一份報價四百萬美金的工作，兩個人花三小時做掉了
TL;DR
- 全球前四大藥廠有幾千份文件要轉格式，外包報價四百萬美金。一個 AI 架構師加一個懂業務的同事，用三小時做出一個 Claude skill 就解決了，還能同時跑一千份。
- 企業推 AI 最常見的錯誤是逼所有人上車。研究顯示威脅式的框架反而讓人學得更慢。
- 不用 AI 的人可以分成五種，其中「覺得 AI 品質不夠好」的佔了六成，這群人不是阻力，是最該被聽的人。
- 真正該投資的是 L2 這一層：懂公司怎麼做事、又願意學工具的「非技術建造者」。挑人的第一標準不是技術能力，是他知不知道該為試算表哪一格吵架。
- 一個團隊只要一個 L2 就夠，兩個反而互相打架。而且每個 L2 旁邊要有一個懂工程的人幫他把東西做得能上線。
- PC 進辦公室的採用曲線跟今天 AI 的曲線幾乎重疊。當年沒人為了同事不會用電腦而恐慌，現在也不用。
這集是 Practical AI 在二〇二六年八月二十五日播出的節目。這個 Podcast 由 Daniel Whitenack 跟 Chris Benson 共同主持，走的是反 hype 路線，專門聊 AI 在真實企業裡到底怎麼落地。Daniel 自己是 Prediction Guard 的執行長，做的是企業內部署的 AI 控制層；Chris 是 AI 與自主系統的研究工程師。
這集來賓是 Mike Lewis，TiER1 Performance 的首席 AI 架構師。TiER1 是一家做組織轉型的顧問公司，客戶名單包括 Google、Eli Lilly、Takeda、美國空軍，以及一大堆 Fortune 100。Mike 的來歷很特別：他在二〇一六年之前，當了將近二十年的肖像畫家，開過一間美術公司帶學徒。後來因為報名 OpenAI 的 DALL·E 商業測試名額中選，一頭栽進語言模型，自己開了一家 AI 公司，最後被 TiER1 併購。
一個畫家出身的人，現在的工作是走進全世界最大的那些企業，告訴他們該怎麼看待 AI。他的觀點跟矽谷主流差很多。
那個四百萬美金的案子
先講最有畫面的部分。
Mike 有個客戶是全球前四大的藥廠。他們手上壓著幾千份文件，需要從一種格式轉換成另一種格式。這種事情藥廠很熟，他們甚至精算過每一份要花多少錢轉，總價四百萬美金。
Mike 跟一個同事去看了一眼，第一反應是：這聽起來像一個 Claude skill（Anthropic 的功能，把一套固定作業流程包成 AI 可以重複執行的技能模組）。三小時後東西就做好了。他們把一份文件拖進去，另一端吐出來的結果，幾乎就是這整個流程最後想要的樣子。
然後補一句：而且 Claude 你們已經付錢了，還可以同時跑一千份，整件事幾個小時內就能做完。
主持人形容當場所有人下巴掉到桌上。
我想強調的是後半段那句「你們已經付錢了」。這個案子最荒謬的地方不是 AI 有多神，是這家公司帳上早就有這個能力，只是沒有人去看那堆文件一眼然後說「這個可以自動化」。四百萬美金的價差，卡在的是「有沒有一個既懂那堆文件、又懂工具的人剛好走過去」。
Mike 給這種工作取了個名字，叫「幫他們洗衣服」。不性感，但錢就在這裡。
L0 到 L3，跟他不同意的那百分之九十八
Mike 說他的思考突破點來自一篇 Substack 文章，Peter Yang 寫的〈Your New Job Is to Onboard AI Agents〉。那篇把公司裡的人分成四個等級：
| 等級 | 定義 |
|---|---|
| L0 | 基本上不用，偶爾開一下 ChatGPT |
| L1 | 會用，會調 prompt、用內部 AI 工具，但沒有自動化掉任何真實工作 |
| L2 | 能做出一個小應用，把自己工作的一部分自動化掉 |
| L3 | 系統建造者，做的是讓整個團隊都跑更快的基礎建設 |
Mike 的態度很妙：那篇文章他不同意百分之九十八。他只抓住一個東西，就是 L2 這個層級，以及「non-technical builder」（非技術建造者）這個詞。他說這個詞給了一個他一直感覺得到、卻叫不出名字的角色。
他不同意的部分是什麼？原文提到 Ramp 這家公司的做法：如果你在 Ramp 是 L0，那是解僱的理由，系統會在某個日期前評估你有沒有升到 L1。
