Ethan Mollick談AI時代新人訓練：雜務被接手，專業經驗要從哪裡累積？
Ethan Mollick談AI時代新人訓練，提醒公司重建初階工作的學徒功能。從客服與顧問研究分清工具產出和能力累積，整理主管可採用的任務、回饋與驗收方法。
AI時代新人訓練不只看交件速度。一份整理資料的工作交給AI，主管省下等待，新人卻也可能少了一次辨認錯誤、理解客戶與接受回饋的機會。效率提高之後，經驗要從哪裡累積，成了另一個管理問題。
Ethan Mollick在11月3日上架的Silicon Valley Girl訪談，談到初階職務原本承擔的訓練功能。他擔心，人與主管都直接拿AI產出交差，會讓培養專業判斷的路徑中斷。
這是他對組織變化的觀察，不能直接推成所有新人職缺都在消失。研究也提供另一面：在有些客服情境，AI反而能把資深人員的做法傳給較少經驗的員工。
因此，需要分清楚的是，公司把AI用來替人完成任務，還是讓人在協助下學會完成任務。同樣交出一份合格文件，背後留下的能力可能不同。
對台灣團隊來說，問題不只是新人要多學幾個工具。主管若把原本的入門任務自動化，就需要重新安排練習、回饋與逐步承擔責任的機會。
AI時代新人訓練應同時保留真實工作的責任，以及足以看見判斷過程的回饋。先確認公司希望新人學會什麼，再決定哪些步驟適合交給工具。
Mollick擔心的，是哪一段新人訓練消失？
他關心的是初階工作如何培養判斷，而不只是最後交付多少文件。
在原始訪談約18分37秒，Mollick談到一種傳統分工：新人接手資深者不想做的工作，同時逐漸理解這個行業如何運作。
當新人直接提交AI產出，主管也傾向直接向AI取得結果，原本的教學互動就可能減少。他提出企業需要認真安排訓練，而非假設專業判斷仍會自然長出來。
這個觀點值得討論，因為一項看似瑣碎的工作，可能同時有產出與訓練兩種用途。但它們不一定每次都重疊，長期複製貼上、沒有解釋與回饋，也未必能教會人。
因此，重建學徒訓練不等於把所有雜務留給新人。需要保留的是學會判斷的機會，至於哪個步驟值得親手做，應回到它能教會什麼來決定。
例如，假設新人每週整理客戶詢問，原本的訓練價值可能是辨認客戶真正的問題。若AI已完成分類，仍可請新人檢查哪些案例分錯，以及是否需要向客戶追問。
這時，工具接手了大量整理，人仍練習辨別差異。主管的回饋也能集中在判斷理由，而不必花整段時間修改格式，訓練未必因此變得更慢。
就業數量則是另一個問題。Stanford與倫敦國王學院的41國研究發現，採用AI的企業初階員工占比下降，主要由資深員工增加帶動。
占比變化不能直接當成新人遭大規模裁員的證據，也沒有直接量測訓練管道是否中斷。公司仍應分開檢查人力結構，以及現有員工是否持續取得經驗。
如果把任務速度與能力累積分開看，就能理解為什麼AI也可能幫助新人。
AI可以傳承經驗，為什麼又可能留下能力缺口？
工具能不能幫人學會，取決於它如何融入任務與回饋。
《經濟學季刊》2025年發表的Generative AI at Work，研究5,172位客服人員。它觀察到，較少經驗的員工從AI建議取得較大幫助，也找到工具中斷時仍保留部分進步的證據。
這項研究中的AI提供即時回應建議，員工仍負責與客戶對話，並可編輯或忽略建議。結果支持AI可以協助傳遞工作方法，但研究只涵蓋單一企業的特定情境。
另一項10月26日刊於《Nature Human Behaviour》的顧問研究，則顯示487位顧問在AI與訓練協助下，能更好完成原本不熟悉的資料科學任務。
不過，研究沒有發現他們在移除ChatGPT後，技術知識問答表現更好。這表示當下能交付較好的結果，仍不能直接推定相關知識已經被學會。
兩者的工作內容、工具安排與觀察方式不同，不能用一篇推翻另一篇。對管理者較有用的問題是，自己的流程讓員工反覆練到什麼，又留下了哪些學習證據。
如果AI只回傳最後結果，員工可能看不到如何辨認問題。若工具與主管會呈現判斷依據，員工便有機會比較、提出異議，再把方法帶到下一次工作。
但看見解釋也只是起點。人可能讀懂一份說明，實際遇到不同情況仍不會應用，所以培訓還需要讓新人親自處理變化，讓主管看得出理解到了哪裡。
研究提供的差異，提醒主管先定義要傳承哪一種能力。
新人需要練習的，為什麼不只是寫出初稿？
經驗包含知道何時追問、如何辨認例外，以及為決定說明理由。
初稿很容易成為衡量進度的指標，因為它看得見，也方便交件。但一份文字完整的報告，未必顯示作者有沒有察覺資料不足，或知道哪些結論還不能下。
以前述客戶詢問的假設案例來說，先區分資訊型問題與需要處理的抱怨，就會影響後續由誰接手。分類名稱相同，客戶的實際處境仍可能不同。
新人若只接受工具標籤，就少了判斷的練習。若要先寫出自己在意的線索，再與AI分類比較，就能把不同意見帶到主管面前，而不只是問「這樣可以嗎」。
主管也應解釋採用某種處理方式的原因。例如同樣缺少資料，為什麼這一案可以先回覆，另一案必須先向同事確認。這些差別往往藏在資深者習以為常的經驗裡。
