很多企業導入生成式 AI 的起手式，通常是發個帳號、辦一場提示詞工作坊，接著交代同仁「有空多試試看」。幾個月過去，主管開始追問：所以大家到底省下多少時間？產出有沒有變好？還是同仁只是變得更擅長叫 AI 代筆寫信和整理會議紀錄？
2026 年發表於《Organization Science》的一項寶潔（P&G）研究，提供了一個相當珍貴的企業現場實證。這篇題為〈The Cybernetic Teammate〉的研究，核心探討非常務實：AI 能不能承擔原本由人類隊友負責的功能？包括拉高成果品質、補足跨領域專業，以及提升同仁在工作過程中的投入程度 （PubsOnline）。
研究團隊找來 791 名寶潔內部的研發與商務同仁，讓大家花上一整天，實際解決各事業單位現存的產品創新難題。任務涵蓋新產品開發、包裝設計、行銷溝通與通路執行等面向，並將人員隨機分配至四種工作模式：
- 單兵作戰，不使用 AI
- 研發搭配商務的跨部門雙人組，不使用 AI
- 單兵作戰，搭配 AI
- 研發搭配商務的跨部門雙人組，搭配 AI
雙人組固定由一位研發人員與一位商務人員搭檔。AI 系統架設在 Microsoft Azure 上，主要串接 GPT-4，部分組別使用 GPT-4o；有配置 AI 的同仁在事前接受了一小時訓練。最終成果由不知情分組與作者背景的專家進行盲評，每份提案平均經過三次以上的獨立評分，指標包含整體品質、新穎性、可行性、影響力與商業潛力。
這項實驗設計的價值，在於它並非找學生寫課堂模擬報告，也不是單純發問卷問員工「覺得 AI 好不好用」。參與者處理的是公司內部正在發生的真實挑戰，評選出的優秀提案甚至有機會直接進入寶潔後續的創新孵化流程。
發現一：一人加 AI，平均成果能追平傳統雙人團隊
如果以「完全不碰 AI 的單兵作業」為基準，傳統跨部門雙人組的產出品質提升了約 6.3%；單人搭配 AI 則提升了約 9.6%；若是跨部門雙人組再配上 AI，提升幅度來到 10.2%。
從平均表現來看，單人搭配 AI 的產出水準，已經相當於未配置 AI 的雙人團隊。換句話說，在範疇明確、時間有限且偏向前置發想的知識工作中，AI 確實能頂替一部分原本需要人類隊友才能提供的腦力支援。
但是，主管千萬別急著得出「以後一人配 AI 就可以精簡人力」的結論。
因為看平均值與看頂尖成果，會得出截然不同的答案。
當研究團隊聚焦在所有提案中排名前 10% 的頂尖成果時，表現最搶眼的組合依然是「雙人團隊加上 AI」。未配置 AI 的個人組，擠進前 10% 的比例約為 5.8%；雙人團隊加 AI 則接近 15%，機率直接翻了將近三倍。個人搭配 AI 雖然拉高了平均品質，但在擠進前 10% 頂尖成果的機率上，並未達到統計顯著差異。
這給經理人的訊號相當明確：
若要追求快速交付與穩定的基準品質，一位承辦人搭配 AI 是相當高效率的編制。然而，若要攻堅突破性的新產品、關鍵策略決策或追求前 10% 的創新亮點，維持跨專業的人類協作再導入 AI，依然是無可取代的做法。
平均效率與頂尖突破，本來就是兩種不同的管理課題，不能混在同一張「節省工時人力」的試算表裡一概而論。
發現二：AI 能扮演暫時的跨部門轉譯橋樑
在沒有 AI 協助時，研發人員的提案自然偏重技術規格，商務人員則傾向鎖定市場與營收。這是人之常情，大家往往習慣從自己擅長的專業出發。
一旦加入 AI，兩派人馬的切入角度開始往中間靠攏。商務人員能提出更多技術可行性考量，研發人員也學會納入商業模式思維。甚至對產品開發流程較生疏的新進同仁，搭配 AI 後，也能交出接近資深團隊的提案表現。
這對部門分工嚴謹的企業尤其具有參考價值。跨部門會議最大的障礙，往往不是大家缺乏想法，而是彼此都在講各自部門的「黑話」。AI 可以在初期提供另一個專業的視角，協助同仁看見自己原先容易忽略的盲點。
不過，AI 提供的大多屬於「當下即用型的跨域視角」。這並不表示商務同仁已經變成工程專家，也不代表研發工程師就此精通通路運作。研究並未證明同仁因此培養出長期且可轉移的跨領域硬實力。
因此，AI 能夠幫忙跨越部門溝通門檻，但最終的專業決策與落實責任，仍必須由真正懂行的人來把關。
