桃園有個做五金零件外銷的公司，去年十月我去那邊做了一次導入諮詢。業務部主管問我說，他們採購行政的人，原來負責每天整理報價單、把廠商回覆的 PDF 轉成 Excel、寫採購摘要，「這些 AI 都能做了，我要怎麼跟她說她還有工作可以做？」

然後他補了一句：「她在這裡做了九年。」

這個問題我被問過很多次。不同行業，不同職稱，但本質都一樣——行政人員被 AI 取代之後，他們可以做什麼？

我通常不急著回答。我會先問對方：「你覺得採購行政的核心技能是什麼？」

大部分人說：「整理資料、處理文件、跟廠商聯絡。」

我說：「那你說的這三件事，哪一件 AI 做不了？」

頓了一下，那個業務主管說：「跟廠商聯絡可能還是要人？」

「不一定，」我說，「AI 現在也可以寫廠商 email。」

然後我說，真正的問題不是哪些事情 AI 能做，而是哪些事情需要有人判斷。

整理資料跟理解資料，是兩件事

整理報價單，AI 做得非常好。你給它一百份 PDF，它在三分鐘內給你一張彙整好的 Excel，欄位清楚、數字準確，比人工快二十倍。

但這之後呢？

某家廠商報的單價比其他人低 18%，但交期寫的是「視訂量而定」。這個條件要怎麼解讀？要不要繼續談？談的時候要問哪些問題？

AI 整理出來了，但這些問題 AI 不會主動問你。

做了九年採購行政的人，她知道這家廠商去年有一次交期跳票，知道某些廠商的「視訂量而定」其實有個隱性門檻，知道採購主管在季末壓力大的時候偏好哪種方案。

這些是判斷的材料。AI 整理資料，但她知道資料背後的脈絡。

轉型不是要她去學 AI 工具，而是讓她知道自己原本會的東西，其實是 AI 做不到的那塊。

易經有個概念叫「問卦的人決定答案的品質」

我用易經做決策輔助的時候，最常說一件事：你怎麼問，決定你怎麼看答案。

同樣一個問題，「我要不要換工作」跟「我現在的工作環境有哪些讓我感到卡住的地方」，問出來的卦象，你讀的方向會完全不同。前者是封閉的是非題，後者是開放的分析請求。

AI 也是這樣。

「幫我整理這份報價單」跟「幫我從這份報價單裡找出三個廠商在交期條件上的差異，並標出最需要追問的地方」，跑出來的結果差很多。

行政人員的下一個位置，不是學怎麼用工具，是學怎麼問出好問題。

這聽起來很抽象，但其實不是。做了多年行政的人，她對業務流程的熟悉度比大多數人高。她知道什麼問題值得問，只是還不知道怎麼把這些問題轉成 AI 能回應的格式。

這個技能可以學。我通常跟這類客戶說，不用變成工程師，只要學會把腦子裡的判斷邏輯說得比以前更明確一點，AI 就能幫你放大。

從執行者到流程設計者

桃園那個做了九年採購行政的人，後來她老闆問我：「她可以轉什麼？」

我說：「她可以做採購流程的 AI 導入規劃。」

老闆問：「這是什麼職位？」

「現在很多公司沒有這個職位名稱，但有這個工作。」我說，「有人要去告訴 AI 系統，採購流程裡有哪些判斷點，什麼情況下要升級處理、什麼情況下可以自動化。這件事不能由工程師決定，因為工程師不懂採購邏輯。也不能由採購主管決定，因為他沒時間搞懂 AI 系統怎麼設定。中間需要一個橋。」

她做了九年，她就是最懂那條橋要怎麼搭的人。

現實是，這個轉型需要主動去學，需要有老闆願意配合，也需要時間。不是每個人都有這個條件。

但如果問「被 AI 取代之後可以做什麼」，比較準確的回答是：那些能把工作脈絡轉化成清晰問題的人，會比以前更有價值，而不是更沒用。

行政工作裡累積的情境知識，不是 AI 整理資料能取代的東西。問題是，你知不知道那是你的資產。

我那個桃園的客戶，最後決定讓那個行政人員去參加一個 AI 導入的內訓，不是教她學 Python，是教她怎麼描述採購流程、怎麼設定 AI 的工作規則。

她說她第一天下課的時候傳了一個訊息給我：「老師，我沒想到我以前記在腦子裡的東西，原來要這樣寫出來才有用。」

就這樣。