Mr. M

運用 Lippitt-Knoster 模型解析組織的結構性挑戰

引言

許多企業的 AI 轉型，都面臨著一種令人挫折的無力感。這就像一艘大船的船長（高層）明確指向了新大陸（AI 的未來），並要求所有人（員工）奮力划槳。儘管人人汗流浃背，投入了資源與時間，整艘船卻似乎仍在原地打轉，前進緩慢。

這種「停滯不前」的挫敗感，其根本原因往往不在技術本身（演算法或平台）。問題出在船的結構：是方向不明確（願景）？全體水手對目標沒有共識（共識）？是水手們不會操作新式船帆（技能）？是獎勵機制混亂導致士氣低落（激勵）？還是根本糧食不足、船體破舊（資源）？亦或是沒有一張清晰的航海圖（行動計畫）？

Lippitt-Knoster 複雜變革模型（Lippitt-Knoster Model for Managing Complex Change）提供了診斷這艘大船為何前進緩慢的清晰框架。它協助領導者將焦點從「我們該換什麼槳？」轉移到「我們是否忘了升帆或補給？」。本文便運用此模型，梳理組織在推動 AI 轉型時，必須同時具備的六大關鍵要素，並深入分析任一要素缺失時，所將引發的具體障礙與連鎖反應。

Lippitt-Knoster 變革模型簡述

在深入探討這些要素之前，先了解此模型的背景將更有幫助。Lippitt-Knoster 模型是在 20 世紀後期，由 Mary Lippitt 與 D. Knoster 等組織發展學者，在研究複雜變革時所發展出來的架構 (1991年)。

此模型最初被廣泛應用於教育、公共服務等領域，用來回答一個核心問題：「為什麼許多精心策劃的重大變革，最終會失敗或停滯不前？」

它的目的，並非提出一個全新的變革「步驟」，而是提供一個容易使用的「診斷工具」。任何成功的變革都必須同時具備一組不可或缺的結構性條件。此模型的核心洞察是：變革的失敗往往不是因為缺乏意願，而是因為系統性地遺漏了某個關鍵支柱，從而導致了可預測的負面情緒與行為。

此模型指出，要成功管理複雜的變革，必須同時具備六個核心要素：

1. 願景 (Vision):

• 說明： 這不只是一個模糊的口號，而是對「為什麼」要轉型以及「轉型後的未來樣貌」的清晰、具體且令人信服的描繪。它必須能解答「我們為何而非做不可？」以及「成功對我們來說是什麼樣子？」。
• AI 轉型意涵： 在 AI 轉型中，願景必須超越「我們要用 AI」的層次，而是具體闡述 AI 將如何重塑客戶體驗、優化核心流程，或創造新的商業模式。

2. 共識 (Consensus):

• 說明： 組織中（特別是關鍵利害關係人之間）對於變革的「必要性」與「方向」達成了共同的理解與承諾。這是在願景之下，更深一層的「集體意願」。
• AI 轉型意涵： 僅有高層的願景是不夠的。如果中階主管或核心業務部門認為 AI 轉型「與我無關」或「威脅到我」，就無法形成共識。共識意味著各部門願意為了整體的 AI 戰略，暫時放下本位主義。

3. 技能 (Skills):

• 說明： 組織成員是否有能力執行變革所需的新行為、新流程與新技術。這包含了從高階主管的策略思維到第一線員工的日常操作能力。
• AI 轉型意涵： AI 轉型所需的技能是多層次的，不僅包括資料科學家和工程師的硬技術，更關鍵的是業務單位主管「提出正確 AI 問題」的能力，以及員工「與 AI 協同工作」和「解讀 AI 產出」的素養。

4. 激勵 (Incentives):

• 說明： 變革往往會挑戰既有的舒適圈，因此必須有強大的內在或外在動機，驅使人們願意承擔額外的努力與風險。這包含了薪酬、獎金、晉升機會，以及更重要的「認可」與「成就感」。
• AI 轉型意涵： 如果組織仍然只獎勵「維持現狀」或「避免錯誤」，卻要求員工「擁抱 AI 創新」，這就是一種激勵錯配。激勵機制必須明確獎勵那些願意嘗試、分享數據、跨部門協作的 AI 早期採用者。

5. 資源 (Resources):

