翻翻過去寫過的

70% 的 Z 世代說，他們擔心 AI 對就業的衝擊。蓋洛普同一份調查裡，四分之一的人說，如果智慧型手機從未被發明出來，會更好。這是第一個從小在智慧型手機環境裡長大的世代。 今年夏天，紐約出現了一個叫 Summer of Ludd 的活動：現場禁止攜帶手機，沒有任何社群媒體宣傳，參與者喊「不要 Gemini、不要 GPT、不要 Claude」。這股新魯德運動反的是演算法、隱私追蹤、科技對社交生活與睡眠的侵蝕。 有點好笑的是，這場反社群媒體的活動，是透過 TikTok 傳播出去的。 哈佛有個大學部學生問了一個問題：AI 時代還要讀書嗎？她靜不下心，讀不完一本書，覺得跟不上同學的讀書會。她收到的答案出乎意料：讀不了一本書，就同時讀十本。 拿起一本，讀了五頁，注意力跑了，放下，拿另一本。十本同時讀，每本的關係是輕的，少了「必須讀完這本」的重量，反而在不同的段落裡找到出乎意料的連結。 這個建議背後有個觀察：你試著把自己逼進一個對多數人都難的框架，從頭到尾、一口氣讀完一本書。學術界幾百年前就應付過同樣的問題，解法是摘要、主旨句、章節小標。整天讀書的學者，注意力本來就是短的，那些格式是配合人類大腦設計的。AI 讓資訊量爆炸了，你的大腦還是那個需要換氣的版本。 Summer of Ludd 的邏輯，跟那個讀書建議說的其實一樣。他們用 TikTok 組織活動，進了現場把手機收起來。活動結束了，手機又出來了。他們練習的是選擇的那一下，把注意力投向自己決定的地方。 下次讀到一半想放下，就放下，換一本。你一直都是這樣讀的。

1952 年，Grace Hopper 在一台叫 Mark I 的電腦前，把第一個編譯器寫完了。它做的事很簡單：讓人可以說「ADD」，機器自己翻成 010101。在這之前，寫程式等於直接對機器的語言說話。之後，人說的話，機器翻成指令。 這條路往後走了七十多年，一直走到今天的 AI 程式碼生成器。你說「幫我寫一個接收城市名稱回傳今日天氣的函式」，幾秒後程式碼出來，連文件字串都有，可以直接跑。AI 寫程式的速度，已經遠超任何人類工程師。 但這個工具的底層，沒有在「想」。 它讀過的 Python 可能比全世界所有工程師加起來都多。但它的工作機制是預測：根據訓練過的幾十億個範例，找出統計上最可能跟著出現的下一個 token。它知道「接收城市名稱」之後通常跟著什麼。為什麼，它說不上來。七十年前，Grace Hopper 的編譯器在翻。今天的 AI，還是在翻，只是翻的對象變成了你的語言。 這個翻譯機有個實際的問題：開發者大約只接受它給的 30% 建議。另外 70%，被看完直接刪。即使是那 30% 被接受的程式碼，測試發現大約有一半含有已知的安全漏洞，語法乾淨、看起來正確，但隱患藏在裡面。 就在同一個禮拜，芝加哥大學法學院宣布了一件看起來反方向的事：從今年起，一年級學生上課不能帶任何電子設備，連筆電都不行。學校說，它想給學生一個沒有翻譯機的空間，先讓思考自己跑一遍，再讓工具進來。他們用的是蘇格拉底式教學：教授問，學生當場回答，案例自己讀、爭點自己整理、邏輯自己推。這套訓練，是要讓學生在用 AI 之前，先有能力判斷 AI 翻出來的東西對不對。 AI 把翻譯做到了七十年前無法想像的程度。芝大說，在你讓 AI 替你翻之前，先自己弄懂你在翻什麼。兩件事同一時間發生，沒有誰對誰錯。 那 70% 被刪掉的 AI 程式碼建議，生成了，也消失了。芝大下學期的一年級，進課堂，桌上什麼都不擺，教授問，自己想。

明尼蘇達大學的研究員 Jie Ding 做了一個工具，叫 Academic Humanizer。他的邏輯很直接：現有的 AI 偵測器太不準確，常常誤判人類寫的文章是 AI，害無辜的學生被錯判成用 AI 代寫。他的工具幫使用者改寫句子，讓文章「更像人寫的」。 幾天後，《Nature》出了一篇報導，學術界吵翻了。 學術界開始討論：這工具是不是讓 AI 代寫更難被抓？但如果 AI 偵測器時不時把人寫的文章判成 AI，能不能被偵測到就不是重點了。 這後面有個更根本的問題：一篇文章交到你手上，你跟它的作者之間，還剩下什麼信任關係？ 學生交報告給老師，論文投稿給期刊，這中間有個隱含的默契：你說這是你做的，我就信你。Academic Humanizer 這類工具的出現，讓那個默契變得愈來愈難倚靠。 紐約市同一週凍結了所有帶有 AI 標籤的新教育軟體採購，先喊停、等共識。三個不同的群體同時出聲：隱私倡議者、教師工會、還有一批更廣的反對者。四千份聯署要求暫停兩年。 從這個凍結採購的動作你可以看到：在 AI 環境裡，信任該怎麼重建，現在沒有人有答案。 這不只是教育的問題。任何你收到的文章、報告、訊息，你現在都在默默做同一個判斷：這個人說他寫的，我信嗎？

AI token 的費用，一家公司每 45 天就翻一倍。整體生產力，上限提了 5%。 說出這個數字的，是矽谷其中一個最早押注 AI 的投資人，在播客裡分享自家公司的狀況。他說，幾年內大多數公司都會遇到同樣的問題。 這個成本與效益的落差，有一個還沒被說清楚的原因。 AI 做得越好的那些事，大致上是「執行層」：寫格式固定的報告、整理資料、把流程自動化。這些事 AI 做得快，成本也在降。但真正讓一個公司更有競爭力的部分，很少是靠執行層決定的。 哈佛商學院的講師 Christina Wallace 從另一個角度觀察到類似的事。她說，把自己的全部押在一份全職工作上，是這個時代風險最高的一種選擇。當一份工作承擔了你全部的收入、人際、身份認同，一旦那個位置有變動，你的選項就非常少。她管這叫「把職涯做成了單一股票」。 行銷研究者薛佛在採訪企業的過程裡，看到了同一件事的另一層：AI 提供的服務越來越趨近完美，24 小時在線、零情緒、個人化到位。但客戶最後回頭的，往往是那些有立場、有態度、偶爾說「不」的真人品牌。AI 把門檻拉高了，也讓某件東西變稀缺：你自己真實的判斷。 這兩側的觀察說的是同一件事的兩面。 一種選擇，是讓自己在 AI 時代做得更精確、更有效率，在執行層上跟 AI 對齊。另一種，是讓 AI 做執行，自己去累積跨越不同領域的具體判斷，包括那些看起來沒那麼「完美」的部分。 Christina Wallace 的公司，28 歲時關掉了。後來哈佛把那個失敗的案例教了整整 9 年，每年大約 900 個 MBA 學生坐下來，討論她當年該不該繼續。那家公司不在了，這個討論，還在進行。

