企業 AI 轉型實踐：從個人效率提升到組織與商業模式重構

一、企業背景與 AI 轉型的起點（00:00 至 05:16）

1. 核心問題：個人效率提升不等於企業生產力提升

新可能實驗室發起人曉輝博士指出，AI 工具已經能夠幫助個人提高工作效率，但企業整體的生產力往往沒有因此出現相應的躍升。

問題不只是員工是否懂得使用 AI，而是：

• 個人使用 AI 的成果，能否融入既有的企業工作流程。
• 員工之間的工作、資料和專業能力，能否透過 AI 形成協作。
• 當重複性工作被自動化後，員工應如何重新定位自身價值。
• 企業能否透過系統性工程思維，從局部提效走向整體業務重構。

曉輝博士曾在當年的世界人工智能大會分享深圳依然的案例，尤其重視其從工作流程出發、系統性推進 AI 轉型的方法。

2. 主要人物及背景

3. 徐健的教育及創業經歷

• 2002 年：進入清華大學計算機系修讀本科。
• 2006 年：本科畢業，前往韓國延世大學攻讀碩士。
• 2008 年：碩士畢業，曾獲三星半導體工作邀請，但沒有選擇這條職業道路。
• 回國後，曾在 IBM 從事軟件開發及相關工作。
• 約一年後，與妻子共同創辦深圳依然。

深圳依然的核心業務，是協助外國品牌進入中國市場，尤其是韓國化妝品品牌。

企業提供的服務涵蓋報關、市場營銷、電商營運、渠道建設及分銷等工作。

成立以來，企業累計服務數百個品牌，目前仍與超過 20 個品牌合作。

每個品牌均有專屬項目經理進行協調。徐健認為，這種以項目經理整合不同專業能力的服務模式，後來與 FDE 駐場服務及 AI 轉型顧問業務形成了自然銜接。

4. 從兩名 IT 員工擴充至十人團隊

深圳依然原本並非技術研發企業，IT 團隊規模非常有限。

徐健本身具有計算機背景，並與科技產業保持密切接觸，因此對 AI 的發展有較高信心。

不過，真正促成擴編決定的因素，並不是單純相信 AI 模型能力會持續增長，而是看到了 AI 可以直接嵌入員工日常使用的工作系統。

這成為企業開始大規模部署 AI 的關鍵前提。

二、AI 必須融入既有工作系統（05:16 至 13:00）

1. 個人 AI 工具與企業部署面臨不同問題

深圳依然早期已經嘗試 GPT-4、Cursor、Claude 等工具，並安排內部員工培訓。

徐健發現，技術人員和個人使用者可以主動調整工作習慣，配合新的 AI 工具，但如果要推動一兩百名員工同時改變工作方式，難度完全不同。

因此，徐健認為，企業不能要求所有人放棄熟悉的系統，轉而適應某個獨立的 AI 工具。

更可行的方式，是讓 AI 主動適應原有工作環境。

2. AI 轉型之前已建立數碼化基礎

深圳依然長期使用線上協作表格管理員工的日常任務。

例如：

• 每日任務：星期一至星期五設置完成勾選欄。
• 每月任務：依照每月 1 至 31 日建立執行紀錄。
• 其他任務：按照季度或年度記錄執行週期。
• 管理目的：確保任務不被遺漏，方便管理、追蹤及事後覆核。