• 說明： 這是執行變革所需的具體支持，包含了有形的預算、正確的工具、基礎設施，以及最常被忽略的「時間」與「人力」。再好的計畫，沒有資源挹注都只是空談。
• AI 轉型意涵： AI 轉型的資源不只是購買昂貴的 GPU 或軟體平台。它更需要的是「高質量的數據基礎設施」（Data Infrastructure）、「專職的推動團隊」（而非兼職），以及允許員工「投入時間學習與實驗」的餘裕。

6. 行動計畫 (Action Plan):

• 說明： 這是一張清晰的路線圖，詳細列出了達成願景所需的具體步驟、時間表、里程碑、負責人以及衡量成功的指標。它將宏大的願景轉化為可管理、可執行的任務。
• AI 轉型意涵： AI 轉型的行動計畫不能只是一個「大型瀑布式」的 IT 專案。它更需要是「敏捷且迭代」的，允許小規模、跨職能的團隊快速測試（PoC），從失敗中學習，並逐步擴展（Scale-up）成功的應用。

當要素缺失：AI 轉型停滯不前的六種典型症狀

Lippitt-Knoster 模型的實用之處，在於它精準地預測了缺少任一要素時，組織會陷入的具體困境。這為領導者提供了明確的「診斷指標」。

1. 缺失「願景」 (Vision) → 導致「混亂」 (Confusion)

症狀分析：

當缺乏清晰且被充分溝通的願景時，AI 轉型會立刻陷入混亂。各部門各自為政，基於對「AI」的不同理解，啟動無數個小型、零散且可能相互矛盾的專案。

具體情境：

• 各自表述的 AI： 財務部可能認為 AI 是為了「自動化報表」，行銷部認為是「精準投放廣告」，製造部則認為是「預測性維護」。雖然各自都「在做 AI」，但力量完全分散，無法匯聚成組織級的戰略優勢。
• 資源的重複浪費： 由於方向混亂，不同團隊可能正在重複採購相似的工具、清理相同的數據集，或是試圖解決同一個問題，導致嚴重的資源內耗。
• 員工的無所適從： 員工不理解「為何而戰」。他們會質疑：「這又是一陣『管理層的流行病』嗎？」、「這對我的日常工作到底有什麼意義？」當員工看不到轉型與自身價值的連結時，他們會選擇觀望，而非投入。

症狀表現： 領導者在會議中不斷詢問：「我們的 AI 專案進度如何？」，卻沒有人能清楚回答「這些專案將如何幫助公司達成三年後的戰略目標」。

2. 缺失「共識」 (Consensus) → 導致「抵抗」 (Resistance) 或「暗中破壞」 (Sabotage)

症狀分析：

當願景由上而下宣布，卻沒有在關鍵的中階管理層和核心業務部門中建立起真正的「共識」時，變革就會遭遇強大的阻力。這種阻力有時是公開的質疑，但更多時候是「暗中破壞」或「消極抵抗」。

— 具體情境：

• 中階主管的「軟性抵制」： 中階主管是變革的關鍵執行者，但 AI 轉型往往會威脅到他們既有的權力結構和流程控制權。如果他們沒有被充分說服，他們會口頭上「支持」，行動上卻「延遲」 — — 例如，延遲批准部屬參與 AI 專案、抱怨 AI 系統「不穩定」而要求切回舊流程。
• 「這不關我的事」的本位主義： 缺乏共識的部門會認為「AI 是 IT 部門的事」。當 AI 團隊需要業務部門投入時間來定義需求或標註數據時，業務部門會以「日常工作繁忙」為由，提供最少的支持。
• 數據壁壘的加固： 缺乏共識會加劇數據孤島。各部門出於「自保」或「不信任」，更加不願意分享自己掌握的關鍵數據，導致 AI 專案因為缺乏燃料而寸步難行。

症狀表現： AI 專案在跨部門會議上「原則上通過」，但會後卻沒有任何部門願意主動承接關鍵的下一步行動。

3. 缺失「技能」 (Skills) → 導致「焦慮」 (Anxiety)

