文組人才是 AI 導入最該被重視的角色，一個科技麻瓜的七年田野筆記

上週一場企業 AI 內訓開場前 30 秒，主管悄悄拉我到後台：

「Sofia，今天台下有一半是文組同事，他們很焦慮⋯⋯你能講得讓他們聽得懂嗎？」

我笑了，但沒有立刻回答。

三年前我也是那個焦慮的文組人。政大華語教學碩士、教育背景、討厭數學的純種文組，誤打誤撞進了科技新創，被一群理工學霸同事 carry 著生存下來，然後又陰錯陽差成為 co-founder，AI 大舉入侵的時候，我真的以為自己是 AI 時代的弱勢。

但三年後我可以非常有自信地告訴所有文組朋友：文組人不是企業 AI 導入的弱勢，是關鍵。

而 95% 的企業還沒搞懂這件事。

為什麼多數企業 AI 導入會失敗？

這幾年因為演講與內訓的機會，我接觸過不少正在「導入 AI」的團隊。多數卡在同一個地方，少數真的跑起來的也都有同一個特徵：

他們把 AI 當工具，不是當同事。

「工具」這個 mindset 會讓你做三件事：

一直追求 AI 完美 → 失望於它還不夠完美、不夠好用 → 退回 Excel + 人腦
把 AI 拿來「自動化」現有流程 → 結果原有流程的爛部分全部被自動化放大
期待 IT/工程部門「導入」AI → 結果工程部寫了對接 ChatGPT 的內網入口卻沒人在用

我很想跟每一場演講的台下說：你的 AI 導入不需要更厲害的工具，需要更對的 mindset。

我自己最有感的案例是我們自己團隊 Numbers 的 AI 導入進程，我們去年 4 月停掉用了 6 年的 Slack、Airtable、Asana，全面遷到 Google Chat + GitHub，理由是「要全面導入 AI，就要創造友愛 AI 的工作環境」。

剛開始人類同事很不適應（廢話 XD），但兩週後 AI 同事真的長出來。我們開始幫 AI 同事取名字。

你以為 AI 是顧問、是工程師，其實都不是

我自己用了三派分類來看目前企業通常怎麼做 AI 導入：

A 派：「把 AI 當外包顧問」

你問問題、AI 回答、你 review、你決定要不要照做。

聽起來合理，但失敗的訊號是：團隊會說「AI 回答得很爛，還不如我自己想」「每次問都要 prompt engineering，太累」，他們其實在抱怨「為什麼這個外包顧問還沒幫我做完所有事」。

外包顧問模式假設你已經知道答案，AI 只是替你打字。所以 AI 不完美你就大崩潰。

B 派：「把 AI 當工程師」

很多 RD 主管會走這個路線，他們把 AI 當成一個可以執行明確 spec 的工程師同事。

失敗的訊號是：你開始責怪 AI「為什麼這麼笨」「居然連 X 都做不好」。但你忘了，工程師同事如果一個月還沒上手你的 codebase，你也不會這樣罵他 (呃，也是有可能會在茶水間偷罵 XD

工程師模式假設 AI 應該完美執行你的指令。所以 AI 偏離意圖、不完全照你的指令執行你就抓狂。

C 派：「把 AI 當新進同事」

這就是我們團隊的 mindset，也是 Numbers 全公司全面導入 AI 最基礎的方法。

新進同事的特徵：

第一個月你不會期待他完美
你會教他你們團隊的「眉角」
他做不好你會幫補
久了之後他會變成你的 leverage
你不會跟他爭功，你會跟他一起把事情做完

對「新同事」我們不期待完美，因為沒人是完美的新同事，包括人類同事。期待對了，產出就對了。

我們在初期導入時就 “hire” 了 Amy（負責 marketing draft）、Jordan（負責 BD outreach）、Clara（負責 community management）、小鳳（負責資料整理）、阿張（負責程式 review）、老科（負責文件校稿）。全職人類同事剩 6 位，線上 AI 同事 15 位 + 實習 8 位，但人類同事沒被取代，是被「升任」了，變成 AI 同事的主管。