你大概有幾件事，每次遇到都做一樣的判斷。 整理某類 email 前，先確認對方的需求有沒有哪幾個條件；寫一份提案前，先核幾個固定的評估點；收到某類問題，先走一套固定的邏輯，才決定要不要回。這些事你做得很熟，熟到不用特別想，只是每次都得自己過一遍。大部分人沒想過，這類工作其實可以讓 AI 替你跑。 史丹佛數位經濟實驗室 2025 年分析了一批美國薪資資料，找到一個規律：AI 最先衝擊的，是很多職業裡「入門那一層的工作」，包括整理資料、寫初稿、做初步分析。這些工作正在快速縮水，整個職業並沒有消失，只是進入的門變窄了。 原因不難理解。那些初階工作有一個共同特徵：都是「重複的判斷」，每次的邏輯一樣，只是素材換了。給 AI 一套規則和範例，它就能跑。 你自己工作裡，也可能有一批這樣的判斷：回覆某類需求前問同樣的問題、寫同一類文件的架構每次走同一條路、某種狀況來了你的第一步永遠是那個。以前，這些靠你的記憶和習慣撐著。很少有人停下來問：這件事，能不能不用我每次親自過一遍？ 把這些重複的判斷整理出來，寫成 AI 能跑的格式：哪些資訊要先確認、哪些標準你已經有答案、你做這件事的思路每次怎麼走。寫下來之後，這套邏輯就能讓 AI 替你跑一遍，你確認結果就好。 真正省下來的，是你每次遇到這件事都要重新走一遍的那段腦力。 那段腦力，可以放在另一類判斷上：需要你知道來龍去脈、需要你拍板、只有你能為結果負責的那種。那種判斷，AI 可以列出幾個選項。但最後簽名的，只能是你。 你那幾件每次都做一樣判斷的事，試著把判斷的邏輯寫下來。寫的過程裡，你就知道哪些可以委出去了。

2013 年，Andy Fang 在史丹佛的宿舍裡把 DoorDash 的第一版程式碼寫起來。公司愈做愈大，他慢慢停了親手寫程式，最後完全不碰了。這一停，超過十年。 今年，他重新開始在公司實際在跑的程式碼庫裡出貨新功能，靠的是 AI 輔助工具。他自己叫這件事「重大回歸」。 理由說起來很具體。他說，如果他沒有親自用這些工具、沒有親自走完 DoorDash 整套上線流程，他就沒辦法知道手下的工程師真正卡在哪裡。要評估「這個東西難不難」，前提是你感覺得到難在哪裡。 他後來把這個體悟變成了一個公司要求：DoorDash 的工程主管，每個人都要給自己設一個目標，親自把真正要上線的程式碼送出去，走完整套流程，不是只在本機跑個測試版本。他說，親自走一遍，你才會同時看到兩件事：工具的能力邊界在哪，和你的團隊被什麼真正拖慢了。 他重回程式碼庫，理由他說得直接：他需要那個感覺保持新鮮。 AI 讓執行的成本降低了很多。開會之前資料有人整理好，報告有人幫你起草，提案可以叫 AI 推一個版本出來。效率上都說得通。但你對「這個到底好不好」的感覺，是多年前還在親手做的時候存下來的。那個感覺會過期。時間一長，你看得見數量，但開始看不清楚品質。 有位做管理工作的人提到，手下最積極用 AI 的那批人，生產力提升速度驚人，但行事曆反而更滿了，因為產出快，接到方向模糊的任務也更多了。快速在執行，卻開始不確定自己有沒有辦法判斷往哪個方向快。 Andy Fang 走完整套流程之後，說他現在看工程師的工作，跟以前真的不一樣了。他知道哪裡是真的卡，哪裡是有辦法的。 下次你在評估某個人做的東西、或某件事值不值得繼續，可以先問自己：我上一次從頭到尾把這件事親手走完，是什麼時候？

「除了三個人以外，其他人看起來都在用 AI 作弊。」 Paul Graham 在看到一份大學成績圖後這樣說。布朗大學一位教授這學期改了做法：期中考是可以帶回家的，期末改成現場考。成績圖出來，期中幾乎全班接近滿分，期末大幅下滑。 同一張圖，留言區讀出了三種完全不同的故事。 一種說：這就是 AI 作弊的證據。帶回家高分、現場低分，學生根本沒學到東西。 另一種說：等等。現實職場裡，大部分主管看的是你交出來的結果。如果職場允許用 AI，帶回家用 AI 交出好成果，應該算做到了工作要求的事。 還有人說：兩種解讀都在看錯方向。最值得注意的是 S22，那個不管有沒有 AI 都交出差不多分數的學生，是整個班的異數。別人疑似靠 AI 飛天，他幾乎維持同一水準。 三種解讀，底下的問題不一樣：學生有沒有誠信？學校在測什麼？什麼樣的人才算「學會了」？ YC 是全球最知名的新創加速器。執行長 Gary Tan 最近說，他現在天天自己在寫 AI 程式，幾個月下來每天幾萬行。他說這樣做只有一個理由：AI coding 能力進步太快，如果他沒有第一線體驗，他就沒辦法判斷一個新創的 demo 到底有沒有含金量，還是任何人用 AI 花一天就能複製的東西。要評估「這個難不難」，前提是自己感覺得到難在哪裡。 布朗大學的教授用改考試形式回應了這個問題。Gary Tan 用親手去做回應了同樣的問題。但不是每個評量者都有條件、或有意願這樣做。 在大家還沒跟上的這段時間，被評量的人和評量的人，面對同樣的試卷或工作，很可能用的是完全不同的尺。 十年後，求職面試考的是「有 AI 時的能力」，還是「沒有 AI 時的能力」？

七月，哈佛醫學院發表了一個叫 COMPASS 的 AI 模型，分析癌症病人的基因數據，預測他們對免疫治療有沒有反應。準確率比現有最好的二十二種方法平均高出 8.5%；在膀胱癌的數據驗證裡，它預測有反應的病人一年存活率是 86%，沒反應的是 40%。論文結語說：這個模型的輸出，不能被用來拒絕病人接受治療。 同樣是七月，台灣某電視台在颱風報導裡用 AI 生成路徑圖，位置有錯，八十萬人看到了。 一個 AI 更準，一個 AI 出錯，兩件事放在一起看，說的卻是同一個問題。 免疫治療近十年改變了癌症醫學的格局，問題是只對部分病人有效，視癌種不同大概 10% 到 40%，其他人要承擔副作用卻等不到效果，現有的預測指標在不同癌種之間準確率很不穩定。 COMPASS 準確多了，而且能解釋原因，哪個免疫訊號路徑讓治療沒有起作用，它都能指出來。但 COMPASS 看到的只是基因數據。年齡、癌症分期、其他病史、過去的治療，這些臨床醫師真正做決定時需要的脈絡，模型看不到。它的準確率，也只在過去的研究資料上得到驗證，還沒有在前瞻性的臨床試驗裡跑過。 颱風圖那件事，AI 確實能畫路徑圖，問題是前 AI 時代這種圖有一套驗證程序：資料來源核對、人工確認、校稿。AI 直接生成最終輸出，這套程序被省掉了，速度快了，但那道確認環節也消失了。 這個月有台灣媒體人提出另一種做法：讓 AI 去操作製圖工具、串接官方氣象資料、跑查核流程，最後才輸出。AI 加進來的是速度，但人在中間確認的那道環節沒有不見。 COMPASS 等的是同樣的程序。前瞻性臨床試驗，讓它在真實診間環境裡接受驗證，讓醫師能看著它的輸出、對照完整的病人資訊，確認它說的跟臨床上看到的吻合。這段過程，是讓它的準確率被整套臨床系統信任的路徑。 對很多家庭來說，癌症治療的選擇是最不輕鬆的一個決定。AI 進入這個場域，準確率高是好事，但「準確率高」和「可以直接採用」之間，還有一段距離。那段距離正在被縮短，還沒有走完。 颱風圖，八十萬人已經看了。COMPASS 的數據，還在等試驗。

Boris Cherny 在奈良住的兩年，釀了幾批味噌。白味噌三個月可以開，紅味噌要兩年起跳。他說，做味噌讓他學會一件事：今天下手的，是為以後某一天準備的。 後來他開發了 Claude Code。他說，設計時對準的是下一代模型，開發時那個版本還沒發布。 AI 圈有個動作最近很常見：有新模型出來，馬上研究要換哪個。這個動作沒什麼問題，只是保鮮期很短，幾個月就有新答案了。 有個人花了好幾千美元，把手上最強的模型跑過一輪，最後注意到一件事：一個 AI 高手，拿著舊一階的模型，做出來的結果還是遠超用最新模型的新手。差距來自他在模型外面搭起來的那套系統，怎麼下指令、怎麼分任務、怎麼驗結果。他把最強模型換成便宜小模型做同樣的工作，結果幾乎沒差，成本少了好幾倍。 模型可以被替換、被漲價，有的甚至突然停用。但你在使用 AI 的過程中慢慢建立起來的工作習慣，什麼事情交給它、什麼事情自己確認、怎麼給任務才不用來回三遍，這套東西，換了模型還是你的。 Boris 做的那罐紅味噌，兩年後才開罐。Claude Code 每個版本發出來，他說心裡對準的是下一代的模型。