症狀分析：

即使願景再激動人心、共識也已達成，如果員工普遍感到「我不會做」、「我做不來」，這種能力上的落差會迅速轉化為對變革的集體焦慮與恐懼。

— 具體情境：

• 對「被取代」的恐懼： 這是 AI 轉型中最顯著的焦慮來源。員工擔心的不是 AI 本身，而是「會用 AI 的人」取代了他們。如果公司只談 AI 的效率，卻不提供轉型路徑，焦慮感會讓員工從根本上抵制變革。
• 中階主管的無助： 中階主管是轉型中最關鍵的承上啟下者。但許多主管既不懂技術，也不懂如何管理「人機協作」的團隊。他們被要求推動自己也不理解的事物，這種「能力不足」的焦慮使他們成為變革的最大阻力。
• 「黑盒子」恐懼： 當 AI 模型做出決策，而業務人員完全無法理解其邏輯時，他們會因為無法承擔「黑盒子」決策的風險，而寧願回歸傳統的人工決策模式。

症狀表現： 公司舉辦了多場 AI 趨勢講座，但員工私下卻在熱烈討論「哪些部門最有可能被裁員」。主管們在會議上頻頻點頭，卻提不出任何具體的 AI 應用場景。

4. 缺失「激勵」 (Incentives) → 導致「緩慢變革」 (Gradual Change / Slow Change)

症狀分析：

當願景清晰、技能到位，但組織的激勵機制（KPI、晉升、獎金）卻沒有隨之調整時，變革的腳步會變得極其緩慢。人們「知道該做什麼」也「知道怎麼做」，但他們「沒有足夠的理由」立刻去做。

— 具體情境：

• 懲罰創新，獎勵守成： 一個團隊花了三個月嘗試一個 AI 專案，雖然學到寶貴經驗但最終失敗了；另一個團隊嚴格遵守舊流程，達成了穩定的（但平庸的）KPI。如果前者在績效考核中被打低分，而後者獲得獎勵，這等於是公開向全公司宣告：「不要創新，創新很危險」。
• 「數據孤島」的本位主義： AI 依賴高質量、跨部門的數據。但如果 A 部門的 KPI 是「保護本部數據資產」，B 部門的 KPI 卻是「利用 A 部門數據開發新模型」，這兩個部門的利益就是根本衝突的。除非有新的激勵機制獎勵「數據共享」與「協作成果」，否則數據壁壘永遠無法打破。
• 「這不是我的工作」： 推動 AI 專案需要額外投入大量時間（清理數據、標註、驗證模型）。如果這些額外付出沒有被看見、被獎勵，員工很快會退回「先把份內工作做完」的狀態，AI 專案自然被無限期推遲。

症狀表現： AI 轉型被定為「公司首要任務」，但高階主管的年度獎金分配依據，卻和三年前完全一樣。

5. 缺失「資源」 (Resources) → 導致「挫折」 (Frustration)

症狀分析：

「挫折感」源於「巧婦難為無米之炊」。當組織高喊 AI 轉型，卻沒有配置相應的預算、工具、時間或人力時，第一線的執行者會感到極度的挫折。

— 具體情境：

• 數據基礎建設的落後： 這是最常見的挫折來源。公司想做先進的 AI 模型，但數據仍散落在上百個 Excel 表格和老舊的系統中。數據科學團隊 80% 的時間都在「清理數據」（俗稱「數據搬磚」），而非「建立模型」，熱情與戰力快速被消磨殆盡。
• 「兼職」的推動小組： 公司成立了「AI 轉型委員會」，但所有成員都是兼職。他們背負著自己原有的沉重 KPI，只能用下班時間來推動轉型。這種資源錯配導致專案無法深入，也傳達了「轉型並非真正重要」的訊號。
• 時間資源的匱乏： 員工被要求去上 AI 培訓課程，但手上的日常工作卻絲毫未減。結果是員工為了「應付培訓」而簽到，卻沒有心力真正吸收，導致資源（培訓經費）和時間的雙重浪費。

症狀表現： 公司斥巨資購買了最先進的 AI 平台，但它卻閒置在那裡，因為沒有乾淨的數據可以匯入，也沒有足夠的合格人員來操作它。

6. 缺失「行動計畫」 (Action Plan) → 導致「錯誤開始」 (False Starts / Treadmill)

症狀分析：

當萬事俱備（願景、共識、技能、激勵、資源都有了），但缺乏一個清晰、務實且被共同承諾的行動計畫時，組織會陷入「錯誤開始」的循環。這就像一艘裝備精良、補給充足的船，卻沒有航海圖，只能在港口附近不斷出發、迷航、又折返。

