RAISE US 把焦慮變成再訓練

我把 RAISE US 的再訓練邏輯拆成一份可直接套用的 AI 時代轉職模板。

我最近一直在看 AI 跟工作的討論，越看越煩。每家公司都說自己在乎員工，每份政策稿都說要保護工作，結果真正落地時，常常就是一份漂亮簡報、一次座談、外加一句「我們會持續推動 reskilling」。聽起來很像有做事，實際上很像先把問題放進抽屜。

更讓我受不了的是，很多人想要的是「幫助勞工」的形象，不是「真的把系統建起來」的麻煩。AI 會改變工作流程這件事，大家都知道；但要把人從被壓縮的職務接到下一個職務，中間那段橋要錢、要流程、要雇主配合，還要有人對結果負責。這些才是硬骨頭。

所以我看到 POLITICO 這篇寫 RAISE US 的報導時，才停下來多看兩眼。不是因為我覺得它解決了 AI 焦慮，沒有。是因為它至少不像一般口號那樣空。它把「AI 轉型」硬生生拉回到一個比較土、但比較能做的方向：再訓練、再配置、再就業。

這篇不是在講新聞。我是想把它拆成一個你在公司、協會、政府專案都能抄的玩法。重點不是品牌，而是方法論。

先別談課程，先談哪些職務會被壓縮

“Named RAISE US, the nonprofit will work with corporate donors including Anthropic, OpenAI, Amazon, Microsoft, Bank of America, General Motors and pharmaceutical giant Eli Lilly to design and implement programs to retrain workers for new roles, as a way to deter layoffs.”

翻譯一下就是：這個東西不是把訓練當福利，而是把再訓練當成避免裁員的基礎設施。這個差很多。大部分公司做學習發展，做得像員工福利頁的一個分頁，跟通勤補助、健身補貼放在一起。可有可無，預算一緊就先砍。

但如果 AI 真的是在改工作內容，那員工轉職就不該是事後補救，而是營運設計的一部分。這才是我覺得這篇報導有意思的地方。它至少把問題從「要不要學習」改成「哪些人會被重新配置，怎麼接到下一個角色」。

我之前看過不少公司導入自動化，效率是上去了，三個月後才開始發現原本做那批工作的人沒地方去。那不是人才不行，是規劃失敗。你如果知道某個職務會縮水，就應該同時知道：附近哪些職務會長、缺哪些技能、要多久才能接上。

實操寫法很簡單：不要先買課程，先做角色地圖。把「會變少的職務」、「會變多的職務」、「中間可轉移的任務」列出來。再去算每個職務之間的技能差距。你如果連目的地都說不出來，再華麗的訓練方案都只是包裝過的安慰劑。

• 先畫職務轉移圖，再找訓練供應商。
• 用任務拆解技能差距，不要只寫抽象能力名詞。
• 把轉職預算獨立出來，別悶在 HR 雜支裡。

捐錢不夠，出錢的人要一起定義工作

RAISE US 的 donor 名單其實很有意思。Anthropic、OpenAI、Amazon、Microsoft、Bank of America、General Motors、Eli Lilly，這不是隨便湊的慈善名單。它們分別踩在軟體、雲端、金融、製造、醫療等不同勞動壓力點上。這代表 AI 影響不會只打到某一種工作，而是一路往白領支援、營運、客服、合規、物流、技術職位滲透。

所以我會把這件事看成一個很現實的要求：真正有用的再訓練計畫，不能只有金主，還要有能說清楚「哪些工作會變、怎麼變、誰來接」的雇主。捐錢的人如果只負責把支票開出去，然後就當自己盡責，那這個非營利很快會變成一台高級論壇機器。

我坐過太多「未來工作」會議，流程都差不多：大家先點頭，覺得方向很正確；真正要談哪個職務縮編、哪個團隊開放實習、誰要對轉職結果負責時，會議室就開始安靜。問題不是沒共識，問題是沒人想碰交接那一段。

實操寫法：如果你要做聯盟型專案，就不要讓每個合作方都只扮演「支持者」。每個 donor 或 partner 都要扛一塊具體工作。有人負責職務分類，有人出評估工具，有人開 apprenticeship 名額，有人公開內部流動資料。只想做品牌露出的人，請他去贊助晚宴就好。

