幾乎所有職業都面臨著同一個問題：
「AI 會取代我嗎？」
律師問。
設計師問。
程式設計師、老師、記者、醫生、廣告人、分析師也都在問。
這個問題看似合理，因為它讓我們想像一個非常明確的畫面。
今天，椅子上坐著一個人。
明天，換成了一台機器。
只要那一天還沒到來，我們就繼續工作，並將職位的保留下來解讀為安全的訊號。
但事情可能不會是這樣。
你的職業可能會繼續存在。
你的職稱可能保持不變。
你的公司可能繼續為同一個領域招聘人才。
然而，那份工作所賦予的安全感、談判籌碼和未來，可能從此開始改變。
風險不是從職業消失的那一刻開始，而是從它繼續存在，但開始需要更少人力的那一刻萌芽。
一個職業不只是一件事情
想像一位名叫 Clara 的年輕行銷分析師。
Clara 正開始她的職業生涯。
在一週裡，她研究競爭對手、整理資訊、準備簡報、撰寫初稿、監控廣告活動，並將結果轉化為報告。
這些任務，單獨來看，都無法定義什麼是行銷工作。
但它們共同佔據了她日常工作的很大一部分。
同時，這些任務也教會 Clara 如何實踐這份職業。
當她研究一個競爭對手時，她學會分辨什麼是重要的變化，什麼是無關緊要的新聞。
當她準備報告時，她學會哪些數字看起來不錯，哪些才真正代表成果。
當她撰寫初稿時，她理解一個想法如何根據受眾、產品和時機而改變。
當她跟著資深同事學習，看著他們修改她的工作成果時，她開始感知到自己還無法獨立解釋的判斷標準。
現在，想像 Clara 的公司採用了 AI。
初步的研究只需要幾分鐘。
資料自動整理好。
簡報自動生成第一個架構。
報告已經附上摘要。
在 Clara 完成第一個版本之前，AI 已經可以產出十個版本的文案。
行銷這個職業消失了嗎？
沒有。
Clara 失業了嗎？
不一定。
但有一些重要的事情發生了。
一個職業不是一個單一的區塊。
它是由任務、決策、知識、人際關係、責任、判斷和承擔的風險所組成的。
AI 不需要精通所有這些環節，就能改變市場。
它只需要切入那些關鍵的部分。
職業是最後消失的東西之一。任務會先改變。
最先消失的，可能是那條階梯
我們很容易將 Clara 的初階任務視為純粹的操作性工作。
研究、整理、初稿、報告。
讓機器分擔這些例行工作，似乎很棒。
但問題是，這些任務也是她職業訓練的第一個階梯。
Clara 製作報告，不只是為了提交報告。
她是在學習如何審視一門生意。
她研究競爭對手，不只是為了填滿簡報。
她是在建立自己的知識庫。
她撰寫不完美的版本，不只是因為工作需要有人做。
她是在培養判斷力，讓她在多年後能夠辨識出什麼是好的版本。
這個機制出現在許多職業中。
初階律師透過研究文件、比較判決和準備初稿來學習。
程式設計師從修正小問題、撰寫簡單模組和試著理解他人建構的系統開始。
設計師透過產出不同的設計方案、修改作品和接受批評，來培養美學方向。
廣告人透過研究參考資料、測試不同方法，以及觀察為什麼有些想法能通過審查而有些不能，來累積經驗。
當 AI 接手這些任務時，公司節省的不只是時間。
公司可能不再需要那麼多處於職業生涯初期的人。
一位經驗豐富的專業人士，在 AI 的輔助下，就能開始完成過去需要好幾位新手才能處理的工作。
公司開出的職缺變少了。
進入這個行業的人變少了。
能夠累積經驗的人也更少了。
職業生涯失去了一些最初的階梯。
這個現象已經出現在初步的數據中。
史丹佛數位經濟實驗室（Stanford Digital Economy Lab）一項基於美國薪資記錄的研究發現，在控制公司差異後，與 AI 接觸最密切的職業中，22 到 25 歲年輕人的就業率相對下降了 16%。
在同一項研究中，同一個職業領域的資深專業人士，則相對受到保護。
研究者自己也提醒，這項研究是觀察性的，無法證明所有差異都是由 AI 造成。
即便如此，這個趨勢值得我們關注。
最初的壓力似乎並非均等地影響每個人。
它可能精準地從那些仍需入門學習的人開始。
AI 可能不會消滅一個職業，但它可能消滅人們學習從事該職業的方式。
這就產生了一個令人不安的問題：
如果培養經驗豐富專業人士的工作消失了，下一批經驗豐富的專業人士要從哪裡來？
職位還在，但價值已經轉移
Clara 留在公司裡。
她的職稱仍然是行銷分析師。
從外部看來，一切似乎相對正常。
但在內部，標準已經改變了。
過去，公司期望她研究、整理和產出。
現在，因為這些步驟變得更快，公司期望 Clara 能交付更多。
光是提出十個想法是不夠的。
她需要辨識出哪兩個是可行的。
光是產出報告是不夠的。
她需要根據報告解釋應該採取什麼行動。
光是策劃一個廣告活動是不夠的。
