精選解讀｜McKinsey 的「25,000 AI Agents 」不是噱頭：當 AI 被算進員工數，顧問業的槓桿模型正在改寫
精選解讀｜McKinsey 的「25,000 AI Agents 」不是噱頭：當 AI 被算進員工數，顧問業的槓桿模型正在改寫
當管理語言開始把 AI 視為「可被盤點的勞動力」，真正被重算的不是效率，而是組織如何定義產能、責任與成長。
把「人力」重新定義：當 AI 被算進員工數，管理的基本單位變了
McKinsey 把約 25,000 個 AI Agents 納入「員工」，搭配約 40,000 名人類，形成約 60,000 的總人力。這則新聞的關鍵不在數字真假，而在於管理語言變了：AI 從工具提升為「可被盤點、可被配置、可被衡量成本與產能」的數位勞動單位。
Sternfels 提出的「25-squared」不是一句人力口號，而是一個組織訊號：面向客戶的角色增加約 25%，非面客角色縮減約 25%，同時宣稱非面客端仍能帶來約 10% 產出提升。這暗示了顧問業的產能不再只能靠人海堆疊。
當「搜尋與彙整」這類高頻任務被 Agents 系統性承接，顧問業的金字塔底層經濟性被改寫，價值更集中到「定義問題、設計介入路徑、在不確定中做判斷、對外溝通並承擔責任」的角色。
這會往兩個方向推動商業模式鬆動：一是工時計價更難自然代表價值；二是合作更可能拉長週期，定價逐步往成果導向、共創式交付靠攏。
這對企業來說，真正可以學習借鏡的，不是「買一套工具給大家用」，而是把 AI 當作可管理的勞動力資產：角色與流程、權限與責任、品質與稽核指標，讓 AI 產能能被盤點、被預算化、被治理。
McKinsey 把約 25,000 個 AI Agents 納入「員工」，搭配約 40,000 名人類，形成約 60,000 的總人力。這則新聞的關鍵不在數字真假，而在於管理語言變了：AI 從工具提升為「可被盤點、可被配置、可被衡量成本與產能」的數位勞動單位。
Sternfels 提出的「25-squared」不是一句人力口號，而是一個組織訊號：面向客戶的角色增加約 25%，非面客角色縮減約 25%，同時宣稱非面客端仍能帶來約 10% 產出提升。這暗示了顧問業的產能不再只能靠人海堆疊。
當「搜尋與彙整」這類高頻任務被 Agents 系統性承接，顧問業的金字塔底層經濟性被改寫，價值更集中到「定義問題、設計介入路徑、在不確定中做判斷、對外溝通並承擔責任」的角色。
這會往兩個方向推動商業模式鬆動：一是工時計價更難自然代表價值；二是合作更可能拉長週期，定價逐步往成果導向、共創式交付靠攏。
這對企業來說，真正可以學習借鏡的，不是「買一套工具給大家用」，而是把 AI 當作可管理的勞動力資產：角色與流程、權限與責任、品質與稽核指標，讓 AI 產能能被盤點、被預算化、被治理。
01｜把 AI 算進員工數：看起來像修辭，其實是在翻轉「勞動力」的度量方式
把「AI agents」算進 headcount，第一眼很容易被當成 CES 現場那種吸睛說法。但它真正動到的，是顧問業一個很根本的尺度：什麼才算勞動力，什麼才算產能。
外媒報導裡，McKinsey CEO Bob Sternfels 對外講法相當一致：公司約 60,000 名「員工」中，約 40,000 是人類，約 25,000 是 AI agents；而且這些 agents 被描述為 personalised，能處理端到端的工作功能。
如果你把這句話當真，後面要重寫的就不只是哪個流程要導入 AI 這麼簡單，而是整套管理問題會被推到檯面上：責任怎麼切、風險怎麼管、人才怎麼養，甚至連收費與合作方式，都很難再用過去那套直覺延續下去。
02｜Agent 不是聊天視窗：只有「能把事做完」，才談得上勞動單位
多篇報導刻意強調「Agent」而不是「聊天機器人」，理由其實很務實：你可以把它想成一個差別在於「能不能把事情交付」的分水嶺。只有當系統能接到目標後，自己拆成子任務、排出步驟、去呼叫工具或流程，最後把工作做到可以交付，它才比較像一個能被指派任務的工作單位。
相反地，聊天機器人大多停在「回覆」層級。它可以幫你寫、幫你整理、幫你想，但流程怎麼拆、下一步怎麼走，通常還是要人先決定好，再請它配合。
而 Agent 的價值，就在於把那些可規格化、可重複的工作段落，變成一種可以大量複製、可以被調度的產能。也正因為如此，McKinsey 才有可能把 AI 從「IT 工具」的欄位，搬到「人力」的語境裡來談。
