目錄
「今天要交三篇文案、回兩封客戶信，還要整理上個月的帳。」這是一人公司創辦人熟悉的週末場景。當行銷、客服、行政全塞進自己的待辦清單，產能上限就是你的體力。生成式 AI 走向代理式 AI 之後，許多人開始盤算：是不是可以聘用 AI 員工，把重複的事交出去？
真正卡住大家的，往往不是工具好不好用，而是一人公司 AI員工 組織設計這件事沒人教。當你只有一個人，卻要指揮三、五個 AI 代理，職務怎麼切、交接怎麼做、品質誰把關、成本怎麼算，都得自己想辦法。本文從微型組織的視角出發，拆解職務切分、交接協議、三層查核與產能計價，並附上可以直接套用的表格。
一人公司與 AI 員工是什麼？微型組織的新常態
一人公司指的是沒有正式僱用員工、由創辦人獨力承擔主要職能的經營型態。美國小企業署（SBA，2023）統計，全美無僱員企業約 2,700 萬家，占小型企業逾八成；台灣方面，經濟部《中小企業白皮書》（2024）指出中小企業約 163 萬家，占全體企業 98.9%，就業人數約 916 萬人。微型組織本來就是經濟主體，而 AI 正在改寫它的產能上限。
從工具到代理：AI 員工的定義與邊界
本文把「AI 員工」定義為：被指派特定職務、有明確輸入與輸出、可被驗收與追蹤的 AI 代理。它跟「工具」的差別在於責任範圍。你請工具幫你打字，你請員工幫你完成一段流程。Gartner（2024）預估，2028 年企業軟體內含代理式 AI 的比例將達 33%，而 2024 年還不到 1%。
邊界也要說清楚：AI 員工沒有法律人格，無法承擔責任。錯誤一旦對外發生，責任仍在創辦人身上。這也是為什麼後面談的品質查核與治理設計不能省略。
一人公司為何在此時崛起？三個推力
推力一，工具普及。一份 2024 年的全球知識工作者調查顯示，75% 的知識工作者已在工作中使用 AI，其中 78% 的 AI 使用者自行攜帶工具上班。推力二，領導者開始重寫組織。同一年後的後續調查（2025）指出，82% 的企業領導者認為 2025 年是重新思考策略與營運的關鍵年，81% 預計在 12 至 18 個月內把 AI 代理納入策略。
推力三，價值明確。麥肯錫全球研究院（2023）估計，生成式 AI 每年可為全球經濟增加 2.6 兆至 4.4 兆美元價值；同一機構的 AI 現況調查（2025）也顯示，88% 的受訪企業至少在一項業務職能使用 AI。
微型團隊的組織設計為何不能照搬大企業
大企業的組織設計處理的是分工與協調，靠層級、會議與制度吸收複雜度。一人公司沒有層級可以依靠，卻要同時扮演策略、執行與品管三種角色。與其複製科層架構，不如把 AI 員工當成模組：每個模組負責一段可驗收的流程，創辦人保留目標設定與最終把關。
這套邏輯其實與企業 AI 治理三層架構相通，只是規模縮到一個人。若你同時是雇主也是員工，工具與資料的界線得自己訂，可以先參考員工自帶 AI 工具的管理策略中的權限與紀錄思維。
| 比較項目 | 傳統微型團隊 | 一人公司＋AI 員工 |
|---|---|---|
| 人力規模 | 2 至 5 人，依職能分工 | 1 人加上數個 AI 代理，依任務模組分工 |
| 成本結構 | 固定薪資、勞健保、辦公空間 | 訂閱費、算力費、整合時間，變動成本為主 |
| 產能彈性 | 受人力數量限制，擴編需時間 | 可快速複製代理，但受創辦人注意力限制 |
| 知識累積 | 存在人與會議中，離職即流失 | 需刻意外化成知識包，否則每次歸零 |
| 風險承擔 | 由公司與團隊共同承擔 | 法律與商譽責任集中於創辦人 |
誰適合聘用 AI 員工？讀者輪廓與適用情境