她需要了解受眾、識別風險、捍衛選擇，並對結果負責。
生產力的提升，並不會自動轉化為空閒時間。
它常常轉化為一種新的期望。
一個人開始能完成過去需要一個團隊才能完成的工作。
團隊規模縮小。
產出量增加。
執行變得唾手可得。
而變得唾手可得的東西，通常會失去經濟價值。
也許 AI 不會取代所有設計師。
但它可能讓一位優秀的設計師，產出過去需要一個團隊才能完成的成果。
也許它不會取代所有律師。
但它可能減少研究、整理和準備案件所需的人力。
也許它不會取代所有行銷人員。
但它可能讓只會產出文案、簡報和報告的能力變得不夠。
職業仍然存在於市場上。
但其中可用的職位數量變了。
價值開始集中在那些能夠做出超越執行層面貢獻的人身上。
當某項任務變得唾手可得，懂得如何執行它就不再足以保證價值。
如果執行不再稀有，那什麼才有價值呢？
拆掉階梯的同一項科技，也能幫助建造另一條階梯
這裡有一個重要的矛盾。
AI 減少了初學者賴以學習的某些任務需求。
但它也能讓一個人獲得過去單靠自己無法取得的練習量、知識和產能。
這不會自動發生。
Clara 可以用兩種截然不同的方式使用 AI。
第一種方式，她丟出一個任務，得到一個答案，複製結果，然後交付。
她看起來很有生產力。
但她無法解釋為什麼那個答案是好的。
她無法確定地辨識錯誤。
她沒有發展出自己的判斷標準。
她產出越多，就越依賴於一個她無法評估的東西。
她在用 AI 逃避工作。
但她也在逃避一部分的學習過程。
第二種方式，Clara 用 AI 來擴展她的訓練。
她請工具解釋不同的策略。
比較各種選項。
在查詢答案之前，先試著自己做決定。
請 AI 批評她自己的推理。
模擬各種情境。
研究過去的廣告活動。
記錄自己的錯誤。
創建自己的專案。
測試那些她過去沒有時間或資源獨自驗證的假設。
她不是只要求一個答案，而是建立一個循環：
嘗試、比較、接收回饋、修正、再嘗試。
在這種情況下，AI 並沒有取代練習。
它增加了可能練習的數量和速度。
但有一個重要的限制。
AI 無法取代真實問題。
它無法取代真實的後果。
它無法取代指導、與資深人士的接觸、外部回饋以及漸進式的責任承擔。
一個能夠回答任何問題的工具，也可能非常有說服力地確認一個糟糕的想法。
因此，新的階梯不會只靠提示詞、Agent 和自動化來建立。
它需要將 AI 與真實專案、人類的批評、學習、實驗和責任心結合起來。
關鍵差異在於，你是用 AI 來逃避學習，還是用它來加速建立判斷力。
移除舊階梯的科技，也能幫助創造新的階梯。
只不過，這一次，建造階梯的部分責任可能會從公司轉移到專業人士自己身上。
被增強的专业人士的誕生
隨著時間推移，Clara 不再只在需要完成任務時才使用 AI。
她開始在自己的周圍建構一種能力。
她組織了過去廣告活動的記憶庫。
記錄了決策、結果和錯誤。
建立了一個定期研究競爭對手的流程。
定義了評估想法的標準。
為特定任務配置了 Agent。
自動化了後續追蹤工作。
維護著每個客戶的背景脈絡。
在每次交付前創建了驗證步驟。
Clara 不再從零開始每個專案。
她帶著她所學到的一切，以及一個能夠將這些知識付諸行動的系統。
這遠比單純知道如何使用 ChatGPT 更重要。
有一種專業人士，用 AI 來更快地產出同樣的工作。
還有一種專業人士，將 AI 轉化為自己的記憶、流程、知識庫和累積的能力。
前者節省時間。
後者改變了一個人能夠承擔的工作量。
這種變化已經出現在大型企業描述工作的方式中。
在《2025 年工作趨勢指數》（2025 Work Trend Index）中，微軟提出了由人類和 Agent 組成的團隊概念，專業人士可以指導「數位同事」執行工作的特定部分。
Anthropic 經濟指數（Anthropic Economic Index）也發現了兩種不同的使用模式：自動化（automation），即任務被委派出去；以及增強（augmentation），即人們使用 AI 來學習、驗證和共同發展工作。
這個區別很重要，因為按一個按鈕並不能創造持久的優勢。
隨著時間推移，幾乎所有人都能使用相同的工具。
優勢將來自於圍繞這些工具所建立的系統。
你組織了什麼資訊？
你累積了什麼背景脈絡？
你發展了什麼判斷標準？
你知道如何協調哪些流程？
你能驗證哪些結果？
你開始承擔哪些責任？
在未來，公司可能不僅評估一個人的經驗、訓練和過往成果。
它可能還想知道這個人可以調動什麼樣的能力。
他們能操作哪些流程？
他們能攜帶多少背景脈絡？
他們如何控制其 Agent 產出成果的品質？
他們能在不擴大團隊的情況下產生多少成果？
