為正在進行的客戶項目而設的分析員入職系統

想像一間 40 人顧問公司，經常有不同分析員輪流加入正在進行的客戶項目。

每個項目都有自己的文件、客戶歷史、工作範疇用語、假設、決定和內部標準。新分析員需要快速上手，但資深顧問沒有時間在每次交接時重複同一套背景。風險不只是入職慢。更大的風險，是新分析員基於不完整背景工作，產出的內容反而增加審閱負擔。

這是專業服務內部的 learning operations 問題。

Proximity 可以被調整成為正在進行的客戶項目而設的分析員入職系統。

系統的工作，是準備學習和項目背景。它不應評估專業能力、決定分析員是否已準備好面向客戶、向客戶提出建議，或取代有經驗同事的指導。

工作流程

這個工作流程，是把一位分析員帶入正在進行的客戶項目。

團隊希望分析員理解：

• 客戶和項目目標。
• 目前工作範疇。
• 關鍵來源文件。
• 已作出的重要決定。
• 團隊使用的術語和標準。
• 未解問題和已知風險。
• 他們首先負責的工作。
• 誰會審閱他們的工作。

在不少公司，這些背景散落在簡報、筆記、Slack 或 Teams、項目文件夾、CRM 紀錄、過往交付物和合夥人記憶之中。分析員收到一個文件夾和一場會議，然後開始自行拼合工作。

Proximity 會把這件事轉成一個有準備的入職循環。

這個循環的重點，不是把新人訓練變成自助問答，也不是讓 AI 告訴分析員「標準答案」。在正在進行的客戶項目中，很多知識其實是情境化的：某個數字為何使用某個假設、某份舊簡報為何不再適用、客戶內部某個詞語在這個項目裏有特定意思、哪類內容必須先由經理看過。這些背景如果沒有被帶入第一項工作，分析員很容易勤力但方向錯。

對專業服務團隊而言，分析員亦可能在短時間內跨越不同客戶、行業和語言材料。入職系統應讓他知道哪些文件是權威來源、哪些只是歷史參考、哪些術語不可直接照搬，以及哪些問題應先問項目主管而不是自行假設。

Proximity 會建立甚麼模型

在這個部署中，Proximity 會把項目入職建模為一個結構化轉接。

經批准來源可能包括：

• 項目簡報。
• 工作說明書。
• 過往交付物。
• 客戶會議筆記。
• 工作範疇追蹤表。
• 內部質量標準。
• 詞彙表或術語筆記。
• 審閱意見。
• 未解風險和決定。
• 工作分派。

系統會圍繞以下內容結構化材料：

• 項目、客戶、工作範疇和負責主管。
• 分析員角色和首批工作。
• 來源包和必讀材料。
• 關鍵決定和假設。
• 審閱檢查點和審閱人。
• 未解問題。
• 術語、定義和例子。
• 已知敏感事項或邊界。

即使這是職場場景，教育和學習 AI 指引仍然相關。UNESCO 關於教育和研究中生成式 AI 的指引強調人的能動性、包容和負責任治理。美國教育部的 AI 報告亦反覆把 AI 定位為支援教育者和學習者，而不是取代人的責任。在專業服務中，入職系統應遵循同一原則：準備學習背景、保留指導，並讓有後果的判斷繼續由人負責。

把「項目入職」建模為結構化轉接，可以避免兩種常見失敗。第一，是新人只得到太多文件，卻不知道閱讀次序、重要程度和目前適用性。第二，是新人只得到口頭簡介，之後沒有可查證的來源去支持工作。Proximity 應把來源包、決定時間線、術語表、首項任務和審閱安排連在一起，讓學習直接貼近正在做的工作。

這樣的模型亦有助經理。經理不用反覆解釋每個基本背景，而可以看到分析員在哪些問題上受阻、哪份草稿已準備好回饋、哪個術語需要補充例子。指導時間可以從重複背景，轉向質量、判斷和客戶語境。

系統會準備甚麼

分析員加入項目前，Proximity 可以準備一份入職包。

入職包可能包括：

• 項目概覽。
• 附連結的來源閱讀清單。
• 關鍵決定時間線。
• 客戶和內部術語詞彙表。
• 工作範疇和負責人地圖。
• 分析員的第一項工作及所需背景。
• 審閱準則和審閱人。
• 分析員不應自行猜測的未解問題清單。

