吳承漢將近年的AI發展概括為四個階段：從早期透過數據判斷趨勢的「預測型AI」；到能以自然語言對話、產製內容的「生成式AI」；接著邁向能拆解任務、自主執行流程的「AI Agent」（AI代理人）；下一階段則將走向機器人、智慧製造與智慧工廠等「Physical AI」（物理型AI）。

技術看似一波波襲來，但吳承漢在第一線觀察到，企業真正要解決的營運本質其實沒有太大改變，依然圍繞成本、效率，也就是「降本增效」，以及如何擴大營收、開拓新市場。真正改變的是，企業手上的工具變得更快、更強，也迫使工作者不斷翻新解題思維。

也因此，吳承漢深信，「持續學習」是AI時代最不可或缺的底層能力。

當技術迭代週期大幅縮短，專業工作者若只熟悉一套既有工具，便很容易被下一輪技術追過；唯有先讀懂客戶真正的核心痛點，再判斷眼前技術能否解決問題，才有機會持續累積難以被取代的專業價值。

如同輝達（NVIDIA）等科技巨擘近年持續將AI定位為企業與產業的重要基礎設施，對吳承漢而言，未來企業的競爭分水嶺不再只是「有沒有AI」，而是能否把AI真正放進創造價值的工作流程。

企業導入AI非一體適用！中小企業先練兵，大企業做好科技健檢

不過，企業轉型知易行難。回到公司現場，組織還得回答另一個實際問題：AI該從哪裡開始導入？

吳承漢觀察，由於企業規模、資源條件與既有數位基礎差異甚大，AI落地從不存在一套放諸四海皆準的方法。尤其對中小企業與大型企業而言，兩者甚至應從截然不同的起點出發。

中小企業使用AI原則：先找「最重複、最耗時」的工作

具體而言，對於資源相對有限的中小企業，吳承漢提出「微型切入、痛點先行」的觀點。

也就是說，公司與其一開始便規劃龐大的AI轉型工程，不如先盤點員工日常工作中「重複性最高、最耗時間」的環節，找出一個能快速驗證成效的痛點切入。

例如，內部原本需要大量人工作業的資料整理、文件處理或標準流程，在導入AI後若能明顯省下人力時間，不僅員工直接感受到工作效率提升所帶來的改變，企業也能透過一次次小規模實作，逐步累積實際的人機協作經驗。對中小企業而言，這些場景都是最實際的「AI練兵場」。

大企業使用AI不該從0開始：先做一場內部「科技健檢」

不過，大型企業所要面對的轉型課題，就截然不同了。

因為許多大型企業本來就並非「從0開始」，內部早已部署了大量軟體、數位平台與IT系統。因此，公司高層的第一步，反而應該先進行「科技健檢」，盤點既有數位資產與工作流程：哪些系統已經足以處理問題？哪些流程還能進一步加入AI優化？又有哪些需求仍存在科技空白？

找到這些缺口之後，再思考AI應該放在哪裡，才能避免既有系統與新工具功能重疊，也能讓AI真正進入企業流程，解決尚未被滿足的缺口。

AI進場，主管卻不敢放手？「人機重工」是科技轉型的最大陷阱

然而，找到AI適合切入的場景，只是企業轉型的第一步。當AI真正進入工作流程，企業接著就得決定：哪些任務交給AI，哪些仍由人掌握？

對此，吳承漢以旅遊服務為例。消費者過去臨時需要更改機票，通常必須致電客服中心，由真人調閱訂位紀錄、確認班次、計算價差、完成付款，再重新發出票券。

但這類流程多半已有標準化規則，且情感連結較低，正適合逐步交由AI代理人（AI Agent）全自動處理，讓真人客服得以抽身，將更多時間投入應對突發事件、維繫關鍵客戶，以及提供更需要深度溝通與共情的高價值服務。

