為什麼企業需要 AI？

少子化研究聚焦臺灣、日本、韓國

本研究以臺灣、日本、韓國作為主要出生率比較對象，對應低生育與高科技產業發展並存的研究關切，不以世界平均代表這些經濟體。這是案例選擇理由，不是科技發展造成少子化的因果證明。出生減少須經成長與教育階段，才影響新進勞動供給；眼前退休壓力則反映既有年齡結構與制度。

退休潮與在職高齡化，是兩個問題

OECD 以 20–64 歲為工作年齡人口，65 歲以上為老年人口。老年人口比重上升是結構訊號，不能將所有 65 歲以上者當成退休者，也不能把工作年齡人口當成實際受僱者。[2] 在職高齡化還須觀察企業員工年齡、健康、工作設計與培訓機會。

不能把所有地區都寫成缺工

有些地區仍有青年人口增長或青年失業問題。跨國差異也受移民、女性與高齡者勞參、教育、薪資和產業結構影響。企業若以低薪或不合理工時招不到人，不能直接歸因於少子化；改善勞動條件仍是必要選項。

企業真正要問的替補問題

企業面對的是工作接續：接近退休的同事所承擔的職務，未來有多少新進人才接得上？本章以單齡人口比較作結構預警，再回到企業的職務、知識與服務量能。

從人數接續，走到工作接續

即使新進與退休人數相等，也不代表技能、經驗、工時與地點相符。企業需要同時盤點：退休離開的職務、可接手的新人、培訓所需時間，以及留給現職人員的工作量。

屆退預警與實際退休分開觀察

企業可另列未來一、三、五年預計退休的在職人員，與同期可招募並培養的人員比較。這是企業人事計畫；達到某個年齡的人口、預計退休員工與實際退休退出者，必須各自標示。

多職負荷不是把工作名稱相加

一人兼任接單、排程、報表與客訴時，切換、等待與返工可能增加。這是待驗證的組織機制，不是所有企業必然發生的結果。調查應同時記錄任務時間、打斷頻率、加班、未結案與錯誤，並確認員工是否真正有權拒絕超量工作。

經驗流失會改變可交付能力

退休帶走的可能是異常辨識、例外處理與人際協調，而非只有操作步驟。應在退休前安排資深者帶新人，將判斷依據、例外情境與處置方法整理為核准知識及 AI 工作規則，再用實際任務測試。退休回聘只作額外支援；企業不能預設退休者會回到原單位。將文件存檔不等於完成知識傳承；須測試新人能否依資料完成任務、知道何時升級處理，並由資深者審核例外與適用邊界。年齡不是能力不足的代理指標。

用可完成的工作衡量缺口

服務量能缺口定義為：在相同期間與品質要求下，所需服務工時減去可持續提供的有效工時。只在差額為正時記為缺口；不可用長期加班掩蓋。等待時間、退件率與中斷事件可作交叉驗證；需求下降也可能使缺口縮小。

人力變化如何傳到服務現場

研究假說 H1：人口變化 → 招募與退休流量改變 → 工作重分配與知識接續困難 → 服務量能缺口。箭頭代表研究提出的可能路徑，並非本研究已證實的因果。薪資、需求、流程、員工健康與管理品質都可能改變這條路徑。

AI 補位，能否真的增加可交付能力

研究假說 H2：經審核的知識、可靠資料與有限權限，可能使 AI 協助搜尋、草擬、分類與提醒，減少部分處理時間。但省下的時間須扣除資料整理、覆核、返工、維護與事件處理。輸出更快而錯誤更多，不能算補位成功。

反證與替代方案

若 AI 後覆核時間大於節省時間、品質變差或工作強度提高，H2 不獲支持。應同時比較流程簡化、一般自動化、培訓、加薪留任、工作再設計與招募等方案。並非每個缺口都需要生成式 AI；固定規則與計算通常應交給可驗證的程式。

