目錄
週一早上，一家 60 人的金屬加工廠老闆打開人力銀行後台，同一支輪班作業員的職缺已經掛了半年。訂單回來了，產線卻開不滿；他咬牙把起薪往上調一成，面試通知發出去，來的人還是個位數。
這不是單一企業的困境。台灣同時面對缺工與加薪，當薪資不再是萬靈丹，缺工 AI自動化 人力配置就成為經營者必須回答的題目：AI 到底該補哪一段人力？補錯位置，工具買了，缺口照舊；補對位置，才可能把人從重複任務裡換回來。
缺工又加薪的真相：台灣勞動市場正在發生什麼事
多數企業把「缺工」當成同一個問題，但攤開資料就會發現，這其實是兩條完全不同的曲線。一條是製造業的人力持續流失，另一條是服務業的薪資被壓在低檔。兩條曲線同時存在，卻需要不同的解方。
製造業三年少4.8萬人，薪資卻漲13.08%
根據天下雜誌（2025）整理，製造業受僱人數三年間淨減約 4.8 萬人，同期平均薪資漲幅卻超過 13.08%。加薪沒有把人補回來，代表問題不在價格，而在供給結構。主計總處（2024）的調查也顯示，工業及服務業職缺數仍維持在約 24.7 萬人、職缺率約 2.8%，缺工仍處歷史相對高檔。企業多付了薪水，卻沒有換到對應的人力，這正是缺工 AI自動化 人力配置必須被放上決策桌的原因。
服務業的薪資天花板與高流動率
另一端的服務業，問題更棘手。主計總處（2024）統計，住宿餐飲業每人每月總薪資約 3.7 萬元，與製造業約 6.6 萬元相比，差距接近 1.8 倍。當基本工資連續十年調升（2025 年 28,590 元、2026 年 29,500 元），服務業的毛利被進一步壓縮，加薪空間有限，卻又要面對最高的流動率。所以服務業缺的不是「更貴的人」，而是「更省工時的流程」。這也是服務業缺工之所以常從排班、客服、點餐切入的原因。
24.7萬個職缺背後，缺的是任務不是人
國發會（2024）推估，2025 年 65 歲以上人口占比將突破 20%，正式進入超高齡社會；15 至 64 歲工作年齡人口將由約 1,617 萬人降至 2030 年約 1,530 萬人。人力池在縮小，職缺卻沒有同步下降。企業不能再用「多請一個人」來解決問題，因為那個人很可能不存在。真正能動的槓桿，是把職務拆成任務，找出重複、可標準化、有數位足跡的那幾段，交給 AI 或自動化接手。
| 觀察指標 | 製造業 | 住宿餐飲與零售等服務業 | 對人力配置的意義 |
|---|---|---|---|
| 受僱人數增減 | 三年淨減約 4.8 萬人 | 流動率高、淨增有限 | 兩者都缺，但缺的職務層級不同 |
| 平均薪資漲幅 | 逾 13.08% | 受基本工資帶動，漲幅有限 | 加薪對製造業留才效果遞減 |
| 職缺率 | 維持高檔 | 基層職缺占比高 | 缺工屬結構性，非短期波動 |
| 基本工資影響程度 | 中 | 高 | 服務業毛利受壓縮更明顯 |
| AI自動化切入優先序 | 重複工序、品檢、排程 | 排班、客服、自助點餐 | 先補高重複、有資料的任務 |
為什麼加薪補不回人力？缺工與加薪的結構錯配
加薪之所以無效，是因為它假設「只要錢到位，人就到位」。但台灣現在的缺工，本質是結構錯配：薪資只是其中一個變數，還有訓練成本、輪班意願、職涯想像與區域分布。
製造業缺的是技術操作與輪班人力
製造業缺的通常不是一般作業員，而是能操作特定機台、願意輪班、具備基本判讀能力的技術人力。這類人力訓練期長，且市場上同時被半導體與電子業搶人。加薪 13% 仍留不住，是因為競爭對手加得更多，或工作型態本身不具吸引力。