只是，這一環節最大的難題，就在於企業「敢不敢將工作交給AI」。

隨著AI代理人能承接任務，真人工作者也從「任務執行者」，逐漸轉為「管理AI與工作流程的掌舵者」。

此時，企業便需要重新梳理工作流程、數據治理架構、權限控管與責任歸屬，否則很可能會落入「AI執行完畢，真人又從頭覆核一次」的無效內耗。

吳承漢將這種現象稱為「人機重工」。在他看來，採購AI工具並不等於完成數位轉型，因為考驗經常在於管理者能否翻轉思維，重新劃分人與AI的分工。

尤其，當主管明知AI能提高職場效能，卻又擔心授權AI後會削弱自身的價值，就可能陷入不願放手的矛盾。結果便是工具進入了公司，原有流程與權責卻原地踏步，人與AI反而相互牽制，不斷做著重複工作。

因此，若組織文化、人才授權與培育，以及工作流程未能同步調整，企業最終可能只是徒增技術成本，卻未能真正釋放AI的潛在生產力。

圖／取自世界經濟論壇《Future of Jobs Report 2025》網站。

2030年9200萬職位被取代、增1.7億職缺？三類人才變得更值錢

另一方面，伴隨人機分工方式的改變，全球人才市場也出現重新排列。

根據世界經濟論壇《Future of Jobs Report 2025》估計，到了2030年，全球勞動市場結構變化將影響約22％的既有工作，且其中有約1.7億個新職位可望出現；同時約9200萬個職位遭取代，最終淨增加約7800萬個工作。

這意味著，AI帶來的問題，不能只用「工作會不會消失」來理解。當部分舊工作遭取代，新工作又陸續出現，人們真正該追問的是：哪些人才能力因此變得更重要？

基於此，吳承漢提出至少有三類人才的能力難被快速取代。

1. 需要「動手做」的技術人才：AI很難取代現場經驗

第一類，是必須在現實世界動手處理複雜情境的技術工作。

對此，吳承漢以水電、汽修等工作為例，表示這類人才除了需要專業知識，更必須實際進入現場，依據設備狀態與不同情境來即時處理問題。

也因此，即便AI已能提供知識與判斷輔助，但執行過程，仍高度仰賴人的技術與經驗。

2. 醫護、諮商到B2B顧問：「高度情感連結」難複製

第二類則為醫護、諮商與顧問等高度依靠人際信任、共感與情境判斷的工作。

尤其是在B2B（Business-to-Business，「企業對企業」或「公對公」）領域，一項企業決策往往涉及不同部門、利害關係人與長期合作，客戶需要的，並非只有一個標準答案，還包括理解需求、建立信任，以及陪伴組織推動改變。

因此，這些高度情感連結，正是吳承漢認為人仍然具有優勢的地方。

3. AI普及，更需要能跨越專業邊界的「轉譯整合者」

第三類，便是能將專業語彙，轉化成他人聽得懂、做得到內容的「轉譯者」。

這也是吳承漢自身職涯最直接的體會。從商管跨入科技領域後，他逐漸從軟體銷售走向客戶經理，扮演企業需求與科技解決方案之間的整合者。

所以當AI工具日益普及、取得門檻大幅降低，能否理解不同領域的語境，再進一步將技術、商業與人性需求緊密串聯，便成為未來職場最重要的競爭力。

圖／台大醫院一景。蔡炆璇攝。

AI先拿走高重複性工作！未來人才重新被定價的能力是「判斷力」

不過，並非人人都從事水電、醫護、諮商或B2B顧等問工作。當AI已能搜尋資訊、整理內容、生成方案，甚至執行任務，人類的核心價值究竟還剩下什麼？

面對這個大哉問，吳承漢並未落入「AI做不到什麼」的被動防守思維，而是從「人機分工」的本質著手拆解。

他觀察，企業導入AI首先發生的是效率提升。過往耗費數小時搜尋、整理與歸納的資訊，如今幾秒鐘就能產出初步架構；只是，速度提升的另一面，也讓錯誤資訊與AI幻覺可能隨之生成。

因此，人的首要價值，就在於「批判性驗證」，判斷AI回答的真偽與情境適用性。「資訊跟知識累積會變得很快，但人還是要去判斷，這個答案到底對不對？適不適合這個情境？」吳承漢指出。

