陪你和 AI 協作，
也練好 AI 代勞不了的能力。
開始和 AI 協作，就從 ArchCross 開始。
做了十幾年 HR，
現在用 AI 協作把真實工作做成系統。
很多排不進 IT 排程、軟體又不合用的工作，最後都靠人工拉 Excel 解決。我在 HR 現場做了十幾年，也親手帶著 AI 做出十幾套微系統，把這些事交給 AI 和自動化，人只做判斷。所以我能幫你把一件真實的工作拆清楚：哪些交給 AI，哪些留給自己，交出去之後又該怎麼檢查。
HR 十幾年的經驗，從招募、訓練到系統導入，再一路做到數位轉型、流程自動化與 AI 應用；也協助企業拿下多項國家級的人才發展與品牌獎項。
大家都知道重要，卻一直沒人解決的工作
這些工作做錯會有合規風險，大家都知道要顧好，但排不進 IT 排程、市面上也沒有合用的軟體，只能靠人工硬撐。我先把整個流程重新設計，決定哪幾步交給程式和 AI、哪幾步一定留給人，再和 AI 一起把它做出來。下面是幾個例子。
-
法定訓練追蹤
幾百個人各有不同的到期日，靠 Excel 盯不住
原本可能兩週就要拉一輪 Excel 公式，再一筆一筆看名單上有沒有離職的人。我把流程拆開重排，比對紀錄、算時數、發通知交給平台每天跑，人只處理異常。
-
新人訓練查核
每個新人的期限都不一樣，還有離職又回任的特殊情況
依到職日自動算出每個人的期限，直接列出快來不及和已經逾期的人；回任的同仁也照間隔多久，自動判斷要不要重上。
-
證照審核
證照照片一張一張來，每張都要核對欄位
流程改成 AI 先把欄位讀出來、規則先比對一次，審核人只看比對結果，最後親手按下核准；每一筆裁決都留下紀錄。
-
離職人員證照稽核
人已經離職，證照登錄卻還掛著，是合規風險
原本靠人工比對兩份名單，費時又容易漏。現在每週自動比對一次，直接產出要註銷的名單。
-
訓練時數申報
時數規則複雜，同一份上課紀錄要分別報給內部和外部
拆分規則和申報格式交給程式，上課名單自動整理成內部紀錄和外部申報兩份，人只核對系統標出來的例外。
-
組織圖與接班人盤點
人事資料裡有髒資料，組織圖和盤點表很容易出錯
先把主管查無此人、循環參照這類錯誤全部列出來再畫圖，畫面看到什麼就匯出什麼；接班人盤點每年分開保存，同一個人被排進多個職位會主動提醒。
做成系統之後
花在重複作業的時間少了，管理上隨時看得到進度和異常；承辦人換了，規則還留在系統裡，接手的人不用從頭摸索；該抓的錯也不再靠人眼一筆一筆找，風險跟著降下來。
其他還有績效管理平台、人才卡批次下載、文件合併等工具。
機器當 Maker，
人當 Checker
每套工具都照這個原則做：讓機器負責計算與產出，由人掌握最後的確認。
- AI方案生成、架構推導、研究分析與寫程式碼
- 自動化固定規則與對錯檢核
- 人例外狀況與寫入正式系統前的確認
做這些系統時，我一直守著的四件事
-
先重新設計流程，再決定用什麼工具
只換工具、流程不動，原本卡住的地方還是會卡住。我做每一套微系統，都是先把流程拆開重排，才決定哪幾步交給程式和 AI。
讀〈AI 導入重點是流程重塑：企業必備的四層任務拆解架構〉 → -
能力要在真實工作裡練
課堂上學的方法，要在真實工作裡做過一次才會留下來。所以 Studio 先讓你換個情境自己做一次再看回饋，Kaico 從你下週真的要辦的事生成對話。
讀〈課堂上做完一件真實工作，AI 培訓才能真正落地〉 → -
有錯就攤開，不默默略過
組織圖工具碰到髒資料，會全部列進診斷清單，不偷偷修掉；Compass 的報告，第二個 AI 在對話裡找不到依據的觀察就不寫，線索還不夠的方向會直接註明。
讀〈將例行作業交給 AI ，一定要先陪跑對及抓漏〉 → -
資料只用在該用的地方
微系統比對用的報表、打包用的暫存檔，用完就清掉；Kaico 的伺服器只收辨識出來的文字，不收錄音；發展檔案裡的每一條觀察，你都可以確認、反駁或隱藏。
讀〈建立 AI 秘書前一定要知道的資料安全與隱私邊界〉 →
AI 做得越多，人越需要這四種能力
我在 HR 專注於學習與發展（L&D）。在 AI 普及的工作環境中，每個人都需要四項扎實的能力：與 AI 協作，以及人必須親自鍛鍊的判斷力、自我認知與語言表達。這四個產品是我與 AI 共同做出來的預覽版，也是這項理念的具體實踐。程式交給 AI 寫，每個產品要問什麼、怎麼練、回饋怎麼給，則來自我在 L&D 現場累積的判斷。