商傳媒｜責任編輯／綜合外電報導

隨著人工智慧（AI）技術日益普及，職場中出現大量新興詞彙，其中許多聽起來專業，但對企業主、人資部門與管理者而言，理解其應用意義已是刻不容緩。掌握這些AI術語不僅有助於制定合適的HR政策與供應商合約，也能更有效率地進行績效評估，應對智慧職場帶來的挑戰。

部分企業為追求生產力，會獎勵員工最大化使用AI「Token」（Tokenmaxxing）。Token是人工智慧模型處理文本的基本單位，例如將人類語言拆解成單詞或字元。然而，過度強調此一指標可能導致員工灌水提示詞或執行不必要的AI任務，反而造成過度勞累，降低實際效益。

在市場行銷上，企業誇大、虛報或虛假宣傳其產品或服務的AI功能，這種現象被稱為「AI washing」（AI漂洗）。如同「綠色漂洗」（greenwashing）般，美國聯邦貿易委員會（FTC）與美國證管會（SEC）已對此採取執法行動。此外，品質低落、內容空泛且缺乏獨創性的AI生成內容，即使技術上連貫，但缺乏人類視角，則被稱為「AI slop」。這類內容可能侵蝕客戶與員工的信任，並間接傳達品質不重要的錯誤訊息。

員工在未經公司批准或IT部門知情下，擅自使用AI工具，則構成「Shadow AI」。這種行為可能導致機密資料外洩、引發決策上的歧視風險，並讓企業無法追溯資料流向。同時，隨著更多部門員工透過「Vibe coding」（指透過自然語言描述需求，讓AI工具生成程式碼）自行開發內部工具，若未經資安審核，可能引入漏洞或合規問題。當AI工具整合至電子郵件、HR系統時，「Prompt injection」（提示詞注入攻擊）這類攻擊者在文件中嵌入隱藏指令的資安漏洞，也構成嚴重的網路安全風險。

針對AI模型的選擇與部署，「Model card」是AI開發者發布的簡短文件，詳細說明模型的預期用途、限制、訓練資料及已知風險，對於評估新AI工具（尤其用於招聘或績效評估）的適用性至關重要。而「Fine-tuning」（微調）則是指在特定資料集上進一步訓練通用AI模型，以提升其在特定任務或產業的效能；若企業使用內部資料進行 Fine-tuning，這些資料將成為工具運作的一部分。「Open-weight models」是那些底層「權重」（即模型運作的關鍵參數）公開，可供任何人下載和運行於自身系統的AI模型，與OpenAI的ChatGPT、Anthropic的Claude或Google的Gemini等閉源模型不同。「Distillation」是一種將大型複雜AI模型壓縮成更小、更快、更便宜版本，同時保留大部分功能的技術，這類經 Distillation 的模型常被用於預算有限的企業。最後，「Context window」（上下文視窗）是AI模型在一次對話或任務中能「記憶」並考量的文本或資訊量，一旦超出限制，AI會「忘記」較早的內容，可能影響對長篇資料或複雜對話的理解。