不是每個人都適合立刻聘用 AI 員工。判斷標準不在於你對 AI 有沒有興趣，而在於你的工作裡有多少「高重複、低風險、可驗證」的任務。以下先區分三種讀者輪廓，再談職能分派。
創業者、接案者、中小企業主的差異
創業者的流程還在成形，變動大，適合先從單一代理試水溫。接案者的痛點是重複解釋與上下文流失，知識包的投報率最高。中小企業主已有既定流程與人員，重點在於選一個部門試點，再把成功模式複製到其他部門。
哪些職能先交給 AI 員工？
草稿撰寫、資料整理、客服初回、排程提醒屬於優先順位。這類任務錯誤成本低、驗收標準清楚，最容易建立節奏。NBER（Brynjolfsson、Li、Raymond，2023）研究客服情境發現，導入生成式 AI 後每小時解決案件數提升 14%，新手提升幅度達 34%。
哪些職能必須保留給人？
報價、合約審閱、公開發言、客戶關係經營，初期一律保留人工終審。這些任務的共同點是錯誤成本高、牽涉對外承諾與法律責任。若代理的例外率高於三成，也應該交回人手。決策前建議先看引進 AI 代理前的治理關鍵問題，把責任歸屬與風險容忍度先寫下來。
| 讀者類型 | 適用程度 | 優先職能 | 注意事項 |
|---|---|---|---|
| 創業者 | ★★★★★ | 內容草稿、市場資料整理、客服初回 | 流程尚未定型，先把價值流寫出來再分派 |
| 接案者 | ★★★★★ | 提案草稿、需求整理、專案進度提醒 | 知識包是關鍵，否則重複解釋成本高於自己做 |
| 中小企業主 | ★★★★☆ | 單一部門試點、內部知識問答 | 需同步處理員工溝通與流程標準化 |
| 職能 | 適合 AI 員工 | 適合人類 | 備註 |
|---|---|---|---|
| 內容草稿 | 是，產出初稿與改寫 | 定稿與觀點 | 品牌語氣需寫進知識包 |
| 客服初回 | 是，常見問題與初步回覆 | 客訴與例外處理 | 需設升級條件 |
| 資料整理 | 是，格式轉換與分類 | 判讀與決策 | 驗收標準要可量化 |
| 報價 | 可協助試算 | 核准與對外報價 | 一律人工終審 |
| 合約 | 僅協助標註疑義 | 審閱與簽署 | 涉及法律責任，不可全交給 AI |
| 公開發言 | 可協助擬稿 | 對外表述與立場 | 商譽風險高，需人工把關 |
為什麼一人公司需要組織設計？五個常見痛點
多數人以為 AI 導入失敗是工具問題，實務上更常見的原因是組織設計缺席。Gartner（2025）預估，逾 40% 的代理式 AI 專案會在 2027 年底前被取消，主因是成本與價值不明。以下五個痛點，幾乎是微型組織必經的關卡。
把 AI 當全能員工的產能黑洞
一開始就期待單一代理包辦行銷、客服、財務與法務，結果是提示詞越寫越長、產出品質越不穩定。組織設計的基本原則是職務必須可界定、可交付、可驗收，AI 員工也一樣。
交接斷點與上下文流失
人類同事靠會議、文件與口頭默契累積上下文，AI 員工每次對話都是全新起點。若沒有把品牌語氣、客戶背景、歷史決策寫成可重複讀取的知識包，創辦人每天要重複解釋同一件事，時間成本反而高於自己做。這是微型組織的隱形稅。
品質查核與責任歸屬真空
一人公司沒有第二雙眼睛，AI 產出若直接對外，錯誤會直接變成商譽風險。更棘手的是責任歸屬：當產出導致損失，法律與客戶關係上的責任仍在創辦人身上。NIST AI 風險管理框架（2023）與 ISO/IEC 42001（2023）都強調紀錄與可追溯性，這對微型組織同樣適用。
成本錯估與創辦人瓶頸
創業者常以每月數十美元的訂閱費推估成本，忽略提示詞調校、流程串接、資料清理與錯誤重工。若把創辦人時薪計入，實際單位任務成本可能高於外包。當代理數量超過注意力上限，決策延遲與品質下滑會同時出現。