服務業缺的是高流動的基層人力
服務業缺的則是基層、高流動、進入門檻低的人力。這群人對薪資敏感，但更在意班表穩定度與工作強度。當排班混亂、尖峰人力不足、客訴壓力大，再高的時薪也留不住人。這也說明為何薪資結構調整前，必須先看懂職務價值與任務組成，否則只是把錢丟進流動的桶子裡。
基本工資連十漲，服務業毛利被壓縮
勞動部（2025）決議的基本工資已連續十年調升，對大型企業或許是可控成本，對單店規模的中小服務業卻是直接壓力。當人力成本佔營收比重逼近四成，企業只有兩條路：提高客單價，或降低每單位服務所需的人力小時。後者，正是自動化的切入點。
| 比較項目 | 製造業 | 服務業 |
|---|---|---|
| 缺口職務類型 | 技術操作、輪班、設備維護 | 基層門市、外場、客服 |
| 薪資調整彈性 | 較高，但留才效果遞減 | 低，受毛利與基本工資夾擊 |
| 訓練成本 | 高，養成期長 | 低，但重複招募成本高 |
| 流動率 | 中 | 高 |
| 適合的AI自動化切入點 | 品檢、排程、異常診斷 | 排班、客服、自助點餐 |
AI該補哪一段人力？先拆任務，不要先拆職務
很多企業談 AI 導入，第一個問題是「哪個職位可以被取代」。這個問法一開始就錯了。學術界的任務模型（Autor、Levy 與 Murnane；Frey 與 Osborne，2017）主張，自動化風險應該以「任務」而非「職業」為單位評估。一項職務由多個任務組成，有些高度可自動化，有些則依賴情境判斷與人際互動。
任務基礎的自動化機率：職務不會消失，內容會改變
所以我們常看到「職務沒有消失、內容卻大幅改變」的現象。會計沒有消失，但登打與對帳被系統接手；客服沒有消失，但重複問題被機器人過濾。真正該問的是：這個職務裡，哪幾項任務最值得先自動化？
重複度、判斷需求、資料可得性三軸判斷
實務上可以用三個軸向排序：重複度越高、判斷需求越低、資料可得性越高，就越適合先做。這三軸不需要複雜模型，用一張評分表就能排出順位。任務盤點怎麼做的完整流程，可把每個職務拆成 10 到 20 項任務再評分。
生成式AI可自動化60%至70%工時的真正意義
McKinsey Global Institute（2023）指出，生成式 AI 可自動化的員工工時占比約落在 60% 至 70%。這個數字常被誤讀成「可以裁掉六成人」。真正的意義是：多數職務裡有六到七成時間花在可被標準化的任務上，把這些時間釋放出來，才有餘裕投入需要判斷與關係的工作。
| 任務名稱 | 發生頻率 | 單次耗時 | 判斷需求 | 資料可得性 | 自動化順位 |
|---|---|---|---|---|---|
| 排班初稿 | 高 | 中 | 低 | 高 | 1 |
| 單據登打 | 高 | 中 | 低 | 高 | 2 |
| 客訴分類 | 高 | 低 | 中 | 中 | 3 |
| 設備異常排除 | 中 | 高 | 高 | 低 | 4 |
| 客戶關係維護 | 中 | 高 | 高 | 低 | 5 |
中小企業的人力配置現實：167.4萬家企業的共同難題
經濟部中小及新創企業署（2024）統計，台灣中小企業約 167.4 萬家，就業人數約 916.7 萬人，占全國就業比重約 79.3%。換句話說，缺工與加薪的壓力，主要落在資源最有限的中小企業身上。大企業有專責團隊做數位轉型，中小企業往往只有老闆加一位人資。
