Meta、推特都在裁，為何中階主管正被「解僱中」？幾個因素，其實他們更重要|數位時代 BusinessNext

Meta、推特都在裁，為何中階主管正被「解僱中」？幾個因素，其實他們更重要

不少公司正消滅中階主管，為什麼？雖然逐步削去中階主管，看來可能節省不少費用，但隨後浮上來的，是更難解決的「心」難題。

為什麼中階主管正被「消滅」中？背後兩大關鍵因素

移除中階主管有助於組織走向扁平，聽起來是相當合理的做法，但我們也從市調公司蓋洛普（Gallup）的調查中發現，組織階層減少固然有好處，卻也存在著一些風險。

延伸閱讀；馬斯克直接趕走推特3主管！回顧「鐵血首富」解僱事蹟，下步怎麼整頓？

為何這麼多組織，不再青睞階層化的架構？《商業內幕》分析，其中一個原因，是 層級愈少的公司，能愈快把產品送到客戶手中。面對消費者需求變化無常的時代，這是一項優勢。而《財星》（Fortune）則指出，現在經濟狀況不穩定，尤其能在科技業看到各種撙節措施，剷除中階主管以省下人事成本，可說是一股風潮。

賓州大學華頓商學院（Wharton School of the University of Pennsylvania）教授彼得．卡普利（Peter Cappelli）就告訴《財星》：「（現在）投資者都相當樂於聽到企業宣布裁員。」然而，這麼做並不一定會帶來效率，而且目前也沒有證據表明生產力必定會提升。沒有了主管的團隊成員，之所以短期看來效率倍增，其實只是因為他們身兼多職，最後事情可能做不完或做不好。

回到蓋洛普的發現，他們調查超過 50 萬個團隊，指出即使同間公司，團隊間的敬業度和參與度也存在不小落差。影響員工對工作觀感好壞的因素，相較於公司的動態、氛圍或高階主管，直屬主管才最關鍵。也就是說，當一間公司期待每位工作者，都能展現高度敬業，就不應該低估中階管理階層能發揮的影響力，他們才是直接和團隊接觸、理解第一線的最佳人員。

麥肯錫：裁掉中階主管省下費用，卻多了「人心」問題

可惜，現實狀況就像管顧公司麥肯錫（McKinsey & Company）寫道，中階主管有一半時間，都不是花在管理上，僅有不到 1/3 的心力可投入人才發展，自然無法發揮該職位應有的效果。當組織逐步削去這些主管，當下看來可能節省了不少費用，但隨後浮上來的，是更難解決的「人心」難題，像是同事間的糾紛、對工作上喪失熱情等等，導致好人才留不住，更別提企業表現能成長。

因此，企業與其拔除中階管理層，不如重新定位他們的職責。麥肯錫建議，第一步是改變衡量中階主管價值的方式。這群管理者大多認為自己的價值所在，是策略相關工作、人員發展和管理，但往往組織更看重他們的「個人貢獻」，像是衝業績、拚營收成長等等。如此一來就會互相衝突，導致他們只好犧牲人才培育的時間、心力。

要是高層也認同，員工是公司重要的戰力，需要好好培養，那就不能忽視中階主管的重要角色。因此，建議企業對中階主管的職責期待，同步為培養人才、維繫團隊關係，使團隊得到更多支援、進而增加工作參與程度。

不只是轉變思維，組織也得有實際相應作為。一個做法是消除官僚主義、過多會議、審批不完的簽核表單。畢竟中階主管是夾雜在上下之間的角色，即使只是簡化某個流程，都可以替他們省下不少行政工作，把精力投在該貢獻的人才培養領域。

最後，麥肯錫指出，組織能輔以適當的激勵機制，讓中階主管花費時間、心力的作為，都能對應到具體獎賞，包括更多自主權、新的業務挑戰，還有獎金、分紅等等，有效強化他們與企業共同發展人才的動力。

本文授權轉載自：經理人月刊

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。