每個人都在問，AI 到底比較喜歡專才還是通才。
我認為這個問題問錯了方向。
AI 並不選邊站。它改變了原本的取捨關係。
舊時代逼著人做選擇。你要嘛深耕，要嘛廣博。專才有深度。他們懂產品、懂功能、懂領域、懂流程、懂邊界情況，也懂那些只有在某個問題領域裡長期浸潤才能累積來的寶貴經驗。他們能在自己的跑道內回答困難的問題。
通才有廣度。他們能連結團隊、客戶、市場、功能和商業模式之間的關聯。他們能看到別人忽略的模式。他們能在本來無法順暢溝通的群體之間擔任翻譯。
兩者都有價值。
兩者也都不完整。
專才常常被困在狹窄的跑道裡。通才則往往缺乏深度來做出關鍵判斷。這個取捨關係對現代組織架構的影響，遠比我們願意承認的更深。
很多組織的設計，其實是圍繞著人類能力範圍的限制來打造的。沒有人能同時掌握足夠的脈絡、專業知識、政策、技術細節、客戶 nuances 和判斷力，來獨立推動複雜的工作從頭走到尾。所以我們創造了「交接」。
商務人員把工作交給技術人員。
技術人員交給產品人員。
產品人員交給法務人員。
法務交給安全部門。
安全交給 IT 部門。
IT 部門回了三個意見和一封會議邀請。
非常精密。也非常緩慢。
這就是 AI 改變最大的部分。
AI 並沒有讓專業化變得無關緊要。它也不會神奇地讓每個人都變成厲害的通才。AI 攻擊的是「交接稅」。
它讓專才有更多的廣度。
它讓通才有更多的深度。
它讓更多人在需要另一個真人介入之前，就能把工作推進得更遠。
這最後一點至關重要。
目標不是消滅專家。目標是停止把專家當作路由基礎設施來使用。
AI 改變了工作應該如何流動
舉個簡單的例子：培訓內容。
在舊模式下，負責內容的人可能需要從產品、法務、IT、安全、銷售培訓團隊，以及其他好幾個團隊那裡獲取意見，工作才能變得完整。有些審批是真實必要的。在需要法務核准的地方，你還是需要法務。在需要安全核准的地方，你還是需要安全。在答案至關重要的時候，你還是需要真正的產品專家。
但很多來回溝通並不是判斷。那是翻譯。那是初稿審閱。那是基礎的風險識別。那是請別人來做負責人自己本可以在交接前就完成的思考。
有了 AI，那位內容負責人應該能在找任何人介入之前，就完成更多事情。他們應該能夠起草內容、對照政策進行比較、壓力測試訊息傳達、找出可能的法律問題、檢查技術主張，並準備好一份更完整的審批資料。
專家仍然負責核准。但現在，專家被用來做判斷，而不是收拾爛攤子。
這就是轉變。
AI 並沒有消除對深度的需求。它降低的是因為無法即時取得深度而產生的依賴。
這聽起來很細微，但其實不然。它改變了運作模式。如果更多人能承載更多脈絡，那麼工作就不應該需要經過相同數量的人類檢查點。如果初步分析成本低廉，專家就不應該花時間修補半成品。如果協調成本下降，團隊就不該僅僅因為舊路徑很熟悉而繼續沿用。
很多我們稱之為「協作」的東西，其實只是包裝得比較有禮貌的延遲。
AI 迫使我們對這件事更誠實。
專才仍然重要，但深度需要廣度
這就是為什麼我不買單那個「未來屬於通才」的簡單論點。
它聽起來很好。但它也不完整。
一個膚淺的通才加上 AI，仍然膚淺。他們可能只是變得更擅長快速產出自信滿滿的廢話，這可不是我們當初被承諾的革命。
深度仍然重要。事實上，深度可能更重要，因為 AI 讓表面功夫變得很便宜。任何人都可以叫 AI 總結一個主題。任何人都可以產出像樣的初稿。任何人都可以在五分鐘內聽起來很有知識。
真正的區別在於，你是否知道得夠多，能看出缺了什麼。
這就是專業知識展現的地方。
專家知道哪個細節是錯的。專家知道哪個假設是危險的。專家知道哪個答案聽起來正確，但在真實環境中會失敗。