這套管理方法涵蓋小紅書營運、抖音短影片、電商店舖、沃爾瑪及山姆會員商店等線下渠道，以及客服、設計、財務、行政和人力資源工作。

徐健認為，這種長期建立的數碼化習慣，為後來將工作流程交給 AI 提供了重要基礎。

其核心價值並非表格本身，而是公司早已知道各職位每天在做甚麼，以及每項工作的執行週期。

3. 全員 Cursor 與 Python 培訓的失敗經驗

深圳依然曾要求全體員工接受 Cursor 培訓，甚至學習 Python。

徐健原本認為，這些技術相對簡單，應該可以透過培訓快速掌握。

實際執行後才發現，大部分員工並非 IT 專業背景，例如客服和設計人員，學習編程的難度遠超他的預期。

而且，Cursor 作為相對獨立的工具，與員工熟悉的飛書、騰訊文檔、金山及 SeaTable 等系統未能充分融合。

這導致兩個問題同時出現：

1. 員工必須學習新的技術能力。
2. 即使學懂工具，仍然需要在不同系統之間轉換工作。

徐健因此改變部署策略，從要求員工學習編程，轉向讓技術人員協助員工將原有工作流程 AI 化。

4. 企業既有的學習文化

深圳依然總部位於深圳，另外在北京、香港和韓國設有小型團隊，總員工接近 200 人。

公司長期採取統一培訓制度：

1. 確立所有員工需要掌握的新技能。
2. 在短時間內安排全公司接受培訓。
3. 派出專門人員檢驗員工的學習成果。
4. 確保員工達到一致的使用水平。

徐健承認，這與他作為創業者的焦慮有關。他認為企業如果停止學習，就可能在競爭中落後。

這種已有的培訓文化，降低了員工接受 AI 轉型的阻力，但單靠課堂仍不足以改變日常工作方式。

三、以十名 FDE 推動全員轉型（13:00 至 17:41）

1. FDE 的角色及部署方式

FDE 是 Forward Deployed Engineer，即前線部署工程師。

曉輝博士介紹，這個概念來自 Palantir，原本強調技術人員深入客戶的實際工作環境，直接協助解決問題。

FDE 並不只是編寫程式的工程師，而是同時具備三種能力：

• 理解 AI 工具和技術。
• 理解客戶或業務部門的實際工作。
• 將 AI 能力轉化成可執行的業務方案。

深圳依然當時有接近 20 個大小部門，配置十名 FDE，每人負責約兩個部門。

FDE 先接受統一的 AI 工具培訓，再進入所屬部門提供駐場支援。

這種安排縮短了技術人員與普通員工之間的距離。

員工遇到問題時，不需要透過繁複的 IT 支援程序，可以直接尋求協助，並在實際工作中逐步掌握 AI。

徐健認為，FDE 的現場支援是整個轉型過程最重要的環節。

2. 以員工考核結果激勵 FDE

公司為 FDE 設立直接的金錢獎勵。

員工通過考核

假設輔導 20 人全部合格

考核由徐健親自主持。

這種激勵制度將 FDE 的工作成果與其所服務員工的實際能力掛鈎，而非僅計算培訓時數或完成多少技術開發工作。

3. 甚麼才算真正學懂 AI？

公司最初並不清楚應如何判斷員工是否真正具備 Agent 操作能力。

經過多次考核後，逐漸建立三項標準。

第三項是最重要的考核內容。

深圳依然整理了全公司約 1,400 多項日常任務，員工通常需要說明自己負責的每項工作，並展示如何以工具代替原本的人工操作。

公司主要選用 Workbody 處理 AI 任務。

並非所有任務都必須使用 AI。對於只需要簡單自動化的工作，例如利用 UiPath 等 RPA 工具完成的流程，同樣可以符合考核要求。

換言之，考核關注的是工作是否得到有效自動化，而不是員工使用了多少 AI 功能。

四、以招聘流程為例，將職位拆解成任務（17:41 至 20:26）

曉輝博士提出人力資源部門的例子，希望了解企業如何將一個職位的工作逐步拆成可以自動化的任務。

1. 原有招聘流程

徐健指出，招聘並不只是刊登職位空缺和安排面試。

真正的流程由用人部門提出需求開始，直到新員工完成試用期才結束。

單是招聘流程，就可能分解為十至二十項不同的日常任務。

例如，邀請面試和辦理入職應被視為獨立工作，而非全部歸納成「招聘」這一項。

2. 員工與 FDE 的工作分工

公司使用多人共同編輯的線上表格進行工作盤點，並由業務員工自己填寫，而不是完全交給 FDE。

原因是最了解工作的人，通常是每天真正執行這些任務的員工。

FDE 的價值，是將這些業務知識轉化為 AI 能夠執行的操作流程。

此外，在逐步自動化的過程中，FDE 也可能發現原本的任務劃分並不合理，因此工作拆解不只是將現有 SOP 電子化，還可能促成流程重新設計。

五、AI 取代工作後，員工是否會失去職位？（20:26 至 23:10）

1. 徐健直接承認 AI 會取代部分員工

在啟動 AI 轉型時，徐健向全體員工召開動員會議。

他沒有承諾 AI 永遠不會取代任何人，而是提出兩項原則：

1. 只要員工通過 AI 自動化考核，公司不會因為其工作已被自動化而解僱該員工。
2. 如果員工拒絕學習或無法適應，公司也不能讓整個團隊的效率受到個別員工拖累。

這種安排同時提供就業安全感和學習壓力。

徐健認為，單純讓員工感到安全，可能不足以推動組織改變；但如果員工相信自己將工作交給 AI 後立即失去職位，也不可能願意主動配合。

2. 員工考核結果

通過：95%未通過：5%

徐健最初曾擔心，可能只有約 20% 的員工能夠通過。

實際結果遠超預期。

他指出，公司約 95% 的員工沒有 IT 背景，但大部分仍然掌握了所要求的 AI 技能。

因此，他認為非技術人員並不一定難以接受 AI，關鍵是有沒有適當的培訓及業務支援。

3. 效率改善後應如何分配工作成果？

徐健認為，如果企業仍有擴張空間，員工自動化現有工作後，不一定需要裁員。

原因是員工原有任務減少後，往往會開始思考：

• 是否能進一步改善既有工作。
• 是否能承擔更多職責。
• 是否能發現新的業務機會。
• 是否能創造更好的經營成果。

深圳依然採取結果導向的考核制度，員工只要能夠利用 AI 改善工作成果，就有機會獲得晉升及金錢獎勵。

因此，AI 轉型不能只看員工節省了多少時間，也需要考慮企業如何獎勵由此產生的新價值。

六、77% AI 效率指標的真正計算方式（23:10 至 28:09）

1. 77% 並非簡單的任務數量比例

曉輝博士最初提到企業整體效率提高約 76%，徐健隨即澄清，實際數字是 77%。

這項指標的計算基礎是工作時間，而不是任務數量。

假設某員工每日有十項工作：

• 某些任務需要兩至三小時。
• 另一些任務可能只需要十分鐘。
• 將任務交給 AI 後，按原本工作所佔用的時間比例計算 AI 化程度。

因此，77% 的意思是：

原有工作時間中，約 77% 所對應的任務已改由 AI 或自動化工具處理。

這不等於員工實際總工時必然下降 77%，也不代表企業整體利潤、產出或生產率提高 77%。

徐健承認，數字主要依靠工作流程盤點及工時估算，不可能完全精確。

他也不會要求員工嚴格區分某項任務每天究竟需要十分鐘還是二十分鐘。

2. 不同工作類型的 AI 化潛力

對於電腦上執行的工作，徐健認為，如果所使用的系統提供 API，或者具備建立 MCP 介面的條件，就有較大的自動化可能性。

但涉及實體操作、人際互動及品質判斷的工作，仍然存在限制。

3. AI 自動化之後，品質驗證可能變成新瓶頸

曉輝博士以自身製作影片和發佈資料的工作為例。

原本大量時間花在整理文案、剪輯影片和處理發佈材料上。AI 可以顯著減少這些工作，但最終仍然需要由他確認品質。

因為公開發佈的成果代表其個人的品味及品質標準。

換言之，當內容生產速度提高，人工審核能力可能反而成為整個流程的限制因素。

4. 財務審核的解決方法

徐健表示，公司最初很快便完成了部分財務工作的自動化，但後來發現，真正困難的部分不是生成結果，而是確保結果正確。

其後他們採取以下方法：

1. 研究財務審核的專業教材及既有方法。
2. 將成熟的審計及核對程序整理成可執行的步驟。
3. 利用 AI 在關鍵環節執行多種驗證方法。
4. 對同一項結果進行重複及交叉檢查。