• 每個合作方分配一個可驗收的責任。
• 雇主要交 job-family map，不只交錢。
• 追蹤 placement、retention、wage movement，不要只看出席率。

把專案做得無聊一點，才有機會真的跑起來

報導裡說 RAISE US 會「design and implement programs」去 retrain workers。這種講法很平淡，但我反而覺得對。因為這類專案最怕講得太玄。一旦開始講 ecosystem、pathway、journey，大家就會很有感，然後沒人知道實際上有幾個人完成、幾個人轉職、幾個人留下來。

真正能跑的系統，通常都不性感。固定的 intake、清楚的技能測評、模組化課程、對齊雇主的 credential、安排好的 placement 時窗。沒有英雄式救援，沒有每家公司都客製一套神奇課綱。你想要規模化，就得接受流程長得有點像行政作業。

我之前幫團隊設計內部 upskilling 時，最常看到的問題就是過度客製。每個主管都說「我們團隊很特別」。對啊，大家都特別，然後就做出一套沒人維護得了的訓練系統。比較好的做法是 80% 標準化，20% 留給真的有差異的部分。

實操寫法：每個再訓練專案都先定一條固定工作流：報名、評估、學習計畫、實作、媒合、追蹤。然後再決定哪些步驟可共用、哪些步驟要依產業補內容。如果你五分鐘講不完流程，代表它太複雜，複雜到很難活過真實世界。

• 用一份共通 intake form。
• 評估題目要對準實際工作任務。
• 先做共用課綱骨架，再加產業模組。

別只算上了幾堂課，要算有多少人沒被裁掉

這篇報導我最在意的一點，是它把再訓練跟「deter layoffs」綁在一起。這比單純說「我們有提供 training」強太多。因為一旦目標是降低失業或避免裁員，指標就不能只看完成率。課上完不代表有用，真的有用要看有沒有留下來、換到哪裡、薪資有沒有守住。

很多 workforce program 最偷懶的地方，就是只報名額。多少人參加、多少人完成，聽起來很漂亮，但根本不知道有沒有人真的找到下一個位置。你如果不追蹤後續，專案就很容易看起來成功，實際上什麼都沒改變。

我會更進一步要求雇主端也要出數字。公司如果說自己因為 AI 調整人力，那就應該能說出：多少人被轉去鄰近職務、多少人留在公司、多少人薪資沒掉太多。這才是檢驗，不是買幾張 training credit 就算交差。

實操寫法：做一個從 intake 到 placement 再到 retention 的 dashboard。至少追 90 天、180 天、365 天。如果你能定出基準線，再加上「避免裁員」的估算更好。不能的話，至少先看內部轉職率和薪資變化。這些都比 course completion 難造假。

• 同時追 completion、placement、retention、wage change。
• 把「受訓」和「成功轉職」分開看。
• 按雇主與職務族群公布結果，別讓平均數藏掉問題。

雙黨支持別拿來當口號，拿來清障礙

報導強調 bipartisan backing，這點其實不只是政治裝飾。在美國，勞動政策很容易被文化戰拖爛。左邊一聽像管制，右邊一聽像企業洗白，最後就是什麼都推不動。如果這種聯盟能把討論拉回工作、轉職、媒合，反而比較有機會活下來。

但雙黨支持只有在它真的改變 delivery 時才有意義。它應該讓聯邦、州政府、雇主、非營利更容易協作，讓補助規則更一致，讓各州不要各自發明一套半殘的再訓練制度。否則它只是新聞稿裡比較好看的形容詞。

我看過太多政策專案，政治有時候是解鎖工具，有時候是把事情包進儀式感裡。差別很簡單：前者會減少摩擦，後者只會增加會議。你如果最後得到的是更多簡報，那就是失敗，只是包裝比較體面。

實操寫法：如果你在政府或聯盟裡，就先找一兩個真的卡住交付的點。補助規則、證照承認、學徒機制核准、資料共享，先挑一個最拖時間的地方處理掉。不要什麼都想改，先把路打通一段就好。

把聯盟圍繞工作，不要圍繞 AI 崇拜

我覺得這整個案子最值得抄的地方，是它沒有把 AI 本身當成主角。主角是 worker transition。這個差別很小，結果差很多。只要 AI 是主角，討論就會飄去模型能力、供應商競爭、產能提升；一旦工作是主角，你就得回答更麻煩的問題：誰要移動、移去哪、誰來接、接不上怎麼辦。

