如果你第一天進一家 AI 公司上班，
最意外的事情可能不是：
公司要求你每天用 AI。
而是主管告訴你：
「先不要用。」
這件事最近真的發生在紐約金融科技公司 Valon。
Valon 並不是一家排斥 AI 的傳統公司。
剛好相反。
它正在打造用於房貸服務的現代軟體平台，官方網站直接把 AI Agents、工作流程自動化與複雜金融任務放在產品核心。
但公司最近卻做了一個看起來非常矛盾的決定：
所有新進非工程職員工，先關閉 AI 權限。
不是永久禁止。
也不是認為 AI 會讓人變笨。
而是公司發現了一個新的問題：
AI 可能把工作做得太快，快到新人還沒真正學會工作。
資深員工 20 分鐘做完，新人卻可能因此少掉幾個月的學習
Valon 執行長 Andrew Wang 說，
公司裡有經驗的員工使用 AI 後，
以前需要幾個小時，
甚至幾天才能完成的事情，
現在可能：
20 分鐘就解決。
這聽起來完全是一件好事。
如果一家公司投資 AI，
不就是希望：
更快、
更便宜、
更有效率嗎？
問題是，
那些被 AI 消掉的麻煩工作，
以前剛好還有另一個功能：
訓練新人。
新人以前怎麼學房貸服務？
不是只讀一本 SOP。
而是真的碰到：
對帳錯誤、
資金移動異常、
資料對不起來、
系統例外、
流程中間某一步出了問題，
然後自己一路往回追。
到底哪裡錯？
哪一筆資料先進來？
哪一個系統改了什麼？
什麼情況是正常例外？
什麼情況才真的有問題？
這些工作很慢。
也很煩。
但做久了以後，
新人腦中會慢慢長出一張：
「這份工作到底怎麼運作」的地圖。
AI 最大的問題不是給錯答案，而是新人不知道答案錯了
Valon 提到一個非常值得注意的情況。
新人現在可能很快就能透過 AI，
得到一個：
大概 95% 正確的答案。
95% 聽起來已經非常好了。
但真正危險的是剩下的 5%。
因為一個已經做了幾年的人看到 AI 回答，
可能立刻察覺：
這裡不對。
這筆錢不可能這樣走。
這個規則少了一個例外。
這個客戶的狀況不能套一般流程。
但新人看到同一個答案，
可能只會想：
寫得很完整。
邏輯很順。
應該可以用了。
所以問題不是：
AI 會不會犯錯？
而是：
使用 AI 的人，有沒有能力知道它犯錯？
以前「犯過錯」本身就是訓練的一部分
這也是 AI 導入工作後，
很容易被忽略的一件事情。
我們通常把效率想成：
步驟愈少愈好。
時間愈短愈好。
最好按一個按鈕，
答案就出來。
但如果你正在學一件事情，
那些被省掉的步驟，
有時候反而就是學習本身。
一個會計新人第一次：
對不起帳，
他會開始理解每個數字從哪裡來。
一個客服新人第一次：
判斷錯客戶問題，
他才會知道哪些例外不能照標準回答。
一個工程師第一次：
自己追 Bug，
會慢慢建立系統之間的關聯。
一個行銷新人第一次：
自己拆數據，
才會發現「一起發生」和「真正原因」不是同一件事。
如果 AI 一開始就直接把：
答案、
摘要、
判斷、
解法
全部交出來，
新人可能很快變得：
看起來會做。
但真正遇到 AI 沒看過的例外時，
才發現自己根本不知道下一步。
所以 Valon 不是永久禁 AI，而是先建立「解鎖條件」
這一點很重要。
Valon 沒有說：
新人一年內禁止 AI。
也沒有宣布：
AI 對員工有害。
Andrew Wang 自己形容，
直接關閉 AI 權限其實是一個：
很粗糙、暫時性的做法。
現在的原則是：
等主管可以確認這名新人已經懂得足夠多，
能夠：
質疑模型、
驗證輸出、
辨認錯誤，
AI 權限就可以開放。
換句話說，
它真正設下的不是：
「用了多久才能用 AI」。
而是：
「你有沒有能力監督 AI？」
這個差別非常大。
更有趣的是：問題不只出在新人，還開始影響資深員工
如果新人使用 AI 產出大量看起來很完整、
但裡面藏著錯誤的工作，
最後誰要修？
通常還是資深員工。
Business Insider 報導，
Valon 一些有經驗的員工反而支持這項政策。
原因之一就是：
他們之前得花時間清理新人沒有充分檢查的 AI 產出。
這形成一種很奇怪的效率假象。
