AI 時代的人才盤點與技能地圖：企業如何找出能力落差並精準培育？

一、為何技能轉型成為企業關鍵？

技能轉型（Skill Transformation，包含 Upskill / Reskill）過去是中長期人才策略的議題，如今已成為企業生存的短期課題。

甚至已演進為 AI-Integrated Skill（AI 協作技能）——員工不只是學習新技能，而是必須學會與 AI 共事的工作模式。推動這一轉變的核心力量，正是 AI 技術的快速滲透與職能結構的根本性重構。

AI 時代的職能重構

根據世界經濟論壇（WEF）《2025 年就業未來報告》，全球約有 39% 的現有工作技能將在未來五年內出現重大轉變。 分析性思維、AI 應用能力、技術素養等新興技能的需求持續攀升，而傳統重複性、規則導向的職能則快速式微。

這對台灣企業的 HR 部門而言，意義深遠。當 AI 工具介入設計、製造、財務、客服等領域，職位描述（Job Description）本身就在改變。原有的職能框架若不更新，就會產生一種危險的錯位——員工接受的訓練，針對的是已過時的能力需求；而企業實際需要的能力，卻沒有人系統性地培育。

此外，AI 工具的導入也讓「協作能力」與「批判性思維」的重要性水漲船高。單靠技術技能已不足以應對複雜的跨部門問題，軟性能力（Soft Skills）的評估與發展同樣需要納入技能地圖的設計框架。

企業能力斷層風險

能力斷層（Skills Gap）並非新議題，但在 AI 加速轉型的背景下，斷層的形成速度更快、後果也更嚴峻。常見的風險情境包括：

• 世代交替帶來的隱性知識流失。 資深員工退休或離職時，其多年累積的技術判斷力與客戶關係知識，往往未能有效轉移。若企業缺乏結構化的技能盤點，根本無從辨識這些隱性知識的分布，更遑論制定傳承計畫。
• 數位轉型加速下的內部人才跟不上腳步。 企業導入 AI 輔助決策工具或自動化流程後，現有員工的操作能力與適應速度往往成為瓶頸。若沒有能力地圖作為基準，HR 部門難以精準判斷哪些職位需要優先強化哪些技能。
• 招募成本持續上升，內部培育成為戰略選擇。 外部招募的成本（含薪酬溢價、磨合時間、文化適應）正在攀升，越來越多企業轉向「從內部育才」的策略。但內部培育的前提是——你必須知道每一位員工現在的能力在哪裡、目標能力在哪裡、差距有多大。

這三種情境的共同解法，就是建立系統化的技能地圖與人才盤點機制。

二、技能地圖如何建立？

技能地圖（Skill Map）是一套將組織所需能力系統化、視覺化的框架。

它描述了特定職位或職系所需的核心能力、各能力的具體行為指標，以及能力發展的層級標準。技能地圖不是一次性文件，而是動態演進的能力管理基礎。

▲ 圖 1｜技能地圖三層架構：技能項 × 分級 × 行為指標

能力模型設計原則

建立有效能力模型（Competency Model）的關鍵，在於「從業務策略往下推導」，而非由訓練部門單方面定義。以下是幾個核心設計原則：

• 與企業策略對齊（Strategy Alignment）。技能地圖的起點是企業的戰略目標。若企業正在推進 AI 轉型，那麼「AI 工具應用能力」與「數據判讀能力」就必須出現在相關職位的能力模型中。能力模型若無法反映企業的未來方向，就會淪為形式。
• 區分核心能力與職能能力。核心能力（Core Competencies）是全體員工共享的基礎要求，例如溝通協作、問題分析；職能能力（Functional Competencies）則依職位而異，例如工廠安全管理、財務報表解讀、機器學習模型應用等。
• 納入 AI 相關能力指標。隨著 AI 工具在各職位的滲透程度提高，建議在能力模型中明確定義「AI 協作能力」的分級標準，例如：
  1. Level 1：基本 AI 工具操作（會使用 ChatGPT、Copilot 等通用工具完成日常任務）
  2. Level 2：能夠設計 AI 輔助的工作流程（將 AI 嵌入特定業務環節提升效率）
  3. Level 3：能評估 AI 輸出品質、判斷其可靠性，並能優化提示語與工作流程
  4. Level 4：能主導 AI 應用情境設計，整合跨部門 AI 工具落地與資料治理