在實務操作上，他特別認同「洋蔥式」提問。與其接收單次生成的內容，不如層層剝開、深入追問。例如要求AI解釋推論邏輯、置換到其他產業交叉驗證，或是轉換受眾視角重新詮釋。

如此一來，人與AI的關係便能從單向的「向機器索取答案」，轉化為「藉由機器拓展思考維度，最終由人來收攏、判斷與決策」。

換句話說，專業能力在AI時代，非但沒有貶值，反而更具含金量。專業底蘊愈深厚的工作者，愈清楚關鍵盲點在哪裡、哪條邏輯鏈值得深究，也更有能力辨識那些看似文字流暢，實際上卻經不起專業檢驗的空洞答案。

AI一鍵生成內容，誰還有競爭力？「π型人才」守住專業護城河

此外，針對AI重新洗牌人才的價值，吳承漢更提出「π型人才」，作為理解人機協作與人才進化的關鍵框架。

依據「π」的符號結構，其中一隻「腳」代表個人核心專業，無論身處工程、金融、音樂、醫療、設計或文字領域，每個人都應在自己的專業領域持續向下扎根；而另一隻「腳」，則象徵AI的運用能力，藉由人機協作來提高效率，並擴張原有的能力邊界；至於上方連接兩「腳」的橫槓，便是打破專業疆界、融會不同知識與經驗的跨領域整合力。 

而這一套人才框架，也直接回應許多工作者面對AI時代的共同焦慮：當AI愈來愈無所不能，過去累積多年的專業是否跟著貶值？

「不要輕忽自己的專業。」吳承漢語氣堅定地提醒。因為一個人的專業經驗，本身就會影響他如何向AI提問，以及能把問題追問到多深。

就像面對同一個商業問題，具備音樂背景的人，可能進一步要求AI換位推演「如果是貝多芬，會怎麼思考這個問題？」熟悉旅遊產業的人，則會將問題帶進真實的服務情境，精準地讓AI從不同角色、服務流程與旅客需求切入，找出更多可能的解方。

因此，專業背景的差異，往往決定一個人從什麼角度洞察問題；同時，又能將問題拆解至多細緻的維度。即使使用者用的是同一套AI模型，一旦提問者累積的知識量與實務經驗厚度不同，最終得到的答案，便會在深度與精準度上出現明顯落差。

更深入來看，AI固然降低內容產製與資訊彙整的技術門檻，卻也同時放大專業洞察上的差距。

當人人都能在一鍵之間生成文案、圖像與簡報，「產出內容」自然會快速失去稀缺性；反過來說，能充分理解「為何而做」，或能提出關鍵假設、辨識出癥結，再憑藉專業驗證結果好壞的人，反而更具AI時代愈顯可貴的「內隱知識」（Tacit Knowledge）。

圖／取自Unsplash，攝影者Kevin Ku。（示意圖）

未來π型人才的成功心法：AI走速度與廣度，人堅守深度與溫度

也因此，想成為未來時代最需要的「π型人才」，眼前需要要解決的課題，不是如何跟AI比拚速度，而是當AI能力持續擴張，人該把自己的價值放在哪裡？

對此，吳承漢把答案濃縮成4個「度」：AI走的是「速度」跟「廣度」，人真正要堅守的專長是「深度」跟「溫度」。

原因是AI能在數秒內橫掃海量資訊，並跨越多元知識領域；人則憑藉多年淬鍊的專業來深掘問題核心，並在人際溝通、建立信任與複雜的情境判斷中，注入科技無法複製的人性溫度。既然雙方的能力維度截然不同，與其盲目競爭，不如各司其職、發揮所長。