如果是我來寫這種計畫，我會把 mission statement 直接寫成勞動結果，不寫「幫大家迎接 AI 時代」這種空話。那種句子看起來很正向，但其實什麼都沒說。比較好的寫法是：把受影響的工作，透過雇主支持的評估、訓練、媒合與留任，轉到成長中的職務。

實操寫法：先問一個很土但很有效的問題：員工看完你的方案，知道自己下一步是什麼嗎？如果不知道，代表這個方案還太抽象。你不是在寫願景稿，你是在設計一個人從 A 走到 B 的過程。

如果你想把它做得更像真的，就把 AI、雇主、訓練單位都降級成配角。它們只是工具，真正要被解決的是人的移動。

可抄的模板

# AI 轉職再訓練專案模板（可直接套用）

## 目標
把受 AI 工作流變動影響的員工，透過雇主支持的評估、訓練、媒合與留任支持，轉到鄰近且有需求的職務。

## 適用對象
- 受自動化或 AI 輔助流程影響的員工
- 想降低不必要裁員的雇主
- 提供資金、制度或執行支持的政府 / 非營利 / 產業聯盟

## 專案流程
1. 找出高風險職務族群
2. 對照可轉移的目標職務族群
3. 盤點目前技能與目標職務需求的差距
4. 設計短模組、可邊工作邊完成的訓練計畫
5. 安排內轉、實習、學徒、面試優先或直接媒合
6. 追蹤 90 / 180 / 365 天留任與薪資變化

## 角色分工
### 雇主
- 公開哪些職務最可能改變
- 提供 job-family map 與技能需求
- 開放內轉、學徒或面試優先名額
- 回報轉職與留任結果

### 訓練夥伴
- 做共用課綱骨架
- 題目對準真實工作任務
- 模組化、短週期、可在職完成
- 回報完成率與角色就緒度

### 資金方
- 支付評估、訓練、媒合與留任支持費用
- 要求結果報告，不只看報名人數
- 續約條件綁定留任與薪資結果

### 專案營運方
- 管理報名與資格審核
- 做人員與職務媒合
- 協調雇主與訓練夥伴
- 每月公布成果 dashboard

## 核心指標
- 完成人數
- 進入媒合人數
- 成功轉職人數
- 90 天留任率
- 180 天留任率
- 365 天留任率
- 轉職後薪資變化
- 內部轉職率
- 若有基準線，可估算避免裁員人數

## 最低報表欄位
- 雇主 / 合作夥伴名稱
- 受影響職務族群
- 目標職務族群
- 服務人數
- 完成人數
- 成功轉職人數
- 中位數薪資變化
- 90 / 180 / 365 天留任率
- 遇到的障礙與修正方式

## 可直接貼進提案的敘述
「本專案旨在將受 AI 驅動工作流程變動影響的員工，透過雇主支持的評估、訓練、媒合與留任支持，轉入鄰近且有需求的職務。成功指標不是課程完成，而是再配置、留任與薪資穩定。」

## 前 30 天
- 選 3 個高風險職務族群
- 選 3 個目標職務族群
- 找 2 家雇主、1 家訓練夥伴、1 個資金夥伴
- 做一份 intake form 與一份評估 rubric
- 先跑小規模試點
- 30 天後公布第一版成果 dashboard

這版我會真的拿去用。它夠直白，夠可量化，也夠煩人，剛好。因為它逼所有人回答同一件事：人從哪裡來、要去哪裡、這步有沒有真的站穩。

如果你要再加強，就補產業模組、地方勞動市場資料，還有更硬的雇主承諾。但不要把骨架弄丟。骨架不在，整個專案就會滑回那種「我們有開課、我們有努力」的空洞版本。

我對 RAISE US 的判斷很直接：它有趣的地方不是品牌，也不是 donor 名單，而是它把勞動轉型當成聯盟設計問題，而不是課程設計問題。這個思路值得抄。其他的，像包裝和口號，真的不用學。

來源致謝：我拆解的是 POLITICO 的原始報導 https://www.politico.com/news/2026/06/25/500-million-ai-jobs-push-launches-with-bipartisan-backing-00975439，以及 RAISE US 官方網站 https://www.raisexus.org/。上面的模板與操作框架是我依據報導內容整理出的衍生版本，不是原文照抄。