以行為錨定（Behavioral Anchors）描述能力。能力描述必須具體可觀察，才能作為評估依據。「溝通能力佳」過於抽象；「能在跨部門會議中清晰說明技術問題，並根據聽眾調整表達方式」才是可評估的行為指標。

技能分級標準化

能力模型確立後，下一步是定義每項技能的分級標準。常見的分級架構為四至五級制：

*L5 等級為選用設計，建議僅在具備跨產業領導力培育需求、設有「首席專家／院士」職階、或需與外部產業協會接軌的企業採用。一般中型企業 L1–L4 已足夠。

▲ 圖 2｜L1–L5 技能分級階梯：從認知到卓越的能力發展軌跡

分級標準化的關鍵，在於各等級的描述必須對應具體的行為指標與工作輸出，而非僅是抽象的能力形容。

標準越清晰，後續的評量結果越一致、越具說服力，也才能支撐後續的人才盤點與接班規劃。

在 AI 工具的輔助下，技能分級的評量也開始出現新的可能性——例如透過績效評核、目標設定的扎實程度、工作成果分析、學習行為數據（完課率、測驗成績、實際任務表現）等多維數據，補充傳統的主管評分，提升評量的客觀性。

三、LMS × HRM × PMD 整合價值

技能地圖建立後，最常見的落地挑戰是：能力數據分散在不同系統、不同部門，難以形成完整的人才圖像。

訓練記錄在 LMS、人員基本資料在 HRM、績效數據在 PMD，三套系統各說各話，HR 部門花費大量時間彙整報表，卻仍無法看清整體人才能力的全貌。

系統整合正是解決這一問題的關鍵。透過採用整合性的系統，讓企業內的整合性資料渾然天成，AI 動態的分析隨時可以落實，甚至將對應的行動方案與建議透過系統整合配送並發揮綜效。

▲ 圖 3｜LMS × HRM × PMD 三軸整合迴圈：數據流、決策流、價值流

訓練如何影響績效

LMS（學習管理系統）與 PMD（績效發展系統）的整合，讓企業首度有機會回答一個長期難以量化的問題：「訓練，真的有效嗎？」

傳統的訓練評估停留在 Kirkpatrick 模型的第一、二層（反應層與學習層），也就是課後滿意度調查與測驗成績。但企業真正關心的，是第三、四層——行為改變是否發生？業務績效是否提升？

當 LMS 的訓練完成記錄、技能測驗成績，能夠自動連結 PMD 的 KPI 達成率、OKR 進展與績效評核結果時，就能開始建立訓練與績效之間的數據關聯。例如：

• 接受特定產品知識訓練後，相關業務的達成率是否提升？
• 完成領導力課程的主管，其團隊的員工滿意度是否有所改善？
• 哪些訓練課程的完成率高但績效相關性低，代表內容需要重新設計？

這種數據驅動的訓練評估，不只提升訓練部門的業務價值論據（Training ROI），也讓人才發展真正與業務目標掛鉤。

未來，在 AI 輔助分析的加持下，系統可以進一步建立預測模型——根據員工的學習行為模式，預測其未來績效表現，或識別高潛力人才的共同發展路徑，提前介入培育。

人才盤點數據化流程

人才盤點（Talent Inventory）的目的，是讓企業清楚知道：現有的人才能力結構是什麼？與策略目標所需的能力之間，存在哪些差距？

數據化的人才盤點流程，通常包含以下幾個環節：

• Step 1：能力基準設定。 依據技能地圖，為每個職位設定各技能的「目標等級」（Required Level）。
• Step 2：現況評量。 透過多元評量方式收集員工的「現有等級」（Current Level）——包括主管評核（a+MRA 多維度評量支援 90~360 度的彈性設計）、線上測驗（整合 LMS）、自我評估，以及工作成果佐證。
• Step 3：差距分析。 系統自動計算每位員工在每項技能上的差距，並彙總為部門層級、職系層級的能力熱力圖（Skill Heatmap），讓管理層一眼看出組織的能力弱點集中在哪裡。
• Step 4：個人化發展計畫（IDP）。 依據差距分析結果，為員工自動推薦對應的學習路徑（Learning Path），並設定能力提升目標與時間節點，透過 LMS 追蹤進度。
• Step 5：持續追蹤與更新。 人才盤點不是年度一次性活動，而是隨著業務變化、訓練完成、績效評核等事件持續更新的動態數據資產。整合 HRM 的人員異動記錄、LMS 的學習行為與 PMD 的績效結果，讓能力數據保持即時性。