把差別說出來，並不需要寫成一本完整手冊。可以先從最近一次返工開始，找出新人原本沒看到的條件，再挑一個相近案例讓他試著辨認。
這樣的訓練有明確用途：讓新人下次知道該停在哪裡、向誰詢問，以及拿什麼資訊回來。比起單純記住一次修改後的答案，更容易延伸到日常工作。
同時也要允許新人提出不同做法。若每次討論只要求猜中主管偏好，就容易把學習縮成模仿。需要傳承的是判斷標準，並非每份文件都必須長得一樣。
這些判斷要被看見，訓練就需要比收成品多留一步。
主管怎麼把真實工作改成可學習的任務？
把任務分成可練習的判斷，並安排及時回饋，有助於避免只交付機器產出。
可以先選一項新人正在接手、錯誤能及時發現的工作。交辦時，除了交期與格式，再說清楚希望他練習的部分，例如確認資料來源，或找出需要升級處理的情況。
接著保留一個短暫的比較步驟。新人先提出初步看法，再看工具建議，最後說明哪些地方改了、為什麼改。主管便能從差異理解他是如何作決定。
如果涉及真正客戶或正式資料，練習也要有清楚的責任界線。初階員工可以準備方案，正式送出前由適合的人核對，避免把學習機會變成要求他獨自承擔超出經驗的後果。
回饋則應靠近任務發生的時間。隔很久才收到一句「考慮得不夠完整」，很難知道該改哪一步。指出漏掉哪個條件，並說明它如何影響決定，才有重新嘗試的方向。
主管也不必逐項代做。當新人能說明大部分理由，只在一個地方卡住，就可以集中補那個缺口。這讓回饋時間有機會從全面修改，轉成有目的的討論。
至於AI，可以用來協助找相近案例、產生需要比較的選項，或先檢查格式。這些是本文建議的訓練安排，實際效果仍需由團隊觀察，不能當成研究已驗證的統一處方。
還有一項容易被忽略的條件是主管工時。若原本的訓練互動消失，重建它就需要排進工作，而不是期待資深員工在所有任務做完之後再額外帶人。
練習安排完成後，還要確認評估方式沒有把學習空間壓掉。
怎麼判斷新人真的在進步？
除了完成速度，也要看新人是否能處理變化，並逐步減少對主管的依賴。
一開始可以記錄新人在哪些情況需要協助。例如他能否自己確認資料版本、發現前後矛盾，或在客戶需求不清楚時提出有效問題，這些都比單看文件頁數更有資訊量。
之後再用不同但相近的任務檢查。如果他能說明哪些條件改了、原方法為何仍可用或需要調整，主管才更有依據決定是否增加責任。
這不表示必須全面停用AI考試。職場需要人與工具合作，但在關鍵能力上，可以安排短暫的獨立說明，確認新人理解的內容沒有全部留在聊天視窗裡。
評估也應和任務風險相稱。剛到職的員工未必能立刻獨立處理困難例外，但他若能及早發現不確定性並正確求助，也代表專業判斷正在建立。
如果公司只獎勵最快交件，員工自然會傾向省略比較與追問。想要培養能力，就要在考核與交期裡容納這些活動，不能一面要求成長，一面只計算當天產量。
也不宜把一次工具失誤當作新人不適任。先找出錯在資料、理解、交辦還是驗收，才知道需要補的是哪個環節。否則，增加更多檢查表也可能沒有改善。
Mollick的新訪談把焦點帶回企業要如何培養下一代人才。對正在調整AI分工的團隊，值得先做的是選一段真實工作，保留判斷與回饋，再看新人能否逐步接手。
當公司把這些證據留在培訓制度裡，AI省下的時間才有機會轉成下一代專業能力。
歡迎免費訂閱AI郵報，持續追蹤AI如何改變工作，以及研究實際支持到哪一步。
FAQ：AI時代新人訓練常見問題
AI時代新人訓練，需要禁止新人使用AI嗎？
不必一概禁止。先分清要完成的產出與要練習的能力，再安排工具協助、獨立說明及回饋，會比只訂使用或禁用規則更具體。
Mollick是否證明新人工作都被AI取代了？
沒有。訪談是他對訓練路徑的觀察與建議，不能當作全體勞動市場的統計結論。
怎樣開始重建訓練？
選一項新人正在做的工作，說清楚希望他練哪個判斷，保留初步想法與修改理由，再由主管針對差異回饋。
延伸閱讀：Stanford 與倫敦國王學院 41 國研究：導入 AI 的公司多了資深員工，新人真的變少了嗎？
延伸閱讀：AI 代理接手工作，如何保留批判性思考？Addy Osmani 的交辦與驗證方法
資料來源
- Ethan Mollick原始訪談影片，2026年11月3日上架。
- Silicon Valley Girl官方節目頁與完整逐字稿，2026年11月3日。
- Generative AI at Work，《經濟學季刊》，2025年2月4日。
- Generative AI and the temporary upskilling of knowledge workers，《Nature Human Behaviour》，2026年10月26日，本文引用公開摘要。
- How Does AI Change Labor Demand? Evidence from 41 Countries，Stanford Digital Economy Lab，2026年9月21日。
