企業 AI 導入別再發金星了：Bloomberg Beta 合夥人的激進主張，把人拉出迴圈

本文整理自《AI and the Future of Work》2026 年 3 月播出的單集。

{{< youtube XG7RvVWuf84 >}}

{{< spotify "episode/5FioEZgjdNRb0lqfnR5xaO" >}}

{{< apple-podcast "tw/podcast/ai-and-the-future-of-work-artificial-intelligence-in/id1476885647?i=1000756765822" >}}

---

四成員工用了 AI，然後呢？

你的公司有多少人每週使用 AI 工具？如果答案是「四成」，恭喜，你可能正在做一件毫無意義的事。

Bloomberg Beta 合夥人 James Cham 在 Podcast 中毫不客氣地批評了他在美國企業界觀察到的現象：大公司的 AI 導入正在淪為一場出席率競賽。「我有很多朋友是非常資深的管理顧問、非常資深的企業高管。他們都很聰明，都在用很聰明的方式導入 AI。但你跟他們聊的時候，很多人花時間跟我說的是：我們四成的人現在每週用一次 AI 了。」他停頓了一下。「這幾乎就像在點名。幾乎就像在發金星貼紙。」

Cham 是矽谷最早期的 AI 投資人之一。2014 年，他和同事發布了業界首張「機器智慧版圖」，比 ChatGPT 問世早了將近十年。Bloomberg Beta 是彭博集團旗下的創投基金，管理約 4.5 億美元，被 CB Insights 評為 AI 投資排名第二。 Cham 之前在 Bessemer Venture Partners 參與了 LinkedIn、Twilio、Dropcam 等公司的早期投資，看過的 AI 新創遠比多數人更多，也因此對企業端的「淺層導入」格外不耐煩。

問題不是「多少人在用」，而是「誰在用很多」

Cham 認為，企業目前的 AI 策略本末倒置了。花力氣讓每個人都用一點 AI，不如去找那些已經在大量使用 AI 的人，搞清楚他們到底在做什麼。

「我們現在不是在試著讓每個人都用一點點。我們是在試著弄清楚，那些用很多的人，他們到底在做什麼。」有些人可能用得很多但純粹在浪費時間，那就不該模仿。但也有些人，可能已經摸索出了某種全新的工作方式，而整個組織還沒意識到。

他批評說，很多企業的 HR 和 IT 部門對 AI 抱持一種「出席率管理」的心態：想辦法提高使用率、想辦法確保人們不會「亂用」。但當他們說「亂用」的時候，通常不是指違法或違規，而是指用得太多。這恰好搞反了。用得多的人，才是最值得關注的訊號源。

Cham 擔心的是，如果整個產業只停在這種淺層導入的階段，大家就不會產出真正有說服力的成功案例。然後所有人會開始幻滅，覺得「AI 不過如此」，接著進入一個五年、十年甚至二十年的低潮期。這個循環，在科技史上已經反覆出現過。

別再增強了，該自動化了

如果金星文化是診斷， Cham 開出的藥方則更激進：把人拉出迴圈。

他的原話是這樣說的：「因為『增強而非自動化』這套說法，我們其實錯過了真正的機會。未來的工作型態，可能更像是去管理那些管理者的管理者，而不是自己待在工作迴圈裡面。」

這裡的邏輯是：每個人都覺得別人的工作可以被自動化，但自己的工作很特別。「你不懂，我做創投的方式是很獨特的蝴蝶。」 Cham 自嘲地說。但這種對自身工作的浪漫化，反而阻礙了真正有價值的改變。把人從執行層拉出來，讓他們站到更高一層去觀察整個系統、思考如何讓系統運作得更好、或者發現新的系統可以建立。

他觀察到，那些真正走在前面的創業者，反而比以前工作得更多。因為當你有大量自動化的迴圈在跑，幫你找客戶、寫程式、處理日常事務，你要管理的東西只會更多，不會更少。但那種管理的性質不同了，從直接做事變成了管理做事的系統。

三個被低估的 AI 投資方向

作為一個每天在看 AI 新創的投資人， Cham 分享了三個他認為被嚴重忽略的方向。

第一個是情緒智商工具。 Cham 認為，目前的 AI 模型在情緒智商方面，已經比至少七成五的人類表現更好。這個洞察可以被用在廣告、商務溝通、生產力工具等幾乎所有需要與人互動的場景。但目前產業的注意力大多放在虛擬陪伴上面，真正把 AI 的 EQ 能力用在商業場景的產品還太少。

第二個是 LLM 驅動的批次作業。這聽起來不性感，但 Cham 指出，整個世界至今仍然在靠批次作業運轉，薪資單的產生、資料的搬移和清理、各種後台的聚合計算。即使是 Databricks 賣給你的最酷版本，核心節點仍然是傳統的機器學習或簡單的加法。但我們現在已經到了一個轉折點：那些大型分散式批次作業中的很多節點，其實可以被 LLM 取代。他提到有朋友正在用 Gemini 來執行類似 Spark 的批次流程，結果不但更有彈性，某些情況下甚至更便宜。但目前還沒有人建立起管理這類 LLM 批次作業的工具和方法論，這裡面有巨大的機會。

第三個方向最特別。 Cham 說：「如果有人每天每位開發者花超過 50 到 100 美元在 LLM 上面，我想跟你聊。因為你正活在未來。」他的推論是：模型會愈來愈便宜，如果你現在就願意花這個錢並且有效地使用，代表你正在遇到所有人六個月到三年後才會碰到的問題。這些人不只是在解決當下的問題，他們在發明別人還無法想像的工作方式。他觀察到這類團隊的幾個共同特徵：他們通常不直接寫程式，也不直接讀程式，而是建立一套精密的工具來測試 AI 產生的程式碼。他們移動速度極快，而且愈來愈快，因為他們能把工具一層疊一層地堆起來。

我的觀察

Cham 對「金星文化」的批評，精準地戳中了我在台灣企業看到的同樣問題。去年我跟好幾家大型企業的資訊長聊過，發現多數人的 AI 策略都在做同一件事：辦教育訓練、買企業版 Copilot、然後追蹤使用率。使用率數字好看了，就在季報上寫「AI 轉型進度良好」。

但使用率從來就不是重點。重點是有沒有人因為 AI 而做到了原本做不到的事。BCG 的徐瑞廷去年在一場論壇上也說過類似的話：「AI 導入最大障礙不在技術，而是人。」 Cham 等於從投資端呼應了同一個觀察。

至於「把人拉出迴圈」，這在台灣企業的脈絡裡恐怕會引起不小的爭議。但我覺得 Cham 的重點不是要消滅工作機會，而是在說：如果你還在迴圈裡面做執行層的事，你就沒辦法看到迴圈本身的問題。退後一步，才能看到全貌。