AI 小團隊組織架構：12 人的編制怎麼配、人均營收要看到多少

要重新設計 AI 小團隊組織架構，先算一個數字：營收除以員工數。過去把 100 萬新台幣的人均營收當成不錯的水準，現在值得往 500 萬到 1,000 萬拉。順序是：先算人均營收 → 盤出哪幾個環節可以用 AI 把單人產出拉到 1.5 倍以上 → 把編制重畫成「少數核心＋大量 agent＋外包補強」→ 最後才決定要不要招人。

下面的 12 人編制、7 到 10 倍槓桿、每人管 5 到 10 個 agent，是 PolyTask 在自家團隊與客戶專案上觀察到的配置，不是產業普查結果；後段的人均營收基準與 AI 生產力研究則引用公開資料。前者是可以照著試的起始值，後者用來確認自己有沒有偏離市場太遠，兩者請分開看。

## 先定義：槓桿、AI agent、人均營收各指什麼

槓桿指同一個人在同一段時間內產出變成原本的幾倍，分母是時間而非人數。工程師一天從完成 1 到 2 個功能變成 8 到 10 個，槓桿就是 5 倍左右。 AI agent 指被設定好任務邊界、可反覆執行同一類工作的 AI 程式，例如「把 brief 變成文章初稿」「過濾信件並草擬回覆」。它和開一個聊天視窗問問題的差別在於任務預先定義好、產出格式固定，人只負責驗收。 人均營收指一段期間的總營收除以平均員工數，算的是結構效率，和毛利、淨利不同。本文的新台幣金額若要和國際報告對照，以 1 美元約 32 元新台幣換算。

## 為什麼 80 人的編制會縮到 12 人：槓桿是累乘的

2020 年開發一套 SaaS 產品配 80 人，2026 年可以用 12 人跑完同樣的範圍。原因在於槓桿會累乘，而非單一工具特別神。

寫程式用 Cursor 或 Claude Code 之類的工具，熟手在合適的任務上可以拉到 3 到 5 倍；設計從 Figma 到可點擊原型，一週的工作壓到一天；再加上文案、客服、報表各自的自動化。每個環節 1.5 到 3 倍，四五個環節相乘，整體落在 7 到 10 倍。這就是「12 人做 80 人的活」的算法：12 個人各自站在 7 到 10 倍的位置上。

重要的校準：7 到 10 倍不是自動發生的

這裡必須講清楚，否則整套 AI 小團隊組織架構會被誤讀成換工具就能完成的事。

有一份隨機對照研究得到相反的結果。METR 在 2025 年 7 月發表的實驗找了 16 位有經驗的開源開發者，在他們長期維護的大型專案上隨機指派 246 個真實的 issue，一半允許用 AI、一半不准。結果是允許用 AI 的那一組，完成時間多了 19%。更值得注意的是認知落差：這些開發者事前預期會快 24%，做完之後仍然認為自己快了 20%（The Register 2025 年 7 月 11 日報導）。

> 研究團隊自己把適用範圍講得很窄：這是特定工具、特定條件下的一個時間切片。他們指出慢下來的兩個因素——開發者對該程式庫非常熟悉、程式庫龐大且成熟（超過 100 萬行）——在很多開發情境裡並不成立。

兩邊放在一起讀，結論是槓桿倍數高度依賴任務類型：在不熟悉的領域、新專案、樣板型工作上，倍數容易出來；在自己維護多年的大型程式庫上做細修，倍數可能是負的。所以要逐個環節測，不要整個部門一起假設 5 倍。

另一個背景數字：Google 的 DORA 團隊 2025 年調查逾 5,000 位技術工作者，90% 已在工作中使用 AI，中位數每天約兩小時，但 30% 只有一點信任或完全不信任（TechRepublic 報導）。差距出在用法與驗收，不在有沒有開帳號。

## 12 人的編制實際怎麼分

以一個產品型公司為例，12 個人的分法是三塊，每個人都身兼數職：

產品＋設計｜2 人，外掛 AI 原型工具。 負責決定做什麼、長什麼樣，用 AI 把概念直接推到可點擊的原型，省掉規格文件往返的那一段。 工程｜3 人，外掛 Claude Code 之類的編碼代理。 3 個人撐住整個產品的開發與維護，工作重心從自己敲鍵盤移到切任務、並行跑、驗收。 行銷＋營運＋財務｜7 人，外掛 50 個以上的 AI agent。 這塊人最多，因為重複性任務最多，也因此是 agent 密度最高的區塊。

對照回舊的形狀：80 人的公司有 5 層管理、嚴格職能分工、靠會議協調；12 人的公司只有 2 層，每個人都是被 AI 增強過的專才，協作靠非同步與 AI 摘要。差別在層數與協調成本，不只是人頭數。

