KeyFrame內部研究專用

【每日聽管理】2026.6.25|AI 工具為何沒人用?研華:最大阻力不是技術,而是使用者沒痛點

經理人·6月24日週三·6 min中文

三句話摘要

AI時代企業面臨的四大現實:實施需求驅動、法律保護需主動應對、成本管理失控、求職競爭加劇。 AI時代不再是「有沒有AI」的問題,而是「如何有效管理AI的需求、成本與人才」的競爭。 AI實施必須從需求出發,而非技術驅動。研華科技實踐中發現,許多AI專案失敗源於企業對需求的模糊態度(「先做做看」),導致開發功能與實際需求脫節。唯有透過使用者訪談和工作流程觀察挖掘真實痛點(如業務人員跨系統查詢的低效),AI工具才能創造價值並實現每季20%的使用率成長。

重點整理

重點
  • 1

    AI實施必須從需求出發,而非技術驅動。研華科技實踐中發現,許多AI專案失敗源於企業對需求的模糊態度(「先做做看」),導致開發功能與實際需求脫節。唯有透過使用者訪談和工作流程觀察挖掘真實痛點(如業務人員跨系統查詢的低效),AI工具才能創造價值並實現每季20%的使用率成長。

  • 2

    職場保護法雖提供框架,實際防衛需主動取證。職場霸凌法規雖明確規範,但當事人成功申訴的關鍵在於證據充分性——單憑「主管態度差」不足以讓公司或勞動局受理,必須記錄具體事件、獲取證人、儲存電子郵件等書面證據。

  • 3

    AI成本管理已成失控的新風險。企業低估了AI的真實開支——Google數月內就耗盡全年AI預算,某企業甚至收到5億美元賬單,使得許多企業反思裁員節省的人力成本是否足以覆蓋AI支出。研究顯示,AI支出與生產力提升的比例約為10倍,企業亟需建立成本衡量機制。

  • 4

    AI技能已躍升為全職位必修課。104資料顯示AI人才需求5年增長97.6%,遠超工程師崗位,製程規劃、專案管理、銷售、行銷等非技術職位同樣迫切需要AI能力。求職者若履歷缺乏AI技能應用證明,將在篩選階段即遭淘汰。

實用技巧與重點

乾貨
  • 關鍵機構與資料:
  • 研華科技:每季使用率成長20%
  • 職場霸凌法規上路日期:2026年7月
  • Google耗盡年度AI預算時間:數月內
  • 企業最高AI單筆賬單:5億美元
  • 104人力銀行AI需求增長率:5年97.6%
  • AI支出與生產力提升比例:約10倍
  • Linux Foundation:成立AI運算費用標準組織
  • 具體方法:
  • 使用者訪談 + 隱蔽式焦點群體觀察
  • 取證方法:記錄事件詳情、獲取證人證詞、保留電子郵件
  • 高層支援與工作流程誘因改造
  • 高需求AI能力排序:
  • 流程自動化 > 機器學習演演算法 > 自然語言處理
  • 非技術職位中最高需求崗位:製程規劃

結論

結論

AI時代不再是「有沒有AI」的問題,而是「如何有效管理AI的需求、成本與人才」的競爭。

完整解析

詳細

本期播報聚焦AI普及過程中企業和職場人士面臨的四個現實問題。首先是AI實施的需求困境。許多企業斥資投入AI工具,卻因需求模糊而浪費資源。研華科技的經驗揭示了癥結:業務人員提出需求時往往態度是「你們先做做看」,導致開發團隊投入方向錯誤。李玉弘等管理者因此改變策略,不再盲目追趕技術風口,而是深入業務現場。他們透過使用者訪談和隱蔽觀察發現,業務人員在查詢客戶資料時需跨越多個系統,耗時費力——這才是真實的痛點。基於此,研華開發的平臺能自動化這一流程並提供應收賬款建議,使用率因此每季成長20%。這說明AI的價值不在技術本身,而在解決真實問題。

其次是職場法律的新風險。職場霸凌新法雖在7月上路,但許多受害者因證據不足而申訴無門。簡單的主觀陳述(「主管態度不好」「同事排擠我」)無法被公司或勞動局認可。專家建議受害者應主動行動:記錄每次不當對待的具體細節、記錄證人、用電子郵件向霸凌者表達抗議(留下書面記錄)。這些看似瑣碎的舉動,日後都可能成為推翻公司否認、獲得勞動部門支援的關鍵證據。

第三個挑戰是AI成本失控。網際網路巨頭在宣傳AI如何降低成本、如何透過裁員實現效率提升時,實際的賬單正在暗處累積。Google在僅僅幾個月內就用完了2026年的整個AI開發預算,有企業收到5億美元的服務費賬單。隨著AI代理技術普及,token消耗量激增,許多企業超支。研究更顯示,雖然AI提升了生產力,但伴隨而來的bug修復和程式碼重寫需求同步增加,以至於AI支出與生產力提升比例高達10倍——意即企業支出增加10倍才能換來1倍的生產力。這使得許多公司開始反思,裁員節省的成本是否足以抵消AI賬單。

最後是求職市場的AI門檻。104資料顯示,過去5年AI人才需求增長97.6%,這不僅是工程師的事。專案經理、產品經理、銷售、行銷、流程規劃等非技術職位也普遍需要AI能力。求職者若履歷中沒有體現AI工具的應用經驗,在簡歷篩選階段就會被淘汰。成功的求職者往往能清晰說明自己如何在工作中應用AI工具創造價值——例如一名土木工程師透過整合AI技術成功轉型為產品經理,年薪大幅提升。這表明AI技能已不再是加分項,而是必需項。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。