員工為何不愛薪資保密?重點不是賺多少,而是我不能「比你少」
員工為何不愛薪資保密?重點不是賺多少,而是我不能「比你少」

本文摘自《破梯效應》,大是文化出版

薪資不平等的本意是激勵員工,如果員工生產力提高,就會得到更多酬勞。既然如此,照理說為了拿到更多薪水,人人都會努力工作才對。這種用酬勞激勵績效的做法,在經濟上完全說得通,可惜人們不太會遵守經濟法則;薪資不平等也許可以激勵員工,卻也可能激發憎惡感。

當某人沒辦法保守祕密時,薪資保密就會引發麻煩。在一項關於薪資不平等如何影響員工的研究中,促狹的研究人員就故意把祕密洩漏出去。2008年,《沙加緬度蜜蜂報》(Sacramento Bee)推出一個網站,公開列出加州每一位州政府員工的薪水,包括整個加州大學體系的教職員在內。經濟學家大衛.卡爾德(David Card)所率領的研究團隊想出一個點子,故意把該網站的消息,透露給大學的某些教職員,看是否影響對方的工作滿意度。

薪水低可以,但不接受比隔座同事少

研究人員寄一封電子郵件給第一組受試者,提醒有這麼一個網站,並且提供聯結,使對方能輕易的查詢薪資。另一組受試者是對照組,他們沒有收到這封郵件。幾天之後,兩組都收到一份工作滿意度調查表,內容也問到未來一年有沒有換工作的打算。

不出所料,薪資網站的點閱率暴增。得知同仁的薪水多寡,大幅影響員工對自己工作的滿意程度,不過也要看他們賺多少錢而定。薪水低於自己部門平均薪資的人,得知這項資訊之後,不但工作滿意度降低,也較容易產生另謀高就的興趣。反觀薪水高於平均值者,知道自己收入比同儕高,並沒有讓他們感到更滿足,事實上這件事對他們完全沒有影響。

這項調查過了3年之後,研究人員追蹤當初造訪過薪資網站的受試者,看看誰當真離職了。結果他們發現薪資低於平均值的員工,如今受雇於該大學的人數減少了。其實促使他們離職的原因,不單純只是低薪,因為對照組中(沒收到洩密郵件的人)薪資比他們更低的人,離職率並沒有他們那麼高。反之,知曉自己比同儕賺的少這件事,才是萌生去意的主要因素。

高薪球員所在隊,贏球次數不一定多

經濟學家麥特.布倫姆(Matt Bloom)有一項為期8年的研究,記錄期間每支大聯盟棒球隊的勝負。按照薪資不平等更能激勵良好績效的理論,我們會預測薪資差異越大的球隊,贏球的次數也越多。棒球和美國經濟一樣,收入會極度不平等,幾乎完全來自明星球員高得離譜的薪水。這麼說來,給明星球員高昂的薪水,有沒有增加球隊獲勝的機會?

布倫姆發現恰恰相反。薪資最不平等的球隊,表現遜於不平等程度較低的球隊。針對國家足球聯盟所做的研究,也發現同樣的效果:不平等程度越高的球隊,贏球的次數越少。這份研究還透露,薪資不平等程度高的球隊,盈餘也比較高,對此最可能的解釋是,球隊斥鉅資吸引明星球員,會增加球迷買比賽門票和買媒體觀看的意願,因此就算知道給這些球員昂貴的合約,會破壞球隊的整體績效,球隊老闆也在所不惜。

研究人員最愛棒球,因為幾乎每場比賽都有紀錄球員的表現數據。布倫姆在最初研究期間,檢視了大聯盟全部1644個球員的統計資料。果然如他所料,高薪球員的表現,確實比低薪隊友傑出,不過最引人側目的發現卻是,待在薪資高度不平等的球隊中的超級明星,其成績不如那些待在薪資低度不平等的球隊的超級明星。

如果說薪資不平等的目的,是為了激勵表現,那麼這項預期剛好與現實相反。因為高度不平等會減損明星球員的績效;如果你相信薪資不平等的主要效果,是減低團隊合作與向心力,那就對了。前面提過加州大學的研究也已證明,薪資不平等對士氣和團隊造成的傷害,早就抵銷它刺激績效的正面效果。

團隊運動(如棒球或足球)的績效和單人運動(如高爾夫與賽車)有個關鍵不同處:如果有更高獎金等在前方,單人運動的選手可以更專注,也可改變自己的策略。反觀團隊運動裡,隊員合作的能力勝於任何個別成員的才華,因此薪資不公對團隊合作產生的破壞,效果大於高薪對個別球員的激勵作用。

美國執行長年薪,是一般員工的350倍

有項研究調查世界40個國家的公民,請受訪者估計自己國家中,一般非技術員工每年賺多少錢,一般大公司執行長又賺多少錢。然後再問受訪者,他們覺得一般員工和一般大公司執行長,理想上應該賺多少錢。接下來研究人員再計算兩者的比率。

不論哪一個國家,受訪者心目中理想的(可接受的)不平等程度,都低於他們所估計的實際不平等程度。平均來說,受訪者認為執行長的薪資是普通員工的10倍,至於理想比率則是4至6倍,而且受訪者的共識程度相似的驚人。

形容自己的政治立場屬於中間偏左的人,認為理想比率應該是4倍,而自認是中間偏右的受訪者,則認為理想比率應為5倍。所得落在最低20%的受訪者,認為執行長的薪資應該是普通員工的3至4倍;所得屬於最高20%的受訪者,則認為應該是5倍。受訪者不分年齡、教育程度,也不論研究人員拿任何變項去分析,他們心目中的理想數字統一得驚人。

這項資料除了令人吃驚的全球性共識外,更讓人咋舌的是,全球各地的人們根本不知道,企業界實際存在的不平等程度有多麼嚴重。研究人員調查的每一個國家,受訪者都嚴重低估實際薪資不平等的嚴重程度。舉例來說,美國的受訪者估計執行長比平均員工多賺30倍,但研究人員指出,實際上2012年美國的執行長,平均年薪高達1230萬美元,是一般員工年薪3萬5千美元的350倍左右。

員工不指望總裁只賺3萬5千美元,同樣的,他們也不指望自己能賺1200萬美元,然而350:1這個比數,對大部分員工來說,已經足以羞辱公平這個概念。最高主管固然對公司來說更有價值,可是他們的價值,真的比一般員工多350倍嗎?

我們很難量化企業執行長的確切價值,不過研究人員檢視多年來許多公司的績效,就能確定企業負責人和公司的興衰有多大關聯。假設某些執行長優於其他執行長,而最優秀的執行長,所治理的企業應該多賺一點錢,這似乎是合理的假設。不過還有許多其他因素是執行長無法控制的,也影響著公司的利潤多寡。這麼說來,最高主管對於公司的成敗,究竟有多少影響力?

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