徐健認為，專業領域早已有成熟的審核方法，只是傳統執行方式需要大量人工。

AI 的優勢不一定是發明新的審計理論，而是能夠以相對低的運算成本，反覆執行原本費時的核對程序。

七、員工為甚麼願意主動改變？（28:09 至 33:20）

1. 企業文化和歷史信任關係是重要因素

曉輝博士提出，並非每位員工都會主動以第一性原理重新思考工作。

許多員工只是希望穩定完成自己的工作，因此轉型不能完全依賴個人的自發性。

徐健承認，這個問題與企業文化密切相關。

如果企業長期存在不信任，例如員工的付出得不到認可，管理層又沒有兌現承諾，就很難要求大家主動公開工作知識、接受自動化。

因此，AI 轉型的成功不只取決於技術，也受到既有勞資關係的影響。

2. 讓員工直接感受到工作減少

徐健指出，第一階段最明顯的改變，是員工發現自己突然有更多空閒時間。

起初，最早實現大量自動化的員工，反而通常是最興奮的一群。

他們會主動向同事和朋友推薦 AI 工具，因為能直接感受到工作負擔減輕。

部分原本完全沒有接觸過 AI、只是被公司要求參與培訓的員工，反而獲得了很大的能力提升。

這形成一種正向循環：

工作自動化 → 員工感受到效益 → 主動學習及推廣 → 更多工作被自動化 → 釋放時間與創造力。

不過，徐健也認為，企業必須進一步解決員工有空閒時間之後，如何鼓勵他們追求更好成果的問題。

3. 企業如何看待人力，決定 AI 的使用方向

曉輝博士指出，如果企業財務穩健、現金流良好，管理層往往較容易將 AI 視為擴張業務的機會。

相反，如果企業正承受較大經營壓力，AI 便可能首先成為壓縮成本的工具。

徐健認同 AI 可以同時服務這兩種不同目的。

徐健特別指出，如果某個職位有很多人執行幾乎相同的工作，AI 接手後，即使仍有少量不能自動化的任務，也可能集中交給一名員工處理。

他沒有主張企業必須選擇哪一條路，而是認為這取決於老闆如何看待人力資源。

八、第一階段：把所有員工變成「超級個體」（33:20 至 36:08）

1. 從前台到行政，全面使用 AI

徐健表示，公司第一階段已經覆蓋全體員工，包括前台及行政人員。

行政工作的例子包括：

• 訂餐及其他線上採購。
• 公司日常維護相關的數碼操作。
• 發送內部公告。
• 處理重複性的秘書及行政流程。

這些工作雖然零碎，但其中相當一部分具有高度重複性，適合進行自動化。

2. 員工節省時間後，首先得到休息

徐健沒有立即要求員工將節省的時間全部投入新任務。

他認為，員工經過約三個月的學習、實踐和考核，應該可以享受一段工作較輕鬆的時間。

這有助員工將技術進步與實際福利聯繫起來。

其後更深層的改變，則發生在員工對工作的理解上。

3. AI 改變了同事之間分配工作的心理成本

過去，一名員工要求同事製作報告，可能擔心對方需要連續加班數天，因此不敢提出要求。

但當大家都知道同事可以將相關工作交給 WBY 時，便更願意直接提出需求。

工作要求不再被視為一定會增加大量人工負擔。

這反映 AI 不只改變個人工作速度，也改變了員工對跨部門協作成本的認知。

不過，此時仍有一個根本限制：

各部門已經懂得使用 AI，但其他部門未必能直接取得其資料或調用其 AI 技能。

因此，第一階段的成果主要是讓每名員工成為超級個體，而非真正形成整體協作的超級團隊。

九、第二階段：從超級個體走向企業級 AI 協作（36:08 至 41:36）

1. 建立企業共享知識與技能系統

深圳依然開始建立企業共享知識庫。

第一階段主要實現同部門或同項目內的知識共享。

第二階段則希望整合全公司的財務、人力資源、客服及其他業務資料。

目標是讓員工在權限容許的情況下，直接透過 AI 取得其他部門的資訊，而不必每次都向相關同事詢問。

此外，整合範圍不只是知識和資料，還包括由不同員工建立的 Skill。

這意味著 AI 可以將多名員工的技能串連起來，執行完整的跨部門 SOP。

徐健當時表示，第二階段正在實施，預計在該年九月底完成。他聲稱進度檢查顯示沒有明顯問題，但並未將所有目標描述成已正式完成。

2. 第一階段與第二階段的差異

3. 完整自動化招聘 SOP 的示例

徐健再次以招聘為例，說明第二階段希望實現甚麼。

假設他只向企業 AI 說：

「我想招聘一名助理。」

系統便可以啟動整個招聘流程。

1. 管理者提出招聘需求

   以一句自然語言啟動 SOP

2. AI 補充需求資訊

   必要時詢問年齡、教育背景、職責等細節

3. AI 自動執行招聘程序

   刊登 Boss直聘職位、與候選人溝通、發出邀請

4. 連接企業日曆

   檢查員工空閒時間，安排面試及測試

5. 人員在預定時間進行面試

   將人力投入仍需人工判斷的部分

徐健的構想不只是自動篩選履歷，而是讓 AI 負責從招聘需求開始，到試用期評估所涉及的整條工作鏈。

其中會有必要的人員確認和判斷，但不需要員工手動完成每一項行政操作。

4. 第二階段的最終目標：企業級 AI 超級專家

徐健提出建立一個企業 AI Super Expert，具備三個核心條件：

1. 掌握企業全部相關資料。
2. 可以調用企業全部已建立的技能。
3. 理解企業的業務邏輯。

他以一個極端情境描述最終目標：

如果某天所有員工都不需要上班，只要伺服器維持運行，公司便可以繼續正常營運，這就代表達到了他所描述的 100% 自動化狀態。

他同時承認，深圳依然的業務包含大量實體操作、人際互動及人工檢查，真正完全無人的企業並不現實。

因此，其實際追求的是：

凡是理論上可以端到端自動化的業務流程，就盡可能將其完整自動化。

這也引出下一個問題：當員工把既有技能教給 AI 後，未來還剩下甚麼獨特價值？

十、員工技能被 AI 吸收後，個人價值應如何保留？（41:36 至 47:04）

1. 員工擔心的不只是工作量減少，而是專業價值被企業吸收

曉輝博士指出，人的專業能力來自長期累積的經驗、判斷方式及工作技巧。

當企業要求員工將這些知識整理成 Skill，交由 AI 長期執行時，員工可能產生不安全感：

• 多年累積的專業經驗變成企業可以重複使用的系統資產。
• 原本需要聘請特定員工才能完成的工作，其他人也可以透過 AI 執行。
• 員工不再需要親自參與，企業仍然能夠使用其技能。
• 一旦知識轉移完成，員工可能失去原有的不可替代性。