這個人帶來的不只是一份履歷。
他們帶來了一種屬於自己的專業基礎設施。
公司僱用的不只是這個人，而是他們的判斷力，以及他們所學會建構和 orchestrate 的所有 AI 能力。
每個專業人士都可以攜帶過去只屬於整個公司的營運能力。
但這並不代表機器自動讓專業人士變得有價值。
機器可以生成。
但還是需要有人給出方向。
機器可以建議。
但還是需要有人做出判斷。
機器可以處理海量資訊。
但還是需要有人理解背景脈絡。
機器可以推薦一個行動。
但還是需要有人為其後果負責。
方向、判斷、背景脈絡和責任，並非對人類的浪漫辯護。
它們是工作中具體的部分。
生產越便宜，它們就越重要。
缺乏方向、判斷、背景脈絡和責任的能力，還不是一個完整的職業。
你今天就可以做的測試
不要等到你的職業名稱出現在受威脅工作清單上。
找一個正常的工作週，列出你實際做的事情。
不要只寫「我是律師」、「我是設計師」或「我在行銷部工作」。
列出具體的活動。
然後，將每一項活動歸類到以下六個組別中。
1. 生產
你創造、組織或執行什麼？
2. 決策
什麼需要你的選擇？
3. 背景脈絡
什麼取決於你對公司、客戶或情況的深入理解？
4. 責任
什麼需要有人來回答或負責？
5. 信任
什麼依賴於關係、聲譽或可信度？
6. 學習
哪些任務正在建立你未來承擔更大工作所需的經驗？
現在，找出 AI 已經可以開始介入的部分。
不要只問它是否能完美地完成所有事情。
那個標準太容易達到了。
問問看：
AI 是否已經能夠產出一個有用的初版？
如果答案是肯定的，那麼它已經可以改變完成該任務所需的時間、成本和人力。
接著，尋找看不見的風險。
如果這項任務失去了價值，對你會產生什麼影響？
它只是操作性的工作，還是也是你學習的一部分？
如果任何人都能用 AI 執行它，為什麼別人會繼續選擇你？
你是在培養判斷力，還是只是在加快速度？
最後，尋找看不見的機會。
你如何能利用 AI 進行更多練習？
你需要組織哪些知識？
你能建立什麼流程，而不只是加速流程？
你需要發展哪些標準來評估結果？
既然執行需要更少的時間，你現在可以承擔什麼更大的責任？
最重要的問題不是：
「我如何能更快完成我的任務？」
而是：
「我是在用 AI 更快地做同樣的工作，還是在成為一個擁有不同能力的專業人士？」
風險更早開始，機會也是。
AI 很可能不會在某個星期一突然宣布你的職業已經不復存在。
你的職稱可能仍在。
公司可能繼續招聘。
人們可能繼續從事同樣的活動多年。
變化將以一種不那麼明顯的方式發生。
首先，某些任務會花更少的時間。
接著，一個人就能交付過去需要好幾個人才能完成的成果。
入門級職位將減少。
舊的階梯會失去幾級。
期望值會提高。
某些技能將不再稀有。
價值將轉移到工作中新的部分。
當有人最終問起這個職業是否已被取代時，這可能已經是錯誤的問題了。
最容易受到威脅的專業人士，不一定是那些職業可能被自動化的人。
而是那些價值僅取決於變得容易複製的任務的人。
最有準備的專業人士，不會試圖證明他們可以在沒有 AI 的情況下工作。
他們學習如何指揮這項技術，驗證其結果，並承擔機器無法獨自承擔的責任。
這並不能讓任何人變得無法被取代。
但它能讓一個有準備的人，比他們獨自工作時，變得更有能力、更有價值，也更難被取代。
未來不會只分成人和機器。
它會分成繼續獨自工作的人，以及學會將機器轉化為自身能力延伸的人。
AI 不會一次性地取代你的職業。真正的風險，遠比你想像的更早開始。
但機會也是。
如果你想為這個改變做好準備
最好的準備方式不是與 AI 競爭。
而是學習將它轉化為你自己的能力。
如果你想了解如何在工作中做到這一點，請在 X 上追蹤我。
我每天都會分享實用的方法，教你如何運用新科技來產出更好的成果、承擔更大的責任，並在市場上變得更有價值。
引用來源
- Erik Brynjolfsson, Bharat Chandar, and Ruyu Chen. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, November 2025 version.
- Microsoft. 2025 Work Trend Index Annual Report: The Year the Frontier Firm Is Born.
- Anthropic. Anthropic Economic Index: Uneven Geographic and Enterprise AI Adoption, September 2025.
