把自動化究竟拿走了什麼算出來的人力規劃分析

理由榜首換成AI的那一年，裁員總量其實在往下走

Challenger, Gray & Christmas 是一家每月盤點美國企業裁員公告的再就業服務公司。它2026年7月的報告裡，有兩個數字適合擺在一起看。7月宣布的裁員是33,429人，比6月的45,849人少了27%；1到7月累計477,033人，比去年同期的806,383人少了41%。可是在同一份報告中，7月裁員理由的第一名是AI，單月10,970人，佔當月的33%。年初以來把AI列為理由的裁員累計112,713人，約佔整體的24%。

兩件事並排就變得不好解釋。AI爬上理由榜首的這一年，公布出來的裁員總量反而掉了四成以上。其他理由也都不小：同期累計裡，市場與經濟情勢90,075人、廠所關閉84,630人、組織重整57,476人、失去合約40,758人。

得先弄清楚這份統計在數什麼。Challenger 數的是企業自己寫進公告的理由，那是公司挑的說法，不是查證出來的原因。《金融時報》最近追問近期的裁員是不是真的因為AI，問的正是這一層。寫成「配合AI導入的組織調整」，投資人讀到的是一家在布局未來的公司；寫成「需求走弱」，讀到的是一家生意變差的公司。同一批裁員可以撐起這兩句話，而這兩句話的價格不一樣。

於是公司裡開始需要一個人去核對這句話。要做的是把真正縮掉的是哪一類工作、縮掉的時點跟工具上線對不對得上、還是這條走勢在上線前就已經在跑，用資料一層一層拆開。這不是人資部門做報表，是在處理因果，所以職缺開在資料科學這一側。

台灣的版本，藏在資遣通報和人力調度裡

台灣至少有一個外部看得到的入口：依規定雇主資遣勞工要向地方勞工主管機關通報，大量解僱另有專法。所以在台灣，人數這件事不是完全黑箱。但通報表上的原因欄位仍然是雇主自己填的，而那正是這份工作要處理的同一個縫隙。從外面能看到人數，看不到那個人數是怎麼來的。

另一個台灣特有的條件是產業結構。科技製造業的人力調度習慣是在廠區與專案之間轉調，而不是直接對外裁減，所以同一個技術變化在這裡更常表現成「某條線的人被調去哪裡」以及「今年的儲備幹部招幾個」。這些動作在財報上看不出來，在人資系統裡卻留有紀錄。有人把這些紀錄接起來看，管理層才會知道自己這兩年到底把人往哪裡搬。

這份工作的分析單位是任務，不是員工。「這個團隊需不需要一百個工程師」沒辦法分析。換成「這個團隊一個月交付的工作照類型拆開，各幾件，每一類平均花幾小時」，計算才開始。拆開之後，工具上線會表現為組成比例的改變：某一類工單塌了下去，另一類完全沒動。如果程式碼審查的等待時間縮短，需求釐清卻還是要三週，那麼人這個瓶頸只是換了位置，並沒有消失，人力規劃應該跟著瓶頸走。

韓國開發研究院2023年的一份報告用數字把這個區分講清楚了，而它量到的落差不只屬於韓國。該報告估算，韓國有38.8%的職務在技術上可以自動化掉七成以上的任務；同一份報告裡的實際導入率，是十人以上民營企業的2.7%，縮到250人以上的企業約20%。技術上做得到的面積，和真的裝上去的面積，就差這麼多。這個職務工作的地方，就在這道縫裡。順帶一提，這組數字本身停在2023年，而能把這種規模的調查每年重跑的機構並不多。公司需要有人做出自己的最新版本，理由就在這裡。

工具跟資料科學家原本用的差別不大。SQL把人資系統和業務系統的紀錄接起來，Python或R做上線前後的比較，再做成儀表板讓人資主管每個月打開。不同的是資料本身。一家公司的員工數在統計上是小樣本，顯著性很難跑得出來，組織調整又把時間序列切得零碎。所以真正吃功夫的是研究設計而不是模型精度：哪些團隊可以當對照組，哪一次組織變動能當自然實驗，出題的人沒想到的干擾變數躲在哪裡。

跟鄰近職務的界線也值得記一下。顧問公司的人才轉型顧問是向組織建議該做什麼，這個職務是量組織實際做了什麼；法務是在決定作成後替它辯護，這個職務是把決定要靠的證據做出來。三方坐進同一間會議室的情況並不罕見。

資料最晚才開，結論卻直接落在人身上

先講不利的部分。人資資料是公司裡最晚對你開放的資料。個資規範壓在上面，又直接連著勞資關係，新人不會一進來就拿到查詢權限。也要先想清楚：自己跑出來的分析，可能變成砍掉某個職務的依據。因為數字不合意而被要求「再跑一次」的頻率，也比做產品分析時高。

入口主要兩條，養出來的分析師不太一樣。一條是以資料科學家或資料分析師的身分進公司，接了組織相關的題目之後轉過來；統計和實驗設計本來就在，要補的是職等制度、薪酬結構和勞動法規。另一條是從人資規劃或招募做起，再把分析能力加上去；這種人知道每個欄位當初為什麼那樣記，讀資料時比較不會誤判。哪一條占優，看公司把這個團隊放在人資底下，還是放在集團資料部門底下。

老實說，專門設這個職位的公司還不多。多數情況是人資規劃的同事拿試算表兼著做，職缺上也很少單獨列出職稱。反過來看，應徵者裡幾乎沒有真的碰過人資資料的資料科學家。工作三到六年之間做過一次這類專案的人，在組織調整頻繁的公司會被一再找上門。

還在念書的話，有一個不需要公司資料就能做的練習。從公開的勞動統計裡把跟自己科系相關職業的職缺數按月抓出來畫成一條線，找出這條線轉折的那個月，去查那個月發生了什麼事。最後寫下一行：要說那件事是原因，還缺哪些資料。最後這一行就是這份工作的全部。而且到現在為止，光靠公開資料，外部沒辦法驗證一份資遣公告上寫的理由是不是真的。這種驗證只能在公司內部做，這就是這個位子被放在公司內部的原因。