AI 提高了基準線。它並沒有抹去天花板。
但專才也必須改變。
沒有廣度的深度會變成瓶頸。如果你的價值只在於你知道某件事，而每個人都得等你來回答，那 AI 正直接衝著這個模式而來。
最好的專才不只是守護自己的跑道。他們會從跑道向外擴展。他們會利用 AI 來理解周遭的商業脈絡、相鄰系統、客戶影響、競爭動態、實作限制和營運風險。
我想起我的醫生。他是顳顎關節（TMJ）專科醫師——在一個狹窄、困難的問題領域裡深耕了幾十年。那種深度是無法偽造也無法速成的。
多年來他有一些產品點子。只有長年生活在這個問題裡的人才會想到要做的東西。但這些點子總是在同一個地方夭折。不是因為點子不對。而是因為點子周圍的每件事都需要不同的專家參與。成分研究、法規核准、製造、專利申請、法務。每一次都是交接給他沒有的人脈、負擔不起的人、或不知道如何開啟對話的對象。
所以點子始終只是點子。
情況改變了。不是因為他變成了化學家或專利律師——他的深度仍然在顳顎關節，而不是智慧財產權法。但現在他可以自己做初步研究。研究成分。繪製法規路徑。在他花錢請人提交專利申請前，就先了解申請實際上涉及什麼。他可以把點子推進到足夠遠的地方，來判斷它是否真實可行。
他仍然需要專利律師。他仍然需要法規專家。但現在，他們是在一個經過深思熟慮的點子上被拉進來做判斷——而不是來教他基礎知識，或把他轉介給下一個人。
他的專業知識從來不是瓶頸。瓶頸是取得其他人專業知識的管道。
他們的深度成了錨點。
AI 擴展了半徑。
通才仍然重要，但廣度需要紮實的深度
對通才來說也是如此，只是反過來。
最好的通才不會只是漂浮在工作之上，連結點子。他們會利用 AI，在問題需要時深入鑽研。他們會測試假設。建立原型。閱讀文件。分析數據。對架構有足夠的了解，以知道真正的限制在哪裡。
他們的廣度成了優勢。
AI 賦予他們隨需應變的深度。
所以未來的典型形象不是專才或通才。而是「隨需應變的廣度與深度」。
當問題需要連結時，就廣泛涉獵。
當決策需要專業時，就深入鑽研。
知道何時 AI 就夠了。
知道何時需要真人專家。
知道何時工作已準備好被核准，何時它仍是穿著漂亮外衣的半成品。
那種判斷力，就是工作本身。
領導者需要重新設計工作
這對領導者有重大影響。
如果你的運作模式仍然假設每個問題都需要經過五個真人來路由，那你並非 AI 原生。你只是用了更好的工具，但速度更慢。
如果每個團隊都在等待另一個團隊來推進基本工作，你並沒有重新設計工作。你只是在同樣的舊依賴鏈上加了 AI，並稱之為轉型。那不是策略。那是採購行為加上一場簡報。
領導者該問的問題不只是：「我們如何讓每個人更有生產力？」
那太模糊了。
更好的問題是：我們在哪裡把人當作「交接」而不是「判斷」來使用？
這個問題會暴露浪費。
它會顯示專家被拉進低價值審查的地方。它會顯示通才正在協調他們自己現在就能推進的工作。它會顯示專才正在等待他們現在就能自行產生的脈絡。它會顯示團隊正在保護舊流程，而不是重新設計流程。
這才是真正的領導工作。不是購買工具。不是宣布試點。不是慶祝那些幾乎沒說明工作是否改變的使用量指標。
工作必須圍繞一個新的假設來重新設計：現在有更多人能夠承載更多脈絡。
這意味著有些交接應該消失。有些審批路徑應該更簡潔。有些角色應該擴展。有些流程應該被刪除。有些專家應該從低價值工作中解放出來，以便專注於那些真正需要專業知識的決策。
這會讓人感到不自在，因為交接不僅僅是流程。它們也關乎身份認同、控制權和風險管理。團隊圍繞著成為工作流程中必經的關卡來建立權力。領導者則圍繞著知道每個風險在其他地方都有負責人來建立安全感。
