缺工危機下，連鎖門市如何設計智慧人機協作職務？

一、缺工潮不是新聞，而是門市每天排不出來的班表

「這禮拜六的晚班，你排得出來嗎？」這是連鎖門市店長最近最常問的一句話。不是沒有客人，而是沒有足夠人手把班表填滿。過去缺工像景氣循環下的短期現象，現在已變成結構性問題，每天都在門市現場真實上演。

美國餐飲業調查顯示，約七成經營者反映人手不足；日本因人手不足倒閉的件數創新高；全球專業服務型機器人銷量也快速成長。台灣更矛盾：餐飲業營業額首度突破兆元，零售業規模約 4.85 兆元，但住宿及餐飲業受僱員工約 48 萬人，供給成長追不上展店速度。加上 65 歲以上人口占比逾 20%、連鎖便利商店逾 1.3 萬家，排班壓力只會更集中。

店長真正痛點不是完全沒人，而是排不出符合營運需求的班表：尖峰需要五人，只排得出三人；離峰想訓練，又因人力吃緊作罷。留下來的人負擔越來越重，離職率也跟著上升。這正是「連鎖門市人機協作職務設計」必須被認真對待的原因。想先了解生成式 AI 導入後，工時與人力實際上怎麼變化，可參考 生成式 AI 導入後的人力與工時變化。

二、為什麼「買設備」救不了缺工？連鎖門市最常踩的三個誤判

很多門市在缺工壓力下，第一個反應是「買設備來補人」。自助點餐機、結帳機、盤點系統、送餐機器人陸續進場，但幾個月後常發現：人力成本沒有明顯下降，留下來的員工反而更累。問題往往不在設備，而在三個誤判。

誤判一：職務顆粒度太粗，任務無法拆分

多數門市職務說明仍以「門市人員」概括收銀、補貨、清潔、點餐、客訴、盤點等數十項任務。當總部想引進自助點餐機時，找不到可對應的任務清單，導致哪些工作被移走、剩下的人要做什麼說不清楚。最後自動化變成「少排一個人」，留任者負擔更重。

誤判二：自動化投資與排班制度各走各的路

設備導入後，排班仍沿用舊人力公式，沒有把機器產能算進去，結果尖峰時段機器排隊、人力閒置，離峰又人力過剩。排班最佳化需把需求預測、機器產能與人員技能一起納入模型，否則投資報酬率往往不如預期。

誤判三：技能轉換沒有路徑，也沒有誘因

門市員工面對新設備，常被要求「自己摸索」，缺乏正式訓練時數、認證與薪酬調整。當技能提升沒有反映在職涯階梯，員工自然把自動化視為威脅。關於 AI 代理與人員分工的管理流程，可延伸閱讀 AI 代理與人員分工的管理流程。

三、什麼是人機協作職務設計？從「一台機器換幾個人」改成「一項任務換多少工時」

人機協作職務設計的核心，不是計算「一台機器可取代幾個人」，而是改問「這一項任務可省下多少工時、轉移到哪裡」。這個視角轉換，會直接改變導入評估、排班設計與員工溝通的方式。

經濟學研究早已指出，自動化取代的是「任務」而非「職業」。同一職業內，例行性任務容易被自動化，非例行性任務則否。因此評估門市職務時，應以任務為單位計算可自動化比例，再回推人力需求，比用職稱判斷精準得多。

國際思維轉向：協作而非替代

國際導入思維已從「全面自動化」轉向「人機協作」。自動化層級從人完全操作，到機器全權決定，門市設計關鍵是選擇中間層級，例如機器建議、人確認，或人執行、機器監督，而非直接跳到全自動。層級選錯，會導致員工不信任設備或過度依賴設備。

三個層級必須同步設計

總部決定任務歸屬與治理規則，店長負責排班與現場調度，第一線員工參與任務盤點與技能轉換。三者缺一，導入就會出現斷點。台灣企業導入 AI 的轉型節奏，可參考 台灣企業導入 AI 的轉型節奏。