第一週期間，Proximity 可以維持一個支援佇列：

• 需要項目主管審閱的問題。
• 已準備好收取回饋的草稿工作。
• 欠缺來源背景。
• 分析員未見過的術語。
• 與當前工作相關的過往決定。
• 指導會議後的跟進。

這不代表系統教授判斷。它代表系統減少不必要的背景流失，讓人的指導可以集中在判斷上。

1EdTech 的 Caliper 標準說明，學習數據如果能在工具之間使用共享活動語言，會更有價值。在這個專業服務場景中，對應的不是學生分析，而是項目學習的一套共享營運語言：已閱讀、已審閱、已草擬、受阻、已釐清、由人批准，以及可進入下一次審閱。

入職包亦應把「需要知道」和「暫時不應推斷」分開。分析員可以閱讀客戶背景和過往交付物，但不應因此自行決定客戶下一步建議。系統可以展示過往決定，但應標示哪些仍然有效、哪些已被新資訊取代、哪些只是歷史脈絡。這種標示讓新人更快工作，同時避免把舊材料錯用到當前客戶問題。

第一週的支援佇列可以成為教練對話的入口。例如，如果多位分析員都在同一術語或同一來源上受阻，團隊可以改善詞彙表或來源包；如果草稿常因欠缺某項背景被退回，系統可以把該背景加入下一批入職材料。這是 learning operations 的實際含義：不是單次培訓，而是不斷改善工作中的學習環境。

甚麼仍然由人負責

指導和專業判斷仍然由人負責。

Proximity 不得決定某位分析員是否稱職、批准面向客戶的工作、選擇最終建議、評估專業能力，或取代經理回饋。它不應把薄弱訊號轉化成對人的判斷。

人仍然負責：

• 指導。
• 表現判斷。
• 客戶建議。
• 質量審閱。
• 最終交付物。
• 專業標準。
• 回饋和發展決定。
• 客戶溝通。

系統應清楚顯示自己的角色：已準備背景、來源包、審閱佇列和交接記憶。它不應評分人，也不應就準備程度作出隱藏決定。

NIST 的 AI Risk Management Framework 在這裏有用，因為它把風險視為涉及人、背景和治理的問題。在入職場景中，設計不良的系統可能扭曲回饋或製造虛假信心。設計良好的系統則支援負責任的審閱人。

尤其要避免把活動紀錄變成隱性評分。某人閱讀較慢、提問較多，未必代表能力較差；可能是項目背景更複雜、來源包不清楚，或任務本身定義不足。系統應幫助經理看見工作脈絡和支援需要，而不是自動給人貼上準備不足的標籤。專業發展和表現判斷應由理解工作的人作出。

試點形態

一個好的試點，可以集中於一種項目類型，例如策略診斷、落地支援或營運模式審閱。

第一階段會梳理現有入職路徑。第二階段會為一個進行中項目建立來源包和項目詞彙表。第三階段會為分析員問題和草稿工作加入審閱佇列。

成功訊號包括：

• 較少時間花在重複基本項目背景。
• 分析員更快熟悉來源材料。
• 第一批工作更清楚。
• 因欠缺背景而產生的可避免審閱意見減少。
• 分析員輪換時交接更好。
• 經理認為指導對話更有用。

試點的關鍵，是看系統是否令第一項工作更準確、更容易審閱。如果分析員仍然不知道哪些文件最重要、第一個交付物要解決甚麼問題、誰會審閱，以及哪些假設不可自行更改，入職包就只是另一堆材料。成功的 Proximity 部署，應讓新人更快進入有根據的工作，同時讓經理更早看見需要人手指導的地方。

試點應避免把範圍擴大成整間公司的培訓平台。較有用的起點，是一種常見項目類型、一個正在進行的客戶項目，以及一小組會輪換進來的分析員。先把來源包、術語表、首項任務和審閱檢查點做好，再把從支援佇列學到的缺口回饋到下一輪入職。這樣才能測量入職質素，而不是只測量內容數量。

團隊亦應讓分析員可以指出入職包哪裏不清楚。新人提出的疑問往往暴露了項目知識的斷點。把這些疑問納入系統，比只要求新人「自己多看一點」更能改善之後的交接。

這亦令入職從一次性交接，變成可改進的學習營運流程。每次草稿被退回、每次術語被釐清、每次來源包被補充，都可以回到下一輪入職材料。系統不評價人的能力，但可以令團隊更清楚知道哪裏需要更好的背景和指導。

最終，Proximity 的價值不在於取代經理，而在於讓經理把時間用在質量、判斷和客戶語境上，而不是反覆補同一批背景資料。