沒有資料基礎，AI只會買到通用工具
多數中小企業的排班、工時、良率、客訴紀錄，仍停留在紙本或少數幾張試算表。沒有結構化資料，模型就無法判斷哪一段任務重複性最高，最後只能買到通用工具，卻無法貼合自家流程。
單店規模小，回收期算不出來
服務業的另一個難題，是單店規模小、來客波動大，導入自動化的效益難以標準化。若只用「減少幾個人」當回收指標，很容易低估排班最佳化、客訴下降、翻桌率提升等間接效益，導致該做的投資被誤判為不划算。這也是導入效益必須先把指標定義清楚的原因。
三種企業體質自我檢測
在決定要不要導入之前，先用下表替自己打分。總分低於 12 分，建議先補資料與流程；12 至 18 分可以先做單點自動化；18 分以上則有條件推進到職務重編。
| 檢測項目 | 1分 | 3分 | 5分 |
|---|---|---|---|
| 流程數位化程度 | 多為紙本 | 部分系統化 | 主要流程皆有系統紀錄 |
| 資料完整度 | 零散缺漏 | 可回溯半年 | 可回溯一年以上 |
| 管理層投入意願 | 觀望 | 支持但不參與 | 親自主持專案 |
| 員工技能基礎 | 不熟悉數位工具 | 可用基本系統 | 具備資料判讀能力 |
| 現有可量測指標數量 | 0 至 1 項 | 2 至 3 項 | 4 項以上 |
製造業怎麼補？從單站自動化走向人機協作
製造業的缺工，最容易用自動化補。但關鍵不是買幾台機械手臂，而是先決定「哪一站先」。世界經濟論壇（2025）觀察，製造業正從單點自動化走向人機協作，重點不是無人化，而是讓資深師傅的判斷力被保留下來。
高重複工序優先接手
上下料、初階品檢、固定排程，屬於重複度高、判斷需求低的工序，最適合先交給自動化。這些工序佔掉大量工時，卻不容易累積技術價值。
資深師傅的判斷力要留下來
設備異常診斷、製程參數調整，則高度依賴經驗判斷。這些任務不該被自動化取代，反而應該讓師傅從重複勞動中解放，專心處理這些容錯率低、價值高的環節。這就是人機協作的核心。
82萬移工之外的第三條路
勞動部（2024）統計，在台移工人數約 82 萬人，已是製造與長照的重要補充人力。但移工政策受法規與國際情勢影響，不能當成唯一解。第三條路，就是把重複工序自動化，把本國人力配置到判斷型工作。
傳統做法
廠長：「缺人就是缺人，先買兩台手臂擺上去，能省幾個是幾個。」
老闆：「買了之後誰維護？原本的師傅要顧機台又要顧新人，這樣真的會比較輕鬆嗎？」
新做法
顧問：「先把現場工序拆成任務，標出重複度最高、判斷需求最低的三項，例如上下料與初階品檢。」
廠長：「所以手臂先接這兩站，師傅專心處理異常與調機，良率反而拉上來。」
老闆：「這樣我知道錢要花在哪一段，也知道三個月後要看哪個數字。」
| 工序類型 | 重複度 | 判斷需求 | 建議做法 | 預期效益指標 |
|---|---|---|---|---|
| 上下料 | 高 | 低 | 優先自動化 | 單位產出工時 |
| 品檢 | 高 | 中 | 機器視覺輔助、人工複核 | 錯誤率、良率 |
| 排程 | 中 | 中 | 系統排程初稿、人工調整 | 交期達成率 |
| 設備異常診斷 | 低 | 高 | 保留師傅、AI提供歷史案例 | 停機時間 |
| 製程參數調整 | 低 | 高 | 師傅主導、資料沉澱 | 良率、耗損率 |
服務業怎麼補？排班、客服、點餐三個切入點
