回想當時測試自動監控模組,系統在凌晨三點產生報告,我早上八點才看到。這段時間差,讓我開始想一個比速度更難的問題:如果工作在我睡覺時持續進行,我要怎麼知道它做了什麼,又該在哪裡介入?
收到報告,和確認事情已經妥善處理,是兩回事。對我來說,這正是討論全天候運作的起點。
全天候經濟不是 24 小時營業
輪班、交接與跨時區協作,早已讓不少工作越過單一個人的作息。AI 帶來的變化,是讓部分資訊整理、監測與回應流程,有機會在設定好的條件下持續運作。能不能做到,仍取決於資料、工具、權限、維護與任務本身。
我說的「全天候經濟」,是一個思考情境:當更多工作能在人不在線時繼續,組織如何安排人的注意力與責任?它不等於整個經濟已經無人運轉,也不表示每項決策都應該交給 Agent。
例如,持續更新庫存資訊、提出排程建議,和直接更改訂單或生產參數,影響範圍不同。把它們都稱為「自動優化」,很容易忽略中間需要的確認。
更新可以連續,決策未必需要
系統每分鐘產生新資訊,不代表企業每分鐘都該改一次策略。資料更新、分析建議、核准與執行,是不同的步驟。
我擔心的是,當通知太多、核准太快,人可能逐漸只剩下按確認的動作。這是一種需要防範的管理風險,不是導入 AI 之後必然發生的結果。
比較實際的做法,是先分清楚:哪些低風險任務可以依規則執行,哪些變更需要事前核准,哪些異常一出現就必須停下來。人不必盯住每一次資料更新,但必須看得懂系統的目標、目前狀態,以及自己能介入的位置。
跨部門協作仍然需要負責的人
同一個 Agent 可以被接到不同部門的資料與工具,但這不會讓部門的責任自動消失。財務、供應鏈、製造與客服,仍可能有不同的資料權限、驗收標準與決策權。
如果流程跨了部門,問題反而更具體:誰可以提供資料?誰可以批准變更?誰負責確認結果?出了異常,誰能停止後續動作?
系統架構會影響這些權限如何分配,因此架構設計需要管理者與實際使用者共同參與,不能只把它當成工具串接。不過,設計架構也不等於獨自掌控整個組織。
我在〈AI 就業的金絲雀:先看新人入口,再讀懂 19%的比較基準〉討論的是特定美國資料中的就業變化線索。那不能直接證明所有企業的組織邏輯都已改寫;對我而言,它提醒的是:觀察 AI 的影響,不能只數省下了多少工作時間。
在動作發生前安排責任
與其等到出事後才問「模型、資料、工程師,還是企業負責」,我更傾向先把任務的授權與驗收安排清楚。這是我的管理主張,不是對各地法律責任的判定。
假設未來要讓某個系統直接調整產線參數,就不能只看它會不會發報告。還要先回答:調整範圍由誰核准?用什麼資料判斷?超過什麼條件必須停止?實際效果由誰確認?必要時是否有經過驗證的復原方式?
這些是實際採用前需要回答的問題,不是那次夜間測試已經證明具備的能力。把「收到報告」當成「完成驗收」,會把最需要確認的一段藏起來。
效率之外,還要看方向
能連續執行,只回答了「工作能不能繼續」。它還沒有回答「值不值得繼續」,或「代價由誰承擔」。
如果只設定產量或成本目標,其他影響就可能被忽略。效率、品質、工作負擔與風險之間怎麼取捨,需要在流程設計時說清楚,也需要在運作後持續檢查。
我不認為所有人的角色都會沿著同一條路,從執行者變成設計者。但對參與自動化的人來說,多理解一層授權、驗收與停止條件,會比只追求系統跑得更久,更接近真正的掌握。
全天候運作值得探索。至於它替誰工作、誰能改變方向,則需要技術人員、管理者與受影響的人一起回答。
**2026 年 11 月修訂:**本文以個人測試經驗討論管理選擇;全天候運作是有條件的情境,並非產業普及程度或實體控制成效的調查。


💬 留言討論
載入中...