「這一次開賣，是我這幾年賣得最差的一次。」 說這話的是 Josh W. Comeau，在美國教前端開發的人，把 CSS、JavaScript 講得清楚，有口碑。七月初他在文章裡公開了：最新一輪課程銷售明顯下滑，但他的課沒有變差。 他賣的是解釋。你付錢，買的是有個人幫你看那段程式碼，告訴你為什麼版面壞掉、那個邏輯為什麼跑不對。n8n 的 workflow 課程、Stable Diffusion 的調參課，賣的是操作，你花幾個月學那套流程和設定。 這些以前都有人願意付，因為解釋和操作都需要時間。 LLM 現在做解釋，免費，從不耐煩，還能針對你自己那份 code；Claude 直接幫你寫整套 workflow，問你「這一步其實需要嗎」；生圖工具把那些設定包進去，「直接給你結果」。 解釋層和操作層，AI 正在同時往免費的方向壓。以前這兩層各自有市場，因為它們各自需要時間學。課沒有變差，口碑也在。AI 把那一層學習時間的市場接走了。 什麼層 AI 還沒進來？判斷。要不要報那門課，工具值不值得花幾個月學，手上的流程要不要繼續，這份提案要不要送出去，對方給的那個方案值不值得接。AI 可以把選項列清楚，把每個選項的後果算清楚，但「哪個對你的處境最對」，得你自己確認，因為你有一些 AI 不在場時才知道的上下文。 Josh W. Comeau 的課，不是做差了。那一層知識，現在換人負責了。

Joyce Carol Oates 今年 88 歲，從 1960 年代起寫作，出版過超過 60 部長篇小說。她一輩子在寫孤獨和渴望，人和人之間那些說不清楚的距離。六月她接受《衛報》訪問，提到一件讓她憂慮的事：很多年輕人投出上千封履歷，收到的都是 AI 自動生成的拒絕信，有時連面試過程也由 AI 完成。她說：「這正在摧毀這些年輕人。」 求職有個隱性的前提。你的名字進了某個真人的視野，哪怕最後他搖了頭。被考慮了，只是沒被選上。現在這個前提改了。系統收到你的資料，篩選參數跑一輪，退回。你的資料被處理了，另一頭沒有人看到你。 Oates 說的，就是這兩件事對投出履歷的人感覺完全不一樣。 這兩年有個說法叫「被 AI 奪舍」，觀眾發現一個原本喜歡的創作者，開始用 AI 大量產出內容，味道不對了。有個觀察說，那些帳號裡，有些創作者對創作的熱情，在 AI 接手之前就已經熄了。AI 讓這件事顯形，但熱情消失，是更早的事。 兩件事放在一起看，輪廓有點相似。 求職者和創作者的粉絲，都遭遇了同一件事：原本以為另一頭有個真人在，他看過你，或者他是為了你才做了這件事。那個前提悄悄改了。形式還在，另一頭沒有人了。 不同的地方在這裡。求職者碰到的，是一個從來沒有機會建立的承諾；粉絲失去的，有時是一個曾經存在過、後來慢慢空了的東西。 AI 在愈來愈多的互動裡代替了那個位置。有時它替換了一個曾在的人，有時它替換的只是一個格式，背後的人早就不在了。Oates 說她擔心的是那些投出上千封履歷的年輕人。兩種情況都在發生，區別在另一頭到底曾不曾有過人。

Tesla 的工程師，這幾個月平均每週燒掉幾千美元的 AI 算力。七月六日起，每人每週上限兩百美元，超過了要主管簽核才能繼續。 一個月前，微軟 CEO 發了一篇廣傳的長文，提到企業員工把最貴的 AI 模型用在每一個問題上，管它這個問題需不需要那個等級。馬斯克在留言欄回了一個字：「Interesting」。現在，他自己公司的政策公告發出去了。 埃森哲最近有段內部錄音外流，高層在討論 AI 帳單失控。帳單最大的那一塊，是非技術員工在把 PDF 轉成 PPT。工程師的算力佔比，反而靠後。Uber 前四個月就把全年 AI 預算燒完了。亞馬遜有員工做了一個叫 Kirorank 的排行榜，追蹤同事的 token 消耗，榜一大哥 30 天燒了 2,810 億個，折合幾百萬美元，最後排行榜被公司刪掉，副總裁出來說不要為了用 AI 而用 AI。 這些案例說的是同一件事。 公司鼓勵員工用 AI，最好量的指標是 token 消耗量，它自然就變成了「有沒有跟上」的信號。員工看到這個信號，就做被考核的人都會做的事：讓數字好看。PDF 轉 PPT 燒進帳單第一名，跟它有多有用無關，它就是燒 token，而且有辦法說這是在「用 AI 工作」。 這個機制有個名字，叫古德哈特定律：當一個指標變成目標，它就不再是好指標。1910 年代美國有條禁止汽車通行的路，當地有個郵差，解法是把馬套在汽車前面拉著走，過了禁行路段才卸馬自己開。車已經來了，規則還沒跟上，馬就得繼續套著。 很多公司的 AI 導入，現在就是這個狀態。工具換了，考核還在量馬步數。 軟體公司 Palantir 的 CEO 上週在電視上說，他私下了解的企業 CEO 對 AI 實驗室的憤怒，比外界看到的要高兩倍。花了大錢買 token，拿不到對應的業務價值。他說，AI 公司賣 token 計費，定的是原料的價。能按業務成果收費的前提，是有把握交出成果。 Tesla 設兩百美元上限說的是「用之前先想清楚」，但卡的仍是 token 數量，不是「解決了什麼」。 如果你的公司正在評估 AI 有沒有效，試著換一個問法：這些錢花出去，做到了什麼以前做不到的事？有人在用 AI 解決真實問題，還是只在幫工作多貼一個 AI 的標籤？兩個答案，完全不同的管理方式。

Judy Fan 的研究用一個發現說了一件事：AI 生圖越便宜，「選哪張」就越值錢。 她是史丹佛的認知科學家，最近在麻省理工的舞台上分享了一個實驗。把人畫的草圖和 AI 生成的草圖放在一起，縮減可以用的筆畫預算，看誰的版本還讓人看得懂。充裕的筆畫下，兩組差不多。一旦資源縮到極簡，人畫的版本，看圖的人還是認得出來；AI 生成的，就開始偏了。 為什麼？人類畫東西，做的是取捨：哪個細節讓別人懂，哪個可以省掉。這個能力，跟我們幾萬年來用圖傳達意思的積累綁在一起。AI 學的是像素和模式，它知道一張圖通常長什麼樣子，但不知道這張圖裡，哪條線是「讓人理解這東西怎麼動」的，哪條是「讓人記住這是什麼」的。資源充足時兩件事都能兼顧，資源稀缺，它就放不對了。 六月底，Google DeepMind 上線了新一代生圖模型，一張圖的成本壓到 0.00003 美元，四秒出一張。定位很直白：為量和速度而生。做行銷素材的人，一個月試一千個版本，費用大概跟一杯手搖一樣。 以前生圖貴，大家默認就只生一兩張，選一張將就用。現在幾乎不要錢，一次可以按出三十張，三十張都是你的了。 生出來從來不是那個難的部分。Fan 的研究說的是，即使 AI 在圖的辨識上接近人類，它做取捨的方式和人根本不同。你坐在那三十張圖前面，決定哪一張說到你想說的東西，用的是幾十年看過、感受過、做過的積累，技術沒有辦法直接替換。 AI 生圖幾乎免費，以後任何需要用圖的事，你都有更多版本可以試。瓶頸從做不做得出來，移到了知不知道哪張是對的。 Google 把這個模型叫做「為量和速度而生」。四秒、幾乎不要錢。三十張出來，還是你在選。