— 具體情境：

• 「PoC 煉獄」： 組織啟動了大量的小型概念驗證（PoC）專案，也證明了 AI 在小範圍內是可行的。但是，沒有一個專案能真正「擴展」（Scale-up）到全公司，因為從一開始就缺乏將 PoC 整合進核心營運流程的清晰藍圖。
• 完美主義導致的癱瘓： 團隊花了一年時間，試圖規劃一個「完美無缺、涵蓋一切」的 AI 轉型五年計畫。然而，在 AI 領域，技術和市場瞬息萬變，這個「完美計畫」在完成的當下就已經過時了，導致轉型從未真正開始。
• 缺乏里程碑與問責： 行動計畫不清晰，導致沒有人知道「第一步該做什麼」、「誰該負責」、「三個月後該檢查什麼」。專案在啟動大會後就迅速失去動力，變革在「啟動」的那一刻就已經「結束」了。

症狀表現： 公司的 AI 計畫永遠停留在「試點階段」。高階主管每隔半年就換一個新的 AI 策略方向，基層則對這種「瞎忙」感到麻木。

擺脫停滯：從診斷到行動的轉變

Lippitt-Knoster 模型不僅是一個靜態的診斷工具，更是一個動態的行動指南。意識到「混亂」或「焦慮」的領導者，不能僅僅停留在指責團隊執行不力，而必須意識到這是「組織結構性的議題」— 是願景的塑造或技能的賦能或是其他要素出了問題。

要擺脫變革的停滯，必須採取系統性行動，重新補足缺失的要素：

• 面對「混亂」，必須「聚焦願景」：
  領導者必須停止批准零散的專案。應召集核心團隊，退一步重新定義：「AI 對我們成功的『具體畫面』是什麼？」將願景從「我們要用 AI」轉化為「我們要用 AI 在三年內將『新客戶獲取成本』降低 30%」。一個清晰、可衡量、與戰略掛鉤的願景，是驅散混亂的唯一燈塔。
• 面對「抵抗」，必須「建立共識」：
  共識不是「告知」，而是「共同創造」。領導者必須將關鍵的中階主管和業務部門從「被動接受者」轉變為「共同設計者」。舉辦跨部門的工作坊，讓他們親自參與討論「AI 願景如何與他們的業務目標結合」，並授權他們定義自己的 AI 路線圖。
• 面對「焦慮」，必須「投資技能」：
  組織必須停止「威脅式」的宣傳，轉而提供「安全網」。這意味著大規模地投資於「賦能」（Enablement）。不只是對 IT 人員的技術培IT，更是對業務主管的「AI 提問」培訓，以及對全體員工的「AI 素養」教育。建立「轉型技能地圖」，讓員工看到自己從現有崗位到未來崗位的清晰路徑。
• 面對「緩慢」，必須「校準激勵」：
  領導層必須勇敢地「動搖」現有的績效體系。立刻設立「AI 創新獎」、「最佳協作獎」，公開表揚那些敢於嘗試、分享數據的團隊（即使專案失敗）。將「推動 AI 應用」與「跨部門數據共享」納入中高階主管的核心 KPI，用最直接的利益分配來表明變革的決心。
• 面對「挫折」，必須「承諾資源」：
  資源的投入是願景與承諾上清楚而有感的行為。領導者必須做出艱難但必要的決定：成立一個「專職」的 AI 團隊，而非「兼職」的委員會；授權這個團隊所需的預算和決策權；並且，大刀闊斧地投資於枯燥但至關重要的「數據治理」與「基礎設施現代化」。
• 面對「錯誤開始」，必須「敏捷規劃」：
  拋棄那種試圖一次性規劃五年的「巨型計畫」。轉而採用「敏捷路線圖」（Agile Roadmap）。訂定一個清晰的 90 天衝刺計畫（Sprint），專注於交付 1–2 個高價值、可擴展的應用場景。快速交付、快速驗證、快速迭代。用一個又一個「小勝利」（Small Wins）來建立信心，並逐步將這些勝利串聯成最終的轉型藍圖。