Mike 說他讀到這裡覺得心碎。他反問了一句很有殺傷力的話：你能想到還有哪個技術，公司會全體宣布「今年底之前所有人都要對 Smartsheet 充滿熱情，不然就沒有你的位置」？
而且這不是情緒問題。他為了搞懂這件事，帶著兩百頁的研究文獻摘要（是的，他帶去參加一場單身派對，而且真的讀完了），裡面很大一部分講的甚至不是 AI，是「人怎麼學東西」。結論之一是：威脅式的框架會拖慢採用速度。你把人逼到牆角說「學會，不然滾」，他學得會比你好好說「我們一起來研究看看」還差。
不用 AI 的人，其實有五種
Mike 說 L0 根本不是一種人，他拆出五類：
表演型使用者：所有訓練都參加，會議都登入，交過一次對話紀錄，然後回去照原本的方式做事。工作照樣做完。
沒興趣的：就是不感興趣。他提到一個讓他冷靜下來的數據：把當年個人電腦進辦公室的採用曲線，跟今天 AI 的採用曲線疊在一起看，兩條線在同樣的時間跨度裡幾乎重合。當年有誰因為同事不會用電腦而集體恐慌嗎？後來所有人家裡都有一台，事情就自己解決了。AI 更快，因為大家回家自己就註冊了免費帳號。沒有人會回家自己註冊一個 Smartsheet 帳號。
太忙的：這一類最有意思。他說 TiER1 裡他可以立刻報出十個名字，這些人在崗位上太關鍵、太厲害，公司甚至不希望他們跑去研究 AI。壞的東西才要修。而且往往就是全公司績效最高的那群人最不在乎這件事。
怕失去工作的：Mike 的回應很直接。這些人通常誤以為「我用 AI 做我的工作，它就會學會怎麼取代我」，但這幾乎不成立。他說如果你一直抗拒，你可能真的會失去工作，但取代你的不會是 AI，是那個願意用 AI 的 Joe。
對品質失望的：這是他要所有高階主管坐直的一類，而且佔比高達六成，他說在不只一份研究裡都看到接近百分之六十這個數字。
他講了一個具體的人。某公司一位做行銷文案的同事，抗拒 AI 的理由是「它產出的東西達不到我交件的標準」。她示範給他看，然後說：人做得比較好。Mike 的評語是，她就是對的。這件事未來也許會改變，但從來沒有一個所謂的 AI 專家真的坐下來聽她講完。
這一段對我來說是整集最有價值的。企業導入 AI 的失敗，多半被歸因為「員工抗拒改變」，但六成的抗拒其實是品質回饋。這批人不是需要被說服，是需要更好的工具或更好的訓練，而你得先聽完才知道要給哪一種。之前在AI Agent 跨不進 production 的真相那篇聊過 demo 到上線之間那道溝，這集等於從人的那一側再驗證了一次。
順帶一提，Mike 舉的例子是他太太，他說是他認識最聰明的人。她是護士，工作是拿針扎人，現在的 AI 對她來說只會礙事。他說十年後回頭看，我們會發現「每個崗位都需要 AI 能力」這句話根本不成立。
挑 L2 的第一標準，跟技術無關
那麼公司該把力氣花在哪？
Mike 的答案是：L0 先放著，L1 會自己發生。L1 是那種「你要從我冰冷的手上搶走它」的重度使用者，但他們創造的價值公司量不出來，寫信快一點、看技術文件快一點，財報上看不到那四百萬。這些他歸類為噪音，會自己長出來。
錢在 L2。而 TiER1 篩 L2 的第一標準，不是技術性向測驗，是「公司 DNA」。
他的原話大概是這樣：這個人懂不懂公司的工作到一個詭異的程度？他知不知道該為試算表的哪一格吵架？他交出來的東西，是不是就是公司想要的樣子？
先確認這些，才會去看他有沒有學工具的興趣跟能力。
為什麼要這樣排順序？因為現在坐在駕駛座上的往往是錯的人。Mike 給了一個標籤叫「AI 興奮者」，就是在辦公室走廊上大喊「nano banana」「mythos class 模型」的那群人。所有人都覺得他們應該是負責建東西的人。但這種人按定義常常容易分心、對業務本身沒那麼投入，做不出讓領域專家點頭的東西。
反過來，一個真正好的 L2，判斷標準是：他做出來的工具，領域專家用了之後不抱怨。輸出的東西讀起來就是自家的味道，不需要一路盯著改。
而且他還做了一件被忽略的事。當你把一個人腦子裡的隱性知識，對齊成一個 AI agent 的規則，你順手就把那份知識文件化了，也許是寫在程式碼裡，但它被寫下來了。這正好解掉每個產業現在都在頭痛的「被巴士撞到就完蛋」問題：某個老師傅退休，整條產線就停了。
一隊只要一個
這是我覺得最反直覺的一點：TiER1 的建議是，一個高績效團隊裡只要一個 L2。
Mike 說這件事不是一加一等於二。兩個 L2 在同一個團隊，效果不如「一個 L2 加幾個 L1 加幾個 L0」。廚房裡廚師太多。
