企業AI能力分三級，你的公司在哪一級？一張表盤點清楚
員工都在用 AI，公司的 AI 用到哪一級？用「下一步由誰決定」把企業 AI 能力分成三級：員工的助理、流程裡的一站、可以交辦的專員。附玉山銀行 GENIE 三階段案例，以及一張盤點表、一場 30 分鐘部門主管會議，看出公司用到第幾級、下一步往哪推。
最後更新日期：2026 年 10 月 26 日
公司使用 AI 的能力可以分三級，可以先問一個問題：這件工作，下一步由誰決定？
第一級「員工的助理」：由人決定。員工問、AI 答，結果再由人搬到下一步。
第二級「流程裡的一站」：由事先寫好的流程決定。發生 A，就執行 B。
第三級「可以交辦的專員」：由 AI 依目標自己決定怎麼做，人負責設定目標和邊界。
常出現的情境：A員工說：「我請AI幫我做了...」 、B員工說：「我問AI他給我的建議是...」。
但如果今天負責的人請假、忘了、給AI的指令變了或是資料給錯，都會出現問題；而他們省下多少時間，公司也看不到。
AI能為企業帶來的效益，往往"人"是最後的防線，但也是最大的瓶頸。
根據BCG(波士頓顧問公司)2025年統計資料：72％受訪者規律使用AI，但只有13%受訪者表示將agent(代理人)整合進流程。雖然2026年有提升到30%，但還是占相對少數。
這代表一個問題，公司在使用AI能力上，有很大的斷層，而大多數的公司（或部門）很有可能多數還停留在一、二級。
但不要被等級給誤導了，不是每件事都用最高級的AI來做最好，而是能根據不同工作內容，選擇合適AI導入的方式，才能發揮最大效益。
身為經營/管理者的你，最好能夠知道自己公司目前處在哪一級，未來可以怎麼做。
所以，本文最後也提供一個盤點表，可以讓大家回去幫自己的企業打分，並且根據不同的分數區間，給出對應下一步的做法，希望可以有一些啟發。
此篇文章參考42篇專業機構所發布的文章與研究，包括OpenAI(ChatGPT)、Anthropic(Claude)、顧問公司（McKinsey麥肯錫、BCG波士頓）以及世界領先使用AI的公司，例如Microsoft、以及國內的玉山銀行等等。
文章內引用的資料參考連結我會放在最後面，有興趣的人歡迎查閱。
重點摘要
- 員工比老闆以為的更會用 AI，但老闆通常看不見
- 員工省下的時間，大多數還沒有變成公司的效益：McKinsey 2026 年的調查中，80% 受訪者說 AI 提升了個人生產力，只有 37% 說對公司獲利有貢獻。原因之一是第一級的效益只在員工身上，公司量不到。
- 企業使用 AI 的能力分三級，差別在「下一步由誰決定」：第一級由人決定，第二級由事先寫好的流程決定，第三級由 AI 依目標自己決定。級別看能力，不看比例，不是每件工作都要用到第三級。
- 同一件工作天天要員工照同樣步驟，把 AI 的結果「重複貼回」業務系統，代表這段工作其實是流程，AI 卻還在流程外面：玉山銀行 GENIE 2.0 推到全行三分之一員工使用後，就卡在這個斷點，才決定改走 agent。
- 一張盤點表、一場 30 分鐘的部門主管會議，就能看出公司用到第幾級：每個部門一列，標出級別和警訊，再從整張表的趨勢決定下一步。
員工比表面還更會用AI
員工用 AI，大多發生在個人層級：老闆看不見，公司也量不到。
多數公司的 AI 使用情況，比經營者想像的更樂觀，也更令人擔心。
更樂觀，是因為員工用得比老闆以為的多。
McKinsey 2024 年 10～11 月的美國調查中，118 位高階主管估計只有 4% 員工把生成式 AI 用在三成以上的日常工作；3,002 位員工中，實際有 13% 自報已經用到這個程度，是主管估計的三倍。
墨爾本大學與 KPMG 2025 年的全球調查中，57% 的員工表示會隱瞞自己使用 AI。
老闆為什麼看不見？員工用 AI 幫自己省時間是很自然的事，但未必會說出來。尤其是說出來跟績效不會有關，甚至工作量還有可能增加的情形下，企業非常難察覺。
更令人擔心的有兩件事。
第一，省下來的時間沒有變成公司的效益。
McKinsey 2026 年的調查中，80% 受訪者說 AI 提升了個人生產力，但只有 37% 說 AI 對公司獲利有貢獻。
BCG 2026 年的報告也指出，66% 的員工對省下的時間該做什麼，只得到很少或沒有指引。