還有一個常被忽略的設計原則：不是每個決策都該被自動化。適度保留判斷空間，本身就是組織設計的一部分，這與策略性遺忘與決策留白談的邏輯一致。
| 痛點 | 常見症狀 | 組織設計解方 |
|---|---|---|
| 全能員工迷思 | 提示詞越寫越長，品質忽好忽壞 | 把價值流拆成任務顆粒，一代理一職務 |
| 交接斷點 | 每次對話都要重新解釋背景 | 建立固定欄位的知識包與回寫節奏 |
| 品質真空 | 錯誤直接對外，事後才發現 | 三層查核：自動檢核、抽樣複核、人工終審 |
| 成本錯估 | 只看訂閱費，忽略整合與重工 | 用單位任務成本表與外包報價對照 |
| 創辦人瓶頸 | 待決事項堆積，回覆速度變慢 | 以例外率為指標，超標就調整分派或加人 |
如何拆解職務？從價值流到任務顆粒
職務切分不是把工作清單抄一遍，而是先看見價值如何流動，再決定哪一段交給誰。這一步做對，後面所有設計都會輕鬆很多。
畫出從接單到交付的價值流
把公司從接單到交付的流程寫成一條線，標出每個節點。例如：詢問進來 → 需求確認 → 報價 → 簽約 → 執行 → 交付 → 收款 → 售後。接著把節點拆成 30 分鐘內可完成的任務顆粒，顆粒太粗就無法分派，太細則管理成本過高。
任務顆粒的三種屬性：重複、判斷、對外負責
每個任務顆粒標記三種屬性。重複性高的，交給 AI 員工；需要判斷的，由創辦人執行或複核；需要對外負責的，一律保留人工終審。這三種屬性可以交叉，例如草稿撰寫重複性高但需要判斷，就採「AI 產出、人類定稿」的分工。
人機職務說明書與 RACI-A 矩陣
為每個 AI 代理寫一頁說明：負責什麼、輸入什麼、輸出格式、驗收標準、何時升級給人。再用 RACI 加上 A 欄位，明確標示哪些任務由代理執行、哪些由人負最終責任。這套做法與AI 代理授權治理與問責機制的核心精神相同：權限邊界與問責對象必須先寫下來，再談自動化。
| 任務顆粒 | 屬性 | 建議執行者 | 驗收標準 |
|---|---|---|---|
| 草稿撰寫 | 重複性高、部分判斷 | AI 產出，人類定稿 | 符合品牌語氣、字數與格式規範 |
| 資料整理 | 重複性高、低風險 | AI 員工 | 欄位完整率高、錯誤率低於設定門檻 |
| 客服初回 | 重複性高、需升級條件 | AI 初回，人類接手例外 | 回覆時效、升級判斷正確率 |
| 報價 | 需判斷、對外負責 | AI 試算，人類核准 | 與成本表一致，經人工簽核 |
| 合約審閱 | 需判斷、對外負責 | 人類主責，AI 標註疑義 | 條款風險清單完成，人工確認 |
| 任務 | R 負責 | A 當責 | C 諮詢 | I 告知 | AI 代理 |
|---|---|---|---|---|---|
| 內容產出 | 內容代理 | 創辦人 | 客戶窗口 | 社群夥伴 | 草稿與改寫 |
| 客戶回覆 | 客服代理 | 創辦人 | 資深客戶 | 內部紀錄 | 初回與分類 |
| 報價核准 | 創辦人 | 創辦人 | 財務顧問 | 客戶 | 僅提供試算 |
交接協議與知識包怎麼設計？
交接協議的目的，是讓 AI 員工在任務開始前就拿到必要的上下文，任務結束後把新學到的規則留下來。沒有這一步，一人公司每天都要重演同一場解釋戲碼。
知識包的五個固定欄位
把品牌語氣、客戶背景、歷史決策、禁用詞彙、輸出格式寫成固定格式的知識包，並給予編號，例如 A-03。固定欄位的好處是穩定：同一個知識包餵給不同代理，產出風格才會一致。
任務前後的回寫節奏