結論

AI 轉型之所以停滯不前，幾乎都不是因為技術不夠好，而是因為組織忽略了變革管理是一門「結構性科學」。Lippitt-Knoster 模型提供了一個強大的鏡頭，讓我們得以透視。

那艘看似停滯不前的大船，所缺少的往往不是更賣力的水手，而是一位能同時確保「羅盤（願景）準確、全體（共識）齊心、水手（技能）訓練有素、獎勵（激勵）公平、船體（資源）堅固，以及航海圖（行動計畫）清晰」的總設計師。

系統性地補足這六大要素，組織也得以克服混亂、抵抗、焦慮、緩慢、挫折與錯誤的開始，真正擺脫 AI 轉型的無力感，駛向那片充滿潛力的新大陸。

AI 時代的專業進化

結構轉型：從固定職能到動態協作

在傳統的企業運作中，固態組織的核心在於穩定的職位邊界與明確的階層管轄。這種模式在工業化生產時期表現優異，因為它能將複雜的任務拆解為標準化流程，並分配給特定的人員長期執行。然而，隨著市場環境的變動頻率增加，這種結構的缺點開始浮現，最直接的問題在於應變成本過高。每當需要調整策略或跨入新領域時，固態組織往往面臨職責重疊、溝通斷層以及權力爭奪等內部阻力。這種制度上的慣性，使得企業在面臨外部技術衝擊時，往往無法及時將資源投入到最有產出的方向，導致管理成本高於實際的市場獲利。

相較之下，液態組織的運作不再以部門為單位，而是以專案與目標為核心。這種架構允許人力資源根據當前的任務需求，進行即時的動態配置，而不受限於原有的編制。在液態組織中，團隊的集結是為了達成特定的市場目標，一旦目標達成或環境改變，團隊成員會根據技能需求重新流向其他更高價值的專案。這種高度的流動性，能有效減少組織內部的閒置人力與溝通成本。對於企業管理者而言，重點從控制員工的行為轉向管理專案的產出，這要求組織具備更靈活的合約關係與資訊透明度，以便在動態變動中維持基本的營運效能。

在這種轉型過程中，技術工具特別是 AI 的普及，成為了放大個人產出的關鍵槓桿。過去一名員工的產出受到時間與專業技能的物理限制，若要推動大型專案，必然需要透過組織擴張來換取執行力。但在目前的環境下，具備全端思考能力的超級個體，可以透過 API 串接多樣化的 AI 工具，獨自完成從原型開發、數據分析到行銷自動化的完整作業鏈。這種運作模式極大化了個人的邊際效益，使得原本需要數十人團隊才能支撐的業務，現在可以由少數人甚至一人透過技術整合來實現。這不僅改變了人才的競爭規則，也讓個人與組織的從屬關係產生本質上的轉變。

跨域整合：AI 驅動的去專業化與效率提升

傳統組織內常見的穀倉效應，本質上是專業分工過度細碎化的後果。為了確保流程的精確性，企業往往將工程、行銷、營運等職能完全切割，導致不同背景的人員在協作時如同使用不同的語言。這種專業牆不僅增加了資訊傳遞的摩擦，也造成了決策鏈的冗長。當行銷端的需求傳遞到工程端時，往往已經過時，或者因為缺乏對技術可行性的理解，導致開發出的產品與市場期待產生落差。這種因分工帶來的效率損耗，在面對需要快速市場回饋的數位產業中，已經成為企業發展的主要阻礙。

AI 介入協作流程後，最重要的改變在於降低了跨領域的技術門檻。現在的 AI 輔助工具讓行銷人員可以在不具備深厚程式基礎的情況下，透過對話介面或低代碼平台，快速產出可運行的業務腳本或數據處理工具。同樣地，技術人員也能利用 AI 自動化生成符合行銷需求的視覺素材或文案草稿。這種去專業化的趨勢，並不是要取代專才，而是讓每個人都具備基本的跨領域執行力，從而消弭了過去因為職能界線所產生的溝通落差。當每位成員都能在第一時間動手解決部分技術問題時，整體專案的推進速度將獲得顯著提升。