四、門市任務盤點：哪些交給 AI 與機器人，哪些必須留給人

任務盤點是人機協作職務設計的第一步，也是最容易被跳過的一步。建議把門市一天拆成 30 到 60 項具體任務，逐項標註頻率、單次耗時、錯誤率、情緒負荷與安全風險。

例如標準化點餐、結帳、盤點、補貨搬運、清潔、備料、客訴處理、熟客推薦、社群經營、突發設備排除，都是門市常見任務。把它們列出來，才能開始討論歸屬。

優先交給機器的三項條件

第一波適合交給機器的任務，通常符合高度重複、規則明確、錯誤成本高三條件。盤點、補貨搬運、清潔、標準化點餐與結帳，都是常見標的。交給機器或 AI，可降低出錯率，也能把人力釋放到更有價值的工作。

必須留給人的四類任務

有四類任務應刻意留給人：客訴處理、突發狀況排除、熟客關係維護、在地活動經營。這些任務的價值來自判斷與情感連結，機器難以複製。自動化標準化任務後，應同步降低留下人員的情緒負荷。零售門市的商品資料與 AI 理解，可參考 零售門市的商品資料與 AI 理解。

五、人機分工矩陣：用兩個軸線決定任務歸屬

第一個軸線是標準化程度：任務步驟是否固定、規則是否明確、變異是否很小。標準化程度高，代表機器或 AI 容易接手；標準化程度低，則需要人的臨場判斷。

第二個軸線是關係強度：任務是否涉及顧客情感、信任建立或長期關係維護。關係強度高，人的角色難以被取代；關係強度低，可優先考慮自動化。

把兩軸交叉，得到四象限：高標準化、低關係交給機器；高標準化、高關係人機共作；低標準化、低關係可簡化或刪除；低標準化、高關係留給人。矩陣的價值，在於讓總部、店長與員工有共同討論語言。當大家對任務歸屬有爭議，回到兩軸重新評分，通常就能收斂。自動化後工時沒有真的下降的原因，可參考 自動化後工時沒有真的下降的原因。

象限	任務特徵	建議歸屬	門市實例
高標準化、低關係	步驟固定、情感涉入低	交給機器	結帳、盤點、標準化點餐
高標準化、高關係	流程明確但需人情味	人機共作	熟客推薦、會員招呼
低標準化、低關係	變異大但情感涉入低	簡化或刪除	重複填報、過度紙本紀錄
低標準化、高關係	需臨場判斷與情感連結	交給人	客訴處理、突發狀況排除

六、職務重設與職能地圖：門市職涯為什麼要走雙軌

當標準化任務大量交給機器後，門市仍需有人負責設備維運、異常排除與流程監控。這條路徑稱為作業執行軌，核心任務是確保設備與流程穩定運作，必備技能包括設備操作、基礎排除、數據判讀與流程遵守。

另一條路徑是體驗經營軌，核心任務是客訴處理、熟客經營、社群互動與在地活動。這條路徑的價值來自關係與判斷，績效重點在顧客滿意、回客率與社群互動品質，薪酬與升遷邏輯也應對應提高。

職能地圖的功能，是把兩條軌道的職位、技能與移動路徑畫出來，讓員工看得見未來。當員工知道學會設備異常排除可以加薪、轉到體驗經營軌需要哪些認證，技能轉換就不再是威脅，而是機會。從入職到退場的職務與權限設計，可參考 從入職到退場的職務與權限設計。

七、排班管理重設：把機器產能算進人力公式

排班重設第一步，是把設備產能換算成「等效人力」。例如自助點餐機每小時可處理多少單，相當於零點幾個人力。這個換算不是為了取代人力，而是讓排班模型反映真實服務容量。

第二步，把設備可用率列為排班限制條件。設備會故障、需要維修、需要補耗材，排班時應確保設備維修時仍有足夠人力備援。第三步，把等候理論與需求預測一起放進模型，估算排隊機率與平均等候時間，再決定人力與機器配置。