暴露程度不等於替代程度

ILO 2025 研究指出全球約四分之一就業者所處職業具有某種程度的生成式 AI 暴露；這是任務潛在受影響的估計，不是裁員比例，也不是已實現的生產力增益。[4] 本研究因此以任務重組與人機協作為分析單位。

共同使用原則

以下均為分析情境，未宣稱為實施成果。先標記誰提出需求、誰覆核、誰可執行與誰承擔最終責任，再決定 AI 可以進入哪一段流程。

醫療照護與社會服務

缺口：排程、紀錄與交班占用照護時間。可試辦：訪談後紀錄草稿、服務提醒與核准知識查詢。人負責：臨床判斷、用藥、照護決策與敏感資訊授權。驗證：紀錄正確率、實際照護時間與漏接事件；不可讓文書節省變成無限制加案。

零售、餐旅與客服

缺口：尖峰回應量、語言需求與新人訓練。可試辦：依核准政策草擬回答、查找商品資訊及整理交班。人負責：爭議、退款例外與對外承諾。驗證：一次解決率、轉人工時間、錯誤承諾及客戶可及性；保留容易找到的人工入口。

專業服務與中小企業行政

缺口：資深者集中掌握合約脈絡與跨部門知識。可試辦：有出處的文件檢索、會議待辦與報告草稿。人負責：法律、會計、財務及正式簽核。驗證：引用正確率、返工與覆核工時；舊版文件和未核准意見不得混入權威答案。

建築物業與製造維運

缺口：少數技術人員跨設備、跨班別巡查。可試辦：工單分類、交班整理、異常證據彙整。人負責：現場確認、安全作業與設備處置。驗證：漏報、誤報、到場時間與未結案時長；AI 不能取代必要的現場人力。

資料層與分析單位

第一層以 UN 人口資料建立背景；第二層以 OECD 年齡與就業分析描述結構；第三層以 ILO 任務暴露研究限定 AI 推論；第四層使用企業實際職類、人員與工時紀錄。本版完成前三層文獻綜整，未收集第四層微觀資料。分析單位應為「企業—職類—任務—期間」，避免用國家平均直接推論個別公司。

實證研究設計

導入前先定義服務標準與主要指標，再記錄涵蓋正常與尖峰負荷的基線期間；試辦期採同一口徑。條件允許時，以相似團隊對照或分階段導入，控制季節性、需求量、員工組成與同步流程改革。不能隨機分派時，明列選擇偏誤與無法排除的混雜因子。

衡量淨效益與品質護欄

主要結果：每件服務的淨人工時間、符合品質的完成件數、等待與未結案時間。護欄：錯誤、漏報、誤報、返工、員工壓力與公平性。成本納入系統、運算、資料治理、培訓與維護。由業務與員工共同設定門檻；本版未捏造改善百分比或投資報酬率。

可重現、倫理與限制

保留指標定義、資料版本、程式、模型與提示版本、抽樣及覆核紀錄；僅蒐集必要資料，採取去識別與最小權限。訪談須告知用途並取得適當同意。國家間口徑、非正式就業、性別與移民差異、模型快速變動都限制外推；沒有觀察值時，結論應停留在假說。

案例地位與商業利害關係

本章以具象職人的工業 AI 研發與應用設計，說明資料、專業方法、工作任務與人工覆核如何銜接。案例用於展示可試辦的技術路徑；實際功能與成效須依交付版本、現場條件及驗收紀錄確認。本章不作為人口論證或跨企業成效的證據；編製者具有相關產品開發利益。

EMS、EDC 與 AI 電力醫生的角色

能源管理系統（Energy Management System, EMS）承接用能管理任務。EDC（Embodied Digital Craftsman，數位工匠）由資料採集與 AI 資料基礎，持續擴充為 BOT BOX；其中的資料核心支援現場記錄與回放。AI 電力醫生（AI 具象工程師）協助整理證據與報告草稿。它們是資料層、應用層與工作角色的示例，不代表企業導入 AI 的唯一途徑。