「我們曾錯誤地以為，只要引入 AI，再把設計要求輸入系統，就能做出高品質產品。」 這是福特汽車工程副總裁 Charles Poon 今年對彭博說的話。三年前，他在生產線裝了 900 台 AI 攝影機，讓系統自動抓品質問題，資深品質工程師那時看起來是可以精簡的人力。 那 900 台攝影機現在還在跑。被請回來的，是 300 多個頭髮花白的老師傅，公司內部叫他們「灰鬍子」。 但他們不是回來做品管的。他們的工作是帶年輕工程師、主持強制性的故障排查會議，以及改進那些 AI 工具。福特把他們請回來，是讓他們去教 AI。 這個地方值得停一下。AI 攝影機還在跑，品質偵測系統沒有被放棄。但裡面有一個問題一直沒被問到：AI 從哪裡學到「這條焊縫表面看起來沒問題、幾年後在震動下可能會鬆」這件事？ 那種判斷，沒有人寫在規範手冊裡。它存在於一個在工廠做了二十幾年的工程師的腦子裡。公司把這些人裁掉，再把 AI 請進來，AI 能學到的只有那些被寫下來的規格。沒被寫下來的部分，一起走了。 2023 年，Klarna 讓 AI 客服接了相當於 700 個員工的工作量，每年省 4000 萬美元，滿意度跟著暴跌。到 2025 年，CEO 自己承認做過頭，又開始把人請回來。豐田做法不同，當其他工廠搶著換機器人，豐田讓工匠重新手工打造零件，先理解材料和工序，再去改進機器人的動作程序。同樣都是人機搭檔，先後順序不同，結果差很多。 這類失誤出現時，AI 通常學到了應該學的，只是那些最難表達的判斷從來沒有被給進去。企業最有價值的那批知識，往往沒有人寫清楚，因為做得到就做得到，從來沒有人需要解釋。等 AI 進來了才發現，這些東西不在系統裡，不在文件裡，只在那些已經離開的人腦子裡。 福特的灰鬍子現在每天做的事，就是把那些說不清楚的判斷，一條一條翻出來，翻成機器讀得懂、年輕人接得住的語言。從師父那裡學來的，現在換他們教給 AI。 你在某個行業做久了，那些說不清楚但一眼就知道有問題的判斷，是 AI 現在最需要、最難找到的訓練資料。因為它從來沒有被好好寫下來過。

Atlassian 的 Teamwork Lab 在 2026 年 6 月做了一件事：找來 961 名知識工作者，讓他們評估兩份內容完全相同的報告。差別只有一個，A 說是員工熬夜手做的，B 說是 AI 生成的。評估者給 B 的「懶惰」評分，是 A 的十倍；願意推薦 B 的作者接重要專案的比例，低了 24%。 報告字字相同，標籤不同，評價整個翻轉。 今年，芝加哥大學的研究者在 CHI 2026 發表了一份調查。CHI 是全球最大的人機互動學術會議，這份研究的問題很簡單：他們找了 338 名大學生，先問每個人「你有沒有用 AI？」，約 60% 說有。再換個問法，問他們覺得同班同學有沒有在用：答案跳到 90%。同一群人，同一件事，只是從「我」換成「別人」，差了 30 個百分點。 研究者找了另一批受訪者確認這個差距：79% 的人認為是學生低報了自己的 AI 使用。70% 的人給了一個直接的答案：說朋友用了，沒問題；說自己用了，開口之前先停一下。那個停，裡面放著：你是不是在偷懶？你是不是做不到？ 論文附錄有個細節：沒有一個受訪者說「我自己用 AI，但別人不用」。在大家的想像裡，AI 已經是地下常態，只是說到自己，就往後退一步。 這不只是大學生的事。KPMG 2025 年覆蓋 48,000 名員工的全球調查顯示，57% 的人承認隱瞞了 AI 使用，把 AI 生成的成果當成自己的工作提交。承認用 AI 的代價是真實的，Atlassian 那份研究裡的職場數字，是有現實對應的。 但偷著用，也有另一種代價。 當你沒辦法公開說自己在用 AI，你也很難去討論自己怎麼用。聖塔菲研究所所長 David Krakauer 研究過工具跟智慧的關係：GPS 帶你走，你到了目的地，但學不到認路。地圖加指南針多花一點功夫，腦子裡的方向感也跟著建起來了。偷著用 AI，更可能是前者：照著輸出走，中間的判斷過程繞過去了。久了，你更依賴它，駕馭的能力卻沒有跟著長。 那個讓你不敢說的壓力，有可能把你推向它所威脅的那個位置。 下次有人問你某份文件怎麼做出來的，可以試著說「我跟 AI 來回改了幾輪」，就這一句。說出來了，你才能接著說哪裡 AI 幫到了、哪裡還是你自己來的。這樣你才有辦法慢慢把這個工具從 GPS 用成地圖。

你最近看過 Mac 的售價嗎？今年，MacBook Pro 漲了三百美元，iPad Air 漲了兩成五，蘋果說是成本壓力太大，沒辦法不調。 這個成本，主要來自記憶體。 怪的是，蘋果這幾年幾乎沒有認真投入 AI。沒有自家的大型語言模型，沒有跑進 AI 算力大戰，算是個有意識的局外人。按理說，局外人不該被燙到。 但帳單還是到了。 AI 公司大量建機房、跑模型，把高頻寬記憶體的需求拉到頂，全球產能一下子就吃緊，三星、SK 海力士、美光的價格往上走。這個漲價，沿著供應鏈，最後找到任何要用記憶體的人。蘋果也是。 這個邏輯，歷史上重演過好幾次。 1840 年代，英國鐵路熱。資金和資源大量湧入鐵路建設，鋼鐵和煤需求暴升。跟鐵路本來沒有關係的造船業和房地產，因為原料成本暴漲，一樣撐不住了。 1880 年代，美國電氣化。銅價狂飆，因為銅線是電力基礎設施的原料。就算你的工廠不打算換電動機，也逃不掉原料市場的變化。 1900 年代，汽車時代到來。橡膠暴漲。做馬車的人，跟橡膠沒有任何關係，也躲不掉。 2000 年前後，.com 泡沫。光纖過度鋪設，後來頻寬便宜到幾乎免費，孕育了整個雲端運算和行動網路時代。那些「過度投資」，沈澱成了下一個時代的廉價基礎設施。 AI 這一波，走的是同一個邏輯。它吃掉了記憶體，記憶體的帳單跟著走，不管你有沒有做 AI。 每一次浪來，都有人以為站在岸邊就安全。蘋果的這張帳單，說的就是這件事。 那些「過度投資」的部分，歷史上最後都去了哪裡？鐵路讓英國交通四通八達，光纖讓全球網路用得起。AI 現在投入的那些算力和記憶體，極有可能在某個時間點也會沈澱成廉價的基礎設施。就是那個「之後是什麼」，現在還看不到形狀。 AI 這波的帳單，不挑你有沒有做 AI。懂這個規律不見得救得了帳單，但下次看到哪個行業開始漲，可以先問一句：浪從哪裡來的。