服務業的缺工，薪資調整空間有限，因此更需要從流程下手。經濟部中小及新創企業署（2024）觀察，住宿餐飲與零售業優先導入的環節，集中在排班預測、智慧客服與自助點餐，因為這三處資料量大、規則明確、對來客體驗的影響可被量化。
排班預測：把店長從試算表裡救出來
店長每週花數小時排班，往往還是抓不準尖峰。若能把過去一年的來客數、時段、工時紀錄整理成表，讓系統產出排班初稿，店長只需處理例外，就能把時間還給帶新人與現場管理。
智慧客服：先處理八成重複問題
客服最耗時的不是難題，而是重複問題。把常見問題交給智慧客服先過一輪，人力就能集中在需要同理與判斷的個案。導入時要記得：AI 回覆需可追溯、涉及重大承諾時要能轉人工。
自助點餐：翻桌率與客訴率的連動
自助點餐的效益不只是省人力，更在於縮短點餐時間、降低點錯率，間接提升翻桌率。驗收時要看的是翻桌率與客訴率是否同步改善，而不是只看「有沒有少請人」。
| 切入點 | 主要效益 | 次要效益 | 驗收指標 | 常見誤區 |
|---|---|---|---|---|
| 排班預測 | 降低排班工時 | 降低加班與離職率 | 排班工時、加班時數 | 只求減少人力，忽略尖峰品質 |
| 智慧客服 | 過濾重複問題 | 提升回應一致性 | 回應時間、客訴率 | 未設人工覆核機制 |
| 自助點餐 | 縮短點餐時間 | 提升翻桌率 | 翻桌率、點錯率 | 忽略長輩與特殊需求 |
三種做法比一比：流程自動化、生成式AI助理、職務重編
企業想用 AI 補人力，大概有三條路。三條路沒有絕對優劣，差別在投入、見效時間與可回收的程度。
方法A：流程自動化，規則明確最好算
規則型自動化適合單據處理、對帳、排班初稿等固定流程。它的優勢是規則明確、成效可預測，投資回收期最容易計算；限制是只能處理結構化輸入，碰到例外仍需人工接手。
方法B：生成式AI助理，導入快但要人審
生成式 AI 助理可處理文字、摘要、客服回覆與文件草稿，導入速度快，對缺乏工程資源的中小企業門檻較低。但輸出需人工覆核，品質穩定性受提示設計與資料品質影響，對外溝通場景的錯誤成本較高。
方法C：職務重編加人機協作，報酬最高也最慢
職務重編是從工作流重新設計，效益可沉澱為組織能力，同時改善工時、品質與留才。限制是需要跨部門共識與中高階主管投入，前置溝通與培訓成本高，見效時間較長。要做這件事，得先想清楚職務重編怎麼做。
| 方法 | 優勢 | 限制 | 適合情境 |
|---|---|---|---|
| 流程自動化 | 規則明確、成效可預測 | 例外狀況仍需人工 | 單據、對帳、排班初稿 |
| 生成式AI助理 | 導入快、門檻低 | 需人工覆核、品質波動 | 文件草稿、客服輔助 |
| 職務重編加人機協作 | 效益沉澱為組織能力 | 前置溝通與培訓成本高 | 流程複雜、留才是關鍵 |
| 方法 | 前置投入 | 見效時間 | 回收期可預測度 | 適用企業規模 |
|---|---|---|---|---|
| 流程自動化 | 中 | 1 至 3 個月 | 高 | 中小型皆可 |
| 生成式AI助理 | 低 | 2 至 6 週 | 中 | 微型至中小型 |
| 職務重編加人機協作 | 高 | 6 至 12 個月 | 低至中 | 中型以上 |
五步驟落地：從任務盤點到治理機制
把上述觀念收斂成可執行的流程，大致是五個步驟。每一步都有明確產出與完成判準，避免專案停在「有在做」卻說不出進度。
步驟一與二：任務盤點、單位產出人力成本排序