AI 給這一切帶來壓力。
它問了一個更難的問題：如果工作現在可以以不同的方式流動，我們為什麼還要這樣組織？
人才應該被重新評估
這也改變了我們應該如何看待人才。
舊的招聘和發展模式獎勵靜態的專業知識。你知道什麼？你在哪裡工作過？你涵蓋過哪些產品？你支援過哪些功能？
這些仍然重要，但它們已經不夠了。
新的問題是：在不等待組織給你一套劇本的情況下，你能夠弄清楚、建立、驗證和推動什麼？
那是不同的典型。
實作證明勝過背景資歷。
讓我看你建了什麼。讓我看你卡在哪裡。讓我看 AI 哪裡錯了。讓我看你如何恢復。讓我看你如何將技術決策連結到商業結果。
這比一個關於轉型的漂亮答案更能說明問題。
那些喜歡動手嘗試的人，其成長曲線會比那些等待培訓的人陡峭得多。這聽起來可能有點嚴苛，但我認為這是真的。
培訓告訴你組織已經知道什麼。嘗試告訴你現在有什麼新的可能。
在 AI 的世界裡，這兩者之間的差距是巨大的。
那個正在實驗 Agent、原型、工作流程、程式碼、內容和數據的人，會發展出正式培訓課程無法趕上的直覺。他們會知道工具哪裡強。他們會知道工具哪裡會失效。他們會知道什麼現在可以在一個小時內完成，而過去需要兩週。
那種直覺會變成一種領導技能。
不是因為每個人都需要成為工程師。
而是因為每個人都需要了解，現在工作的成本是多少。
草稿的成本變了。
分析的成本變了。
原型設計的成本變了。
學習的成本變了。
協調的成本也應該改變。
如果執行工作的成本下降了，但組織保留了同樣的交接，那麼瓶頸就不再是能力。而是習慣。
這才是最危險的部分。
大多數公司不會因為缺乏 AI 工具而失敗。他們會因為把 AI 嫁接在一個根本不該再存在的流程上而失敗。他們會用 AI 來加速舊的工作流程，而真正的機會其實是刪除一半的工作流程。
架構仍然重要
還有一塊很重要：架構。
「隨需應變的廣度與深度」只有在人員和 Agent 擁有可信賴的脈絡時才能運作。如果數據是過時的、零散的、權限設定不良的、或與工作流程脫節的，那麼 AI 只是幫助人們更快地朝錯誤的方向前進。
那不是槓桿。那是擁有更漂亮界面的混亂。
使用 AI 的人需要能夠存取正確的資訊、正確的工具、正確的護欄和正確的升級路徑。否則，他們無法安全地將工作推得更遠。他們只能更快地產出更多產出物。
這就是為什麼 AI 策略不能簡化為提示詞訓練或工具採用。底層的架構很重要。數據模型很重要。權限模型很重要。工作流程整合很重要。升級路徑很重要。
如果這些部分缺失，AI 就變成了一台生產力表演機器。產出很多。但沒有足夠的進展。
新技能
這不僅僅是關於職涯的討論。這是關於運作模式的討論。
當更多人能承載更多脈絡時，工作應該如何流動？
當初步分析成本低廉時，專家應該如何被使用？
當協調成本下降時，團隊應該如何設計？
當知識可以被生成，但判斷力仍需親身歷練時，領導者應該如何評估人才？
我常常回到這一點：
舊的組織圖是圍繞著人類能力範圍的限制來建造的。
AI 改變了那些限制。
這並不意味著每個人都變得一樣。這意味著角色之間的界線變得更加流動。
專才需要廣度。
通才需要深度。
專家仍然重要，但他們應該被用於判斷，而不是基本的路由。
通才仍然重要，但他們需要足夠的深度，從模式識別進步到真正的執行。
領導者仍然重要，但他們需要重新設計工作，而不是在一個破損的模式裡慶祝生產力提升。
贏家將會是那些知道何時該廣、何時該深、以及何時真的需要另一個人介入的人。
那就是新技能。
隨需應變的廣度與深度。