任務開始前讀取知識包，任務結束後把新規則回寫。回寫不需要長篇大論，一行決策紀錄就夠：「此客戶不接受驚嘆號」。累積三個月後，這份紀錄會變成公司很重要的資產。
外部記憶與 SECI 模型
知識管理理論（Nonaka & Takeuchi）將知識創造分為共同化、外化、結合與內化四階段。AI 員工無法參與共同化的默會學習，因此微型組織必須刻意把內隱知識外化成文件與規則。這也牽動對外能見度，因為企業知識在 AI 搜尋中的可見度同樣取決於知識是否被好好寫下來。
情境：創辦人每天重複解釋品牌語氣與客戶背景，時間被吃掉。
傳統做法
創辦人：這個客戶喜歡正式一點，不要用驚嘆號，上次已經說過三次了。
AI 員工：好的，我會調整。（下一次對話又忘記）新做法
創辦人：請讀取知識包 A-03，內含客戶背景與禁用詞彙。
AI 員工：已讀取。本次輸出將採用正式語氣，避開禁用詞，並附上決策紀錄連結。
| 欄位 | 內容說明 | 範例 |
|---|---|---|
| 品牌語氣 | 用詞偏好、稱呼方式、句長建議 | 溫暖專業、避免過度術語、每段不超過四行 |
| 客戶背景 | 產業、決策者角色、往來歷史 | B 客戶為製造業，決策者重視交期與售後 |
| 歷史決策 | 過去做過的選擇與原因 | 去年放棄低價方案，改走顧問式服務 |
| 禁用詞彙 | 不可出現的字詞與承諾 | 不使用誇大成效字眼、不承諾具體獲利數字 |
| 輸出格式 | 檔案格式、欄位、命名規則 | Markdown 大綱、檔名為客戶代號加日期 |
品質查核怎麼做？三層查核與責任歸屬
沒有同事，並不代表沒有品管。把查核拆成三層，就能用流程取代第二雙眼睛。
第一層自動檢核
用規則檢查格式、字數、禁用詞、必填欄位。這一層成本低、速度快，能攔下大部分的低階錯誤。重點是把規則寫成清單，讓每次檢查一致，而不是靠當天心情。
第二層抽樣複核
由創辦人每週抽查一定比例，例如每十件抽兩件。抽查不看全部，但要看得出趨勢：錯誤集中在哪一類任務、哪一個代理。這層的目的不是抓錯，而是校準。
第三層對外人工終審
凡涉及報價、合約與公開發言，一律人工終審。這條線不能讓步，因為錯誤成本不是重工可以吸收的。ISO/IEC 42001（2023）與 NIST AI RMF（2023）都強調可追溯與紀錄，微型組織可從簡單的查核表做起。若想知道權限如何收斂，可延伸閱讀最小權限與稽核軌跡。
情境：AI 產出直接對外，錯誤變成商譽風險。
傳統做法
創辦人：AI 寫的文案看起來不錯，直接發吧。
（事後客戶抱怨用詞不當，創辦人忙著道歉）新做法
創辦人：先跑自動檢核，再抽樣複核，報價與公開發言一律人工終審。
（上線前攔下兩處錯誤，客戶關係零損傷）
| 層級 | 執行者 | 檢查項目 | 頻率 | 責任歸屬 |
|---|---|---|---|---|
| 第一層 自動規則 | 檢核腳本或代理 | 格式、字數、禁用詞、必填欄位 | 每件任務 | 創辦人設定規則，代理執行 |
| 第二層 抽樣複核 | 創辦人 | 語氣一致性、事實正確性 | 每週一次 | 創辦人 |
| 第三層 人工終審 | 創辦人 | 報價、合約、公開發言 | 每次對外 | 創辦人負最終責任 |
| 檢查項目 | 通過標準 | 不通過處理 |
|---|---|---|
| 格式 | 符合指定欄位與檔案命名 | 退回重產，並記錄常見錯誤 |
| 字數 | 落在設定區間內 | 自動調整或退回 |
| 禁用詞 | 零出現 | 直接退回，不進人工複核 |
| 事實查核 | 關鍵數字與名稱可對照來源 | 標記待確認，人工查證後才發布 |
| 報價一致性 | 與成本表相符 | 一律人工重算並簽核 |
