當 AI 裁員適得其反：為何公司數月後重聘多人並承認錯誤
目錄
你可能想知道
• 大規模以 AI 為由的裁員能否完全逆轉？逆轉會帶來哪些成本？
• 哪些類型的工作真的能被 AI 取代？哪些仍依賴人類的隱性知識？
主要議題
本文檢視一種日益顯著的模式：組織以人工智慧（AI）自動化為由加速裁員，但事後在發現 AI 無法彌補的缺口時又重聘員工——通常是有經驗的專業人員。跨產業的高層與人資團隊正面臨一個營運現實：AI 處理許多例行且記錄良好的任務表現良好，但它在依賴隱性知識、細緻判斷與未記錄的機構記憶的工作上表現欠佳。多個顯著案例與調查揭示了「替換後重聘」的機械性模式，以及其財務、營運與策略後果。
一個具代表性的案例是某大型汽車製造商，該公司在導入基於 AI 的設計與品質系統後，先前曾讓多位人員離職，但在接下來三年內又重聘約 350 位資深工程師。高層承認當初的假設有誤：他們原以為將現有設計需求輸入 AI，就能產出穩定高品質的成果。但實際上失敗的原因在於關鍵專業知識——數十年的實務經驗、對組裝公差的微妙判斷，以及辨識微弱異常聲響的能力——從未被記錄在用以訓練 AI 的正式設計文件中。簡言之，缺失的知識並非本質上太複雜而無法自動化，而是從未以機器可讀的形式被捕捉。
調查在大規模上支持這一敘事。一項由組織設計軟體供應商委託的研究訪問了超過一千名高階決策者，發現 39% 的受訪者實施過由 AI 驅動的裁員。在這些人當中，55% 的人後來判定當初裁減職位的決定是錯誤的。對人資領導者的額外民調顯示更高程度的遺憾：大部分人表示不得不重聘之前裁減的許多職位，且許多人表示重聘成本抹除了裁員帶來的財務利益。
為何會出現這個循環？此模式常始於對工作內容的樂觀但不完整分析。組織以高層次評估職務，辨別看似標準化、因此可自動化的功能。接著他們實施 AI 工具，去捕捉並自動化那些例行且文件化良好的工作部分。在許多實際情況下，這大致相當於自動化約 60% 的任務量。剩下的 40%——包含例外處理、道德或情境判斷，以及僅存在於人腦中的知識——對自動化顯得抗拒。
當那些例外累積時，商業結果受到影響：產品品質問題、顧客抱怨、合規缺口以及意外的營運摩擦。經理面臨抉擇：要么大力投資以擴展並重新訓練 AI 系統來涵蓋邊緣情況，要么重聘已具備必要隱性知識的人類專家。許多組織選擇重聘作為較快且更可靠的補救方式，但這常常比當初裁員節省的費用更昂貴。重聘的公司調查顯示，相當比例報告重聘成本超過原先的資遣費節省，而其他公司則發現過程僅是收支相抵。
實際回應各異。有些公司把員工以相同職務請回以恢復流失的能力；另一些則重新設計工作，讓人類專注於處理 AI 無法應對的例外。例如，一家大型科技公司報告其內部聊天機器人處理了約 94% 的例行人力資源查詢，但最後 6%——涉及道德敏感或不尋常的案件——仍需人為介入。該公司遂擴大入門級人員的招聘，以確保有足夠人力管理那些特殊互動，並提供在職學習，將來成為機構記憶。
其他過早裁減客服職位的組織發現，用來證成裁員的 AI 指標未能反映實際工作量。在一間銀行中，管理層在部署 AI 語音助理後，根據較低的測得通話量減少了數十個客服職位。第一線主管與工會質疑此舉，主張實際通話處理複雜度增加，且員工被迫加班。仲裁程序凸顯測量效率與實際營運需求之間的不匹配，銀行因此撤回裁員、致歉並補償受影響員工。
除了直接成本外，還有策略層面的影響。取代經驗豐富的員工會侵蝕機構記憶。當資深工程師、客服資深人員或合規專家離職，組織不僅喪失任務執行能力，也失去那些能防止罕見但代價高昂失誤的非正式線索與模式辨識。捕捉這類隱性知識需要持久的努力：有系統的文件化、刻意的導師制，以及將經驗轉化為可訓練資料的流程。若沒有這些投資，AI 導入將持續無法達標。
分析師預測，許多被報導的 AI 驅動裁員將隨時間被悄悄逆轉。一些預測機構估計，超過一半的 AI 相關裁減將至少部分被撤回，且到 2030 年只有相對溫和比例的職位會被完全自動化。多數分析師的共同建議是將 AI 視為增能工具：用來提高生產力並補強人類能力，而非全面取代依賴判斷、建立關係與情境知識的職務。
總之，這個新興循環是一個強而有力的警示。沒有仔細的職務分析、沒有捕捉隱性知識、且未對未自動化部分做規劃的快速自動化，會導致營運中斷並可能帶來更高的長期成本。務實的做法是結合選擇性自動化、投資於知識擷取，以及將人類角色重新設計為處理例外與更高價值的活動。
關鍵見解表
| 面向 | 說明 |
|---|---|
| 觀察到的模式 | 公司以 AI 自動化任務、裁員，當 AI 無法處理例外與隱性知識時再重聘人員。 |
| 部分自動化的規模 | AI 通常能處理約 60% 的例行工作；剩餘 40% 需要人類判斷。 |
| 調查發現 | 相當比例的決策者與人資領導在 AI 驅動裁員後感到後悔；許多職位在數月內被重聘。 |
| 成本影響 | 重聘可能抵消或超過資遣節省；在許多情況下來回操作成本效益不佳。 |
| 建議策略 | 將 AI 視為增強工具，主動擷取隱性知識，並將人類角色重新設計為處理例外與複雜判斷。 |
後續…
展望未來，想要從 AI 獲得可持續生產力提升的組織，必須將技術部署與刻意的人力能力策略配套。這包括在裁員發生前文件化經驗、投資於導師制與入職培訓，並重新設計工作，使人類處理 AI 無法應對的罕見但關鍵案例。採取審慎且以證據為基礎的自動化方法——精準辨識哪些任務可自動化、哪些需要人類監督、以及如何捕捉隱性知識——將降低昂貴逆轉的風險，並讓 AI 帶來更持久的效益。
政策制定者與勞動力規劃者也應關注這些動態。勞動市場轉型將取決於企業學會在自動化、再訓練與知識轉移計畫之間取得平衡的速度。對於勞工而言，結論很清楚：涉及判斷、跨職能溝通與模式辨識的技能仍具價值，且在近期到中期內相對不易被完全自動化。
最後，透明度很重要。公開承認錯誤、補償受影響員工並發布實施後的檢討，有助於組織更快學習並維持與員工與客戶的信任。越來越多的重聘故事與其說是對 AI 的道德指責，不如說是一個實際的提醒：單靠技術無法取代人類專業知識。
