AI 幫你做完了所有例行工作—但你的判斷力，從哪裡來？
讀完這篇，你會知道：
- AI 正在接管新人過去靠「做中學」累積判斷力的那些例行工作
- 沒有摩擦、沒有錯誤、沒有觀察—也沒有成長
- 師徒制不是懷舊，是唯一能傳遞默會知識的機制
- 企業需要重新設計師徒關係，讓隱性知識在 AI 時代繼續流動
思考的起點
有一種能力，不在任何教材裡，也找不到對應的線上課程。它叫做判斷力。
你知道什麼時候一份備忘錄的論點站不住腳，什麼時候數據背後藏著說不清楚的異常，什麼時候利害關係人的一句話意味著會議室外有更大的政治風暴—這些感知，都不是讀書讀出來的。它們是在無數次「剛好坐在旁邊」的時候，悄悄滲透進來的。
然而，就是這些「剛好坐在旁邊」的時刻，正在快速消失。
Harvard Business Review 於 2026 年 7 月刊出一篇由職涯教練 Marlo Lyons 撰寫的文章，標題直白：《Why Mentoring Matters More in the AI Era》。文章的核心觀點令人警醒：AI 正在接管的，不只是例行工作，而是讓新進員工長出判斷力的那塊土地。
這不是一道效率題，而是一道人才斷層題。當入門級工作被自動化取代，組織的領導力梯隊也同步在流失它的培育來源。師徒制，從一個「有最好、沒有也行」的附加選項，變成了 AI 時代唯一能補上這個缺口的機制。
例行工作消失了，「訓練場」也跟著消失
回想你職涯最初那幾年，學到最多的是什麼？往往不是那些上台報告、主持會議的高光時刻，而是那些看起來不重要的瑣事：整理會議紀錄、彙整部門數據、替主管草擬第一版備忘錄。
這些工作很小，但它們有一個重要功能：它們是接觸真實業務情境的入口。在你整理數據的過程中，你學會了辨別哪些數字需要多問一個問題；在你草擬備忘錄的過程中，你學會了哪種表述方式在這個組織文化裡行得通。這些累積，就是 Marlo Lyons 所說的「判斷力」。
現在，AI 工具能在幾秒內生成備忘錄初稿、整理數據摘要、標示數據異常點。對資深員工來說，這是效率的飛躍。但對剛進入職場的年輕人來說，等於是「做中學」的訓練場地被拆掉了一半。
PwC 的 2026 Global AI Jobs Barometer 指出，在高 AI 曝露度的領域中，最受衝擊的初階職位，其所需具備的能力正在快速「高階化」—這些職位對領導力與策略思考的要求，是低 AI 曝露度職位的七倍。換句話說，新人還沒來得及建立基礎，就被要求上場打進階賽。
HBR 文章更直接點出這個結構性危機：如果讓新人培養專業判斷力的入口消失了，組織的領導力梯隊也會跟著斷鏈。那些線上學習平台和一次性培訓課程，並無法彌補這個缺口，因為它們傳遞不了判斷力、模式辨識、或真正的「默會知識」。
什麼叫做默會知識？它為什麼無法被模型複製
「默會知識」（tacit knowledge）這個概念由哲學家 Michael Polanyi 在 1966 年提出，他的名句是：「我們所知道的，永遠多於我們能說出來的。」默會知識是嵌入在行動、判斷與直覺中的知識—它不在手冊裡，不在資料庫裡，甚至連知識的擁有者自己也說不清楚它的具體形式。
舉個例子：一位資深業務主管在聽完客戶三分鐘的簡報後，就能感覺到「這個案子快談不下去了」—這不是靠邏輯推算出來的，而是他在十幾年的業務經驗中，見過無數次類似的信號，形成了一種內建的模式識別能力。這種能力，沒有辦法寫成一份文件讓 AI 學習，也沒有辦法透過課程傳遞給新人。
Polanyi 的原始描述是：一種無法用明確指令傳遞的技藝，只能透過觀察師傅、模仿他的努力來習得，其中甚至包括師傅本人都未必自覺掌握的那些規則。這是一種在「陪伴」中發生的知識流動，而不是在「閱讀」或「訓練課程」中發生的。
AI 模型擅長處理的是「顯性知識」（explicit knowledge）：可以被文字表達、可以被結構化的規則與資訊。它可以告訴你備忘錄的格式應該怎麼寫、市場分析的框架有哪幾種，但它無法告訴你在這個特定的組織文化裡，哪種說法會讓決策者點頭、哪種說法會讓他們皺眉。那是只有在那個情境中待過、觀察過的人才能知道的事。
Superkind AI 的知識管理研究指出，最可靠的默會知識傳遞方式，是一段有計畫的交接期—在知識擁有者還在的時候，讓繼承者陪伴觀察、參與討論、在真實情境中吸收那些無法被文件化的判斷邏輯。AI 工具可以加速顯性知識的整理與檢索，但它補不上這段人與人之間的陪伴缺口。
師徒制的真正功能：不是傳授技術，而是傳遞思考方式
很多人對師徒制有一個誤解，認為它主要是在傳授具體的技術或操作知識—師父教你怎麼用工具、怎麼走流程、怎麼寫報告。這些當然重要，但在 AI 已經可以回答大多數「怎麼做」問題的今天，師徒制最不可取代的價值，在於另一層次的傳遞。