傳統做法是「機器上了，尖峰就少排一個人」，結果設備卡住時沒人處理，客人全擠在櫃檯。新做法是先換算等效人力，尖峰保留一位協作型人力專責排除異常，離峰改排關係經營與補貨，設備可用率也列進排班限制，每季用實際資料校正參數。中小企業導入自動化的人力配置，可參考 中小企業導入自動化的人力配置。

八、技能轉換與誘因設計：訓練、認證、薪酬三件事要一起做

針對新職能設計模組化訓練，讓員工可以分段學習、逐步累積。每個模組結束後安排實作認證，確認員工真的能操作設備、排除基本異常、判讀數據。訓練時數應計入工時，降低學習成本；同時建立導師制度，讓已通過認證的員工帶領新進者，並給予導師津貼或職級加分。

認證若沒有對應的薪酬與排班誘因，員工自然缺乏動力。建議把認證與時薪級距、排班優先選時段、升遷資格三者連動，讓技能提升看得見回報。

傳統做法

員工：新的盤點系統我自己摸，摸不會就算了。店長：反正就是照著做。員工：做起來也沒有比較多錢，那我幹嘛學。

新做法

店長：訓練時數算工時，考過認證時薪加一級，排班優先選時段。員工：那我先考盤點與設備異常排除，之後想轉體驗經營軌。店長：職能地圖上有路徑，我們一起排學習順序。

員工溝通與代理管理的完整流程，可參考 員工溝通與代理管理的完整流程。

九、四種導入方法比較：自助設備、服務型機器人、智慧排班、流程重設

方法 A 是自助服務設備，自助點餐與自助結帳技術成熟、導入速度快，可降低尖峰櫃檯壓力，但對高齡與不熟悉介面的顧客形成門檻，設備卡關時仍需人力支援。

方法 B 是服務型機器人，送餐、清潔、盤點型機器人可承擔搬運與重複走動，降低體力負荷與職業傷害，但動線需重新規劃，尖峰時段易與人衝突，維護與耗材成本需長期編列。

方法 C 是 AI 需求預測與智慧排班，以資料驅動人力配置，可納入天氣、檔期、機器產能，但需乾淨歷史資料與跨系統整合。方法 D 是流程重設與職務再設計，不需高額資本支出，見效快，可先釐清哪些任務根本不該存在，但改善幅度有上限。

方法	主要優勢	主要限制	適合門市
自助服務設備	成熟、導入快、降低櫃檯壓力	高齡顧客門檻、卡關需支援	尖峰來客量大、品項標準化
服務型機器人	降低體力負荷、具話題性	動線衝突、維護成本高	坪數大、走動距離長
AI 需求預測與智慧排班	資料驅動、改善排班公平性	需資料整備、預測失準風險	多店體系、資料累積完整
流程重設與職務再設計	低資本、見效快、接受度高	改善幅度有上限	資源有限、先求止血

十、從單店試點到規模化：加盟體系的投資分攤與治理

規模化之前必須先試點。建議選定 2 到 3 家不同規模的門市試辦，涵蓋高來客、低來客、大坪數、小坪數等不同型態，才能看出設計的適用範圍。

試辦期間要量測四個構面：人力成本、離職率、顧客滿意與設備使用率。這些指標要與試辦前對照，並每季校正一次參數，避免用單一時點數據做判斷。

連鎖體系若以加盟為主，設備投資常由加盟主負擔，但效益部分由總部享有，形成誘因落差。總部需要設計分攤機制、租賃方案或補助，才能讓自動化在體系內規模化。規模化前的試點與治理布局，可參考 規模化前的試點與治理布局。

十一、成效怎麼衡量？人機協作的四構面指標與 90 天導入時程

建議採四構面：人力面看單位營收人力成本、離職率與留任率；營運面看設備使用率、異常排除時間與排班達標率；顧客面看滿意度、等候時間與回客率；員工面看技能認證取得率、訓練時數與工作負荷感受。單看人力成本容易誤判，因為省下的人力若造成體驗下滑，長期反而更貴。