發現三：AI 擅長產出好點子，卻常讓團隊挑錯重點
這是整篇研究中最值得經理人深思的洞察。
實驗要求參與者先發想出五個提案構想，再從中挑選最看好的一個深入發展。數據顯示，有 AI 輔助的組別，最初提出的五個構想在平均品質上明顯較高。AI 帶來的效益不是單純把字數灌水或修飾詞彙，而是端出來的初始原料品質確實更好。
然而，當進展到「挑選最佳方案」的關鍵環節時，沒有 AI 輔助的人類團隊表現反而最好。他們挑中五個構想中最佳解的機率約為 50%；反觀使用 AI 的組別，挑中最佳解的機率只有 37% 左右。
究其原因，大型語言模型天生具備「順從與討好」的傾向。AI 通常很樂意沿著你的想法往下鋪陳，極少像資深同事那樣直接潑冷水：「這個前提本身就站不住腳，我們要不要退回第一步重想？」
同仁在跟 AI 對話時往往覺得互動極佳、思路順暢，構想也越寫越像一回事；但眼前這份提案是不是五個方案中最值得投入資源的選項，依然需要獨立客觀的批判思考。
這意味著企業不該讓同一位同仁、在同一個 AI 對話視窗中，一路從構想發想包辦到最終決策。更穩當的工作流程設計，應該將任務拆分為兩個階段：
第一階段善用 AI 擴充選項、補足視角、發展多組可行架構。第二階段則回歸預先設定的評選標準，交由未參與生成過程的第三方進行獨立審核，必要時引入反方辯證、盲評機制或第二套 AI 進行交叉檢驗。
AI 適合用來提升原料品質，但能不能挑對方向，終究考驗著人類的判斷力、質疑精神與承擔風險的肩膀。
發現四：工作過程少一點挫折，不見得全是好事
使用 AI 的同仁在自我評估中，普遍表達出更多的興奮感、活力與投入度，焦慮和挫折感也大幅降低。單人搭配 AI 所獲得的正向情緒回饋，甚至超越了未配置 AI 的雙人團隊。
對剛推動導入的企業而言，這當然是個好現象。同仁如果覺得 AI 有問必答、態度友善，不會嫌問題太淺顯，自然更願意持續探索工具。
但研究團隊也提醒，團隊協作中的摩擦與負面情緒並非毫無價值。適度的不同觀點、質疑與觀念拉扯，往往是深度檢視盲點的重要防線。AI 雖然讓工作流程變得更順暢舒適，卻也可能悄悄磨掉了那些必不可少的批判性挑戰。
主管不能只將員工「喜不喜歡用 AI」當成唯一的驗收指標。良好的使用體驗固然重要，但實質的決策品質仍需要另外建立驗證機制。
給經理人的四項實戰建議
一、 依據目標成果區分任務編組
例行性分析、初稿撰寫、資料彙整與標準提案，適合由單一負責人搭配 AI 快速交付；面對重大投資、新事業探索與高度不確定的決策議題，仍應維持跨領域團隊協作，再輔以 AI 強化產出。
二、 明確切分「發想擴張」與「決策篩選」
讓 AI 在前期發想階段全力輸出；但進入評選階段時，必須交由具備獨立判斷力的負責人進行查核與辯證，建立清楚的當責機制。
三、 結合真實業務情境培訓，拒絕提示詞背誦
研究中的受試者雖然接受了一小時的提示詞訓練，但僅有 38% 的同仁在實戰中採用了建議模板，且是否照抄模板對最終表現並沒有顯著影響。這並非代表培訓無用，而是培訓重點應該轉向問題定義、資料邊界釐清、人機協作方式、成果查核程序與責任歸屬。
四、 導入成效看實質產出，別只計算登入次數
評估 AI 效益時，建議透過盲評機制檢視導入前後的成果品質、處理時效、錯誤率、視角完整度與實際落地率。系統開啟了幾次、丟了多少指令，都不等於組織真正獲得了實質價值。
這項研究的觀察仍有其情境邊界：它來自單一大型跨國消費品企業、為期單日的工作坊，且鎖定在早期創新發想階段，使用特定版本的 GPT-4 與 GPT-4o；研究並未追蹤構想最終落地後的市場表現，臨時成軍的雙人組也無法完全等同於磨合多年的固定團隊。
但這項實證非常適合用來重新設計組織的工作流程，而非拿來當成單純的裁員計算器。
企業推動 AI 的思考重心，應該逐步從「員工有沒有開始用」，轉向「任務該如何重新編組」。
哪些流程只需一人搭配 AI 就能穩定維持 80 分的水準？哪些核心挑戰值得讓跨專業同仁搭配 AI，合力搶進前 10% 的頂尖格局？發想到了哪個關卡，必須由人接手負責篩選、否決與承擔結果？
能夠理清這三道題目的企業，才算真正把 AI 融入組織設計；否則只發帳號，本質上也不過是替同仁多買了一套個人軟體而已。