所以我建議：公司需要隨著 AI 的普及，一起修改績效考核與獎勵機制；鼓勵員工嘗試和 AI 合作，才有機會把工作效率提升所產生的紅利，投入更多有價值的任務。
目前這樣做的公司還不多。
Microsoft 2026 年的調查中，只有 21% 的主管和 10% 的員工認為，公司不論結果都會獎勵用 AI 重新設計工作。
為什麼省下的時間進不了公司的帳？下一節的三級框架，會給出一部分答案。
第二，資訊安全。
BCG 2025 年的報告中，54% 的員工表示，公司提供的工具不夠用時，會改用未經授權的 AI 工具。
墨爾本大學與 KPMG 的調查也發現，只有 40% 的員工說公司有生成式 AI 的使用政策。
沒有規範，員工就可能把公司資料貼進個人帳號的 AI 工具；資料一旦貼出去，就離開了公司的控管範圍。
玉山銀行在 2023 年也曾因為擔心機敏資料外洩而封鎖 ChatGPT，後來自建一套會過濾機敏資料的內部平台，先讓員工「敢用」。
企業 AI 能力三級
| 第一級：員工的助理 | 第二級：流程裡的一站 | 第三級：可以交辦的專員 | |
|---|---|---|---|
| 誰決定下一步 | 人 | 事先寫好的流程 | AI 依目標與回饋決定；人設定目標與邊界 |
| 交給AI的是什麼 | 一個問題：員工主動提問 | 一個步驟：「發生 A，就執行 B」 | 一個目標：要做到什麼結果，怎麼做由 AI 決定 |
| AI 做什麼 | 草稿、摘要、建議；結果由人搬到下一步 | 在固定位置摘要、分類、擷取 | 查資料、選工具、調整計畫，必要時找人 |
| 效益怎麼量 | 以人為單位：員工自報省多少時間，公司量不到 | 以件為單位：處理時間、件量、人工修改率，系統報表看得到 | 以任務為單位：完成率、轉人工率、錯誤率、每件成本，要事先定驗收標準 |
從這三級的分類方式，可以看出等級越高的AI使用，可以處理更複雜的工作，AI的自主程度也越高。
從一開始被動的一問一答，到第二級因為某個事件的發生，而做好自己那一段的工作，到第三級因應目標而能夠自己找工具與方法完成任務。
為了更好理解，我們用客訴處理來舉例
| 第一級：員工的助理 | 第二級：流程裡的一站 | 第三級：可以交辦的專員 | |
|---|---|---|---|
| 交給 AI 的是什麼 | 一個問題：「幫我擬一封道歉信」 | 一個步驟：分類 → 摘要 → 派單 | 一個目標：「把這張客訴處理到結案」 |
| AI 做什麼 | 擬好草稿，交給客服人員自己修改後寄出 | 自動分類、摘要，派給對應的組別 | 自己查訂單、查物流、對照退款政策，判斷是不是例外，提出解決方案；金額超過門檻就轉給主管核准 |
| 效益怎麼量 | 客服人員覺得寫信變快了，但公司不知道快了多少 | 處理了多少張客訴單、分類與摘要是否正確 | 案件結案率、轉人工率、每件處理成本 |
表格最後一列「效益怎麼量」，可以解釋第一節的落差：為什麼 80% 的人說 AI 讓自己變快，只有 37% 說 AI 對公司獲利有貢獻？原因之一是，第一級的效益本來就量不到。
例如客服人員用 AI 擬信，每封快了幾分鐘，但這幾分鐘留在員工身上，系統報表上看不到。到了第二級，AI 處理的每一件都會留下紀錄，處理時間、件量、人工修改率才進得了報表。到了第三級，要先說好什麼算「處理完成」，才量得出結案率和每件成本。
給老闆一個最簡單的判斷法：這個 AI 用法的效益，能不能從系統報表上看到？只能聽員工說的，就是第一級。
不過，請勿盲目追求所有的工作都要完全自動化。級別是看能力，不看比例！
Microsoft 在 2025 年《Work Trend Index》也指出，企業轉型「不是嚴格的線性過程」，很多公司會同時處在不同階段。
把本來應該有固定流程的工作，讓AI自由發揮，容易燒掉更多的AI算力費用(Token)，結果不見得更好。
有些工作甚至應該直接交給程式跑，根本不需要用到AI。
需要注意的是，以下有幾個情況，容易誤判。
- 不看產品名稱：叫 agent 的不一定是 agent，叫 Copilot 的也不一定只是助理。
- 不看誰開啟工作：誰觸發不重要，觸發之後下一步由誰決定才重要。
- 不看自動化程度：串了很多系統、全程自動，只要路徑是事先寫死的，就是第二級。