他在 GitHub 上拿了兩萬八千個星標。兩個月後，收到 Google 的解雇通知。 Justin 在 Google 工作了七年，做的是開發者工具。他做的工具，把 Google Workspace 那一整套 API 整理成 AI 能直接呼叫的指令，Gmail 讀信、日曆排程、雲端硬碟存檔，全部可以讓 AI 代辦。以前 AI 站在外面給你建議；有了這個，AI 可以直接走進辦公室幹活了。工具發出來，上了 Hacker News 第一，Google 好幾個部門主管跑來詢問，Cloud AI 部門總監也公開推薦。 然後法務介入：這個工具用了 Google 品牌，有走完內部審批嗎？ 沒有。兩個月後，Justin 被解雇。同一週，Google 在年度大會上宣布：官方版 Workspace CLI 即將推出，主打 AI 友善。 在同一週，台灣的工程師 Nick Hsu 在播客裡講他現在怎麼面試人。 第一個問題：「你有沒有裝 Claude Code 或類似的工具？」沒有，不用繼續。 有，他給你一個情境，高流量的投票系統或是訂單撮合引擎，然後什麼都不說。你的工作：問他問題、把需求搞清楚、打開 AI 工具，螢幕投出來，東西做出來。他把這個流程叫 Live Building：給你一個真實的情境，看你能不能做出來。他說，大多數人卡在同一個地方：「光問問題就有問題」。能通過的人，會把需求條列清楚丟給 AI、讓 AI 說說還漏問了什麼，做完再開另一個 agent 交叉驗證輸出。用同樣的工具，能做到這樣的，不到 1%。 兩件事，同一週。 Justin 有能力定義問題、驗證輸出，他的工具比 Google 自己的官方計劃早了幾個月。Nick 測的，也恰好是這兩件事：你能不能把問題講清楚，能不能驗證 AI 給你的答案。 說起來，兩件事考的是同樣的核心。Justin 所在的組織，還在跑原來的規則，沒有給這個核心留下位置，他付了一個不小的代價。Nick 已經自己把規則寫好了，放在每次面試的第一個問題裡。 兩種情況，同時存在。 面試開始，螢幕投出來，Nick 什麼都不說。

六月底，ChatGPT 裡的 GPT-4.5 選項消失了。 沒有倒數公告，不是「下週退場請備份設定」。就是某天打開，那個你選習慣的版本不在了。 GPT-4 系列從 2023 年初出現，到今年六月收尾。三年，對 AI 來說算一個世代了。Claude 從 2 到 4，ChatGPT 從 3.5 跑到 4o 再到 4.5，每隔幾個月就有一個版本說自己更強，就有一個版本悄悄退場。 這個循環不會停。 有個水電師傅，七十七天前開始學 AI。他說他把 AI 當成一款線上遊戲，下班後登進去，不求破關，就是摸索今天哪個玩法順手。Token 額度他當遊戲的生命值，用完了等明天重置，不恐慌。他說弄懂某個功能的那天，感覺和遊戲裡學會一個機制差不多，不是因為功能本身有多厲害，是因為終於找到自己的玩法了。他從來不覺得自己「學完過」。 他每天問的只是：今天這件事，有沒有 AI 能幫我做得比昨天好一點？ 這個問題，不管 GPT-4 在不在都成立。 GPT-4 走了。問這個問題的習慣，不會。

Tim Ferriss 是美國有名的暢銷作家。他這個月把自己的銷售數字公開了：從 2022 年到現在，《一週工作四小時》的銷量跌了五成七。他另外幾本書也一樣，全部跌。他沒有說是市場波動，他說，是 AI。 他的分析是這樣的。2019 年，你想學怎麼管理時間、怎麼照顧身體，最好的管道是找一本書。到了 2026 年，大家覺得最好的管道是問 AI。「一週工作四小時要怎麼做」，這種問題，聊天視窗十幾秒給你答案，翻書的人就少了。出版業的整體數字也確認了這個感覺：商管類今年第一季跌了 9%，自我成長分類跌超過 26%，跌幅最大的就是這種「教你怎麼 X」的書。 書沒有變差。那本書裡的方法，今天還是有效的。只是它旁邊多了一個更快的管道。 進入 AI 時代才三年，有些人看 2021 年的文章、2020 年的歌、2019 年的遊戲，心裡會有一種停頓：這東西，竟然是在沒有 AI 協助下做出來的。以前要對幾十年、上百年前的東西才會有這種感嘆，現在三年就夠了。 Tim Ferriss 出過一本 600 頁的身體改造書。書出版的時候就有人嫌太厚，問有沒有精簡版。他說，那些只拿精簡版的人，最後大多沒有達到目標。讀完 600 頁的人，身體確實改變了。 那 600 頁裡面，沒有一頁是多餘的。讀完才知道。 他現在的判斷是，往後撐得住的，會是那些沒有辦法簡化的東西。他繼續在寫。 那本書跌了五成七，讀完它的人，還是會變。

2024 年，美國哲學系畢業生的失業率是 5.1%，電腦科學系是 7%。這個數字是美國紐約聯邦準備銀行今年公布的真實數據，不是估的。 更值得問的是原因。 Google DeepMind、Anthropic、OpenAI、IBM，這兩年都在積極聘請哲學家，有具體職缺，有實際工作內容。 為什麼？ 《經濟學人》最近拿《世界價值觀調查》的題目，去測試全球 25 款大型 AI 模型，看它們對宗教、個人自由、家庭觀念的取向在哪裡。結果：西方主流模型，比世界上任何一個國家都更世俗、更強調個人自由。OpenAI 的 GPT，在宗教議題上比任何受測國家都更不信教；Google 的 Gemini，在個人自由這條軸線上超過所有受測國家。中國的 DeepSeek，在台灣、西藏、六四等議題上，完全按官方立場走。 AI 的回答不是中立的。它有傾向，而且那個傾向是設計出來的。 AI 的世界觀有兩個來源：訓練資料的組成，還有開發公司後來的人工調校。調校的那一步，決定了這個模型在面對「沒有標準答案的問題」時，傾向往哪裡站。 哲學家在這一步進場，把蘇格拉底式提問的邏輯、康德倫理學的框架，轉成訓練原則。AI 在法律、醫療、自駕車等場景裡遇到的問題，例如事故無法避免時該保護哪一方、要不要優先照顧兒童、個人隱私和公眾安全怎麼取捨，這些靠計算解決不了。幾千年的哲學思考，整理出了幾套應對的方式。哲學家的工作，就是把那些方式轉成訓練原則。 目前全球大約有 10 億工作年齡人口在使用生成式 AI。很多人拿它問人生決定、尋求心理支持，甚至讓它幫自己判斷。研究發現，跟帶有特定政治傾向的 AI 長期互動後，使用者的立場確實受到影響，在自己不知情的情況下。 同樣是婆媳問題怎麼辦，ChatGPT 的答案是保持界線，DeepSeek 的答案是包容理解，法國的 Mistral 說寫日記整理情緒。 問 AI 某個沒有標準答案的事，得到的那個回答，裡面有人設計過的傾向。現在那個人，有個更具體的職稱了：哲學家。

Fiona Fung 帶過 Meta 五百名工程師。她說 AI 工具讓她的團隊每季程式碼產出量，漲到四年前的八倍。她說的下一句話是：程式碼，現在不是瓶頸了。 新的瓶頸是驗證和品質。八倍的產出，代表要花在「判斷這東西對不對」的力氣，也跟著八倍。 這個結構，不只發生在工程師身上。任何用 AI 讓「做事」變快的工作，都有相同的形狀：AI 把生產成本壓低，「判斷產出是否夠好」這一層，沒有跟著降。 所以 AI 時代要學什麼，問法就很重要。 常見的問法是：AI 現在做不了什麼，我去學那個。這條邏輯有一個問題，AI 的邊界一直在移。今天 AI 寫不出有說服力的論述，明年未必。把學習策略建在「AI 目前的限制」上面，是跟著一個一直在縮小的清單跑。 有一個問法比較穩：你自己想在哪件事上做好？ 問「哪個技能還安全」是一個思路，但這個問題的理由建在 AI 目前的邊界上，那個邊界一直在動。有人換了問法：先想你自己想在哪件事上真的做好，從那裡出發。答案可能是語言、溝通，也可能是完全不相干的東西，但理由不一樣，也更站得住。 Fiona 說她看到做得最好的工程師，有一個共同點：成長心態，加上「正面迎上去」的習慣。遇到不確定，問自己「什麼是我能做的」，不是在等 AI 動到哪裡。 學習也是一樣。先想清楚你想在哪件事上真的做好，再問 AI 能怎麼幫你做得更好。Fiona 招工程師，找的是清楚自己想做什麼的那種人。學什麼這個問題，也可以從同樣的地方出發。