表面上：
新人五分鐘完成了。
實際上：
資深員工後面又花四十分鐘檢查與修正。
公司的 Dashboard 可能看到：
AI 使用量上升。
每個人產出增加。
但整條工作流程加起來，
不一定真的比較快。
而且 AI 用得愈多，不代表公司愈 AI-native
Wang 還發現另一個問題：
員工有時連很簡單的事情，
也直接叫高階、昂貴的 AI 模型處理。
這是企業導入 AI 後很容易出現的第二個誤區：
把「使用 AI」本身當成進步。
但真正該問的是：
這件事需要 AI 嗎？
需要這麼強的模型嗎？
AI 做完後誰檢查？
如果錯了，代價多少？
公司到底省下什麼？
Valon 預估，
調整 AI 使用方式後，
年度化 Token 支出可能從約 1,500 萬至 2,000 萬美元，
下降到約 400 萬至 500 萬美元。
這是公司自己的預估，
不能拿來當成所有企業都能省 70% 以上。
但它至少證明一件事：
AI 用得更多，和 AI 用得更好，是兩回事。
這件事真正打中的，是「學徒制度」正在消失
以前很多專業工作的新人，
都有一段不好玩的時間。
整理資料。
做初稿。
查文件。
對數字。
跑測試。
處理小問題。
資深員工做重要判斷，
新人做大量基礎工作。
這套制度當然有缺點。
有時只是把無聊工作丟給新人。
但它同時也是很多產業的：
apprenticeship model，也就是學徒式訓練。
你先做小事。
你犯小錯。
別人糾正你。
你慢慢理解整個系統。
最後才開始負責重要決定。
而生成式 AI 最先擅長的，
偏偏就是這些：
初稿、
整理、
搜尋、
比對、
摘要、
基礎分析。
所以企業現在遇到一個以前沒有的問題：
如果所有入門工作都被 AI 做掉，下一代資深員工要從哪裡長出來？
這不是叫新人「不要學 AI」
如果最後的結論變成：
新人不要用 AI，
其實也走到另一個極端。
因為未來工作環境裡，
會使用 AI、
知道怎麼交代任務、
懂得驗證結果、
知道什麼時候不該用 AI，
本身就是工作能力。
Valon 的做法真正值得看的地方不是：
先禁 AI。
而是它開始把員工能力拆成兩個階段：
第一階段：
先理解工作。
第二階段：
再用 AI 放大能力。
順序不能完全倒過來。
如果沒有第一階段，
第二階段很容易變成：
AI 做，
人負責相信。
最後需要重新設計的，其實是新人訓練
企業以前問：
新人第一週要看哪些教材？
要跟誰 Shadow？
多久可以獨立作業？
現在可能還要再多一題：
什麼時候可以使用 AI？
而這個答案最好不是：
第一天全部開放。
也不是：
三個月全部禁止。
比較合理的方式可能是：
哪些工作可以一開始用 AI？
哪些工作至少要親手做過一次？
哪些錯誤一定要學會自己辨認？
什麼能力達標後，
才能把這一步交給 AI？
甚至可以讓 AI 變成老師，
而不是代寫答案的人。
例如先要求新人自己判斷，
再讓 AI 提出不同觀點。
先自己找出錯誤，
再讓 AI 補充。
先寫出流程，
再讓 AI 找漏洞。
這樣 AI 不是把學習過程拿走，
而是把：
回饋速度加快。
AI 時代真正稀缺的，可能不是答案，而是判斷力
以前資訊很難找。
所以知道答案的人很有價值。
現在答案愈來愈便宜。
幾秒鐘就能產生：
Email、
報告、
程式、
分析、
簡報、
建議。
真正變得昂貴的，
反而是另一件事情：
你怎麼知道這個答案值得相信？
這種判斷力很難靠一句 Prompt 得到。
它通常來自：
做過、
錯過、
追過問題、
看過例外，
最後才形成經驗。
所以 Valon 這個看起來很反 AI 的決定，
其實可能是一種更激進的 AI 思維。
它不是問：
「怎麼讓每個人盡快用上 AI？」
而是問：
「怎麼確保 AI 放大的，是人的能力，而不是人的無知？」
這可能才是企業下一階段真正要面對的問題。
當 AI 可以替新人跳過所有麻煩步驟，
公司要保留下來的，
也許不是那些麻煩本身。
而是那些麻煩原本教會人的東西。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