徐健認為，這種擔憂是正常而合理的，不能單純要求員工放棄顧慮。

但他也強調，企業管理者應考慮如何利用 AI 提高整體競爭力，而不只是利用技術降低人力成本。

2. 以技能編輯權保留員工的部分控制能力

徐健以公司內的明星員工小李為例，提出一種技術上的安排：

員工可以保留自己所建立 Skill 的編輯權，其他人只能調用技能，不能修改。

這種機制讓員工持續控制自己所建立技能的更新及演進。

徐健認為，任何一項技能都不可能保證在未來一百年仍然有效。

因此，員工可以透過持續改良自己的技能，維持專業價值。

不過，他同時認為，員工不應過度執著於過去累積的能力，因為 AI 會持續加快技能更新速度。

3. 人類價值與 AI 可複製技能的差異

曉輝博士認為，一名銷售人員的價值並不只是其銷售話術，而是這個人本身，以及過去所有經驗形成的獨特性。

徐健則指出，現階段 AI 能夠取代的技能仍然相對基礎，尤其是情感交流等能力，他認為 AI 還無法真正取代。

但他也提出，如果某份工作真的可以被 AI 完全取代，員工便應該主動學習新的能力。

因為即使原有企業沒有採用自動化，競爭對手仍可能透過 AI 取代該企業的競爭優勢。

4. 海爾三筒洗衣機：創新價值來自發現細分需求

曉輝博士以海爾三筒洗衣機說明，企業不應只追求效率，而應主動發現新的消費需求。

產品設計包括三個獨立洗衣筒，分別用於：

• 衣物。
• 襪子。
• 內衣。

從純粹功能及效率角度看，這些衣物未必需要完全分開清洗。

但市場上存在希望分開清洗的消費者。

海爾因此針對這類細分需求設計產品，並透過眾籌預售模式驗證市場接受度。

這個案例的重點，是企業可以透過與消費者接觸，發現標準化市場以外的需求，從而創造新的產品價值。

AI 能夠降低既有工作的執行成本，但新產品和新市場仍然需要有人主動發掘。

十一、從重複工作轉向創新，員工開始展現新的能力（47:04 至 50:35）

1. 徐健重新評價「勤奮」與「敬業」

徐健認為，過去企業經常以勤奮、敬業等詞語讚揚員工持續完成重複性工作。

但如果一個人的主要能力只是穩定執行相同流程，這種優勢在 AI 時代的價值可能快速下降。

他主張，員工應將原有的勤奮精神投入創新，而不是單純增加重複勞動。

同時，他也承認不同年齡層的認知能力與創造力可能存在差異，不能假設每個人都可以無限制地適應變化。

不過，他認為大部分員工距離自身的創造力上限仍然很遠。

2. 財務部門自行開發系統的案例

深圳依然的財務團隊原本主要從事大量重複性工作。

當這些工作逐步交給 AI 後，員工開始有時間探索新的技術能力。

徐健提到一個令管理層意外的情況：

1. 財務員工發現自己很擅長使用 AI。
2. 開始自行學習和嘗試網頁程式開發。
3. 不再完全依賴 IT 部門，自發設計業務系統。
4. 在財務分析會議上展示自行開發的成果。
5. 管理層原本以為系統由 IT 團隊製作，後來才知道是財務員工完成。