OpenCode 是一套讓工程師用 AI 寫程式的工具，每天有將近百萬人在用，四五個月裡成長十倍。共同創辦人 Dax 在 podcast 訪談裡說：「老實說，我覺得我們需要少用一點 AI。」 訪談主持人停了一下。 Dax 繼續：「沒有競爭對手因為比我們更會用 AI 而打敗我們。我們有現在的用戶，是品質比別人好，而那個品質，是我們放慢速度才做出來的。」 他說的不是個人體悟。Spotify 的 CTO 設了一條鐵律：AI 可以用，但品質標準不能降，結果是部署比別人慢，出去的東西沒有砸鍋。GitHub 在另一邊讓 AI 合併的程式碼愈來愈多，前不久所有用戶的 pull request 消失了十幾個小時。AI 讓程式碼產出量漲到六倍，bug 也跟著漲到六倍。 同一段時間，AI 把「解釋知識」的成本壓到接近零。同一個概念，可以換十種比喻、依學生程度調整、提供即時回饋，比家教耐心，比補習班便宜。按理說家長應該鬆一口氣，但很多家長說，焦慮沒有降。原因是：AI 把「講答案」變便宜，「知道孩子哪裡卡住」這一層卻沒有跟著降價。 兩件事說的是同一個東西。AI 讓輸出變快，但那個「快出來的東西對不對」的判斷，價值只會更高。程式碼多了六倍，你還是需要有人知道哪些可以合進去；解釋多了十種，你還是需要有人知道這個孩子現在卡在哪裡。AI 給的是速度，但它乘上的，是你帶進去的判斷力。 Dax 那天說：「我們需要多思考，少建一點，去建真正重要的東西。」說完，他筆電角落的 agent 還在等，等他下一道指令。

「現在有八成以上的問題，我直接問 AI，不去翻論壇了。」 這是不少需要查問題的人，現在的日常。只是這句話的後半段，說的人比較少：以前解決了一個問題，那個解法留在論壇上，下個人搜尋到就不用再問一遍。現在解決了一個問題，那個解法在你跟 AI 的對話視窗裡，視窗一關，就消失了。 全世界還活躍的知識論壇剩六個。同一段時間，Meta 一家公司的員工，三十天裡消耗了 60 兆個 AI tokens。 兩個數字，說的是同一件事的兩面。 論壇的運作邏輯，是「問答是公開的」。你今天搜尋到的那個 Stack Overflow 頁面，可能是八年前有人卡住之後留的。那個人把解法寫出來，你搜到了，它幫了你，他大概也不知道有這件事。這套機制累積起來，是一個共享的知識庫，每個人把自己的答案留在公開的地方，讓下個人也找得到。 AI 找答案的邏輯不一樣。你問，它回答，這段對話在你的帳號裡，沒有被索引，沒有人搜尋得到。下一個碰到同樣問題的人，還是從頭開始問。 Meta 那 60 兆個 tokens 說明用 AI 找答案有多普及。在大家都移過去的同時，論壇只剩六個，公開的知識庫在縮小，而每個人自己的問題都解決了，所以感覺不到這件事在發生。 你今天找到的答案，是因為有人在你之前解決了同樣的問題，而且把解法留在了公開的地方。你用 AI 找到的這個，存在哪裡？

AI 工具讓大家跑得比以前快，這件事幾乎不用辯了。但有個問題愈來愈多公司在問：使用額度開放，甚至設成無上限，業績為什麼沒有跟著動？ 公司原本的瓶頸是找不到新客戶、決策太慢，還是市場吸收量有限；AI 加速的是繞這個圈的速度，解法要在別的地方找。一件原本要一天的事，現在一個小時完成，但多出來那七個小時能轉成什麼、要去哪裡，這件事 AI 沒辦法替你想清楚。 AI 放大你帶進去的東西，包括優勢，也包括盲點。你有判斷力，它放大你的判斷速度；你有某個盲點，它放大你用那個盲點做事的效率。一個有商業經驗的人用 AI，跟一個沒有的人用，拿出來的東西差距只會更大。 有個做工程的朋友說，他從來沒有覺得自己有「理解債」問題（AI 幫你把程式都生出來了，但你搞不清楚那些程式在幹嘛）。他的做法是：把商業目標放著，知道這個系統要達成什麼，AI 改爛了他秒知道。你帶進去的理解力，決定了 AI 在你手上能走多遠。 被 AI 釋放出來的那些產能，有沒有地方可以去？新的服務、新的客戶、新流程能解決的問題。如果沒有，快了那一倍，還是在原來的位置轉圈。 方向，還是人的事。

「想把這段 AI 寫的內容留下來嗎？好，那你來扛。」這是維基百科最近給編輯社群立下的新規。同週，ChatGPT 的市佔率三年半來第一次跌破 50%，降到 46.4%。 這兩件事說的是同一件事。 維基百科的新政策叫「推定性移除」（Presumptive removal）。規則直接：只要一個編輯者被判定曾用 AI 生成內容，管理員可以不逐一審查，直接大規模撤銷他修改過的頁面，甚至提報整篇文章刪除。政策裡有個但書：被刪掉的文字有機會回來。條件是，你要「扛起責任」（assume responsibility）：自己查每個引用是否真實、重新改寫語氣，確認每一句話你都能掛名負責。 為什麼要這樣做？ 過去二十多年，維基百科靠的是編輯之間的互信。你說這件事是這樣發生的，大家信你。AI 出現後，有人開始批量生產幾千字的頁面，表面文法完整、語氣中立，裡面卻夾著虛構的來源、拼湊的邏輯、幾乎看不出來的版權問題。要人工逐字核查這些內容，這座圖書館早就被查垮了。維基百科的回應，是讓每段 AI 產出的文字，重新找到一個願意掛名負責的真實的人。 ChatGPT 的市佔跌破 50%，功能沒退步，競爭對手也沒有爆發性進步。今年二月，OpenAI 跟美國國防部簽了合作協議，公告隔天 App Store 評分開始下滑。用戶留言裡出現最多的問題，都指向同一件事：我輸進去的對話，最後到哪裡去？功能沒有改變，但「我信任這家公司嗎」這個問題，讓夠多的人停下來重新想了一下。 兩件事說的是同一個從來沒被正式計算進去的環節：AI 把產出的速度壓到接近零成本，但「這件事誰負責」，一直沒有跟著一起被設計進去。維基百科把這個要求寫進了規則，使用者開始用選擇工具的方式在問這個問題。 往後這個問，只會更多。

這個禮拜，Google 的 AI 部門接連失去了兩個人。一個是寫出 Transformer 論文的 Noam Shazeer，他加入了 OpenAI；另一個是 AlphaFold 的諾貝爾獎得主 John Jumper，他加入了 Anthropic。 這兩則消息本身不難理解。頂尖人才在公司之間流動，是 AI 圈常態。但仔細看兩個人離開前的故事，你會發現它們說的是同一件事。 Jumper 是 AlphaFold 的核心，2024 年跟 Google DeepMind 創辦人 Demis Hassabis 共拿諾貝爾化學獎。AlphaFold 的突破，是用 AI 精準預測蛋白質的形狀，幾乎解決了一個生物學上糾纏了半世紀的問題。 Hassabis 挑上 Jumper，是在他博士剛畢業不到一年。一個記者採訪 Jumper，嘗試覆述他解釋的一個概念：「所以你的意思是這樣嗎？」Jumper 從不點頭，永遠說「不對，要改」。幾個月後再確認，Jumper 連自己上次認可的說法也收回了。那個記者說，Jumper 是「very hard to pin down」，對寫稿的人是折磨，對研究蛋白質結構的人，恰好是必需的品質。 Shazeer 的情況有點不同。他是〈Attention Is All You Need〉的共同作者，那篇論文打下了現在所有 AI 語言模型的底層架構。Google 後來花了 27 億美元把他買回來。他帶的「突擊隊」，他給聲望、給方向，旁邊有個叫 Jack Rae 的人，負責把一切落實成流程，那個搭檔被稱為「中將」，專門把「大師」的願景翻譯成工作。 Hassabis 自己也走過這條路。讀博士的時候，他一進實驗室就拋出五個研究方向，搭檔 Darshan Kumaran 一個一個否掉。隔天又來，又否。連續幾週，直到某天 Kumaran 停了一下說：「這個也許是真的。」 三個故事，三種成對：直覺型搭著懷疑型，讓每個想法被磨到夠硬才通過。 有了 AI，個人的執行速度快了很多。但有人能說「不對，要改」這件事，AI 不太做得到，它給的是信心十足的答案，哪怕是猜的。過去，這個功能是你的搭檔、老師、同事在提供。找到願意這樣做的人，或者你自己學會這樣做，你的想法才有機會被磨到精準。 那個逼著你改、不輕易點頭的人，現在更難找，也更值。