先把每個職務拆成 10 至 20 項任務，標記發生頻率、耗時與判斷難度。接著計算每項任務的「每單位產出所需人力小時成本」，成本高且重複度高的任務優先。單位產出人力成本是跨部門最好用的共同語言，因為它同時包含薪資、時間與產出。
步驟三：設定可驗收的效益指標
導入前先約定工時節省率、錯誤率、良率、客訴率、離職率等指標與量測基準，並設定三個月、六個月兩個檢核點。沒有基準值，就無法判斷該加碼還是調整。
步驟四與五：職務重編、治理與勞資溝通
把 AI 接手的任務從職務說明中移除，補上新的判斷型與客戶型任務，並安排培訓。同時明訂資料使用範圍與人工覆核規則，導入前先與員工溝通職務調整方向。AI治理與勞資溝通若沒做在前頭，後面很容易被抗拒抵銷。
| 步驟 | 產出文件 | 負責角色 | 建議時程 | 完成判準 |
|---|---|---|---|---|
| 任務盤點 | 任務清單與頻率表 | 部門主管＋人資 | 2 至 3 週 | 每個職務拆出 10 至 20 項任務 |
| 成本排序 | 單位產出人力成本表 | 財務＋人資 | 2 週 | 排出前三大優先任務 |
| 指標設定 | 驗收指標與基準值表 | 專案負責人 | 1 至 2 週 | 三個月與六個月目標已約定 |
| 職務重編 | 新版工作說明書 | 人資＋部門主管 | 3 至 4 週 | 接手任務已移出、新任務已補上 |
| 治理機制 | 治理規範與溝通紀錄 | 管理層＋勞資代表 | 持續進行 | 資料範圍與覆核規則已公告 |
效益怎麼驗收？三個月與六個月的檢核點
AI 導入最常見的失敗，不是技術不夠好，而是「沒說清楚要驗收什麼」。效益必須在導入前就約定，否則事後只會各說各話。
量化指標與基準值：先約定，再導入
建議至少設定六項指標：工時節省率、錯誤率、良率、客訴率、離職率、單位產出成本。每一項都要有導入前的基準值，並註明量測方式，避免「感覺變輕鬆」這種無法管理的結論。
生產力J曲線：第一年數字難看是正常的
Brynjolfsson、Rock 與 Syverson（2021）的研究指出，重大技術導入後，生產力常先下降再上升，形成 J 型曲線。原因是流程重設、資料整理與員工再訓練等無形投資先發生、效益後出現。若只看第一年數字，容易誤判 AI 無效而過早放棄。
三個常見驗收誤區
第一，只算省下的人力，不算品質與留才效益。第二，沒有對照組或導入前同期資料。第三，把 KPI 訂在工具上線率，而不是任務完成效率。避開這三點，驗收才有意義。
| 指標 | 定義 | 量測方式 | 三個月目標 | 六個月目標 |
|---|---|---|---|---|
| 工時節省率 | 任務耗時下降幅度 | 系統紀錄工時 | 10% 至 15% | 20% 以上 |
| 錯誤率 | 需人工更正的比率 | 抽樣複核 | 下降 10% | 下降 25% |
| 良率 | 合格品占總產出比 | 品檢紀錄 | 持平或微升 | 提升 1 至 2 個百分點 |
| 客訴率 | 每千次服務客訴件數 | 客服系統 | 持平 | 下降 15% |
| 離職率 | 自願離職占比 | 人資紀錄 | 持平 | 下降 5% 至 10% |
| 單位產出成本 | 每單位產出的人力成本 | 財務月報 | 建立基準值 | 下降 5% |
常見問答：缺工、AI自動化與人力配置的實務疑問
以下整理五題最常被問到的實務問題，方便依自身情境跳讀。
製造與服務，該先補哪一邊？
