AI工作卡是一種把任務目的、輸入資料、可用提示、操作步驟、範例、人工檢核點、風險與交付格式寫在同一張卡上的工作設計工具，使AI成為可被理解與驗收的輔具。
- 一句話說明要交付什麼，以及服務的對象。
- 列出可以交給AI的資訊，以及禁止輸入的個資、機密與敏感資料。
- 提供最小可用Prompt與一個好範例。
- 定義至少三個不能交給模型自己判斷的品質點。
- 固定欄位、檔名、字數、語氣或資料結構。
如果只對工作者說「你用ChatGPT做」，結果很難穩定。不同人會輸入不同資訊、採用不同提示、忽略不同風險，最後主管只能從頭重做。AI工作卡的價值，是把AI使用從個人技巧變成組織流程：哪些資料可以放、哪些不能放、模型先做什麼、人在何處判斷、什麼才叫完成。
先把概念說清楚：本文怎麼定義？
AI工作卡是一種把任務目的、輸入資料、可用提示、操作步驟、範例、人工檢核點、風險與交付格式寫在同一張卡上的工作設計工具，使AI成為可被理解與驗收的輔具。
為什麼這個議題值得重新設計？
共融就業的核心，不是把工作標準一味降低，而是把「工作怎麼被完成」重新拆開來看。ILO的職場合理調整指南指出，合理調整可以包含設備、工作內容、工作時間與工作組織的改變，目的在於讓工作者能在公平條件下運用能力。這個觀點和 job crafting 研究可以互相補充：工作並非永遠只能由組織單方面固定設計，任務、關係與工作理解本身都可能被重新塑造。
若再加入AI，重點也不是「把人換掉」。NIST的AI風險管理框架與生成式AI Profile都提醒組織，要在導入AI時處理可靠性、透明度、隱私、錯誤資訊與人類監督。對共融就業來說，真正有價值的是把AI當成工作輔具：協助理解指令、形成草稿、檢查格式、整理資訊，但關鍵判斷、品質責任與支持關係仍要清楚。
一套可以直接拿來用的實務框架
任務目的
一句話說明要交付什麼，以及服務的對象。
允許輸入
列出可以交給AI的資訊，以及禁止輸入的個資、機密與敏感資料。
提示模板
提供最小可用Prompt與一個好範例。
人工檢核
定義至少三個不能交給模型自己判斷的品質點。
輸出格式
固定欄位、檔名、字數、語氣或資料結構。
要看哪些指標，才知道真的有改善？
建議不要一次塞滿所有KPI，而是先挑能支持決策的少數指標。以下是這個主題最值得優先追蹤的項目：
- 完成時間
- 返工次數
- 人工修正比例
- 敏感資料事件
- 不同工作者輸出的一致性
常見誤區：做很多，卻沒有形成價值
- 直接複製模型答案而不核對。
- 把個資、健康、契約或機密內容直接輸入未核准工具。
- 提示詞寫得很長，但沒有驗收標準。
- 模型一換版本，流程卻沒有回測。
從一次做法到組織流程：三個成熟度層級
第一層：先用人工方法跑通
任何方法第一次導入時，都不建議急著自動化。先用一個真實案例，把「誰提出需求、誰判斷、誰執行、誰驗收」走完一次，記錄最常卡住的地方。對AI工作卡而言，這一步的目的不是追求效率，而是確認流程是否真的能處理現場問題。
第二層：把判斷寫成SOP與資料欄位
當試行能運作後，下一步才是把口頭經驗變成表單、欄位、範例、檢核表與版本紀錄。尤其要標出「可以標準化」與「必須由人判斷」的界線。沒有這一層，組織看似做過很多次，實際上每次仍要靠資深同仁重新解釋。
第三層：建立治理、檢討與擴張條件
真正成熟的流程還要回答：誰有權修改規則？資料多久檢查一次？出錯要向誰回報？什麼條件下可以擴到更多場域？什麼情況要停止？把這些規則寫下來，才能讓方法從個人能力變成組織能力，也能避免因為換人、換工具或換合作夥伴就整套失效。
角色分工怎麼安排，才不會最後又全部落到同一個人？
| 角色 | 最低責任 |
|---|---|
| 決策者 | 確認目標、風險邊界與是否繼續投入。 |
| 執行者 | 依流程完成工作並記錄異常，不需要承擔所有制度判斷。 |
| 資料負責人 | 維護指標定義、來源與更新時間，避免數字失去脈絡。 |