你有沒有過這種時刻：有人建議你把某件事交給 AI 就好，你想了一下，說不用。不是不會，也不是嫌麻煩，就是想自己來。 有個 YouTuber 叫 Papaya，做電腦教學，170 萬訂閱，大概是台灣講 AI 工具的創作者裡，最有理由靠 AI 加速的人之一。有人問她：影片為什麼不用 AI 配音就好？她說，她的樂趣是用自己的文字跟聲音直接面對觀眾。壽司師傅的樂趣在親手捏好、看客人吃得開心，她的樂趣在這個直接面對的過程。用 AI 接掉這個，做影片這件事就沒意思了。 現在有個說法：BC 是 Before ChatGPT，AD 是 After Delegation。有了 AI，幾乎什麼都可以委託：email 委託，簡報委託，摘要委託，連「幫我寫一篇看起來不像 AI 寫的報告」都可以委託。委託能力本身，確實在進步。 但委託出去之後剩下什麼，才是真正難的問題。 AI 可以幫你起頭，但那個知道「到底要完成什麼」的人，還是你。Papaya 清楚自己在意的是面對觀眾的那個過程。那個在意，AI 沒辦法替她有，也沒辦法替你有。 After Delegation 時代，多數事情都可以委託。學會這件事，很多人已經在做。但有一件更難的：知道自己哪件事不想委託，而且說得出為什麼。那個清楚，是你自己的。 你開頭那個「不用，我想自己來」，說的就是那個。

最近一場創業者聚會，十幾位年營收上億的中小公司老闆坐在一起，聊的共同話題只有一個：怎麼把團隊變小。人力砍掉三到五成，營收卻幾乎沒掉，而且講起來個個眉開眼笑。行銷四個人變一個，客服整組交給 AI，留下的多半是手腳快、肯試的人。 這幾年 AI 把「生產」的成本壓得很低。寫文案、做圖、寫程式、處理客服，以前要一組人，現在一個熟手配上 AI，產量就追得上。於是有人開始擔心一個更大的問題：當人人都能大量產出，東西多到滿出來，要賣給誰？這不是空想，產能過剩、削價競爭、最後大家都不敢花錢的劇本，歷史上演過不只一次。 但同一批變化，往深一層看還有另一面。成本一降，原本「做不起」的人反而開始想做了。很多傳統產業、小公司，以前想導一套系統動輒幾百萬、太貴太慢，乾脆不碰；現在發現找個懂自家流程的人、配上 AI，花一兩個月先做個堪用的版本就行。對這些公司來說，需求第一次被打開。所以海外也看到一個反直覺的現象：有些工程師的活不減反增，因為他們走得進以前進不去的市場。 這件事不限哪一行。任何「想做但一直做不起」的事，剪片、開課、做個小工具、自己接案，門檻一低，就會冒出一批以前根本不存在的需求。工業化當年也是這樣：機器讓東西變便宜，沒讓人停止工作，反而把更多人變成買得起的客人，把市場撐得更大。 所以與其糾結「我會不會被取代」，更值得想的是：當「動手做」變成人人都會，值錢的位置就換地方了。誰知道該做什麼、誰被信任、誰被看見、誰能把一堆產出收斂成真的有人要的東西。這時候，產量已經不值錢；值錢的是判斷和關係。 想像一個架子，塞滿了人人都能做的東西，多到滿出來。AI 把「堆滿架子」變簡單了；剩下真正難的，是知道哪一格會有人伸手拿走。

辦過活動的人，多半遇過這件事：你想做個報名頁，找過懂程式的朋友，約好了對方沒空，最後還是用貼文留言收名單了事。最近有個詞叫 Vibe Coding，讓這個「卡」正在鬆動。 它說的是一件很根本的事：你把需求說清楚，AI 幫你把東西做出來。不需要懂程式語言，不需要找人幫忙排時間等。你需要的是：知道自己想解決什麼問題、做給誰用、按下按鈕之後應該發生什麼。 以前這中間有道牆叫技術門檻。牆這邊是普通人，牆那邊是工程師，中間的距離是好幾年的學習。AI 在你腳下墊了幾個箱子，你踩一腳，就看得到牆那邊了。 這不代表做出來不費力氣。Vibe Coding 做出 1.0 版很快，從 1.0 到 1.1 的打磨要花更多時間。但「我沒辦法把想法做出來」這個之前擋住多數人的原因，它正在消失。 所以真正稀缺的東西換了。以前，能把東西做出來的人要懂程式。現在，那個只有你自己才有的想法才更關鍵：你清楚自己要解決什麼問題、做給誰用，這種直覺沒人替你有。 這對各種人都開了一扇門。辦活動的人可以做報名頁，有重複工作的人可以做自動整理的小幫手，有服務要賣的人可以做報價試算器，有工作坊要介紹的人可以做活動頁。都是很小的東西，但都解決一個很具體的問題，而且只有你自己最清楚那個問題是什麼。任何有點子但一直卡在技術那一步的人，現在都有一條路了。 你放在腦子裡最久的那個點子，它在等什麼？

「從來沒有人想去更動那個讓他們每年賺 2,500 億美元的介面。」 Perplexity 的執行長 Srinivas 在一場訪談裡說了這句話。他說的，是 Google 用了 25 年的搜尋介面，和今天那些 AI 搜尋工具為什麼能逼它動的道理。 Google 的搜尋頁面，你用了幾十年的那個，差不多長這樣：你輸入問題，出現十個藍色的連結，你點進去找答案。這個設計是廣告機器：每個你點進去的頁面，背後都有廣告位置。如果 Google 自己把問題回答完，你就不用點了，廣告也失去落腳點。就算有人在內部提議加個 AI 答案模組，預算也不會下來。2,500 億美元的生意，沒有人願意碰。 Perplexity 出現之後，做了一件事：你問問題，AI 直接回答，附上來源。這件事 Google 做得到，但沒做。 結果是，現在你打開 Google，頁面頂端出現了一個 AI 生成的摘要。字體、引用方式、建議後續追問的格式，跟 Perplexity 幾乎一模一樣。是別家公司先讓人習慣了那個體驗，Google 才跟上來。 這件事背後有個更根本的轉變。黃仁勳在解釋 AI 怎麼運作時說：「你每次跟 AI 說話，它先理解、再推理，然後在當下原創產生結果。不是從磁碟檢索出來的，是生成的。」 查 Google，拿到的是別人寫過存起來的東西。問 AI 不一樣，它在當下替你的問題推理一遍，每次都生成一個新的答案。可靠性的邏輯因此不同。 你平常查資料的習慣正在被兩件事悄悄重設：AI 搜尋工具讓你習慣直接拿答案，Google 自己也開始生成答案了。以前你在圖書館找書，現在圖書館開始主動幫你寫報告。 Google 在補做這件事，你手機上的 AI 助理也在補。今天你用的版本，跟半年後的版本，大概不會是同一個樣子。