成本結構怎麼算？訂閱、算力、整合與重工
把 AI 員工的成本簡化成訂閱費，是常見的誤判來源。真實成本至少有三層。
三層成本：訂閱、整合、錯誤重工
第一層是訂閱或算力費，屬於顯性支出。第二層是整合與調校時間，包括提示詞撰寫、流程串接、資料清理。第三層是錯誤重工，包含退件、客戶溝通與補救。第二、三層通常才是大宗。
與外包、兼職人力的比較基準
台灣的比較基準可以參考官方數字。主計總處（2024）統計，受僱員工每人每月總薪資平均約 6 萬元；勞動部（2025）公告的基本工資為月薪 28,590 元、時薪 190 元。把這些數字換算成每小時成本，再對照你的實際投入時數，就能看出 AI 員工是否真的划算。
單位經濟學：每件任務成本
建立一張表，記錄每類任務的 AI 成本、時間成本、重工率與外包報價。每月檢視一次，當某類任務的 AI 單位成本高於外包，就調整分派。這個方法與衡量 AI Agent 的時間節省與投資回報談的框架一致：先量化，再決策。
| 成本項目 | AI 員工 | 外包 | 兼職 |
|---|---|---|---|
| 訂閱費 | 每月固定金額，可預測 | 無，按件計價 | 無，按時計價 |
| 算力費 | 依用量浮動 | 含在報價內 | 含在薪資內 |
| 整合時間 | 前期高，需自行調校 | 中，需說明需求 | 中，需教育訓練 |
| 重工成本 | 視查核設計而定 | 通常由對方吸收部分 | 需自行吸收 |
| 管理成本 | 低，但需設計查核流程 | 中，需溝通與驗收 | 高，需排班與考核 |
| 任務類型 | AI 成本 | 時間成本 | 重工率 | 外包報價 | 建議分派 |
|---|---|---|---|---|---|
| 文案草稿 | 低 | 中，需定稿 | 中 | 每篇中高 | AI 產出加人工定稿 |
| 客服初回 | 低 | 低 | 低 | 每則低 | AI 主責，例外升級 |
| 資料整理 | 低 | 低 | 低 | 按件計價 | AI 主責 |
| 報價 | 低 | 中，需核對 | 低 | 由業務承接 | AI 試算，人工核准 |
產能配置怎麼管？控制幅度與例外率
傳統管理學談控制幅度，指的是主管能有效督導的直接部屬約 5 至 9 人，超過就會出現資訊衰減。一人公司加 AI 之後，這個上限不再由人數決定，而由「需要人類判斷的例外數量」決定。若代理的例外率是 10%，十個代理每天就會產生大量待決事項，創辦人很快飽和。
控制幅度反轉：一個人要監督幾個代理
與其問「我能帶幾個代理」，不如問「每天有多少例外需要我判斷」。若一天超過十件例外，通常代表職務切分太粗，或查核規則不夠明確。
例外率是關鍵指標
例外率等於例外件數除以總任務量。這個數字比代理數量更能反映真實負荷。例外率穩定下降，代表知識包與規則正在發揮作用；持續上升，則是任務顆粒需要重新切分的訊號。
自動化的反諷與手動演練
Bainbridge（1983）提出的自動化反諷指出，自動化程度越高，人類操作員越難維持情境意識，一旦系統失效，處理異常的能力已經退化。解法是保留最低限度的手動演練與人工複核，讓能力不至於鏽蝕。2025 年的全球職場調查也提到，AI 代理進入策略規劃的比例正在提高，但人類的判斷角色反而更關鍵。
當產能真的提升，下一個問題是成果怎麼分配。一份 2025 年的 AI 使用行為研究顯示，約 57% 的 AI 使用屬於「增強人類」而非「取代自動化」，這也讓AI 生產力紅利的分配成為必須提早想清楚的題目。
| 代理名稱 | 每日任務量 | 例外件數 | 例外率 | 創辦人處理時間 | 調整建議 |
|---|---|---|---|---|---|