| 情境 | 容易誤判成 | 其實是 | 判斷理由 |
|---|---|---|---|
| 掛「agent」名稱的客服聊天機器人，客戶問、它答 | 第三級 | 第一級 | 它不決定下一步，也不動手做事 |
| 同一套 Copilot：在 Word 裡擬草稿 vs. 被設定成自己執行多步驟任務 | 都算同一級 | 前者第一級，後者第三級 | 級別看用法，不看買了什麼；軟體內建 AI 是「在哪裡用」，不是級別 |
| 員工在系統裡按一個「AI 審核」按鈕，後面固定跑擷取、比對、寫回 | 第一級（因為是人啟動的） | 第二級 | 人只負責觸發，之後的步驟是事先寫好的 |
| RPA(自動化工具) 加上 AI 擷取欄位，跨三個系統全自動跑完 | 第三級（因為很自動） | 第二級 | 路徑固定，AI 不決定下一步 |
OpenAI在自家的agent建構指南中特別提到：不讓 LLM(大語言模型) 控制流程執行的簡單聊天機器人不是 agent；Gartner(全球領先的資訊科技研究與顧問諮詢公司)也提到：agent washing，意思是很多廠商會把既有的聊天機器人、自動化程式系統包裝成agent ，卻沒有實質的agentic能力。數千家廠商中只有約 130 家是真的。
玉山銀行花三年讓AI從員工手上逐漸走進流程
玉山銀行花了三年，才從「讓員工敢用」準備走到「讓 AI 動手完成任務」。用本文的三級來看，這三年正好是一條完整的路：
- 破冰（GENIE 1.0）：先解決資安疑慮，讓員工敢用第一級。
- 擴散（GENIE 2.0）：把第一級推到全行三分之一的員工，也撞上第一級的天花板。
- 交辦（GENIE 3.0）：讓 AI 走進業務流程，往第二、三級走。
玉山銀行演進過程
緣起：
2023年初，ChatGPT開始在全球走紅，新用戶開始紛紛投入測試新的應用方式。銀行業看到機會，但是也擔憂敏感資料外洩，所以紛紛封鎖；玉山銀行也不例外。
第一階段：破冰
- 2023下半年，開始自建地端助理，用DLP過濾機敏資料
- 2024年1月，推出 GENIE 1.0，目標是讓員工「敢用、放心用」，上線半年後使用人數占全行員工的10%。
第二階段：擴散
- 2024 年 9 月推出 2.0，目標是規模化：至2026年上半年每月超過 3,600 人使用（超過全行三分之一），每月 14 億 Token，單月模型調用費不到新台幣 5 萬元。
規模化之後發現的四大斷點
- 功能孤島：雖然有統一入口，但員工還是需要手動切換各種功能，缺乏系統性整合。
- 知識分散：各單位知識沒有整合，還是停留在各單位中，難以處理跨單位知識的查詢。
- API規格混亂：缺乏標準化的「通訊語言」，導致串接困難。
- 業務流程的斷點：員工還是需要將AI回答的內容，手動貼回原本的業務系統中。
(類似停留在我們所提到的第一級)
第三階段：交辦
- 預定2026 年 9 月底推出 3.0：改為Root Agent 加上 SOP 技能化，並設治理框架。(報導時尚未上線，目前還沒有公開成效)
因應規模化斷點解決方案
-
功能孤島 → 一個總窗口：由主代理（Root Agent）判斷員工的意圖，再分派給對應的服務或專責 Agent。用真人來比喻：過去員工要自己去找各部門的專員；現在只要跟一位總窗口說，他會幫你找到對的人處理。
-
知識分散 → 知識管理標準化：整合各單位的知識，讓跨單位也能共用。
-
API 規格混亂 → 統一的調用方式：把既有 API 包裝成可以透過 MCP（Model Context Protocol，讓 AI 呼叫外部工具的共通協定）調用的形式，由主代理統一管理。
-
業務流程斷點 → SOP 技能化，結果直接回到系統：把各單位的 SOP 寫成 AI 能讀的技能檔（Skill），Agent 照著一步步完成任務，再把結果直接送回原本的業務系統。例如報支費用：員工提出需求，Agent 查規定、取 SOP、完成申請。
-
持續推動人才轉型：培訓從高階主管到擁有實戰經驗的員工，擁有AI思維，知道如何與AI協作，學會如何測試、優化與監督。讓員工開始相信，AI不是來取代他的，而是讓他可以從「執行者」變成「監督與優化者」，願意把過往的經驗分享出來，是轉型成功的關鍵。
從玉山銀行轉型的經驗我們可以學到什麼？