03｜「25-squared」真正要看的不是裁員，而是「工作被推往哪裡」
Sternfels 談到的「25-squared」，比較像一套人力重配的說法：面向客戶的角色增加約 25%，非面客的角色縮減約 25%，但他們仍宣稱整體可以繼續成長，而且把「組織速度」當成能不能活下來的關鍵。
這裡值得盯緊的，其實不是「到底裁了多少人」，而是「工作被推往哪裡」。當內勤端那些可拆解、可重複的任務被 agents 接走，人類的時間就會被往更靠近客戶、更需要判斷與說服的環節推。你可以把它理解成：人類的工作不一定變少，但更早被推到要做取捨、要扛後果的位置。
對顧問業這種高信任、也高風險的服務來說，這不是把流程做快一點的小優化，而是整個工作結構在往上移。
04｜1,500,000 小時的意義：重點不在數字多漂亮，而在「哪一段工作被整段移走」
外媒報導提到，McKinsey 透過 AI 在「搜尋與彙整」這類工作上省下約 1,500,000 小時。你不需要糾結這個數字是不是精準到每一分鐘，真正該看的是它在暗示什麼：AI 不是讓流程快一點而已，而是把一整段低風險、可重複的白領工作，直接改成了可被複製的數位產能。
一旦底層產能被這樣「整段搬走」，顧問公司要擴張營收，就不再必然等比例擴編人類 headcount。這也解釋了為什麼顧問業的槓桿模型正在變形：過去靠人海堆出產能，現在更像是在用「人類顧問的判斷」搭配「數位勞動力的執行」，組成一種新的混合槓桿。
05｜QuantumBlack 的位置：不是「AI 團隊」，更像交付系統的中樞
有外媒提到，QuantumBlack 約有 1,700 人，幾乎把 McKinsey 的 AI 相關工作扛在肩上；同時，AI 類專案在整體案量中的比重也來到約 40%。這些數字真正透露的，不是「他們用了多少 AI」，而是 AI 已經不再是顧問方法論旁邊的加分項，而逐漸變成能不能把方法論做成可複製、可規模化交付的底層能力。
以下為潤飾後版本，保留原本論點與判斷張力，但語氣更收斂、結構更清楚，也更貼近專業人士實際書寫的節奏。
06｜成果導向不是口號：當工時計價失準，責任談判就會浮上檯面
顧問業長期以「人天」與「工時」作為交付與定價的核心單位，因為工時同時被視為成本、投入與價值的近似指標。但當研究蒐集、資料彙整、初稿撰寫、簡報整理等大量工作片段，開始由 Agents 以極低邊際成本承接，工時很難再同時代表成本，也更難自然代表價值。定價邏輯因此被迫鬆動，並逐步往「實際交付了什麼結果」移動。
問題在於，成果導向並不會自動成立。它真正帶來的改變，是把過去被模糊處理的責任問題，直接推到談判桌上。出錯時責任如何歸屬？需要重做時，成本由誰吸收？涉及法遵或風險控管時，又是誰承擔後果？這些原本被工時包覆、被流程稀釋的問題，在成果導向下都無法再被跳過。
如果這些界線沒有被事前說清楚，所謂的成果導向，只會成為比工時計價更好聽的包裝，而不是一種更成熟、也更誠實的合作方式。真正的轉型，不在於改用哪一種計價名目，而在於是否有能力把責任、風險與權責結構，一併攤開來談。
07｜新人練功場被壓縮：顧問業的金字塔養成路徑需要重畫
顧問產業之所以能運轉，一直仰賴一套很典型的金字塔結構：大量初階人力負責研究蒐集、資料彙整、初稿撰寫與簡報整理，既是產能來源，也是養成管道。這些工作讓新人在相對低風險的情境裡反覆練基本功，慢慢建立對產業、客戶、問題拆解與交付標準的直覺。
但 Agents 最先吃掉的，往往正是這些「可清楚描述、可規格化」的工作片段。對組織而言，這是效率提升；對人才養成而言，卻是練功場縮水。當新人不再被大量投放到低風險任務裡，問題就會往上浮：新進者要靠什麼累積判斷？要在哪裡學會把資訊轉成洞察、把洞察轉成可交付的建議？而顧問公司又要怎麼在更少的低風險場景中，培養出未來能承擔高風險決策、能在客戶桌上站得住的人？
TechCrunch 與 Fortune 提到「learn once, work forever」已成過去式，重點不在宣判焦慮，而是在描述制度層面的變化：學習不再是進職場前的一段準備期，而是工作本身的一部分。換句話說，顧問業如果仍把「訓練」視為新人階段的附屬流程，而不是交付系統的一部分，它的金字塔就很可能會先從底部開始變形。
08｜治理不是加分題：把 Agent 算進人力之前，前提是「管得住」
把 Agent 當作「人力的一部分」來算，不是換個說法就成立。這個前提很直白：它必須管得住。否則你只是把軟體講得像員工，敘事跑在治理前面，而風險通常跑得更快。