| 內容代理 | 8 | 2 | 25% | 約 40 分鐘 | 補強品牌語氣知識包 |
| 客服代理 | 20 | 1 | 5% | 約 15 分鐘 | 維持，擴大升級條件清單 |
| 資料代理 | 12 | 3 | 25% | 約 30 分鐘 | 明確定義欄位與驗收標準 |
方法比較：全職、外包、AI 員工與混合編制
人力配置沒有標準答案，只有適配問題。四種方法各有其成本曲線與適用邊界。
四種方法的優缺點
全職人類具備情境判斷與默會知識，但固定成本高。外包與接案可快速擴充、按件計價，但上下文累積不易。AI 員工邊際成本低、可長時間運作，但需要大量前置設定。混合編制則把速度與品質放在同一條線上。
何時該加 AI、何時該請人
任務重複性高、可驗證、錯誤成本低時，優先加 AI。需要長期關係、承擔法律責任、例外率高於三成，或錯誤成本難以承受時，就該請人或外包。若創辦人每週花在修正 AI 產出的時間已超過自己做一遍，代表現階段不適合。
混合編制的落地節奏
建議節奏是：先讓 AI 跑一線執行，人類做抽樣複核；例外率穩定後，再逐步放寬查核比例。這條路徑的前提是治理框架先立好，實務做法可參考AI 治理信任框架，把合規、價值觀與紀錄機制一次對齊。
| 方法 | 優勢 | 限制 | 適用情境 | 成本特性 |
|---|---|---|---|---|
| 全職人類 | 情境判斷、默會知識、對外可信度高 | 固定成本高、招募與管理時間長 | 核心職能、長期關係 | 固定成本為主 |
| 外包接案 | 按件計價、技能取得快 | 上下文累積不易、品質波動 | 專案型、尖峰需求 | 變動成本為主 |
| AI 員工 | 邊際成本低、可長時間運作 | 缺情境判斷、需前置設定、責任仍在人 | 高重複、低風險任務 | 低變動加高整合 |
| 混合編制 | 兼顧速度與品質、能力可逐步內化 | 前期建置成本較高 | 例行任務加關鍵把關 | 中等，可規模化 |
| 情境 | 全職 | 外包 | AI 員工 | 混合編制 |
|---|---|---|---|---|
| 高重複低風險 | ★☆☆☆☆ | ★★★☆☆ | ★★★★★ | ★★★★☆ |
| 高判斷高風險 | ★★★★★ | ★★★☆☆ | ★☆☆☆☆ | ★★★★☆ |
| 長期關係 | ★★★★★ | ★★★☆☆ | ★★☆☆☆ | ★★★★☆ |
| 例外率高 | ★★★★☆ | ★★★☆☆ | ★☆☆☆☆ | ★★★☆☆ |
給不同讀者的行動建議：創業者、接案者、中小企業主
同樣的工具，放在不同的經營階段會有不同的效果。以下針對三種讀者給出具體節奏。
創業者：先從一個代理開始
不要一次上線五個代理。選一個最痛的環節，例如內容草稿或客服初回，先把驗收標準寫出來，跑兩週再評估。
接案者：用知識包降低重複解釋
接案者的時間多半花在來回確認。把客戶偏好、禁用詞彙、歷史決策寫成知識包，每次開新專案就複製一份修改，省下的溝通時間會比你想像的多。
中小企業主：從部門試點到跨部門複製
先在一個部門建立標準件，包含知識包格式、查核清單與單位成本表。試點三個月後，把可複製的部分抽成內部平台，再推廣到其他部門。
| 讀者類型 | 第一週行動 | 第一個月目標 | 檢核指標 |
|---|---|---|---|
| 創業者 | 畫出價值流，選一個任務試辦 | 單一代理穩定產出，建立查核清單 | 例外率低於 15% |
| 接案者 | 建立第一份知識包並實際使用 | 三個常用客戶各有知識包 | 每案溝通往返次數下降 |
| 中小企業主 | 選定試點部門與負責人 | 完成標準件，含成本表與查核表 | 單位任務成本可量化 |