讓專業者用 AI Coding，把經驗做成工具

設備記錄提供現場依據，資深工程師提供判斷方法。知識鍛造把正常條件、例外情境、檢查步驟與升級處理條件整理成經核准的知識與技能規範（Skill）；AI Coding 再協助把這些方法轉成可測試的查詢、計算與應用。行業專業者提出需求、確認方法、驗收結果，AI 協助實作，讓專業經驗得以持續修訂與傳承。

BOT 為什麼具備補位條件？

BOT BOX 將現場記憶、分析工具、專業方法與任務權限接起來。設備記錄讓它有依據可查，程式讓它有工具可算，Skill 讓它有方法可循，主管與覆核流程界定它可以做什麼。補位能力來自這些條件的共同建置。

從一項工作驗證：一機一匠如何落地

以電力值班為例：EDC 記錄電力資料 → 本地程式依已確認規則計算指標與偏差 → BOT 整理值班報告及糾偏任務草稿 → 工程師覆核與授權處理 → 回查記錄並追蹤結果。「一機一匠」是讓每台設備擁有可持續協助的工作角色；實際執行週期、功能與效益須驗收，不代表一個 BOT 等同完整人類職位。

由可計算的證據，走向可覆核的任務

規劃流程：現場採集 → 本地程式清洗與計算 → L2 指標／日報 → AI 草擬值班報告與偏差任務 → 進階診斷草稿 → 工程師覆核 → 授權人員執行 → 留存結果。大量原始時序資料不能直接視為模型已能完整理解；日常分析以整理後指標為主，必要時受控追溯原始記錄。

補位的邊界與驗收

AI 可協助持續整理、交班與追蹤；設備故障判定、停送電、保護設定與其他高風險處置仍由合格人員負責。不得保證故障診斷或節能效果。驗收應檢查報告證據、漏報與誤報、人工覆核工時、任務結案及權限紀錄；本案例尚無獨立結果資料。

持續賦能，也讓客戶逐步升級

早期 EDC 為 Efficient Data Collection & Decentralized Control System（高效資料收集與分散式控制系統），其後發展 AI 資料基礎與機上盒，再朝數位工匠 BOT BOX 演進。客戶可在同一台 miniPC 上由資料採集起步，透過軟體、工具與 Skill 升級，依需要增加分析、AI 協作開發與受控任務；升級須確認版本、硬體、授權與驗收條件。這是產品與服務路徑，並非 AI 補位成效的實證。

查看 EDC BOT BOX 與試辦範圍 · 早期名稱：KangarooTEC《降低空調能耗的智慧方案：EDC系統+BIM/EMS整合》（2025-03-15 發布；03-22 更新）

指定負責人與可停止的權限

依 OECD AI 原則的透明、穩健與問責方向，[5] 本研究提出以下企業實施規則，並非宣稱為法定合規清單：每個任務須有業務負責人、資料管理人、人工覆核人及系統維護人。使用 AI 不免除相關人員與組織的責任；具體責任依契約、職責與適用法規判定。

把低風險與高風險行為分開

可先從唯讀查詢、分類與草稿試辦；對外承諾、重大財務、醫療、安全與設備控制應設人工批准與明確授權。只授予完成任務所需的最小存取，保留撤銷權限、版本回復、人工接管與停用能力；模型自我檢查不能取代獨立覆核。

每個結果都能回到證據

記錄任務、資料出處與時間、模型／規則版本、輸出、覆核、批准與實際執行結果。缺資料時標記未知並升級處理；不以看似流暢的文字填補證據缺口。權威文件更新時，應能找出受影響的回答與任務。

員工參與與持續評估

員工應參與任務選擇與驗收，能回報錯誤並提出異議。避免因年齡、語言或數位能力差異排除員工；提供培訓與可用的人工作業路徑。若錯誤超標、資料洩漏或無法追溯，暫停相關功能並處理原因；補位的目標包括可持續的勞動品質。