那是一種思考方式的傳遞。當你看著一位資深主管在面對複雜情況時，她選擇先詢問哪個人、她在決定前停頓多久、她如何在兩個看似相同的方案之間做出區分—這些細節，就是「職業直覺」的具體形式。它不需要師父「教」，只需要徒弟有機會「觀察」，然後在自己嘗試的過程中被糾正、被引導。
這正是 Marlo Lyons 在 HBR 文章中強調的「將默會知識顯性化」（making tacit knowledge explicit）的意義。師父不需要把所有判斷邏輯寫成手冊，但需要在關鍵時刻說出「我這樣做的原因是…」，讓那個通常存在於腦中的決策過程，暫時變得可被徒弟觀察與學習。
心理學研究者 Swap 等人早在 2001 年就指出，師徒制與學徒計畫是傳遞默會知識最有效的機制之一—原因在於這種學習是在「直接參與」中發生的，而不是透過被動接受資訊。觀察師父處理真實的問題，與師父一起面對不確定性，這些共同經歷本身就是學習內容的一部分。
在 AI 大幅提升工作效率的同時，有一件事悄悄發生了：新人被「保護」起來了，被隔離在一個只需要確認 AI 產出是否正確的位置上，而不是被放進真實的複雜情境中學習如何應對。師徒制的價值，正是把他們重新帶回那個有摩擦、有不確定性、有真實學習發生的空間。
企業如何重新設計師徒關係：五個可操作的方向
HBR 文章提出的核心建議是：不能只是沿用舊有的師徒制形式，企業需要主動重新設計，讓師徒關係適配 AI 時代的工作節奏。以下整理幾個具體方向。
第一，把「陪伴觀察」納入正式工作流程。不要讓師徒互動只發生在零散的一對一會議裡。讓新人參與資深成員的真實決策會議、客戶溝通或跨部門協作，即使他們只是觀察，也比課程培訓更有效地傳遞了默會知識。
第二，練習「決策旁白」（decision narration）。當資深成員做出判斷時，養成說出思考過程的習慣：「我選擇這個方向，是因為我注意到…」、「這個數字讓我多問了一個問題，原因是…」這個簡單的習慣，能讓通常隱形的判斷邏輯變得可被學習。
第三，為 AI 無法替代的工作留出空間。當 AI 能完成的事越來越多，要刻意保留一些「有益的困難」給新人—那些需要真正思考、可能出錯、需要承擔判斷責任的任務。讓新人練習提問、分析、決策，而不只是審查 AI 的答案是否正確。
第四，設計結構化的知識傳遞機制。透過「工作交接文件」、「決策記錄」等方式，嘗試將資深成員的隱性判斷邏輯部分顯性化，讓新進成員有更多線索可以追蹤與學習。這不是要取代人際互動，而是讓互動的品質更高、方向更清晰。
第五，讓師徒雙方都從關係中獲益。AI 時代的師徒關係不必是單向的。新人往往對 AI 工具更熟悉，資深成員則擁有更豐富的情境判斷經驗。當師徒雙方都能在互動中獲得新視角，這段關係才更可能被雙方珍視與維持。
當入門梯子正在消失，組織需要選擇建立另一條路徑
數據已經開始說話。美國國家大學與雇主協會（NACE）2026 年春季職場調查顯示，超過一半的受訪雇主正在討論 AI 如何替代原本由初階員工執行的部分任務，但同時，組織對新人的期待並未降低，反而在某些維度上升高了。
BCG 的研究更早在 2025 年就指出，約有 40% 的企業執行長計畫在未來一至兩年內縮減初階職位。而在英國，高 AI 曝露度的科技業初階職缺在 2024 年已減少 46%，部分預測顯示到 2026 年底前還可能再下降 53%。
這些數字意味著：入門梯子正在縮短，甚至在某些行業中消失。但人才梯隊不會因此自動消失—它只是被推遲、被壓縮，最終在組織的更高層級爆發成一個看不見的斷層。
師徒制無法單獨解決這個結構性問題，但它是目前最接近根本解法的機制。它讓知識在人與人之間流動，讓判斷力在真實情境中被培養，讓新人在 AI 已經無所不在的工作環境中，還有機會建立屬於自己的思考基礎。
HBR 文章的結論清楚而務實：那些懂得將 AI 效率與有意圖的師徒關係結合起來的組織，將能更快培育出更強的領導者，也將擁有更穩健的人才梯隊，支撐長期發展。反之，那些只追求效率、忽略人才發展缺口的���織，將在幾年後面對一個沒有人具備足夠判斷力的領導層。
AI 可以幫你做完所有例行工作。但它幫不了你建立一個有判斷力的團隊—那件事，只有人才能替人做到。
我們的觀點
AI 接管例行工作，帶來的不只是效率提升，還有一個我們容易忽視的副作用：我們正在系統性地移除新人「在錯誤中學習」的機會。
這讓我們想到一個更根本的問題：在 AI 能做越來越多事情的時代，「學習」究竟應該發生在哪裡？如果 AI 已經把那塊訓練場地移走了，組織有沒有意識到，它需要主動建立一塊新的？