但每個 L2 旁邊要有一個 L3 伸手可及。L2 負責讓輸出「像我們家做的」，L3 負責讓它可規模化、不會壞、不會違法、不會踩治理政策。
這個配比還有個副作用：如果每隊只需要一個 L2，那你要買的昂貴授權數量、要辦的訓練場次，全部縮水好幾倍。這對正在為「我們買了一堆授權但量不出價值」頭痛的主管來說，是很實際的一句話。
主持人 Daniel 拿 F1 維修站來類比：以前每個人的工作是把輪胎從這裡搬到那裡，現在你的角色升級成車隊領隊，思考的是要什麼結果、拆成哪些任務。這個比喻我在模型、harness 跟多 agent 系統那篇也聊過類似的框架。
不過 Mike 對這個比喻的反應有點潑冷水。他說 TiER1 內部有個觀念叫「快不一定比較好」，尤其在一個環環相扣的系統裡，你把其中一段做到飛快，周圍每一段都還沒準備好跟上，只會製造甩尾跟焦慮。便宜也常常不是重點。他真正覺得有趣的是「以前人腦做不好、現在做得到的新工作類型」。
關於未來，他選擇不想
節目後段，Chris 問他對未來五年員工角色演變的看法。
Mike 的回答是：你可能不會喜歡我的答案，我已經不想這件事了。
他說自己花了大概兩年在這些大企業裡做推動、做導入、做啟用活動，到最後感覺像是站在河邊看水往下流。河怎麼彎它就怎麼彎。所以他把注意力全部收回到「我能不能找到那個 L2、能不能把他裝備好、能不能量出前後差異」。
這套思路其實從他一開始講怎麼過濾資訊噪音就一致了：不管影響範圍以外的事。AI 圈邊緣有什麼大事在燒，如果不影響他跟客戶的互動方式，他就直接忽略。反正這東西不會消失，大概會永遠在。
他對職涯焦慮的回應也很乾脆。他說他走進會議室，如果知道現場有人在擔心失業，他會直接開場說：你確實會失去你現在的工作。你的工作本來就會變，有沒有 AI 都一樣。平均一個人一輩子換七次職涯，就算只待一個地方，工作內容年年都在變。研究也顯示，事後回頭看，人適應顛覆的難度總是低於事前的預期，速度也快於自己的想像。只是當下永遠不覺得。
他還說了一句我蠻喜歡的：如果我女兒怕床底下有怪物，我不會說「沒有怪物」，我會說「你比怪物強」。
最後那個「靠著磚牆一直推」
節目收尾，Daniel 問他現在最有感覺的一件事是什麼。
Mike 說，大企業裡的現實是，每個人手上大概都有兩三個 AI 工具，彼此不太相容，也不見得好用，被一堆必要的治理跟權限限制綁著。試一次覺得不順就放棄，是最自然的反應。
但他觀察到，那些願意靠著磚牆一直推、一直推的人，最後都會找到一些真正有轉化力的用法。他的建議具體到有點好笑：當 Claude 跟你說做不到，就叫它想個有創意的辦法，或者請它列出替代路徑。
他認為未來兩到五年，在所有皺褶被燙平之前，「創造性解題」會是極度值錢的能力。
我自己讀完這集最大的收穫是那個排序。企業導入 AI 的直覺順序通常是：買工具、辦訓練、要求全員上手、量 token 用量。Mike 的順序整個倒過來：先找出那個懂業務懂到骨子裡的人，給他工具跟一個工程夥伴，讓他去找那堆「本來要花四百萬美金外包」的髒活。其他的，讓它自己長。
自行斟酌，共勉之。
這類產業落地的觀察我會持續整理，都放在 wilsonhuang.xyz，訂閱一下就不會漏掉。
文章已完成，約 3,200 字。
補充說明幾個查證過的重點：
- 來賓確認：Mike Lewis 確實是 TiER1 Performance 的首席 AI 架構師（LinkedIn），此前曾在被 TiER1 併購的 Synthoni 擔任同職。
- 節目確認：Practical AI 由 Daniel Whitenack（Prediction Guard 執行長）與 Chris Benson 共同主持，Changelog Media 製作。
- L0-L3 框架出處：Peter Yang 的〈Your New Job Is to Onboard AI Agents〉，文中提到的 Linear、Ramp、Factory 三家公司實踐，我在文章裡用表格重現了四個等級的定義。
- 內部連結引用了兩篇：AI Agent demo-to-production 那篇（呼應「品質失望」那段）、models/harnesses 那篇（呼應 F1 維修站類比）。
Sources:
推薦閱讀
喜歡這篇文章嗎？
訂閱電子報，每週收到精選技術文章與產業洞察，直送你的信箱。
💌 隨時可以取消訂閱，不會收到垃圾郵件