管 AI？
很可能是。
而且兩者還不能使用完全相同的管理方式。
人需要信任、溝通、支持、激勵、授權與心理安全。
AI 不需要被激勵，也不會因為主管講話太兇而離職。XD
但 AI 需要另一套東西：任務、資料、權限、規則、驗證、監督與安全邊界。
Manage People｜管理人
建立信任、發展能力、促進合作，處理動機與衝突。
Manage AI｜管理 AI
設定任務、資料與權限，監督品質、錯誤、成本與風險。
Manage Collaboration｜管理人機協作
決定誰負責什麼、在哪裡交接、誰負責驗證、什麼時候一定要由人接手，以及出了問題最後由誰負責。
真正困難的，可能不是多了一個「機器人部屬」，而是：如何讓人與 AI 各自做擅長的事，又不讓責任消失在人與 AI 之間。
McKinsey Global Institute 對未來工作的研究也提出類似方向：工作可能逐漸成為人、AI agents 與 robots 之間的協作。對管理者而言，重點因此不只是監督個別工作者，而是協調混合團隊、驗證績效，並在自動化程度提高之後仍維持對結果的問責。這也提醒我們：AI 並沒有讓管理消失，而是讓管理的對象與邊界變得更複雜。
當 AI 越會管理事情，管理者還剩下什麼？
如果 AI 已經可以協助規劃、分析、排程、追蹤進度、製作報表，甚至提出決策建議——那麼，我們為什麼還需要管理者？
定義問題。 AI 很會回答問題，但我們仍然需要判斷：現在真正需要解決的是什麼？
設計系統。 不只是把工作交給誰，而是設計人、AI 與流程應該如何組合。
做出判斷。 AI 可以快速產生許多選項，但哪一個選擇適合現在的情境，仍然需要判斷。
帶領人。 AI 可以寫出一封鼓勵員工的信，但建立信任、處理衝突、陪伴改變與形成團隊文化，不只是產生一段文字。
還有最後一件可能最重要的事：承擔責任。
AI 可以提供建議，但管理者不能把責任也一起外包給 AI。
當答案變得便宜，判斷就變得昂貴
生成式 AI 帶來一個很有意思的改變。以前，取得答案本身可能很困難。現在只要幾秒鐘，就可以請 AI：「給我五個方案。」
真正困難的反而變成：哪個問題值得解？哪個答案值得相信？不同價值發生衝突時怎麼選？什麼可以交給 AI？什麼不應該交給 AI？最後，又由誰對結果負責？
因此，AI 時代的管理者可能逐漸從 Answer Provider｜答案提供者，走向 Choice Architect｜選擇架構者。
管理者真正重要的工作，不再只是告訴大家「答案是什麼」，而是在充滿選項與不確定性的環境中，帶著團隊做出適合的選擇。
資料沒有錯，結論仍然可能錯
想像一個醫療、教育或專業服務現場。
AI 分析部門資料後告訴主管：「工作者 A 每週服務的人數最低。」數據可能完全正確。
但主管還需要知道：A 是否正在承接最複雜的個案？是不是需要更多時間建立專業關係？服務人數是不是唯一重要的績效指標？
又或者 AI 根據資料提出：「個案 B 的服務效率較低，建議減少投入時間。」管理者仍然需要繼續問：效率，是我們唯一追求的價值嗎？
資料本身可能沒有錯，但如果缺少情境、專業與價值判斷，結論仍然可能出問題。
這也是 AI 時代一項越來越重要的能力：Judgment——判斷。
管理學沒有消失，而是往上一層移動
AI 並沒有讓 Planning、Organizing、Staffing、Directing、Controlling 失去意義。相反地，它可能讓其中許多工作變得更快、更自動化。
但也因此，管理者真正需要強化的能力開始更加清楚：定義問題、設計系統、做出判斷、帶領人，以及承擔責任。
如果再濃縮一些，AI 時代的管理或許會更加凸顯三件事：
方向、判斷、人。
我們要往哪裡去？面對越來越多可能性，我們如何選擇？又如何讓一群人——以及逐漸加入工作的 AI——形成一個真正能夠協作的系統？
AI 可以提供答案、執行任務，甚至逐漸成為組織裡的「數位員工」。但答案越容易取得，定義問題、理解情境與做出判斷的價值，反而可能越高。
所以，AI 時代真正值得重新思考的，也許不是：「管理者還剩下多少工作？」
「當 AI 越來越會管理事情，人要如何更好地管理選擇、關係與責任？」
這可能才是下一個世代的管理學。
參考資料
王郁倫（2026）。〈AI 數位員工2027年上班！緯穎：不用舊 KPI 管理 AI 的新境界〉。《經濟日報》，2026 年 9 月 21 日。
閱讀原始報導 ↗
Fateh, B., & Liu, A.（2026）。〈The KPIs that actually matter for production AI agents〉。Google Cloud Blog，2026 年 2 月 26 日。
閱讀原文 ↗
Yee, L., Madgavkar, A., Smit, S., Krivkovich, A., Chui, M., Ramírez, M. J., & Castresana, D.（2025）。〈Agents, robots, and us: Skill partnerships in the age of AI〉。McKinsey Global Institute，2025 年 11 月 25 日。
閱讀原文 ↗
Demirer, M., Horton, J. J., Immorlica, N., Lucier, B., & Shahidi, P.（2026）。〈Chaining Tasks, Redefining Work: A Theory of AI Automation〉。SSRN Electronic Journal / Microsoft Research，2026 年 2 月。
閱讀研究 ↗