完整的組織架構是四層：1 到 2 位創辦人定方向、5 到 10 位核心員工執行、50 個以上的 AI agent 處理重複任務、100 個以上的外包補強尖峰。外包那一層常被漏掉，但它是這個結構能吸收波動的原因——尖峰時不擴編，用外包頂上去。

## 一天的工作變成什麼樣

編制圖看不出差別，拆到一天的時間分配才看得出來。

工程師：從自己寫，變成驗收並行的產出

2020 年的一天： 看 Issue 30 分鐘、寫程式 4 小時、開會 2 小時、code review 1 小時。產出 1 到 2 個功能。 2026 年的一天： 寫 brief 給編碼代理 10 分鐘、同時並行跑 4 到 5 個任務、review 3 小時。產出 8 到 10 個功能。

兩張時間表裡變動最大的是 review：從 1 小時變成 3 小時，佔掉將近一半的工作日。這是真正的瓶頸——產出變多之後，驗收能力就是上限，而驗收能力要靠練，裝工具裝不出來。

行銷：從做完一件事，變成同時跑完一輪

2020 年的一天： 寫 1 篇文章、排 5 則社群貼文、跑 3 組廣告、看 1 次數據。 2026 年的一天： 用 brief 產 5 篇文章大綱、用提示詞同時經營 4 個社群帳號、廣告工具自動輪替素材、一天看 5 次數據且報表自動生成。

關鍵詞是「一輪」：舊節奏一天推進一件事，新節奏一天把內容、投放、數據各跑一輪。改變的是週期數，不只是單次速度。

## AI agent 比較像一條工具帶：五種角色與配置密度

把 agent 當成「省下的人頭」是最常見的誤判。它比較像一條工具帶，掛在每個員工腰上，由那個人負責設定、監看、驗收。實務上常見五種：

1. 寫手 agent — 從 brief 產出文章初稿 2. 客服 agent — 自動回覆常見問題，判斷不了的升級給人 3. 排程 agent — 跨平台發文與排程 4. 分析 agent — 每天固定時間生出報表 5. 收件 agent — 過濾 email，草擬回覆讓人確認 配置的密度是每個員工管 5 到 10 個 agent。超過這個數，監看與除錯的成本會把省下來的時間吃回去；低於這個數，通常代表還有環節沒被拆出來。這也解釋了 7 個人為什麼配得起 50 個以上的 agent：7 × 7 大約就是 50，編制表和 agent 數量是同一條線上的兩個刻度。

## 創辦人該換掉的指標：從員工數改看人均營收

舊習慣是用員工數講規模——「我們有 80 個人」。在這套結構下，員工數和產能的關聯被切斷了，用它當規模指標會誤判。

換成人均營收之後，門檻大致這樣移動：舊標準落在每位員工 100 萬新台幣的年營收，新標準往 500 萬到 1,000 萬的區間走。 達不到通常代表結構還停在舊形狀，與努力程度無關。

這個門檻跟公開基準對得起來嗎

要先確認分母。不同報告對「員工」的定義差很多：有的只算全職（FTE），有的含約聘與外包。外包佔比高的團隊若只算全職，數字會被灌高，跨公司比較前要先對齊這一項。

跨帳戶的公開基準可以當第二道校準。SaaS Capital 2026 年完成的第 15 屆年度調查涵蓋超過 1,000 家 SaaS 公司，每位全職員工的 ARR 中位數為 141,125 美元，前一年是 129,724 美元；ARR 在 100 萬到 300 萬美元的公司中位數只有 109,644 美元（SaaS Capital：Revenue Per Employee Benchmarks for Private SaaS Companies）。

中位數換算約新台幣 450 萬元。所以 500 萬到 1,000 萬的新門檻，大致落在國際私募 SaaS 公司的中位數到前段之間——偏高但夠得著。同一份資料另有兩個細節：自籌型在每個營收級距上都高於募資型，而且這個指標會隨規模上升，拿 10 人公司比 200 人公司沒有意義。

用法是先算出自己過去 12 個月的數字當基準線，每季記一次看斜率；公開基準只用來判斷有沒有偏離市場太遠。

## 對員工的訊號：角色要從執行移到定義與督導

判斷方式只有一個問題：你的角色是在執行任務，還是在定義任務並督導 AI？

角色是「執行任務」——風險較高。 工作內容可以被完整描述成一串步驟，就代表它可以被寫成 agent 的指令。 角色是「定義任務＋督導 AI」——相對安全。 價值在於判斷要做什麼、怎麼驗收、什麼情況要推翻重來。

對應的三項核心能力是：

1. 用 AI 倍增產出 — 重點在把工作流程拆成可以交給 agent 的單位，而非會用工具 2. 跨領域整合 — 2 層組織沒有那麼多專職窗口，一個人要接得住相鄰的環節 3. 理解業務全貌 — 定義任務的前提是知道這件事在整條鏈路上要解決什麼