安裝與行動：五步落地微型組織設計
把前面所有觀念收斂成五個步驟，依序執行即可。
步驟一：畫價值流，切職務
把從接單到交付的流程寫成一條線，拆成 30 分鐘內可完成的任務顆粒，標記重複、判斷、對外負責三種屬性。
步驟二：寫人機職務說明書
為每個代理寫一頁說明，包含輸入、輸出、驗收標準與升級條件，並用 RACI-A 標示當責對象。
步驟三：設計交接協議與知識包
建立五欄位的知識包格式，任務前讀取、任務後回寫，讓知識留在公司而不是對話紀錄裡。
步驟四：建立三層品質查核
自動檢核、抽樣複核、人工終審三層到位，並把檢查項目寫成清單，確保每次標準一致。
步驟五：用單位經濟學管理產能
每月更新單位任務成本表，當 AI 單位成本高於外包就調整分派；當例外率上升就回頭修正任務顆粒。
| 步驟 | 產出物 | 完成標準 | 負責人 |
|---|---|---|---|
| 步驟一 畫價值流 | 價值流圖與任務顆粒清單 | 每個節點都有可交付的任務顆粒 | 創辦人 |
| 步驟二 寫職務說明書 | 人機職務說明書與 RACI-A 矩陣 | 每個代理都有輸入、輸出與升級條件 | 創辦人 |
| 步驟三 設計知識包 | 知識包範本與回寫紀錄 | 五個欄位齊備，任務皆有回寫 | 創辦人 |
| 步驟四 建立查核 | 三層查核表與查核清單 | 對外文件 100% 經人工終審 | 創辦人 |
| 步驟五 管理產能 | 單位成本表與例外率報表 | 每月更新一次並做出分派調整 | 創辦人 |
常見問答：一人公司聘用 AI 員工的疑難雜症
以下整理五個最常被問到的問題，並附上簡答與對應章節。
| 問題 | 簡答 | 延伸閱讀 |
|---|---|---|
| 該先聘哪一種 AI 員工？ | 高重複、低風險、可驗證的任務優先 | 讀者輪廓與適用情境 |
| 月成本怎麼算？ | 分訂閱、整合、重工三層，換算每件任務成本 | 成本結構 |
| 品質誰把關？ | 三層查核取代同事 | 三層查核與責任歸屬 |
| 會不會被單一工具綁死？ | 知識與流程存在自己可控的檔案 | 交接協議與知識包 |
| 何時該請人？ | 例外率高、需長期關係或法律責任時 | 方法比較 |
先聘哪一種 AI 員工？
優先選高重複、低風險、可驗證的任務，例如草稿撰寫、資料整理、客服初回、排程提醒。這類任務錯誤成本低、驗收標準清楚，最容易建立節奏。涉及報價、合約、公開發言與客戶關係的任務，初期一律保留人工終審。
| 任務類型 | 風險等級 | 可否先交給 AI |
|---|---|---|
| 草稿撰寫 | 低 | 可以，需人工定稿 |
| 資料整理 | 低 | 可以 |
| 客服初回 | 低至中 | 可以，需設升級條件 |
| 報價與合約 | 高 | 不建議，人工主責 |
月成本怎麼算？
要分三層：訂閱或算力費、整合與調校時間、錯誤重工成本。把創辦人時薪乘上每月投入的設定與複核時數，才是真實成本。建議以「每完成一件任務的成本」為單位，與外包報價直接比較。
| 成本層級 | 計算方式 | 常見誤區 |
|---|---|---|
| 訂閱與算力 | 月費加用量費 | 只看月費，忽略用量 |
| 整合與調校 | 創辦人時數乘時薪 | 完全沒計入 |
| 錯誤重工 | 重工件數乘單件處理時間 | 以為錯誤不用成本 |
沒有同事，一人公司如何做品質查核？
用三層查核取代同事：自動規則檢核格式與禁用詞、每週抽樣複核比例、對外文件一律人工終審。關鍵是把查核標準寫成清單，讓每次檢查一致。查核紀錄同時也是未來接案時的信任憑證。
| 層級 | 替代對象 | 最低執行頻率 |
|---|---|---|