「我們不太在意 AI 是否完美，因為我們不把它視為工具，而是新的團隊夥伴。如果你把 AI 當成工具，你就會追求完美、並且挫敗於它還不完美。」

（btw 這不是我說的，是我們團隊 AI 導入先驅，Numbers 創辦人 Tammy Yang 說的）

人類靈魂 8% × AI 產出 92%

某次我跟 Tammy 閒聊（她是粒子物理博士，講話向來把每個前提都先確認過），她說了一段我這幾年聽過覺得最重要的話：

「在 AI 的時代，你可能做什麼自己以前覺得拿手的事都會贏不過 AI。唯一一件你能夠贏過 AI 的事，是你可以『喜歡』。」

我那天回家在捷運上想了一路。她的意思是：AI 寫文案會比我多數時候寫得好、AI 整理資料會比我快、AI 翻譯、AI 設計、AI 寫程式，樣樣都會贏過普通人類。

但 AI 不能「喜歡」。

而你「喜歡」一件事所累積的真實體驗、跟那件事相關的人生故事、那些不能被快速 prompt 出來的細節，那才是你身為人類的價值。

我把這件事框架化成「8% / 92%」：

人類靈魂佔 8%：你獨有的經驗、視角、品味、八卦，這 8% AI 是不能複製的
AI 產出佔 92%：執行、整理、生成、優化，這 92% AI 絕對比你快，也可能比你好

很多人在 AI 時代焦慮，是因為他們覺得應該防守那 92%。

但 你該守的是 8%，然後用 AI 的 92% 來放大你的 8%。

舉個很新的例子：我前陣子愛上一個台語女歌手叫李竺芯，她把台語、台南、台灣食物、法語結合做的創作，我不相信任何 AI 模型能寫出這種跨文化縫合的歌，她完美展現了如何放大 AI 時代裡自己的 8%。

文組人的三個天生優勢

回到那位主管的問題：「文組同事聽得懂嗎？」

我的真實答案是：文組同事不只聽得懂，而且我們文組人們其實天生就是 AI 時代最該被重視的角色，只是過去十年的科技敘事讓我們以為自己是弱勢。

文組人有三個工程師很難快速學會的能力：

1. 理解人比理解 code 更難

「使用者要什麼」這件事，你以為是 PM 的工作嗎？

我政大華語教學碩士訓練是「跟非母語者解釋語言組合概念」。要把「主謂賓」這種文法概念教給只會基本中文的歐美學生，你必須先理解對方腦中的英文文法 mindset 是什麼，然後找出連結點。

這套訓練在 AI prompt engineering 上完全直接套用。

Prompt 寫得好，本質上是「跨語言溝通」的能力，不是寫程式的能力。

工程師被訓練去想「機器怎麼想」。文組人被訓練去想「人怎麼想」。AI 是介於兩者之間的東西，你跟它對話的方式，比較接近跟人對話，而不是跟機器溝通。

2. 處理曖昧（ambiguity）是基本功

文組訓練的另一半是「處理沒有標準答案的問題」。一篇文學作品的 reading 可以有 17 種詮釋，你要選一個並論證，這就是處理 ambiguity 的能力。

AI 輸出的本質就是曖昧的，它給你的回答不會是 100% 對或 100% 錯，而是「大概對 60%，部分需要修，部分要捨」。

工程師被訓練去找「正確答案」，所以 AI 沒給他正確答案他就煩躁。文組人被訓練去處理「有點對有點不對」，所以我們相較之下比較不會崩潰，會直接編輯、組裝、再用。

3. 翻譯能力，深入淺出，化難為易

文組人的第三個 superpower 是**「翻譯」**，不是中翻英那種翻譯，而是「把專業講成人話」的能力。

這件事在 AI 導入裡是金子。

因為 AI 導入失敗的場景幾乎都長這樣：

工程師建好系統 → 業務不會用 → 系統長草
工程師寫好 prompt template → 行銷同事複製不會改 → 產出全長一樣
顧問交了 100 頁 AI 策略 deck → 主管看不懂哪一頁要先做 → 全部擱置

這些斷層需要的是「翻譯者」，不是「更好的工程師」。

而文組人天生就是翻譯者。

「被釋出」不是被取代

我幾乎每場演講或內訊都會被問同一個問題：

「Sofia，所以我們會不會被 AI 取代？」

我的答案永遠一樣：如果你的工作能被 AI 取代，那代表你被「釋出」了。

「釋出」是什麼意思？

你被釋放出來去做你真正想做的事了。

那件你下班後會想做、會主動學、做完會開心的事，以前因為要忙生計做不了，現在 AI 接手 92%，你可以拿些被釋放出來的時間，放大你的 8%。

我自己因為 AI 同事接手了大部分執行工作，這一兩年多出來的時間拿去學攀岩、考導遊領隊執照、參加整聊師培訓、爬了非洲最高峰吉利馬札羅、開始重新好好寫 blog。這些事如果沒有 AI 同事 carry，我大概沒有精力和時間做。