師徒制不是懷舊情懷，也不是效率的反面。它是在顯性知識可以被工具化之後，那些真正讓一個人變得「有用」的東西的最後一道傳遞機制。而現在，正是組織最需要有意識地保護它的時刻。
如果你是主管，或許可以從最小的地方開始：下次做決定的時候，說出你為什麼這樣決定。讓你身邊的人聽見你的思考，而不只是看見你的結論。這一個習慣，可能比任何培訓課程都更有傳遞力。
本文關鍵概念速查
默會知識 Tacit Knowledge：
由哲學家 Michael Polanyi 提出，指難以用語言明確表達、嵌入在個人行動與判斷中的知識。無法透過閱讀或課程直接傳遞，只能在實際情境中通過觀察與互動習得。
顯性知識 Explicit Knowledge：
可以被文字記錄、結構化表述的知識，如操作手冊、流程規範、數據分析框架。AI 工具能夠有效處理與傳遞這類知識。
師徒制 Mentoring：
一種透過資深成員與新進成員的長期互動關係，將默會知識、判斷邏輯與組織文化隱性傳遞的人才發展機制。
判斷力 Professional Judgment：
在複雜、模糊的真實情境中做出合理決策的能力，通常只能透過大量的真實情境暴露與實踐逐步形成，而非透過課程直接教授。
初階職位空洞化 Entry-level Hollowing：
AI 自動化接管原本由初階員工執行的例行任務，導致組織中用來培育新人判斷力的入門崗位大幅減少的現象。
決策旁白 Decision Narration：
資深成員在做決定時主動說明思考過程的習慣，能讓通常隱形的判斷邏輯變得可被新人觀察與學習。
FAQ
Q1：AI 時代師徒制最大的障礙是什麼？
A：最大的障礙是「時間」。資深成員的工作效率因 AI 提升後，反而被要求做更多高複雜度的任務，留給師徒互動的空間更少了。這需要組織層面的主動設計，而不是靠個人意願維持。
Q2：師徒制和線上學習平台、培訓課程有什麼本質差異？
A：課程和平台傳遞的是「顯性知識」，也就是可以被文字結構化的內容。師徒制傳遞的是「默會知識」—那些只有在真實情境中觀察與互動才能習得的判斷邏輯與職業直覺。兩者並非競爭關係，但後者才是 AI 時代最稀缺的學習資源。
Q3：AI 有沒有辦法輔助默會知識的傳遞？
A：部分有。AI 可以協助記錄決策過程、整理知識交接文件、讓顯性知識更容易被檢索。但「觀察一個有經驗的人如何在真實情境中思考與應對」，這個核心學習過程本身，目前仍只能由人來完成。
Q4：對個人而言，如果組織沒有提供師徒關係，該怎麼辦？
A：主動尋找非正式的師徒關係。申請陪同資深成員參加重要會議、在工作後主動詢問他們的思考過程、尋找願意分享判斷邏輯的前輩—這些都是在組織結構之外建立默會知識傳遞管道的方式。
開放討論
在你的工作環境中，有沒有哪一位前輩或主管，讓你覺得「我從他身上學到的，課堂上完全找不到」？那個學習是怎麼發生的？歡迎在下方分享你的經驗，也許你的故事，正好是另一個人最需要聽見的。
延伸思考
- 在你目前的組織中，新人有哪些機會「在真實複雜情境中觀察資深成員思考」？這些機會是被設計出來的，還是偶然發生的？
- 如果你是資深成員，你上一次主動說出自己的「決策旁白」是什麼時候？哪些判斷邏輯是你一直覺得「不言而喻」但其實從未說出口的？
- 你所在的組織，有沒有哪些工作正在被 AI 取代，但那些工作原本承擔著培育新人的隱性功能？現在是否有任何機制在填補這個空缺？
資料來源
Marlo Lyons（2026年7月24日）。Why Mentoring Matters More in the AI Era。Harvard Business Review。
PwC（2026年）。2026 Global AI Jobs Barometer。PricewaterhouseCoopers。
Cengage Group（2026年5月）。AI Is Changing Entry-Level Jobs: How Workers Will Build Experience。
Psychology Today（2026年2月）。Unlocking the Power of Tacit Knowledge。
Superkind AI（2026年）。Knowledge Transfer｜AI Guide。
HBR（2026年2月）。How Do Workers Develop Good Judgment in the AI Era?。
關於文字策展人
Cha Cha 是查查創意文字策展人暨創辦人，Stanford d.school 設計思考專業研修，累積超過三百場企業工作坊實戰經驗。長期深耕設計思考、創意思考與未來趨勢，致力於讓更多人在 AI 時代找到自己的思考方式。
訂閱電子報
訂閱「未來思考週報」，每週三收到精選文章與趨勢洞察。