| 自動檢核 | 制式品管流程 | 每件任務 |
| 抽樣複核 | 資深同事的眼睛 | 每週一次 |
| 人工終審 | 主管簽核 | 每次對外 |
會不會被單一工具綁死？
會，如果知識與流程只存在某個工具裡。解法是把品牌語氣、客戶背景、決策紀錄存在自己可控的檔案或資料庫，工具只當執行層。這樣換工具時只需重接介面，不必重建知識，轉換成本會大幅下降。
什麼情況下不該用 AI 員工，而該請人？
當任務需要長期關係經營、需要承擔法律責任、例外率高於三成，或錯誤成本難以承受時，就該請人或外包。另一個訊號是：若創辦人每週花在修正 AI 產出的時間，已超過自己做一遍的時間，就代表現階段不適合。
| 判斷條件 | 建議配置 |
|---|---|
| 例外率高於三成 | 改由人類或外包承接，回頭修正任務切分 |
| 需承擔法律責任 | 人類主責，AI 僅協助整理 |
| 需長期關係經營 | 人類主責，AI 支援紀錄與提醒 |
| 錯誤成本難以承受 | 提高查核層級或直接請人 |
智菩科技的觀點：從智能到智慧，治理先行
回到根本問題：一人公司聘用 AI 員工，表面上是工具選擇，實際上是治理問題。當你只有一個人，任何一次錯誤都無法由組織吸收，所以邊界、紀錄與責任必須先立起來。
一人公司的組織設計是治理問題
治理談的是定邊界與權責，領導談的是聚共識與定方向，管理談的是抓落地與兌現。一人公司看起來只有一個人，但這三層依然存在，只是全部落在創辦人身上。先立治理，再談工具，順序錯了就得反覆補救。
價值總帳與三層架構
評估 AI 員工時，不妨用「顯性／隱性、現在／未來、直接／間接」六個面向一起看。只看訂閱費是顯性與現在；知識沉澱、客戶信任與團隊能力，則屬於隱性與未來。把兩者放進同一本帳，決策會清明許多。
讓 AI 成為人類智慧的延伸
智菩科技以「智慧引導 AI」為核心，主張 AI 應該放大判斷力，而不是取代判斷。對一人公司而言，這代表你要把價值排序、決策底線與做事順序沉澱下來，讓代理照著節奏執行。當治理清楚、知識沉澱、查核到位，AI 才會成為產能的延伸，而不是另一個混亂來源。
若你正在設計一人公司與 AI 員工的協作節奏，可先從價值流與知識包開始，再延伸閱讀企業 AI 治理三層架構，把治理、領導與管理三層一次對齊。
| 面向 | 工具思維 | 治理思維 |
|---|---|---|
| 職務切分 | 哪個工具功能多就用它 | 先切任務顆粒，再決定由誰執行 |
| 知識沉澱 | 知識留在對話紀錄裡 | 知識外化成知識包與決策紀錄 |
| 品質查核 | 出錯再修正 | 三層查核，對外一律人工終審 |
| 成本管理 | 只看訂閱費 | 用單位任務成本與價值總帳評估 |
結論：一人公司不是孤軍，而是設計出來的產能系統
一人公司加 AI 員工，本質上不是「找到更強的工具」，而是「設計出可重複的產能系統」。當職務切得清楚、交接有協議、查核有三層、成本有單位，你的產能就不再取決於當天的體力。
從今天就能開始的三件事
第一，畫出你的價值流，把其中三個節點拆成 30 分鐘內可完成的任務顆粒。第二，挑一個代理，寫下它的輸入、輸出、驗收標準與升級條件。第三，建立第一份知識包，欄位不用多，五個就好，並且在任務結束後回寫一行決策紀錄。
持續迭代的日常節奏
每週抽樣複核一次，每月更新單位成本表與例外率報表。當例外率下降，就放寬查核比例；當例外率上升，就回頭修正任務切分。這套節奏不需要很多時間，卻能讓產能穩定累積。
延伸閱讀：想先建立治理視角，可看企業 AI 治理三層架構；想確認權限怎麼收斂，可看最小權限與稽核軌跡；想讓知識被正確引用，可看企業知識在 AI 搜尋中的可見度。