要讓 Agent 具備可被納入人力配置的資格，至少得先滿足四個基本要求。
第一，能設定它「可以做什麼」。不是只寫一句任務描述，而是把邊界講清楚：任務範圍到哪裡為止、可以呼叫哪些工具、能看見哪些資料、對外輸出的內容能到什麼尺度。沒有邊界，就沒有控管。
第二，能記錄它「做了什麼」。包含行為紀錄、資料取用紀錄、工具呼叫紀錄，以及版本變更、提示詞變更的軌跡。這不是為了事後究責，而是讓你在出現異常時能回到可追溯的事實，而不是靠猜。
第三，能讓人檢查它「做得對不對」。你需要可運作的抽查機制、可追溯的引用鏈、清楚的錯誤分類，以及退件與修訂輪次的量化。沒有可檢查性，就談不上品質管理，更談不上把它放進交付流程的關鍵位置。
第四，出問題時能把它「停下來」，並把責任「拉回來」。包含快速停權、例外審批、事故回溯、責任歸屬，以及必要時對外溝通的節點設計。很多組織忽略的不是能力，而是「停止」這件事是否被工程化。
如果做不到這四個基本要求，把 Agent 納入人力只會變成一種過度樂觀的敘事：看起來省了人，但其實把風險塞進了流程深處，等到爆出來時才發現沒有手煞車。
09｜企業要怎麼學習：先從「選任務」開始，而不是急著「選工具」
多數企業導入 AI，第一步就卡在「買一套工具給大家用」。結果往往只是零星的效率改善，無法複製，也無法放大。
真正能累積能力的做法，是先把 AI Agents 視為一種可管理的勞動力，再回頭建立相對應的管理邏輯。
第一步不是選工具，而是選任務。挑一個高頻、可標準化、產出可衡量的流程，例如提案初稿、客服回覆草稿、合約條款比對、週報彙整、競品研究。這類任務本來就有固定節奏與品質期待，最適合拿來當試驗場。
接著，把流程拆清楚：哪些事情交給 Agents，哪些一定要人來做；哪個環節需要簽核；又該怎麼抽樣檢查結果。這一步其實是在重新畫責任邊界，而不只是導入新工具。
最後，一定要把成效變成指標。如果只停在「感覺有比較快」，那只是試用，不是學習。
10｜建議的「數位員工 KPI」：讓 AI 的產能能被盤點，也能被治理
如果想複製「把 AI 算進員工數」背後的管理思維，建議先從單一部門開始試行一套清楚的 KPI 架構，而不是一次在整個公司推行。
產能指標，可以看每週節省的人時數、交付週期縮短幅度、一次交付成功率。
品質指標，則關注抽樣錯誤率、引用是否可追溯、退件率與修訂輪次。
治理指標，用來回答風險問題，例如違規存取事件數、機敏外洩風險事件、例外審批次數，以及停權的原因。
成本指標，不只看推理費用，還要把整合、稽核與重做的成本算進來。
人才指標，則關係到組織是否真的在轉型，包括再學習完成率，以及人員從「產出者」轉為「監督與判斷者」的比例。
這些指標的重點不在精準到小數點，而在於能否被長期追蹤，並用來調整制度。
結論｜值得我們思考的是：當 headcount 變成「人＋可被管理的 AI」，真正稀缺的是什麼
把 AI Agents 稱為員工，表面看像行銷說法，但更像是一種對內、對外的共同宣告：企業未來的擴張，不再必然等於多雇人，而是擴張一套可複用的交付系統。
這會迫使每一個知識密集型產業重新面對三個問題。
第一，你的交付流程能不能被模組化，哪些段落終究會被 Agents 接手？
第二，你的高價值判斷落在哪裡，能不能制度化地保留在人類手上？
第三，你是否願意用流程、指標與治理，把 AI 當成可經營的資產，而不只是工具試用？
當執行能力被放大，真正稀缺的，往往不是產能，而是那些能把目標講清楚、能在不確定中做取捨，並且願意為取捨負責的人。
FAQ
Q1：McKinsey 為什麼把 AI Agents 算進「員工數」？
重點不在把數字講得很大，而在把管理語言換掉。當企業把 AI Agents 納入人力盤點，等於在宣告：AI 不再只是輔助工具，而是可被配置、可被調度、也必須被衡量產能與成本的「數位勞動單位」。一旦用這個框架談事，後續就會連動到責任歸屬、授權邊界、績效衡量與成本結構。影響的不是「用了多少 AI」，而是「公司準備用什麼方式管理它」。
Q2：AI Agent 跟一般聊天機器人差在哪？
聊天機器人多半停在對話與回覆：回答問題、整理內容、給建議，但下一步要做什麼、怎麼做，仍要人先把任務拆好、把決策做完。Agent 更接近一個工作單位：接到目標後，能拆子任務、排步驟、呼叫工具或流程，把事情往交付推進，過程中也會根據結果反覆修正。所以「每人配置一名 Agent」真正指向的是「每人配到一段可被調度的數位產能」，而不只是多開一個聊天視窗。
Q3：「25-squared」為什麼被看成組織訊號？