這個案例令徐健認為，原本的職位與工作習慣，可能限制了員工展示其他能力的機會。

AI 不只是讓現有工作變得更快，也可能令員工開始跨越原有專業分工。

3. 員工創新能力的差異

徐健並不認為所有員工的創造力完全相同。

他認為，每個人的思考方式、經驗與能力都有差異，但企業可以透過技術和工作環境，讓更多員工釋放原本未被發揮的潛能。

有些員工會因自身興趣主動創新；另一些人則可能受到團隊氛圍推動，逐步開始參與創新。

因此，組織文化的轉變可能產生超出原有培訓目標的效果。

十二、AI 轉型如何帶來第二增長曲線及產業鏈效應？（50:35 至 55:20）

1. 深圳依然從內部轉型發展出對外服務

曉輝博士提出，企業提升效率後，是否真正帶來營收增長或新業務？

徐健表示，AI 轉型產生了一項原本沒有預期的結果。

當他們向朋友及其他企業分享內部的 AI 工作方式時，許多企業對其 FDE 部署方法產生興趣。

於是，公司將原本用於內部改革的技術團隊和實施經驗，轉化為對外提供的 AI 轉型服務。

這逐漸發展成公司第二條業務線，形成他所稱的第二增長曲線。

2. AI 能力提升了原有品牌代理業務的吸引力

徐健指出，韓國本身具備相當成熟的 IT 產業，但他認為許多韓國企業在 AI 實際應用方面落後於深圳依然。

當韓國品牌看到深圳依然製作的營運分析報告及工作成果時，對其品質和效率留下深刻印象。

得知部分成果由 AI 完成後，更希望了解其具體工作方法。

徐健提到，當時有兩個韓國品牌計劃派人前來參觀，包括 CTO 和 CFO。

深圳依然亦正在準備國際版本的解決方案。

但他強調，對外部署不應強制客戶使用中國市場的工具。

例如，如果韓國客戶偏好 Codex，就應考慮在客戶既有系統和工具習慣上建立解決方案。

相比單純銷售軟件，徐健認為更重要的是傳授率先實施 AI 的實際經驗，包括遇到過甚麼問題，以及如何解決。

3. AI 轉型的商業效益

4. 從人與人協作轉向 Agent 與 Agent 協作

徐健提到，當企業已經讓 Agent 承擔大部分內部工作時，會自然希望上下游合作夥伴也採用相同方式。

例如，深圳依然開始詢問新的品牌客戶：

「我們可不可以用 Agent 對接？」

即由深圳依然的 Agent，直接與品牌方的 Agent 進行資料交換和工作協調。

不過，不少合作夥伴尚未建立這種能力。

徐健認為，當一家企業的工作速度顯著提高時，將自然推動上下游企業採用 AI，否則雙方的協作效率難以匹配。

曉輝博士同意，單一企業的升級只是產業鏈的一個節點。如果上下游企業都提升運作速度，整條產業鏈的流轉效率才有機會得到更大改善。

他亦認為，成為 AI 應用先行者，本身就是一種企業品牌建設策略。

十三、企業不能只讓員工使用 AI，還必須改變組織戰術（55:20 至 59:24）

1. FDE 的角色不應永久停留在技術支援

徐健表示，原本十名 FDE 的內部培訓工作已大幅減少。

公司已有超過 30 名員工自行學會了他所稱的「wipe-coding」，並非由 FDE 直接教授。

這些員工掌握基本 AI 能力後，可以自行使用 AI 解答技術問題及學習新的操作方法。

因此，徐健認為 FDE 的主要任務，是協助員工完成最初的能力轉換。

當大部分員工已經懂得使用 AI，FDE 就可以逐漸退出日常輔導，轉往服務其他企業。

他亦提到，團隊正在參與外部項目投標，有機會為某個地區的大型企業群提供服務。

2. 以騎兵比喻 AI 對個人能力的提升

徐健使用軍事戰術比喻企業導入 AI 後的變化。

普通員工原本像步兵，當他們掌握 AI 後，就像騎上戰馬，行動速度得到大幅提升。

但問題在於：

如果管理者仍然按照指揮步兵的方法指揮騎兵，即使每名員工的速度都提高了，組織也無法充分發揮新的能力。

因此，企業除了讓每名員工掌握 AI，還必須培養以 AI 重新設計工作流程的思維。

3. 基礎 AI 能力與進階 AI 思維

深圳依然設有不同的能力標籤，包括騎兵、戰馬及弓箭手相關標章。

徐健特別強調，進階 AI 思維不只屬於管理者。

因為每名員工都身處某條業務流程之中，即使不是主管，也有能力改善自己及下游的工作方式。

4. 甚麼是 AI 思維？

徐健以一條原本有 20 個步驟的 SOP 為例。

如果員工只是使用 AI 加快其中幾個操作步驟，這屬於局部效率改善。

但如果員工重新思考整條工作鏈，發現原本 20 個步驟可以變成 5 個，而且能夠證明新的流程有效，便代表具備更高層次的 AI 思維。

深圳依然當時只有少數員工具備這種能力，包括部分高層管理人員和普通員工。

徐健認為，整體組織都掌握 AI 工具後，工作流程與管理方法也必須同步升級。

十四、如何招聘及培養真正懂業務的 FDE？（59:24 至 01:01:58）

1. CTO 李明的背景

徐健介紹，公司 CTO 李明只有高中學歷。

但李明曾從事科技及互聯網行業，也有創業經驗，具備很強的技術能力。

李明協助徐健建立 FDE 團隊，並負責篩選多名團隊成員。

這說明徐健重視的並不只是學歷，而是候選人能否真正使用技術解決問題。

2. FDE 招聘流程

3. FDE 不一定在入職時就具備流程重構能力

徐健指出，最初招聘的 FDE 雖然具有技術背景，但不熟悉化妝品品牌營運業務。

因此，他們一開始未必能夠提出真正具有價值的流程改造方案。

經過一段時間的業務學習與輔導後，才逐漸提出更有創意的工作方式。

十名 FDE 最終都達到了公司對進階 AI 思維的要求。

徐健因此認為，AI 思維必須建立在兩種知識的結合之上：

AI 工具能力 + 實際業務流程理解。

對於深圳依然這種非大型軟件研發企業，他並不要求 FDE 深入掌握底層大模型技術。

更重要的是懂得使用 AI 模型公司提供的能力，直接解決業務問題。

十五、從 Ontology 轉向 Teleology：企業應以甚麼作為 AI 系統的核心？（01:01:58 至 01:06:13）

1. 徐健認為 Ontology 不完全適合企業組織

當深圳依然進入第二階段，嘗試建立統一的企業 AI 系統時，徐健發現這不只是技術整合問題。

它涉及如何描述整家企業的運作邏輯。

他表示，公司最初嘗試以 Ontology（本體論）作為系統架構，但後來認為這種方法不完全適合企業。

在他的解釋中，Ontology 將世界拆解為不同的對象，以及對象之間的關係。

例如：

• 世界由不同對象構成。
• 不同對象之間存在關係。
• 系統以對象及其關係建立知識結構。
• 透過知識圖譜描述各項事物如何互相聯繫。

徐健認為，Ontology 更適合描述物理、數學及其他客觀世界的結構。