先看單位產出人力成本與任務重複度。製造業缺的是技術與輪班人力，適合用自動化接手重複工序；服務業缺的是高流動基層人力，適合從排班、客服、點餐等資料量大的環節切入。兩者順序不同，但判斷邏輯一致：先找重複度高、有數位紀錄的任務。
沒有資料的中小企業怎麼起步？
可以，但要先補資料基礎。建議從三個月內可完成的數位化開始，例如把排班、工時、客訴改成表單或既有系統紀錄，累積結構化資料後再談模型。沒有資料就導入，通常只會買到通用工具，無法貼合自身流程，效益難以驗收。
省下的工時該裁員還是轉任務？
建議優先轉任務。把省下的工時投入需要判斷與客戶互動的高價值工作，例如異常處理、品質改善、客戶關係維護。直接裁員雖能短期降低成本，但會削弱組織能力並提高留才風險，長期反而拉高招募與訓練成本。
缺工產業要怎麼驗收AI自動化的導入效益？
導入前先約定指標與基準值，常見包括工時節省率、錯誤率、良率、客訴率、離職率與單位產出成本。設定三個月與六個月兩個檢核點，並保留導入前同期資料作為對照。若只有「感覺變輕鬆」而無量化基準，就無法判斷該加碼還是調整。
導入AI會不會加速員工離職？
關鍵在溝通順序。先說明 AI 接手的是哪些重複任務、員工的新角色是什麼、培訓與薪酬如何調整，再啟動導入。若員工只看到工具上線、卻不知道自己的職務會被怎麼改，抗拒與離職風險最高。把職務重編寫進正式文件，可大幅降低不確定感。
品牌觀點：智菩科技的觀點
缺工時代真正的問題，往往不是工具不夠，而是資源排序不清。AI 能放大效率，但若治理與方向沒有先立住，省下的工時只會被組織慣性吸收，變成另一套閒置的軟體。
AI不是萬靈丹，是資源排序的放大器
智菩科技以「智慧引導 AI」為核心，主張先建立共同語言，再談工具。企業可以用任務為單位盤點、以單位產出人力成本排序，並把職務重編與勞資溝通一起做完。若缺少一套能支撐取捨的決策系統，工具愈多，內耗往往愈大。這也是王道經營學與AI決策系統想處理的問題：用價值總帳的三維六面向，把顯性與隱性、現在與未來、直接與間接的成本效益一起放上桌。
先立治理與方向，再談工具與效率
我們相信，AI 應該成為人類智慧的延伸，而不是另一個被閒置的系統。領導人若能先把自己的價值排序、決策底線與做事順序沉澱下來，組織才有一致的判斷基準。這正是領導人同心分身3A（Availability、Alignment、Adoption）的用途：讓關鍵判斷隨時可用、語言一致、經驗留在組織。
如果你正在評估 AI 該補哪一段人力，可以先從一份任務盤點表開始，把重複度、判斷需求與資料可得性標出來，再決定投資順序。
結論：先判斷該補哪一段，再決定買什麼工具
缺工與加薪同時發生，代表「多請人」這條路已經走不通。真正能動的槓桿，是把職務拆成任務，找出重複度高、判斷需求低、資料可得性高的那幾段，先交給 AI 或自動化接手。
三個今天就能做的動作
第一，挑一個職務，拆出 10 項任務並標記頻率與耗時。第二，算出這些任務的單位產出人力成本，排出前三順位。第三，選定一項指標與基準值，約定三個月後檢核。這三步不需要預算，卻能讓後續投資有依據。
把省下的工時，還給需要判斷的工作
AI 補的不是「人」，而是「任務」。當重複任務被接手，人力應該回流到異常處理、品質改善與客戶關係這些容錯率低、價值高的環節。這才是缺工時代人力配置的真正答案：不是取代誰，而是讓每一個人被放在最需要判斷的位置上。
延伸閱讀：
- 任務盤點怎麼做：把職務拆成10到20項任務
- AI導入效益怎麼衡量：六個可量測的指標
- 職務重編：AI接手任務後，工作說明書怎麼改