它談的其實是工作結構的重新分配。面向客戶的角色增加，非面客角色縮減，但整體產出仍上升，這暗示：某些可拆解、可重複、低風險的工作，已經不值得再用人類去堆，而可以由 Agents 承接。結果是工作「往上移」：把人類推向更靠近客戶、更需要負責任、更需要判斷的環節。
Q4：節省工時、產出提升，對顧問工作的「價值」意味著什麼？
當搜尋、彙整、摘要、初稿等工作大幅縮短，人類顧問的價值就不再主要來自「我比你更快整理資料」，而更集中在「我能否在資訊更充足、但不確定性也更高的情境下，做出可被信任的判斷」。在高信任服務裡，客戶買單的往往不是資料本身，而是解釋權、選擇權與責任背書。AI 讓初稿變便宜，也讓「判斷的品質」變昂貴，因為錯一次的代價被放大了。
Q5：如果追求 1:1 配置目標，企業最先面對的會是什麼？
通常不是模型效能，而是治理與責任。誰能啟動與授權？誰可以讓它調用資料與工具？哪些輸出能對外？涉及機敏資料要怎麼控管？產出錯誤造成損失時，責任怎麼界定？當 Agent 被當成「數位同事」，就必須用組織制度去管理，而不是只靠使用守則與口頭提醒。
Q6：企業常見踩雷點是什麼？
第一，只做試點，卻沒把流程、權責與訓練補齊，導致永遠停在小規模，做不大。第二，把 Agents 放進機敏資料流程，但沒有權限控管與稽核，風險自然先到。第三，只看節省時間，不看錯誤成本與重做成本。當敘事跑得比治理快，通常不是「效率先發生」，而是「事故先發生」。
參考資料：
McKinsey CEO Bob Sternfels says the firm now has 60,000 employees: 25,000 of them are AI Agents
McKinsey's CEO breaks down how AI is reshaping its workforce: 25% growth in some roles, 25% cuts in others
McKinsey and General Catalyst execs say the era of ‘learn once, work forever’ is over
The typical American plan to study for 22 years and work for 40 ‘is broken,’ VC CEO says. Thanks to AI, employees can’t coast after graduation anymore
McKinsey CEO says 25000 "employees" in his company are AI agents and around 40000 are humans
25,000 out of 60,000 employees are AI Agents in McKinsey, CEO reveals
Bob Sternfels reveals McKinsey's strategy to utilise AI
McKinsey Expands AI Workforce as Consulting Giant Reshapes How Work Gets Done
相關閱讀推薦：
文/ InfoAI 編輯部
版權聲明與授權須知
本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。
用內容建立信任
用洞察塑造品牌
在 AI 時代，真正有力量的行銷不是廣告聲量，而是持續輸出的深度思考。InfoAI 把全球 AI 趨勢與報告，轉譯成清楚、精準、有觀點的內容，讓企業不只是跟上變化，而是成為洞察的提供者，讓品牌變成被信任的決策夥伴。如果你不想只是「談 AI」，而是想「透過 AI 影響市場與客戶」，那就從內容開始。歡迎來信： contentpower688@gmail.com
如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［QRCode］／［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。
AI 協作聲明：
本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。
InfoAI 讀懂 AI 如何改變世界
全球AI新聞精選與解讀
Content Power 重構並流動知識
重新提煉知識轉化價值