我們在客戶現場最常聽到的一句話是：「培訓都辦了，人還是不會用。」
講這句話的人，語氣通常不是抱怨預算，而是困惑。課程辦了、講師請了、課後滿意度問卷的分數也漂亮，回到工作崗位之後，該出現的改變卻沒有發生。過去我們習慣把原因歸給學員不認真，或主管不夠支持。但 2026 年 8 月，Anthropic Research 的經濟研究團隊發布了一份實證回顧，讓這件事有了更清楚的解釋：培訓不是沒用，而是有用得讓人意外地小。
那份回顧整理了 56 項美國隨機對照研究（randomized controlled trial，隨機對照試驗），再加上歐洲的實驗資料。這類研究不是發問卷，而是把參與者隨機分派到「受訓」與「不受訓」兩組，再比較後續結果，是少數能撐起因果推論的研究設計。結論有三個數字值得企業記住：培訓使就業率上升 2 到 3 個百分點，年收入增加約 1,000 美元，而人均成本約 13,000 美元。
以個人來說，每年多一千美元的收入提升仍然值得；但站在企業或政策的角度看，一萬三千美元的投入換回這樣的報酬，回收期相當長。研究同時指出，效果並非全面平淡：少數與雇主合作、直接把學員安置到職缺的「行業夥伴計畫」，成效比一般方案高出數倍。問題也正好出在下一句：這些計畫複製經常失敗。
為什麼成效複製不了
真正的關鍵不在「有沒有效」，而在「能不能複製」。成效高出數倍的那一批計畫，複製失敗的方式還很一致。
原因不難理解。就業率與收入的變化，不是課程品質的函數，而是幾個外部條件的函數：市場上有沒有真實職缺、雇主願不願意參與、安置管道是否暢通、結訓之後有沒有人接手。一個方案在某個產業、某組雇主關係、某個勞動市場條件下成功，把它的教材與流程原封不動搬到另一個組織，等於假設那些條件會跟著一起搬家。多數時候，它們不會。
這也是企業評估培訓時最常見的誤判：把單一個案當成通則。看到同業某個方案效果好，就推論同一套做法搬到自家也會有效，卻沒有先檢查自家缺的是課程，還是缺職缺、缺用人端的承接機制。課程可以買，環境條件沒辦法一起買進來。
台灣的缺口：工具跑得比人快
把鏡頭拉回台灣，情況同樣值得注意。AIF《2026 台灣產業 AI 化大調查》顯示，44.7% 的企業完全沒有任何 AI 人才培訓計畫；在 AI 化指數的各個子項目中，「人才策略」的得分最低，只有 29.17 分。同一份調查裡，整體 AI 化指數從 36.77 升至 46.32。工具導入的速度，明顯快過人才準備的速度。
另一個角度來自台灣微軟的《2026 工作趨勢指數》：影響 AI 成效的因素中，組織文化、主管支持與人才管理機制合計佔 67%，是個人因素（32%）的兩倍以上。同一份調查還指出，全球有 26% 的 AI 使用者認為領導層具備清晰一致的 AI 策略，台灣的比例只有 17%。
把這兩組數字放在 Anthropic 的實證回顧旁邊，圖像就清楚了：培訓成效的瓶頸，通常不在課程本身，而在課程之外。這也解釋了為什麼課上得再好，回到組織的日常運作裡，效果仍然容易被抵銷。
三個提醒
提醒一：培訓要綁真實職缺與用人端
回顧中成效最好的那一批方案，共同點不是教材多精美，而是與雇主合作、直接安置。對企業來說，這意味著培訓從一開始就要有用人端參與：哪個職務缺人、缺什麼能力、結訓後進哪個位置、誰負責帶。把培訓當成一堂課來辦，效果的上限就在那裡；把它當成一條從需求到安置的流程來設計，才有機會碰到那個高出數倍的天花板。
提醒二：用「小規模驗證」取代「複製成功案例」
既然成效高度依賴環境條件，直接複製別人的成功方案就是高風險動作。更務實的做法是先做小規模驗證：找一個部門、一條職務線，帶著真實職缺與真實主管參與跑一輪，量測留任、產能、上手時間這類可觀察的指標，再決定要不要放大。Anthropic 的建議方向也是如此：現在的功課是投資驗證與擴展最佳方案，而不是等衝擊發生後再補救。驗證的價值不在於證明方案會成功，而在於及早知道它在自家的條件下不成立。
提醒三：別等 AI 衝擊才補救
回顧的結論講得很直白：如果 AI 大規模取代勞動力，現有的再培訓計畫將遠遠不夠。這句話對企業的意義不是恐嚇，而是排程問題。人才策略的建置需要時間累積，主管的承接能力也需要反覆練習；等到職務真的被重塑、人力真的吃緊，才開始設計培訓，訓練的能量與安置管道都不可能臨時長出來。
回到我們的第一線觀察
我們在客戶現場看到的落差，和這份研究指向的是同一個地方。問題很少是「課不夠好」，多半是課與職缺之間的那一段流程沒有被設計過：需求沒有被定義清楚，主管沒有被放進流程裡，結訓之後沒有人接手追蹤。與其再買一堂更好的課，不如先回答幾個更具體的問題：這個培訓對應的是哪個職缺、由哪個主管承接、結訓後前三個月誰負責追蹤、用什麼指標判斷它有沒有用。
這些問題不好回答，也不容易在提案書上寫得漂亮。但比起再辦一場滿意度很高的培訓，它們更接近成效真正發生的地方。
資料來源
- •Anthropic Research（Economics Team），〈Reviewing the evidence on worker retraining programs〉，2026-08-12，https://www.anthropic.com/research/reviewing-the-evidence-on-worker-retraining-programs
- •AIF（財團法人人工智慧科技基金會），《2026 台灣產業 AI 化大調查》，https://aif.tw/event/ai-research/
- •台灣微軟，《2026 工作趨勢指數》