員工抗拒 AI 的 5 種組織阻力,嵌入式團隊如何一一拆解

上個月我們盤點一家製造業客戶的 Copilot 使用數據。導入三個月,授權發了兩百張,週活躍使用者十一人。不是工具爛,系統跑得好好的,問答準確率我們自己測都有八成。問題是,沒人想用它。

這就是 AI 導入抗拒最真實的樣子。它很少是「這個功能不好用」這種技術問題,而是一連串沒被說出口的組織阻力。你把模型調到再準,只要現場的人心裡有結,採用率就是上不去。過去兩年我們在金融、醫療、製造的現場蹲點,把這些結歸納成五種。每一種背後,都藏著一個比「我不會用」更真實的動機。

阻力一:生存焦慮——「這是不是要取代我?」

最常見,也最少被講出來。員工不會走到你面前說「我怕被裁」,他會用別的方式表達:遲遲不登入、開會時挑系統毛病、把 AI 產出的東西全部重做一遍以證明自己還有價值。

真實動機不是抗拒技術,是保護飯碗。我們在一家保險公司遇過一位資深核保員,她私下把 AI 建議全存下來,不是要用,是想蒐證——證明這東西會出錯、不能沒有她。

拆解的方法不是喊口號說「AI 不會取代你」,沒人信。我們的做法是進場後第一週就跟她一起重新定義她的工作:把她從「一天核一百件」的產能指標,改成「訓練 AI 判讀複雜案件、當最終把關者」。當她的價值從速度變成判斷力,焦慮才真正鬆開。這是 FDE 前線部署工程師的核心動作——不是丟工具,是重畫每個人的角色邊界。

阻力二:負荷超載——「我連現在的事都做不完」

第二種阻力聽起來像藉口,其實是實話。導入 AI 在管理層眼中是「減負」,但在第一線員工的體感裡,前三週一定是「加負」:要學新介面、要改舊流程、要一邊做本來的工作一邊適應。

如果你要求他們額外撥時間學習,他們會用最合理的方式抵抗——把它排到永遠不會到來的「有空的時候」。

我們的原則是:AI 必須嵌進他們既有的動線,而不是多開一個視窗。與其做一個漂亮的獨立平台,我們寧可把 Copilot 塞進他們每天已經在用的 CRM 或客服後台,讓「用 AI」跟「做原本的工作」是同一個動作。省下的第一個五分鐘要在第一天就發生,不是第三個月。

阻力三:信任崩塌——「它上次答錯,我就不信了」

人對 AI 的信任極其脆弱。一個同事失誤十次你還會共事,AI 錯一次,很多人就永久下架它。這是不對稱的評判標準,但它真實存在。

背後的動機是責任歸屬。員工心裡算的是:如果我照 AI 說的做,結果錯了,扛責的是我,不是模型。在這種風險結構下,不信任是理性選擇。

拆這個結有兩層。技術層,我們用 RAG 讓每個答案都附上出處,員工點一下就能看到依據來自哪份文件、哪一條規章——把黑盒子變成可查證。心理層,我們幫團隊劃出清楚的分工:哪些場景 AI 可以直接執行,哪些一定要人覆核。當責任邊界寫清楚,信任才有地方落腳。

阻力四:隱性權力——「這不是我們這裡的做法」

這種阻力來自資深員工,最難處理。他們的價值,很多藏在沒被寫下來的經驗裡——哪個客戶不能得罪、哪張單要繞過哪個流程、哪種例外怎麼判。這些「內隱知識」就是他們的權力來源。一旦 AI 把知識標準化、可複製,他們的稀缺性就被稀釋了。

所以他們的抗拒往往包著專業的外衣:「這個系統不懂我們的眉角。」

我們不跟他們硬碰,反過來請他們當「知識的作者」。導入 RAG 知識系統時,我們讓資深者主導定義規則、餵入他們的判斷邏輯,署名掛在上面。他們從「被取代的對象」變成「AI 的老師」。這一步的政治意義,遠大於技術意義。

阻力五:被決策排除——「上面決定的,沒人問過我」

最後一種,是純粹的權力感受問題。當導入是一紙由上而下的命令,第一線會用消極抵抗回應:照最低限度用、絕不主動探索、出問題就攤手說「這又不是我選的」。

真實動機是尊嚴,是「我在這件事上有沒有話語權」。

這也是為什麼我們堅持 FDE 要進場,而不是遠端交付一套系統。工程師坐在現場,把使用者拉進設計過程——他們吐槽的每個痛點,都變成下一版的調整。當員工看到自己抱怨的地方真的被改掉,「別人的專案」才會變成「我們的工具」。

五種阻力對照表

回頭看那家使用率只有 4% 的客戶。我們沒有換系統,也沒有加功能。我們做的,是把這五種阻力一個一個攤開來談,再一個一個拆。四個月後,週活躍從十一人變成一百六十人。

這就是我們相信「Demo 很美不算數,上線且有人在用才算數」的原因。技術從來不是採用的瓶頸,人才是。而人的問題,只能靠人坐進現場,一起解。