這種能力的融合讓個人的職涯模式從單一零件轉向微型企業。在傳統體制下，員工的工作成果往往只是整體價值鏈中的一小片段，難以看到最終的市場表現。而在 AI 賦能的環境中，個體被鼓勵去理解完整的價值循環，從發現市場痛點、設計解決方案到獲取客戶，都能掌握一定的技術手段與決策權。這不僅提高了員工對業務目標的參與感，也讓組織內部的運作變得更為精簡。當每個人都能獨立思考並利用 AI 完成多維度的任務時，組織不再需要大量的協調整合人員，從而將更多資源投入到實際的技術創新與市場開拓上。

決策速度：小團隊的人機協作優勢

在現代的市場競爭中，執行速度的重要性已經超過了資源規模。大型企業雖然擁有龐大的資金與人力儲備，但在面對未知領域時，龐大的結構反而會產生極大的管理慣性。每一項新決策都需要經過層層審核、風險控管與多方協調，這種程序正義雖然降低了出錯率，卻也讓企業喪失了先行者優勢。在 AI 時代，市場的機會窗口縮短，傳統那種先進行長期規劃、再編列年度預算、最後才投入執行的節奏，已經難以應對快速變化的消費需求與競爭局勢。

與傳統的大型部門相比，由少數超級個體加上大量 AI 代理人組成的小團隊，具備了更強的市場生存能力。在這種人機協作模式下，AI 代理人負責處理所有高重複性、低決策密度的日常任務，例如數據過濾、排程追蹤、甚至基礎的客戶服務。這使得人類成員能將全部精力集中在判斷趨勢、制定策略與解決複雜的非結構化問題。由於團隊人數精簡，內部溝通幾乎是即時的，能隨時根據市場反饋進行快速的產品修正。這種小團隊模式不僅營運成本極低，更具備了極高的抗風險能力，能在不斷的測試中尋找最優的獲利模式。

因此，這種小而美的組織型態正逐漸成為創新的主流。大企業如果想保持競爭力，必須正視管理槓桿失效的問題，並嘗試將資源分配給具備獨立戰鬥力的敏捷小組。這不再只是單純的組織扁平化，而是權力與資源的徹底下放。AI 技術的成熟，讓小型團隊即使在沒有大量研發預算的情況下，也能利用現有的基礎設施與開源工具，開發出具備競爭力的產品。未來企業的競爭實力，將取決於其內部有多少個具備自主演化能力的細胞小組，而非其帳面上的總人數。速度與靈活性的結合，將是未來十年企業生存的最核心指標。

組織重塑：生態化治理與勞動力變革

為了因應液態化趨勢，大型組織正在經歷一場結構性的拆解與重組。傳統的科層管理體制正逐漸被平台化、生態化的治理模式取代。在這種模式下，企業總部不再直接干預各單元的具體業務運作，而是專注於建立底層的基礎建設，包括統一的技術規範、法規遵循框架以及財務資源分配機制。各個敏捷小組像是在企業內部的微型公司，他們擁有高度的經營自主權，並直接對市場成果負責。這種細胞分裂般的演進方式，能將大型組織的資源優勢與小型團隊的靈活性結合，形成一種具備自我修復與演化能力的企業形態。

支撐這種運作模式的關鍵，在於建立一套高度自動化且透明的協作系統。當組織變得液態，傳統的考勤與行為監控將不再適用，取而代之的是基於數據產出的績效衡量。企業需要透過數位化的管理平台，即時掌握各個專案的投入產出比，並利用 AI 進行風險預警與資源調度。在這種環境中，資訊的流動性優於職位的權威性。所有的知識產出與技術資產都被數位化並存儲在雲端，讓不同的小組能隨時調用，形成整體的集團戰鬥力。這種運作模式要求員工具備更強的自我管理能力與數位素養，以適應這種隨時變動的任務環境。

總結來說，未來職場將呈現出個人與組織關係的結構性重構。專業人才不再是組織的資產，而是透過合作協議與不同平台進行價值交換的專業節點。人才的流動將變得極其頻繁，個人品牌與跨領域整合能力將成為職場最核心的競爭力。組織不再是一個封閉的實體，而是一個具備開放性的生態網絡，在 AI 的高效媒合下，實現勞動力、資本與技術的最優配置。這種轉變不僅是企業運作效率的提升，更是人類協作方式的重大變革。在液態化的趨勢中，那些能快速學習、靈活變形並善用技術槓桿的個體與組織，將成為新賽局中的最終贏家。