回想当时测试自动监控模组,系统在凌晨三点产生报告,我早上八点才看到。这段时间差,让我开始想一个比速度更难的问题:如果工作在我睡觉时持续进行,我要怎么知道它做了什么,又该在哪里介入?
收到报告,和确认事情已经妥善处理,是两回事。对我来说,这正是讨论全天候运作的起点。
全天候经济不是 24 小时营业
轮班、交接与跨时区协作,早已让不少工作越过单一个人的作息。AI 带来的变化,是让部分资讯整理、监测与回应流程,有机会在设定好的条件下持续运作。能不能做到,仍取决于资料、工具、权限、维护与任务本身。
我说的「全天候经济」,是一个思考情境:当更多工作能在人不在线时继续,组织如何安排人的注意力与责任?它不等于整个经济已经无人运转,也不表示每项决策都应该交给 Agent。
例如,持续更新库存资讯、提出排程建议,和直接更改订单或生产参数,影响范围不同。把它们都称为「自动优化」,很容易忽略中间需要的确认。
更新可以连续,决策未必需要
系统每分钟产生新资讯,不代表企业每分钟都该改一次策略。资料更新、分析建议、核准与执行,是不同的步骤。
我担心的是,当通知太多、核准太快,人可能逐渐只剩下按确认的动作。这是一种需要防范的管理风险,不是导入 AI 之后必然发生的结果。
比较实际的做法,是先分清楚:哪些低风险任务可以依规则执行,哪些变更需要事前核准,哪些异常一出现就必须停下来。人不必盯住每一次资料更新,但必须看得懂系统的目标、目前状态,以及自己能介入的位置。
跨部门协作仍然需要负责的人
同一个 Agent 可以被接到不同部门的资料与工具,但这不会让部门的责任自动消失。财务、供应链、制造与客服,仍可能有不同的资料权限、验收标准与决策权。
如果流程跨了部门,问题反而更具体:谁可以提供资料?谁可以批准变更?谁负责确认结果?出了异常,谁能停止后续动作?
系统架构会影响这些权限如何分配,因此架构设计需要管理者与实际使用者共同参与,不能只把它当成工具串接。不过,设计架构也不等于独自掌控整个组织。
我在〈AI 就业的金丝雀:先看新人入口,再读懂 19%的比较基准〉讨论的是特定美国资料中的就业变化线索。那不能直接证明所有企业的组织逻辑都已改写;对我而言,它提醒的是:观察 AI 的影响,不能只数省下了多少工作时间。
在动作发生前安排责任
与其等到出事后才问「模型、资料、工程师,还是企业负责」,我更倾向先把任务的授权与验收安排清楚。这是我的管理主张,不是对各地法律责任的判定。
假设未来要让某个系统直接调整产线参数,就不能只看它会不会发报告。还要先回答:调整范围由谁核准?用什么资料判断?超过什么条件必须停止?实际效果由谁确认?必要时是否有经过验证的复原方式?
这些是实际采用前需要回答的问题,不是那次夜间测试已经证明具备的能力。把「收到报告」当成「完成验收」,会把最需要确认的一段藏起来。
效率之外,还要看方向
能连续执行,只回答了「工作能不能继续」。它还没有回答「值不值得继续」,或「代价由谁承担」。
如果只设定产量或成本目标,其他影响就可能被忽略。效率、品质、工作负担与风险之间怎么取舍,需要在流程设计时说清楚,也需要在运作后持续检查。
我不认为所有人的角色都会沿着同一条路,从执行者变成设计者。但对参与自动化的人来说,多理解一层授权、验收与停止条件,会比只追求系统跑得更久,更接近真正的掌握。
全天候运作值得探索。至于它替谁工作、谁能改变方向,则需要技术人员、管理者与受影响的人一起回答。
**2026 年 11 月修订:**本文以个人测试经验讨论管理选择;全天候运作是有条件的情境,并非产业普及程度或实体控制成效的调查。


💬 留言讨论
加载中...