▲ 圖 4｜人才盤點 5 步驟流程：從基準設定到動態追蹤的完整迴路

四、能力數據如何支持接班計畫

當技能地圖、人才盤點與系統整合三個環節都到位後，企業就擁有了一個強大的能力數據基礎，可以開始支撐更高層次的人才策略：接班計畫（Succession Planning）。

傳統的接班計畫往往依賴少數高層主管的主觀判斷，潛力候選人的識別缺乏客觀依據，往往導致「明星員工」被過度倚重、「隱性高潛力者」長期被忽略。數據化的接班計畫，讓識別、培育與追蹤都建立在客觀的能力數據之上。

▲ 圖 5｜接班計畫 4 大支柱：識別、評估、發展、追蹤的整合架構

識別接班候選人

透過能力地圖定義關鍵職位所需的能力組合，再從人才盤點數據中篩選出能力匹配度最高、且具備發展潛力的候選人清單。

這個過程可以結合 a+MRA 的多維度評量數據（含同儕、下屬、主管等多角度評分）與 a+PMD 績效發展的歷史績效數據，提升判斷的客觀性。

設計接班培育路徑

針對各接班候選人的能力差距，設計個人化的加速發展計畫（Accelerated Development Plan）。

涵蓋正式學習（LMS 課程）、在職發展（輪調、專案歷練）與導師制度。系統自動追蹤每一項培育活動的完成情況，並更新候選人的準備度（Readiness）評分。

建立接班深度（Bench Strength）指標

企業可以依據每個關鍵職位，設定「接班深度」目標——例如每個關鍵職位應有 2 至 3 名準備度在 70% 以上的後備人才。

當數據顯示某些職位的接班深度不足時，即可提前啟動外部招募或加速內部培育，避免關鍵職位空缺造成業務風險。

因應 AI 轉型的能力超前佈局

在 AI 重塑職位描述的趨勢下，接班計畫還需要納入一個新的維度：候選人是否具備駕馭 AI 工具的能力？是否能在 AI 輔助的工作環境中持續展現領導力？

將 AI 相關能力指標納入接班評估框架，讓企業的接班計畫不只反映過去績效，也能預測未來適配度。

五、從技能地圖到數位實踐：育碁 a+HCM 的整合路徑

技能地圖與人才盤點的落地，需要系統工具的支撐。

育碁深耕 eHRD 領域 26 年，累積服務近 500 家企業。2025 年更進一步開發 a+HRM，為台灣唯一 HRD ＋ HRM 全自主研發的 a+HCM Total Solution 整合方案，為企業提供完整的人才管理數據基礎。

• a+Talent（含 LMS）人才發展：技能地圖與個人化學習路徑整合，追蹤訓練完成度與能力提升進度。
• a+PMD 績效發展系統：KPI / OKR / OGSM 多元框架支援，讓能力發展成果與業務績效直接連結。
• a+MRA 多維度評量系統：支援 90、180、270 或 360 度等彈性評量設計，提供客觀、多角度的能力現況數據。
• a+HRM 人資管理系統：整合人員基本資料、異動記錄，讓人才盤點數據保持完整性與即時性。

當以上系統在 a+HCM 的統一底層上協同運作，人才盤點、訓練推薦、績效追蹤與接班規劃就能形成完整的數據迴路，讓 HR 部門從行政執行者，升級為企業策略的數據夥伴。

六、總結｜AI 時代人才管理的數據化路徑

回到本文起點——AI 時代企業真正的挑戰，不是「找人才」而是「精準辨識能力差距」。

而精準的前提，是建立可分級、可評量、可追蹤的技能地圖，並透過 LMS × HRM × PMD 的系統整合，讓人才盤點從靜態報告升級為動態決策依據。

這不是單一工具的選擇，而是 HR 部門能否從「行政執行者」轉型為「數據夥伴」的關鍵。

育碁 a+HCM Total Solution 提供的，正是這套整合性的數據基礎——讓技能地圖、人才盤點、訓練成效與接班規劃在統一資料底層上協同運作，為企業在 AI 轉型浪潮中保有持續的人才競爭力。