[年假書摘]《職場最重要的小事》：新人抽到大獎竟然造成離職率標高？|數位時代 BusinessNext

員工才來兩周，竟抽到最大獎？

工作二十三年，親自參加過五十場以上的大小尾牙，無論是擔任主持人或是在台下看表演，每一年的尾牙都有不同的體驗，但最讓我津津樂道的，總是每年最大獎的抽獎時刻。

印象最深刻的是，某年在我曾經服務過的公司尾牙時，有位才來兩周的同仁抽到最大獎，記憶中特獎是價值七、八萬的加拿大來回機票及旅遊券，這好運羨煞所有人。於是隔年就將抽特獎資格，修改為到職半年以上的員工！

然而最讓我深刻記憶的不是這位新同事，而是那一年公司的離職率特別高。

辦公室的同事，幾乎換了三分之一，不會走的員工還是佔著位置。容易離職的位置，一年曾換過兩、三名員工，職缺時常在內外部徵才管道上看到。於是近幾年，我常問我的朋友：「你們公司今年抽到最大獎的員工，到職幾年？」用這個指標來觀察該公司的離職率與平均服務年資。

大型公司的員工人數眾多，樣本數多、各種大獎數量也多，用得獎員工的年資來看公司的離職率，其實可以看出些許公司人力狀況的端倪。小公司樣本少，那就把這指標當作是趣味也無妨吧！

我不否認，抽獎有其運氣成分存在，雖然與統計學者期待的樣本數不一定能完全符合，但我這幾年對某些公司的粗略觀察，其實還滿準的。我想特別強調，其實適度的離職率，有助於公司新陳代謝，不見得全然是壞事，但離職率若高到一定程度，恐怕會造成公司相當的打擊與負面影響。相反的，公司每年抽到大獎的都是資深員工，離職率偏低，甚至幾乎等於零，這樣的公司雖然相對穩定，但或許也很難變出新把戲。

前些日子，有某家人力銀行公司做的調查指出，因為這一年年終獎金各產業普遍偏低，有意離職的職場工作者也不見得會撐到領完年終獎金才離職。於是，在公司尾牙酒酣耳熱之際，若見到鄰桌幾位完全不認識的同事時，你也不要覺得太意外。

我常說：「一家公司就像一隊職棒，如果都是老人就很難奪冠，但都是新人很沒經驗。若有完整的老中青三代，這種公司……ㄟ，很難出現！」原因很簡單，老闆不一定會重視人才比例的問題，公司能賺錢就好，管什麼人才比例呢？於是卓越的公司與普通的公司，差別就在銜接老中青三代「mentor」制度的導入了。

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。