他所提出的理由是，在這些領域，系統主要需要描述已經存在的客觀事物及其關係。

但企業屬於人類建立的組織，其現有流程不一定合理。

因此，不能僅因為一項流程、職位或關係已經存在，就認為 AI 系統應該將其完整保留及建模。

2. Teleology：以企業目標作為第一原理

徐健提出，以 Teleology（目的論）作為企業 AI 系統的核心。

在他的框架中，企業、NGO、慈善機構、政府及軍事組織都具有明確目的。

這類組織的核心不是描述所有現有事物，而是判斷哪些資源及工作真正有助達成目標。

例如，企業首先應確立營運目的，再決定需要哪些：

• 人員與職位。
• 業務流程。
• 軟硬件系統。
• 管理制度。
• 資訊及其他資源。

如果只按照既有的員工、設備和流程建構 AI 系統，可能將大量資源花在與企業目標關係不大的事項上。

與此同時，真正影響企業成果的流程卻未獲得足夠關注。

3. Ontology 與 Teleology 的比較

徐健亦承認，Ontology 已經提供重要的初始架構和方法。

他在討論中提及 Perplexity 引入 Ontology 的先行價值，認為相關探索確實可以解決不少問題。

但如果企業需要在有限資源下優先追求實用成果，他仍傾向以目的論作為主要架構。

十六、從企業目標樹出發，同時保留自下而上的創新（01:06:13 至 01:14:39）

1. 曉輝博士以招聘流程解釋兩種方法的差別

曉輝博士將剛才較抽象的理論，重新放到招聘流程之中。

企業原本可能已有一套招聘 SOP，包括面試、考核、入職和培訓。

如果只是將所有現有流程記錄下來並交給 AI 執行，就可能固化一些不再必要的步驟。

但以目的論思考時，首先要問的是：

企業為甚麼需要招聘這名員工？

當 AI 已經能夠處理部分工作時，原本需要聘人的理由可能已經改變。

因此，企業應先確認招聘目的，再重新判斷：

• 是否真的需要新增人手。
• 工作是否可以交給現有員工與 AI。
• 是否有必要保留全部原有招聘程序。
• 這項招聘如何服務公司的整體策略。

2. 以目標樹組織企業

徐健認為，多數企業的核心目標包括盈利，亦可以將社會責任及其他經營要求納入目標體系。

公司可以建立多層次的目標樹。

1. 企業根本目標

   盈利、客戶價值、社會責任等

2. 財務目標

3. 營運目標

4. 團隊發展目標

5. 部門目標與 KPI

   將企業目標拆解至各部門

6. 員工、Agent、Skill 與 SOP

   按照目標安排人員及技術資源

徐健認為，如果企業已有完善的 KPI 系統，其實已經具備建立目標樹的基礎。

理想情況是，每名員工都能知道自己的工作對應企業的哪一項目標。

AI 則可以根據這個結構，理解不同人員、任務及系統之間的關係。

3. 曉輝博士質疑過度自上而下規劃

曉輝博士認同目的論能夠提供清晰的全局視野，但同時提出一項重要疑慮：

如果企業所有活動都圍繞預先設定的目標運行，可能失去由基層實踐自然產生的新資訊和機會。

例如，員工每天工作時可能發現：

• 原有流程以外的新問題。
• 既定 KPI 沒有涵蓋的客戶需求。
• 意料之外的工作方法。
• 未曾被管理層設想的新業務方向。

他提到自己對道家哲學、自然湧現及系統動力學的研究興趣。

在他看來，企業不能完全依賴高層規劃，也必須保留自下而上產生新知識的空間。

4. 徐健同意將系統動力學納入目的論

徐健承認，沒有任何一種組織架構是完美的。

企業是一個持續變動的系統，應該透過實際運作結果不斷調整目標與流程。

他認為，可以在目的論架構之上加入系統動力學的概念，包括：

• 強化回饋迴路（Reinforcing Loop）。
• 平衡回饋迴路（Balancing Loop）。
• 不同工作流程形成的正向或負向循環。
• 企業長期運作形成的飛輪效應。

這些機制可以協助企業辨別哪些行為應該被鼓勵，以及哪些模式可能造成不良結果。

5. 最終方向：先目的論，後結合本體論

兩人逐漸形成一個較一致的觀點。

徐健表示，公司目的論框架的理論部分已大致完成，正在透過實際部署持續補充。

團隊下一步希望引入 Ontology 的優點，保留自然湧現的資訊，避免系統完全受管理層預先設定的目標支配。

曉輝博士認為，兩種方法的差異不一定需要二選一，更可能是部署優先次序的問題。

十七、FDE 對外服務如何分階段交付？（01:14:39 至 01:21:53）

1. 服務已延伸至多種行業

徐健表示，良策AI接觸的客戶來自不同產業，包括健康相關業務、建築、烘焙及廣告等。

他認為，FDE 服務具有跨行業複用的潛力，原因是多數企業都有若干共通的職能及工作流程。

徐健認為，只要 AI 能夠連接足夠多的系統，跨企業複用工作流程的能力便會提高。

相比之下，烘焙等行業獨有的現場製作技巧，則需要另外分析及設計。

2. 並非所有企業都適合立即全面導入 AI

徐健指出，良策AI不會接受所有希望嘗試 AI 的客戶。

原因是轉型成果會影響公司的聲譽、團隊士氣及長期合作關係。

他認為最不適合的客戶，是企業負責人自己尚未想清楚為甚麼需要 AI，只是因為市場熱潮而要求導入。

在這種情況下，員工可能很快認為新系統不好用，最終向老闆反映應該停止項目。

因此，徐健表示，他們挑選客戶，主要是在評估企業老闆。

3. 不同類型企業的合作適配程度

徐健強調，AI 轉型往往會改變人員分工、工作流程，甚至企業組織架構。

如果老闆尚未接受這些可能性，項目便容易在執行中途遇到阻力。

4. 目前主要採用客製化及分階段交付

良策AI的服務模式仍在調整，並非所有客戶都採用完全相同的方案。

對於只想試用 AI 的企業，可以先處理少數耗時較長的任務。

對於已經明確決定大規模改革的企業，則可以直接進行更深入的業務升級。

徐健亦指出，模型選擇應根據實際任務決定，例如影像處理、簡單問答及深度推理，不一定全部使用同一模型。

十八、如何定義 AI 轉型成功及控制企業預期？（01:21:53 至 01:26:20）

1. 目前主要服務中小型企業及大型企業的局部團隊

徐健表示，良策AI目前主要面向中小型企業。

大型企業通常還沒有決定立即改變全體員工的工作方式，因此較常見的合作方式，是先從某個部門或小型團隊開始。

部分企業考慮在後期部署本地模型，但討論沒有提供具體的私有化部署方案及技術要求。

2. 不以籠統的「完成 AI 升級」作為交付標準

徐健認為，FDE 服務的交付標準應該明確而具體。

例如：

• 客戶有哪些 SOP 需要改造。
• 每條 SOP 可以自動化到甚麼程度。
• 哪些工作能夠完全交給 AI。
• 哪些環節仍需要人工參與。
• 最終能夠實際交付甚麼可操作成果。