前面「review 從 1 小時變 3 小時」那一段，就是這三項能力在時間表上的樣子。

## 什麼時候不適用

這套 AI 小團隊組織架構有明確的邊界，以下情況不要照搬：

需要實體製造。 產線、品管、物流的產能由設備與人力決定，AI 可以優化排程，無法把 80 人的工時壓成 12 人。 需要面對面服務。 服務人次與人數直接相關，到診、到府、到校的時數不會因為工具而增加。 高度合規的產業。 金融、藥廠、醫材的審查與留痕要求，會讓驗收成本高到抵銷槓桿。倍數要大幅打折再估。 在自己維護多年的大型程式庫上做細修。 這正是 METR 研究裡慢下來的情境，照搬 5 倍會排錯時程。 還沒有可重複的流程。 agent 的前提是任務邊界清楚。流程每次都長得不一樣時，先把流程穩定下來再談自動化。

最容易成立的則是 SaaS、內容媒體、諮詢服務與 DTC 電商：交付物數位化、流程可重複、品質可用規則驗收。

## 這週可以做的四件事

第一步｜算人均營收。 過去 12 個月的營收除以平均員工數，標註分母有沒有含約聘與外包。 第二步｜挑一個環節測槓桿。 選每週都要做、做法固定的工作測兩週，記錄單位產出所需時間。倍數低於 1.5 就換一個環節。 第三步｜把編制畫成四層。 創辦人、核心員工、agent、外包各幾個。畫不出 agent 那一層，代表流程還沒被拆解過。 第四步｜確認 review 時間有排進去。 沒留出驗收時段的團隊，品質問題會在兩個月後集中爆開。

## TL;DR

AI 小團隊組織架構的核心指標是人均營收：舊標準每位員工 100 萬新台幣，新標準往 500 萬到 1,000 萬走；對照 SaaS Capital 2026 年調查的全職員工 ARR 中位數 141,125 美元（約 450 萬新台幣），這個門檻落在中位數到前段之間。12 人的分法是產品設計 2 人、工程 3 人、行銷營運財務 7 人，搭配 50 個以上的 agent 與 100 個以上的外包，管理層數從 5 層壓到 2 層。槓桿來自累乘，每環節 1.5 到 3 倍、整體 7 到 10 倍，但高度依賴任務類型：METR 2025 年的隨機對照研究中，熟悉大型程式庫的開發者用了 AI 反而慢 19%。真正的瓶頸是驗收時間。

記住這個順序：算人均營收 → 逐環節測槓桿 → 重畫三層編制 → 最後才決定要不要招人。

## 常見問題

12 人真的能做 80 人的活嗎？

在流程可重複、交付物數位化的業務上可以逼近，在需要實體製造或面對面服務的業務上不行。前提是每個人的槓桿都拉到 7 到 10 倍，而槓桿要逐個環節實測。沒做到倍增就縮編，得到的是 12 個人做 12 個人的活。

人均營收要怎麼算才不會騙自己？

用過去 12 個月的營收除以同期間的平均員工數，並標註分母定義。只算全職而大量使用外包的團隊，數字會被灌高。跨公司比較前要確認兩邊分母一致。

AI 讓工程師快 5 倍，這個說法可靠嗎？

要看任務類型。在不熟悉的領域、新專案與樣板型工作上倍數容易出現；在自己維護多年、超過 100 萬行的程式庫上做細修，METR 2025 年的隨機對照研究測到的是慢 19%。同一份研究也發現開發者事後仍以為自己快了 20%，所以要記實際時間，別信感覺。

一個人管幾個 AI agent 比較合適？

5 到 10 個。超過這個數，監看與除錯的成本會把省下來的時間吃回去；低於這個數，代表還有可以拆出來的重複任務。7 個人配 50 個以上的 agent 就是照這個密度推出來的。

這套編制適合台灣的中小企業嗎？

適合流程可重複的服務型與數位型業務，例如軟體、內容、諮詢、DTC 電商。製造、餐飲、實體零售的產能受設備與人力限制，用 AI 可以改善排程與行政，但不會出現編制級距的變化。判斷方式是看主要交付物是不是數位的、品質能不能用規則驗收。

縮編之後，品質會不會掉？

風險集中在驗收這一層。產出數量上升時 review 時間要同步拉長——範例裡的工程師從每天 1 小時增加到 3 小時。沒有留出驗收時段的團隊，問題通常在兩個月後集中出現。配置 agent 的同時就要配置驗收規則。

---

人均營收算出來之後，如果不確定下一步該補流程、補 agent 還是補人，可以把現在的編制與近 12 個月的營收整理給我們看一次。PolyTask 做的是全鏈路的行銷增壓，診斷會從人均營收與可倍增的環節開始。