- 企業要做AI轉型，不是買幾個工具就有辦法成功。需要從最基礎的第一級開始，同時把基礎設施建好
(包括數據/知識庫/人才發展/法規/治理規範)，先形成AI的腦，未來才能讓AI真的擁有實戰智能，能夠把工作完成，達到自動化。 - 人才是轉型成功的關鍵：從董事長、主管到一線員工，擁有相對應的AI知識與思考能力，能夠確保從策略到任務執行，都開始流淌AI合作的DNA。
- 到底要先做廣度（讓全員都敢放心的用）還是要先做深度（從某一個工作下手，提升到相對應的等級)，根據不同行業的合規風險以及工作複雜程度不同。先做深度適合沒有自己平台的中小型企業，但要注意的就是單一團隊（工作）的成功經驗很難複製。
一張表，30分鐘，盤點公司目前使用AI的能力。
身為經營者，如果能夠了解目前公司使用AI的整體情形，有助於思考未來的策略以及可能的風險。
底下為一張全貌盤點表：每個部門一列，標出用到第幾級，以及有哪些警訊。填完後，從表的趨勢就看得出公司目前的狀態、下一步該投資什麼。一場 30 分鐘的部門主管會議就能完成第一輪。
盤點表
AI 能力盤點表每個部門（或主要職能）一列。級別欄只填符號，不寫細節：
- ●：正式流程中在用
- ○：試用或試點中
- 空白：沒有
警訊只有四種，各一欄，有就打勾：
| 警訊 | 意思 |
|---|---|
| 影子 AI | 員工用個人帳號或公司沒核准的工具，公司看不到資料去了哪裡 |
| 重複貼回 | 同一件工作每天或每週重複，員工照同樣步驟把 AI 的結果貼回業務系統，是「該升沒升」的候選；偶爾問 AI、自己整理不算 |
| 量不到 | 第二級以上的用法，效益卻只有員工自報 |
| 沒把關 | 第二、三級的用法，沒講好人在哪裡把關、什麼算做對 |
填好的範例：
| 部門 | 第一級 | 第二級 | 第三級 | 影子 AI | 重複貼回 | 量不到 | 沒把關 |
|---|---|---|---|---|---|---|---|
| 客服 | ● | ● | ✓ | ||||
| 業務 | ● | ✓ | |||||
| 財務 | ○ | ||||||
| 人資 | ● | ✓ | |||||
| 資訊 | ● | ● | ○ | ✓ | |||
| 全公司 | 5 | 2 | 1 | 1 | 1 | 1 | 1 |
客服每天用 AI 擬客訴回信，再一封封照同樣步驟貼回客服系統；業務用個人 ChatGPT 帳號；資訊部的 agent 試點沒有驗收標準。
部門主管的底稿（會前填）
老闆不必看細節。部門主管用四個問題，決定自己那一列的符號和警訊：
- 部門裡哪些工作有用 AI？用的是員工自己的工具？→ 決定是否勾「影子 AI」
- 每件工作是誰決定下一步：人、事先寫好的流程，還是 AI？已經正式上線，還是在試用？→ 決定 ● ○ 以及 填在哪一級
- 有沒有哪件工作每天或每週重複，員工照同樣步驟把 AI 的結果貼回業務系統？→ 有就勾「重複貼回」
- 效益從哪裡看到：員工自報、流程報表，還是任務驗收？第二、三級的用法，人在哪裡把關？→ 決定「量不到」「沒把關」
會議流程
- 會前：各部門主管用四個問題，填好自己部門的欄位。
- 0–5 分鐘：說明目的是看全貌、決定公司下一步該怎麼做，不追究過去使用方式與績效。
- 5–15 分鐘：各部門報自己那一列（每個部門約 2 分鐘），現場確認符號和警訊。
- 15–25 分鐘：看整張表的趨勢，對照「如何解讀盤點結果」，判斷公司目前所處級別、瓶頸在哪裡。
- 25–30 分鐘：最多選兩個下一步，各指派一位負責人和期限。
如何解讀盤點結果
| 盤點趨勢 | 代表什麼 | 下一步做法 |
|---|---|---|
| 第一級很多，警訊多是「影子 AI」 | 員工已經在用，公司還沒給安全的工具 | 先提供核准的工具和使用規則，而不是禁止 |
| 第一級幾乎全滿，第二級很少，警訊多是「重複貼回」「量不到」 | AI 普及了，但還在流程外面，效益只有員工自己知道 | 挑重複貼回最頻繁的一個流程推進到第二級，並設定如何追蹤，看哪個報表。 |
| 只有一兩個部門到第二、三級 | 能力集中在少數團隊，經驗沒有擴散 | 把成功部門的做法整理成共用的工具、SOP 和規則，複製到下一個部門 |