他不主張只以「協助企業完成 AI 升級」等模糊描述作為服務承諾。

曉輝博士亦指出，目前提供 FDE 服務的機構種類很多，包括管理顧問公司、大型互聯網企業、新創公司及個人顧問。

3. 不同服務提供者的定位

曉輝博士認為，最理想的服務應能夠真正改善企業效率，並最終反映在成本、產出或利潤等經營指標上。

4. 建議採取的轉型次序

徐健提出，不應一開始就要求企業立即變成高度自動化的組織。

較合理的次序是：

1. 第一階段：建立基礎 AI 能力

   讓每名員工至少在部分工作中使用 AI。

   透過實際節省時間，逐漸改變員工對技術的態度。

2. 第二階段：整合及重構 SOP

   當員工開始熟悉 AI、組織文化逐漸接受新工作方式後，再將 AI 深入整合至完整業務流程。

   企業亦可以進一步探索全新的 AI 商業模式。

徐健提醒，現階段 AI 仍然受到上下文限制及其他技術條件影響，不可能完成所有工作。

而在他看來，AI 轉型最緩慢的部分，往往不是技術本身，而是人類思維方式的改變。

十九、效率之外，更大的機會是重新尋找企業增長方向（01:26:20 至 01:30:21）

1. AI 轉型不能停留在節省人力

曉輝博士指出，過去企業透過專業化、標準化及流程化建立競爭優勢。

在這種模式下，企業通常追求更快交付、更低成本和更少人力。

但 AI 讓這些能力逐漸普及後，單純提高流程效率未必足以建立長期差異化。

企業需要重新尋找消費者真正願意付費的新需求。

2. 曉輝博士提出的新增長方向

他特別提及：

• 長尾需求：滿足過去因成本太高而難以服務的小眾市場。
• 情緒價值：提供讓消費者感到愉悅、獲得認同或滿足個人偏好的產品。
• 出海業務：拓展國際市場。
• 服務型經濟：透過更高品質或更具特色的服務創造價值。
• 療癒相關需求：回應年輕消費者的情感及心理體驗需求。

他認為，這些市場方向可能比單純減少某項工作的執行時間更有戰略價值。

3. 徐健認同：錯誤方向上的加速不一定有價值

徐健以引擎作比喻。

如果企業的發展方向本來就不正確，即使 AI 讓工作速度大幅提高，也不一定是好事。

因此，企業既需要流程執行能力，也需要判斷應該往哪個方向發展。

但徐健認為，幫助企業制定戰略是一項相當困難的工作，不能將其視為簡單的 AI 自動化任務。

4. AI 協助制定企業戰略的三項前置條件

徐健提出，應先完成三項準備：

1. 釋放老闆的時間：讓企業負責人不再被大量日常營運工作佔據。
2. 建立資訊收集能力：讓老闆能夠取得制定策略所需的資料，而不是憑空構思。
3. 提高團隊執行能力：使企業有能力落實新的方向及策略調整。

當這三個條件具備後，才進一步考慮如何利用 AI 輔助產生有洞察力的戰略建議。

徐健認為，傳統管理顧問公司已經具有成熟的戰略分析方法，其中相當一部分可以透過 AI 輔助。

但最終選擇哪一條策略路線，仍應由企業老闆決定。

他以 A、B、C 三個候選方向為例，說明 AI 可以幫助分析選項，卻不應完全取代企業負責人的決策責任。

二十、AI 如何改變中層管理者的職責？（01:30:21 至 01:35:34）

1. 深圳依然開始減少中間管理層

曉輝博士詢問 AI 轉型後，公司的組織結構是否發生變化。

徐健表示，企業已有幾項明顯調整：

• 不再設有 CFO。
• 不再設有人力資源總監。
• 減少中間管理層。
• 讓上下級關係逐步變得扁平。

這些變化不代表財務或人力資源工作消失，而是部分傳統管理職責的執行方式已經改變。

2. 傳統管理職能逐漸被拆解

徐健指出，過去管理者經常負責審批、資訊傳遞及員工培訓。

但當 AI 可以取得相關資訊和執行既定規則後，部分管理工作便可以重新安排。

3. 將主管的審批原則明文化

徐健要求不同管理層回答一個問題：

「你批准或拒絕一項工作的原則是甚麼？」

他認為，許多主管長期依賴個人經驗作出判斷，但未必清楚寫下具體依據。

公司因此要求主管將審批規則整理出來。

徐健亦表示自己會先行示範，例如寫下哪些招聘要求可以接受，以及哪些工作可以批准。

對於涉及機密的判斷，可以另外處理。

但他認為，多數常規審批原則並沒有想像中複雜，將其明文化後，便可以進一步考慮自動化。

4. 中層管理者不會完全失去價值

徐健強調，管理人員的價值不會因為部分管理程序被 AI 取代而直接歸零。

他認為，管理人員通常擁有比基層員工更豐富的經驗，應該將這些經驗投入更有價值的工作。

但如果管理者原本的工作被自動化後，不願意尋找新的貢獻方式，就可能面臨被取代的風險。

5. Block 的三種組織角色

曉輝博士引用 Block 的組織觀點，提出未來企業可能圍繞三類人員建立。

其中，Player-Coach 與傳統只負責管理的主管不同。

他們需要真正參與第一線工作，了解實際營運問題，同時帶領團隊。

6. 以 Company World Model 作為組織資訊核心

曉輝博士提出，未來可以讓 AI 位於企業資訊系統的中心。

透過 Company World Model（企業世界模型），持續理解：

• 企業目前正在執行甚麼工作。
• 不同部門及任務的狀態如何改變。
• 新的知識和能力如何累積。
• 業務流程如何運轉及演變。
• 哪些員工或 Agent 正在承擔特定責任。