90 天導入時程可分四階段：第 1 至 30 天任務盤點與分工矩陣；第 31 至 50 天職務重設與訓練；第 51 至 75 天試辦量測；第 76 至 90 天檢核與規模化。用指標驗證自動化是否真的省下工時，可參考 用指標驗證自動化是否真的省下工時。

十二、常見問題：連鎖門市人機協作職務設計的實務疑問

哪些任務最適合優先交給機器

優先順序建議看三項條件：高度重複、規則明確、錯誤成本高。例如盤點、補貨搬運、清潔、標準化點餐與結帳，都是常見的第一波標的。反之，客訴處理、突發狀況排除、熟客關係維護與在地活動，應刻意留給人，因為這些任務的價值來自判斷與情感連結，機器難以複製。

引進設備後排班要怎麼改

先把機器產能換算成等效人力，再與需求預測一起放進排班模型。尖峰時段應安排能排除設備異常的協作型人力，離峰時段則配置關係經營與補貨人力。同時把設備可用率列為排班限制條件，避免設備維修時人力不足。建議每季依實際資料校正一次參數。

員工擔心被取代時該怎麼溝通

關鍵是說清楚哪些任務移走、哪些任務加值、薪資與職涯怎麼變。具體做法包括公布職能地圖、把新技能認證與時薪連動、提供訓練時數並計入工時。當員工看見技能提升能換到更好的排班與薪酬，抗拒會明顯下降。空泛的「不會裁員」承諾效果有限。

中小型或加盟門市資源有限，怎麼起步

建議走低資本路線：先做任務盤點與流程重設，刪掉不必要的工作，再評估是否採用租賃式設備。可優先選擇月租型自助設備或服務型機器人，把資本支出轉為營運支出。也可由總部統一議價、共用維護資源，並設計投資分攤機制，降低單店負擔。

人機協作的成效該用什麼指標衡量

建議採四構面：人力面（單位營收人力成本、離職率、留任率）、營運面（設備使用率、異常排除時間、排班達標率）、顧客面（滿意度、等候時間、回客率）、員工面（技能認證取得率、訓練時數、工作負荷感受）。單看人力成本容易誤判，因為省下的人力若造成體驗下滑，長期反而更貴。

十三、品牌觀點：人機協作之前，先把治理與判斷順序立起來

從智菩科技（AIbud.tw）的觀點來看，人機協作職務設計的本質不是採購設備，而是先把治理與判斷順序立起來。以王道經營學的治理、領導、管理三支柱對應門市現場：治理處理職務邊界與排班規則，領導處理方向共識與員工溝通，管理處理任務盤點與訓練落地。三者若缺少任何一個，導入都會出現斷點。

評估自動化時，應使用價值總帳的三維六面向：顯性與隱性、現在與未來、直接與間接。只看短期人力成本，會低估體驗下滑、員工流動與品牌信任的長期代價。把隱性成本與未來效益一起放進總帳，才能做出平衡判斷。今天就能做的一頁任務盤點：列出一天 30 項任務，標註頻率、耗時與情緒負荷，再圈出第一波可交給機器的項目。布局 2026 的 AI 轉型治理思維，可參考 布局 2026 的 AI 轉型治理思維。

結論：今天就能開始的一頁任務盤點

缺工潮不會在短期內緩解，與其等待人力回流，不如重新切分任務，設計人機協作的職務模式。這篇文章從缺工現況、常見誤判、任務盤點、分工矩陣、職務重設、排班管理、技能轉換到成效衡量，提供一套可落地的做法。

下一步行動很簡單：今天就列出門市一天 30 項任務，標註頻率、耗時與情緒負荷，圈出第一波可交給機器的項目。這份盤點表會成為你與店長、員工討論的共同語言，也是後續職務重設與排班調整的基礎。

延伸閱讀

• 生成式 AI 導入後驗證工時黑洞怎麼破解？
• AI 代理員工管理實務：從入職到退場的完整流程
• 消費者 AI 代理崛起，零售業該如何讓商品資料被正確理解與信任
• 傳產轉型 AI 紅利，台灣中小企業如何布局 2026