| 有第三級，但警訊是「沒把關」 | 用法跑得比治理快 | 擴大前先定好權限、驗收標準，以及什麼情況轉人工 |
結語
盤點過後，大家或許對自己公司/部門使用AI能力上會有更深入的了解，
不管在第幾級，相信對於下一步可以怎麼做都可以有基本方向。
建議至少半年至一年可以重做一次盤點，看進步的程度。
玉山銀行的案例，可以讓我們提早思考如何佈局自己公司的策略，以中小企業來說，資源沒辦法有這麼多。但從部門單一工作開始，遇見未來規模化時會碰到的問題，可以幫公司少走很多彎路。
FAQ
- 公司該禁止員工用 AI工具 嗎？：不建議，只會讓使用轉到檯面下。可以制定清楚的使用規範，限制敏感資訊的使用範圍；如果有預算，可以設立統一公司AI平台，方便控管與統一。
- 公司AI能力級別，看最高的用法還是多數的用法？：看最高、而且在正式流程上用過的那一級，代表公司「會用到」哪裡；同時把各級的分布列出來，才看得出大多數工作停在哪裡。
- 中小企業也需要盤點 AI 用法嗎？：需要，而且更應該做。中小企業資源有限，能夠透過導入AI增加市場競爭力，而且組織相對單純，盤點更簡單。
- 公司一定要升到第三級才算成功嗎？：第三級代表有使用Agent 的能力，但不代表每件工作都要用。能夠擁有判斷能力，知道把不同任務應用到目前AI能夠協助的最高等級，就已經成功了。
- 盤點應該由 IT 負責，還是各部門負責？：需要由各部門負責，尤其不應停在部門主管的印象上，以免低估了一線員工使用AI的能力及資安風險。
- 用 ChatGPT 就是第一級嗎？：不一定，要看用法。在對話裡一問一答，結果由使用者決定怎麼用，是第一級；把一個目標交給「工作」模式或 Codex，讓它自己拆步驟、跨 App 完成，就是第三級。級別看的是誰決定下一步，不看產品名稱。
參考資料
依文中出現順序排列。
調查與研究
- McKinsey & Company，〈Superagency in the workplace: Empowering people to unlock AI's full potential〉，2025。
- 墨爾本大學（University of Melbourne）與 KPMG，〈Global study reveals trust of AI remains a critical challenge reflecting tension between benefits and risks〉，2025。
- McKinsey & Company，〈The state of AI in 2026: On the road to ROI〉，2026。
- Boston Consulting Group（BCG），〈AI at Work: Strategy Matters More Than Tools〉，2026。
- Microsoft WorkLab，〈Agents, human agency, and the opportunity for every organization〉（2026 Work Trend Index），2026。
- Boston Consulting Group（BCG），〈AI at Work 2025: Momentum Builds, But Gaps Remain〉，2025。
- Microsoft WorkLab，〈2025: The year the Frontier Firm is born〉（2025 Work Trend Index），2025。
AI agent 的定義
- Anthropic，〈Building effective agents〉，2024。
- OpenAI，〈A practical guide to building agents〉，2025。
- Gartner，〈Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027〉，2025。
企業案例
- iThome（王宏仁），〈【AI轉型實例1上篇】玉山銀行GENIE每月處理14億Token，模型調用成本不到5萬元〉，2026。
- iThome（王宏仁），〈【AI轉型實例1下篇】玉山銀行打造全行AI代理入口，首度揭露新一代GENIE關鍵Agentic技術框架〉，2026。