在這種架構中，員工可以直接從共同資訊系統取得需要的知識。

傳統依靠多層管理者傳遞資訊的必要性因而下降。

徐健認同，這有助企業朝更扁平的組織結構發展。

曉輝博士進一步提出，新時代的 AI 領導力，是理解 AI 與人類各自的能力邊界，並善用兩類資源完成過去難以完成的任務。

二十一、CEO 應成為超級個體，還是建立超級團隊？（01:35:34 至 01:41:58）

1. AI 轉型也應從 CEO 自己的工作開始

曉輝博士反思，自己過去雖然研究 AI，但仍有大量影片製作、字幕、資料整理和發佈工作需要親自處理。

他提到，部分原因是對 AI 的信任程度不足，所以還沒有將所有工作完全交出去。

但隨著 Astra 等模型能力提升，他認為部分原本需要人工逐項審核的工作，可能可以進一步自動化。

他亦提出，除了影片製作，學習、研究、分享、報告及其他日常活動都可以拆解成更細的工作。

徐健表示，CEO 的日常工作通常非常零碎，經常需要即時回應不同問題，但仍應盡量整理出可交給 AI 的任務。

他特別強調，老闆不應完全依靠下屬替自己使用 AI。

企業負責人必須親自了解 AI 的本質、能力和限制，否則容易被錯誤判斷或外部說法誤導。

2. 徐健提出：企業轉型的本質是讓 CEO 成為超級個體

徐健表示，他曾經長時間思考超級個體與超級團隊之間的關係。

後來逐漸形成一個觀點：

企業 AI 升級的最終本質，是將老闆變成超級個體，再由團隊補充老闆無法親自完成的工作。

在他的理解中，CEO 是企業的核心。

CEO 應該是整家公司中對 AI 理解最深入、與 AI 互動最密切的人之一。

其他員工的能力，則圍繞企業核心決策和運作需要形成補充。

3. 曉輝博士提出集體智慧的限制問題

曉輝博士認為，這種模式存在另一種可能的風險。

如果企業所有能力都圍繞 CEO 本人的思考建立，企業的上限便可能受到 CEO 個人能力限制。

但如果將整家公司視為超級團隊，企業便可以從不同人才的知識、經驗及互動中形成集體智慧。

這種集體智慧可能創造出超越任何單一個人的成果。

4. 兩人的主要差異

5. 徐健進一步澄清：CEO 應是系統設計者，而非親自控制所有工作

徐健其後表示，自己的觀點與曉輝博士並不一定矛盾。

他所說的 CEO 超級個體，並不代表 CEO 必須親自執行或直接控制所有事情。

真正重要的是：

CEO 應負責設計一個能夠讓其他人持續發揮能力、產生創新的組織系統。

如果員工可以自行使用 AI、創造新技能，以及透過合作發展新的業務能力，這些結果應與 CEO 所建立的組織制度有關。

他以園丁作比喻：

CEO 的工作，是設計適合植物生長的環境，讓組織成員可以在其中自然成長。

這亦回應了前面關於 Teleology 與自然湧現的討論。

6. CEO 主導設計與企業自主運作並不矛盾

曉輝博士提出，傳統企業管理理論經常強調，即使創辦人不在，公司也應能夠正常運作。

這似乎與徐健所說的 CEO 核心地位存在衝突。

徐健則認為兩者並不矛盾。

因為讓公司在創辦人缺席時仍能正常運作，本身也需要有人事先設計完善的制度。

他以自動駕駛為例：

汽車能夠自動行駛，不代表背後不需要大量思考。

相反，設計自動駕駛系統的過程，可能需要遠超一般駕駛者日常操作的分析與準備。他以「一百倍」作為形容。

同樣地，CEO 可以花大量精力設計企業的制度、流程和 AI 系統，最終讓企業不需要自己直接介入，也可以持續運作。

曉輝博士將其理解為，先建立公司的世界模型，再讓這個模型支持企業自主運作。

二十二、最後補充：徐健的 IBM 業務流程管理背景（01:41:58 至 01:43:08）

訪談結束後，徐健補充一項與其企業 AI 轉型方法直接相關的經歷。

他在創業之前，曾在 IBM 從事 Business Process Management（BPM，業務流程管理）工作。

當時，他代表 IBM 為中國大型企業提供相關解決方案，客戶通常包括財富世界 500 強等大型公司。

因此，他認為自己早年在企業流程管理方面的經驗，對後來設計深圳依然的工作流程系統、組織管理方式及 AI 轉型方案都有幫助。

這亦解釋了為甚麼他的 AI 部署方法特別重視：

• 先整理業務流程，再選擇技術。
• 將職位職責分解為可管理的工作任務。
• 將員工知識轉化為可以執行的程序及規則。
• 對工作流程設定具體的交付和驗收標準。
• 以企業目標為中心重新組織人員、流程及系統。

二十三、整體轉型路徑與主要成果

1. 深圳依然的階段性發展

2. 從個人自動化到企業重新設計的四個層次

兩人的論述最終可以按照以下邏輯串連：

1. 第一層：Task Automation

   讓 AI 完成員工原本負責的獨立任務，減少重複工作

2. 第二層：Workflow Automation

   串連資料、Skill、Agent 和部門，完成端到端 SOP

3. 第三層：Organizational Redesign

   重新配置員工職責、管理層、審批權限及組織架構

4. 第四層：Business Reinvention

   重新判斷企業目標、產品、市場定位及未來增長方向

徐健的企業實踐主要由第一層開始，逐漸推進到第二及第三層，並希望進一步支援第四層。

曉輝博士則持續強調，企業不能只關注前面幾層的效率改善，而應利用 AI 帶來的能力與時間，重新探索未來可能創造的價值。

3. 兩人最後形成的共同觀點

• 技術不是起點，業務問題才是起點。 企業應先了解每天有哪些工作、存在甚麼限制，再決定如何部署 AI。
• 個人提效不代表組織提效。 必須進一步建立跨部門資料與技能共享，以及完整 SOP 的自動化能力。
• AI 自動化不等於直接裁員。 企業可以選擇降低人力成本，也可以把釋放的能力投入業務擴張，取決於管理者的經營目標。
• 管理制度必須與技術同步更新。 員工執行速度大幅提高後，如果仍採用舊有流程與管理方法，便難以充分發揮 AI 的價值。
• 已知工作可以逐漸交給 AI，但企業仍需要持續創新。 重複性任務的價值可能下降，發現新需求、創造產品和重新制定策略則變得更加重要。
• 企業目標與自然湧現需要兼顧。 目的論有助快速建立清晰的執行框架，本體論及系統動力學則有助保留複雜關係、回饋和新的機會。
• CEO 的核心責任逐漸轉向設計組織系統。 管理者需要理解 AI 能力邊界，建立讓員工與 Agent 可以合作、成長及自主運作的制度。

最終，兩人所討論的企業 AI 轉型，不只是將原本由人執行的工作交給機器，而是重新回答三個相互關聯的問題：

企業究竟想達成甚麼目標、哪些工作仍然需要人類，以及應如何重新組織人類與 AI 的能力來達成這些目標。