而這樣的人機分工，只要帶入具體產業，人的價值便會呈現不同的樣貌。

例如吳承漢觀察到，知識密集、文件高度標準化的工作，往往會更快藉由AI自動化來提升職務效率；而科技業則受惠於成熟的數位基礎設施，更容易快速試驗並導入新的AI工具。

反觀金融業等高度監管產業，儘管AI已能高效爬梳資料，但只要涉及法規遵循、風險控管與最終決策責任，依舊必須仰賴專業人員層層把關。

由此可見，AI接管愈多可量化的常規工作，工作者就愈需往專業的縱深推進，專注處理高度情境化、需要價值判斷、跨部門協調，乃至承擔責任的關鍵環節。

圖／取自Unsplash。攝影者Scott Graham。（示意圖）

此外，吳承漢更提到，台灣傳統製造業雖然於這一波生成式AI浪潮中，導入工具的腳步相對緩慢。但他認為，隨著「Physical AI」（物理型AI）興起，製造業反而可能後發先至，迎來爆發性的升級契機。

關鍵就在於，製造現場多年來累積了龐大的數據資產，從機台運轉參數、製程公差到產線調校經驗，業者可說是握有與實體世界緊密相連的第一線資料與經驗。

因此，當AI競局從螢幕上的內容生成與數據分析，延伸至機器人、智慧設備與工廠等實體場域，這些鮮少被公開網路爬取的數據，都將是發展智能製造的珍貴「寶藏」。

換言之，只要未來製造業人才善用AI擴張數據處理的速度與廣度，並將自身經驗聚焦於製程優化、現場異常判斷與產線架構設計的「深度」上，便可望在AI落地時代，構築起個人難以撼動的競爭壁壘。

AI愈會賣產品，B2B超業要愈懂人？以「溫度」帶動價值共創

另一方面，這樣「AI拚速度與廣度，人走向深度與溫度」的分工模式，在吳承漢深耕多年的B2B領域，也尤其顯著。

當AI已能代勞產品規格查詢、資訊彙整，甚至自動產出部分制式化提案，過去業務員仰賴資訊落差建立的銷售優勢，也正快速縮小。真正拉開超業競爭差距的關鍵，早已從「比客戶更熟悉產品」，轉向能否看懂客戶的商業邏輯、組織運作脈絡，以及決策背後複雜的人性考量。

因為一項B2B解決方案能否真正於企業落地，面對的從來不只有技術問題。誰握有實質決策權？第一線人員是否願意改變工作習慣？跨部門之間如何形成共識？高階管理者又是否願意給予足夠的授權與試錯空間？

當AI愈擅長處理標準化資訊，這些涉及信任、溝通與協調的關鍵環節，都更加凸顯超業以「溫度」銷售產品，並推動組織變革的深層影響力。

而與此同時，AI與軟體服務模式的演進，也悄然重塑著企業衡量採購價值的思維。

好比傳統銷售多半圍繞著產品功能比較、價格談判與一次性交易；但在軟體訂閱（SaaS）與AI服務普及後，吳承漢察覺，企業愈來愈重視最終的實質「結果」。即一套AI工具若無法持續解決組織痛點，使用者下個月便可能取消訂閱。

換言之，B2B銷售漸漸從追求客戶單次成交，轉化為一場必須持續證明產品有價的「長期陪跑」關係，而這正是吳承漢眼中，當今頂尖業務不可或缺的能力之一：價值共創。

AI時代不缺高手！吳承漢：工具一直變，認知決定你走多遠

綜上所述，從企業轉型到個人能力，吳承漢一路談的，其實都是同一件事：AI真正改變的，從來不只是工具，而是人如何重新理解自己的價值。

他始終相信「認知的邊界，就是進化的邊界。」當AI能替人加速、拓展廣度，真正決定一個人能走多遠的，反而是累積了多少專業、體驗與判斷，又是否願意持續跨出原本熟悉的疆界。

也因此，AI時代最稀缺的人才，未必是最懂操作工具的高手，而是能看穿問題、連結不同世界，並將科技轉化成實際價值的人。

對吳承漢而言，這或許也是他從商管跨進科技15年後，最想留給新時代工作者的一句提醒：工具會一直變，但人的進化，始終得從自己開始。

👉 加入城市學 LINE 官方帳號，追蹤 IG ，最新城市議題不漏接！