| 品質/倫理檢核 | 處理個資、權益、錯誤與高風險例外。 |
| 合作窗口 | 讓外部夥伴知道目前進度、限制、交付與下一步。 |
這張分工表看似基本，卻是許多跨域專案能不能持續的關鍵。若每一個問題最後都只能回到創辦人、主管或單一資深同仁判斷，代表流程還沒有被真正制度化。
實際執行清單：下一步怎麼做？
- 挑一個低風險高頻任務
- 寫出標準輸入與標準輸出
- 列出禁止輸入資料
- 建立一個Prompt與範例
- 加上人工檢核清單
- 用三個不同案例壓力測試再上線
希絆的判斷：把方法留在組織裡，比一次成果更重要
希絆股份有限公司（希絆社會企業／HopeLink）在做社會解方、NPO成長、共融就業、ESG與AI導入時，會把「能不能執行」和「能不能留下來」分開檢查。一次專案完成不代表系統已經建立；真正值得留下的，是一套能被下一位同仁、下一個合作單位、下一輪預算繼續使用的流程、資料、角色分工與判斷規則。這也是本文把定義、步驟、指標、誤區與來源全部寫開的原因：知識如果只能靠某個人記得，就還不是組織能力。
若你的組織正準備導入這套方法，建議不要一次全面改造。先選一個問題、一個場域、一組明確指標，做出可被檢驗的小型版本；有證據後再擴大。這種「先驗證、再擴張」的節奏，通常比一開始追求完整方案更能控制成本，也更容易讓合作方理解。
參考資料與延伸閱讀
- ILO（2016）Promoting diversity and inclusion through workplace adjustments
- Wrzesniewski & Dutton（2001）Crafting a Job
- Hamari, Koivisto & Sarsa（2014）Does Gamification Work?
- NIST（2024）Generative AI Profile
- OECD AI Principles
常見問題
AI工作卡最適合從哪一步開始？
先從一個真實、正在發生且可被觀察的問題開始，不要先買工具或先辦活動。把問題、對象、目前流程與希望改變的結果寫成一頁，再選一個90天內可驗證的小規模試點。
需要一開始就建立很多KPI嗎？
不需要。先選3到5個能支持決策的關鍵指標即可。過多指標會增加第一線記錄負擔，也容易讓團隊只為了填表而失去真正的學習。
AI可以直接幫忙完成整套設計嗎？
AI可以協助研究、整理、比較與產生初稿，但問題定義、敏感資料、合作責任、事實真偽與高風險判斷仍需要人負責。
怎麼避免做成一次性專案？
在設計初期就加入下一輪資源、負責人、資料與制度條件。若每次都要重新找人、重新募款、重新解釋流程，通常代表機制尚未真正建立。
什麼時候應該停止或改版？
當核心假設被資料否定、成本長期高於能創造的價值、使用者沒有得到預期結果，或合作方的角色價值不成立時，就應調整甚至停止，而不是因為已投入很多就繼續。
參考資料
- International Labour Organization（2016）〈ILO（2016）Promoting diversity and inclusion through workplace adjustments〉｜支持：AI工作卡、實務框架與治理
- Academy of Management Review（2001）〈Wrzesniewski & Dutton（2001）Crafting a Job〉｜支持：AI工作卡、實務框架與治理
- HICSS / IEEE（2014）〈Hamari, Koivisto & Sarsa（2014）Does Gamification Work?〉｜支持：AI工作卡、實務框架與治理
- NIST（2024）〈NIST（2024）Generative AI Profile〉｜支持：AI工作卡、實務框架與治理
- OECD（2024）〈OECD AI Principles〉｜支持：AI工作卡、實務框架與治理