所以我向來不喜歡製造資訊焦慮（真的有需要再理性消費即可，佛系宣傳 XD）。 AI 時代不是你失去飯碗的時代，是你終於可以理直氣壯做自己喜歡的事的時代。

唯一的條件是：你得先找到你的 8% 是什麼。

結語：找到你的 8%

如果看到這裡還是焦慮，這邊有個我自己覺得蠻有幫助的 30 秒小練習：

現在拿出一張紙，寫下 5 件事，如果你財富自由了、可以做任何事，你會做什麼？

那 5 件事的交集，就是你的 8%。

剩下 92% AI 可以幫你做。包括這篇文章的編輯、排版、SEO 優化、社群分發，都是 AI 同事跟我協作的（純人類手打的是 8% 的觀點與故事，包括 Tammy 那段對話、非洲爬山的經歷、政大華語所訓練給我的那套「教非母語者複雜概念」的肌肉記憶）。

文組人不是 AI 時代的弱勢。

文組人是 AI 時代最該被重視、但 95% 企業還沒看到的關鍵角色。

如果你的公司也在 AI 導入路上踩雷（或還沒開始踩 XD），歡迎來信。過去一年多在 Numbers Protocol 把全公司 AI 同事化的方法、踩雷地圖、文組人怎麼領導理工團隊，這些我都可以毫不藏私地分享給你的團隊。

→ 邀請 Sofia 演講：90 分鐘 keynote / 半日 workshop / 全日深度導入工作坊。 → Numbers Protocol & Omni：我們建構的內容溯源基礎建設（C2PA 會員、NIST AI RMF 引用、共同設計 ERC-7053/7517、67M+ 數位資產註冊）。Omni 是把這套 TAEA 治理框架（Transparent、Auditable、Explainable、Agentic）落實到企業 AI AIOps 與 AI DevOps 平台。 → 訂閱 RSS：接下來我會寫一系列「文組人 AI 導入」深度文，從 AI 同事建檔、敏感主題治理、到 vibe coding 起手式，全部都是文組麻瓜聽得懂的版本。

常見問題

Q: 為什麼 95% 的企業 AI 導入會失敗？

A: 不是技術問題，是 mindset 問題。多數企業把 AI 當「工具」或「外包顧問」，結果失敗/失望於它還不夠完美。把 AI 當「新進同事」的企業比較容易成功，你不會期待新人完美，你會教他、幫他補足不完美，最後一起把事做好。

Q: 文組人在 AI 時代有什麼優勢？

A: 三個天生優勢：(1) 理解人比理解 code 更難，prompt engineering 本質是跨語言溝通能力；(2) 處理曖昧是文組訓練的肌肉，AI 輸出永遠是「部分對部分需要修」；(3) 翻譯能力，把技術專業講成人話，是 AI 導入最缺的連結者角色。

Q: 什麼是「AI 同事」方法論？

A: 把 AI 當新進同事而非工具。具體做法：給 AI 取名字、定義權限、規定協作模式。Numbers Protocol 最初的 AI 同事有 Amy / Jordan / Clara / 小鳳 / 阿張 / 老科，全盛時期我們同時有 15 位線上 AI 同事 + 8 位實習 AI，搭配 6 位人類同事擔任「AI 同事的主管」。

Q: 什麼是 8% / 92% 框架？

A: 人類靈魂 8% × AI 產出 92%。AI 比你寫得快、整理得好、翻譯得準，這 92% 大概永遠是 AI 的場。但「你喜歡什麼」「你的人生經驗」「不能被快速 prompt 的細節」，這 8% 是 AI 永遠無法複製的。AI 時代的策略是「守住你的 8%、用 AI 的 92% 來放大它」。

Q: 沒有工程背景，怎麼開始 AI 導入？

A: 從「給你的 AI 取名字」開始。把它當新人，定義它的工作範圍（例如：Amy 只負責週報初稿，不寫客戶 email）。每天用它一次，記錄它哪裡做不好，這就是你教新人的過程。一週後你會發現自己已經是 AI 主管了。這中間完全不需要寫一行 code。

#文組AI專家 #企業AI導入 #AI同事 #NumbersProtocol #VibeCoding