台灣數位發展部長上週在一場語言教育年會上，把大家拿來安慰自己和學生的三句話，換成了三個問號。 離電腦越近越安全？越年輕越好？靠近教室、做知識工作最穩？ 這三句話，教育界說了很多年。AI 來了之後，每一句都需要重新想一遍。 電腦變成 AI 之後，能操作電腦不再是優勢，因為 AI 會的東西不只是操作。年輕人快、適應力強，但 AI 先把入門工作、助理工作、學徒工作接走，年輕人還沒開始練功，新手村已經被自動化占了。知識工作最穩？AI 連課本知識、題目解析、作文批改都可以做，課堂裡的「內容」那一塊，它全部能接。 但有一件事，AI 接不走。 微軟執行長 Satya Nadella 最近說了一句大白話：你可以外包一項任務，甚至是一份工作，但你永遠無法外包你的學習。 AI 拿走了知識的傳遞，但學習本身（過程裡的挫折、修正、判斷和理解），沒辦法外包。讓 AI 幫你寫作業，成果可以交出去，但學會的那個過程如果沒有發生在你身上，它就不在任何地方。 所以這件事落到老師身上，出現了一個很具體的問題：我現在設計的課，學生有沒有辦法把內容交給 AI 做完、然後拿一個看起來過得去的成果出來？如果有，這堂課教的是知識，但學習沒有發生。 台上的部長說，AI 真正還沒辦法取代的，不是老師的愛和溫度，是三件事：提供有效的學習方法（AI 已被大量無效學習方法污染）、用真人互動讓學生留在學習過程裡、設計出一件學生沒辦法直接用 AI 完成的學習任務。 這個問題不只有老師要面對。任何讓 AI 幫你做事的人，工程師、設計師、做財務的、寫文章的，早晚都會碰到同一個問題：你在把事情交給 AI 做的過程裡，自己還在學嗎？ 任務可以外包，學習外包不了。

Gartner 上週發了一份報告：到 2027 年，四成的 AI 代理人專案會被公司取消。數字本身不算太意外，但另一個更讓人停一下：在那些還沒被砍的案子裡，89% 從來就沒有真正上線運作過。 連開始都沒開始。 Gartner 的解釋相當直接：AI 技術不是問題，是任務邊界沒劃清楚、背景說明給得不夠完整。工具買好了，人也排好了，卻說不出「這個 AI 具體要做什麼，做到哪裡叫完成」。旗令沒下，大軍就這樣站著沒動。 GitHub Copilot 的招募方式最近被分享出來，有一個細節值得看一下：他們在面試工程師時，仍然要求手寫程式碼。公司的核心產品是讓 AI 幫你寫程式的工具，但面試偏偏考這個。他們要看的，是在沒有任何 AI 工具的情況下，你能不能從第一步把一個問題的設計想清楚。用他們的話說，AI 是品味的放大器：你越清楚自己要的是什麼，AI 幫你快；你越模糊，它也幫你更快做出一個模糊的東西。 AI 的能力現在夠了，越來越多的任務它都能做。卡住的地方，是人能不能先說清楚「我要的是什麼、做完長什麼樣子」。 這個能力以前不太需要說出口。很多工作靠的是跟著前人做、感覺到了就懂，問題定義是隱在過程裡的，不需要講出來。現在要講了。要告訴 AI，也要先告訴自己，在動手之前先說一遍。這個能力跟學歷無關，跟技術背景無關，但要練。 你今天讓 AI 幫你做的那件事，事前你說了幾句話描述你要的結果？

台灣有個工程師，昨天下午還在用 Fable 5 分析一段程式碼，跟它像搭夥一樣在工作。隔天早上打開電腦，模型的入口不見了。他以為是帳號問題，去搜尋新聞之後才知道：是美國政府下了一道命令，禁止所有美國境外的人使用這個 AI。理由是國家安全。 沒有預先通知，沒有過渡期。一個命令，一個工具消失。 這件事這幾天才發生。Anthropic 宣布，旗下的 Fable 5 已依美國政府要求，對外國用戶關閉存取。AI 還在，公司還在，只是使用權被另一個國家的政府決定了，哪些人可以用，哪些人不行。 AI 工具對很多人來說，已經像 Word 或搜尋引擎一樣日常。查資料、整理筆記、寫報告、做計劃，習慣一旦建立，就很難意識到底層是什麼在支撐。伺服器在哪個國家、法律管轄誰、公司的政策受哪個政府約束，這些事情平常不需要知道，但它們決定了這個工具明天還在不在。 台灣這兩年有一批研究者，一直在做一件不太被注意的事。有個叫 SiliconMind 的計畫，一批學生在算力嚴重不足的情況下，訓練出一個晶片設計專用的 AI 模型，今年初已發佈開源版本。他們說的目的很簡單：確保當有人按下開關，手上還有自己的東西。 不一定要自己造，但知道用的是誰的工具、開關在哪裡、誰有權按它，這件事值得多想一下。 你不用是工程師才需要清楚這個。如果你已經習慣用 AI 輔助工作，整理資料、寫報告、做計劃，這些習慣是建立在某個服務穩定存取上的。而那個服務，哪天早上可能就不在了，原因跟你完全無關。 用任何工具都好，只是最好清楚：你對這個工具的依賴，要和你對這份依賴的了解一起長大。電是別人供的也沒關係，心裡最好知道發電廠在哪裡。

一間課堂上，老師讓大家想一個問題：「你覺得自己像什麼動物？」一個學生回答得很快，說自己像小白兔。老師問他為什麼。他說：因為 AI 告訴他的。他什麼事都跟 AI 說，AI 比他自己還了解他。 「AI 比我自己還了解我。」這句話越來越多人說得自然，但它說的是哪種了解，值得多想一下。 有人最近把工作上一件難開口的事，同時問了四個 AI：ChatGPT、Gemini、Claude、Grok，同樣的問題，四份回覆。ChatGPT 像特助，把現況整理好，附上一段可以直接傳出去的話，得體、周到、挑不出毛病。Gemini 像顧問公司，把這件事拆成策略一和策略二，連時機和對方當下的心理狀態都算進去了。Claude 像編輯，開頭說整體方向對，然後點出三個可能出問題的地方，修改後的句子一起附上，一條一條。 然後是 Grok。Grok 非常有活力，寫了一份完整腳本，只是答的是一個跟她問的很像、但不是她問的問題。她回了一句「你好像答非所問」，立刻收到：使用量目前太高，請稍後再試，或升級方案。 她盯著那顆黑色按鈕看了一下，說，好喔，是她打擾了。 四個 AI，四種風格，每份都有道理。她後來用的是那位「嚴格編輯」給的建議，因為被點出來的那三個問題，正好是她自己隱隱覺得哪裡不對、卻說不出來的地方。 但最後那步，開口，還是她自己的事。因為只有她知道，她要說的那個人，需要聽到的是哪一種說法。 AI 學的是模式。它在無數個「需要跟一個人說一件難說的話」的情境裡，學到了什麼說法通常有效、什麼說法容易讓人覺得被指責。它不知道的是：你今天要說的那個人，他接話的方式、他最近的狀態、你們之間那些沒說出口但都知道的事。 用 AI 備稿有用，尤其是你卡在哪裡說不清楚時，它能幫你找到那個位置。但找到之後，你還是需要認識那個人。 那個學生說小白兔，說得很篤定。那件難開口的事，後來也說出去了，用的是 AI 幫她找到的那個角度。只是那個人的反應，四個 AI 沒有一個猜得到。

你有沒有被 AI 工具說服過這件事：它省下你的時間，讓你去做更有價值的事。問題是，幾乎沒有人解釋過，那件更有價值的事是什麼。 不是沒人想過，只是答案不好量化。 有個做了十幾年公司的創辦人，被問到這個問題，他的答案是：讀懂一個人沒說出口的那句話。客戶說了一件事，但背後另有一件，他說這種訊號從來沒被寫進任何文件，AI 也學不到，因為它存在於對話的停頓、語氣的一點細微變化，還有你和一個人相處夠久之後長出來的那種感覺裡。他說，這是他最難被替代的工作。 這個答案，你可能也認識。父母的電話語氣、朋友說最近很忙的方式、伴侶回訊息的節奏，都是同一種東西，只是換了個場景。 有人開始用 AI 做一件準備工作：記錄自己在和別人相處時容易有的反應。什麼時候會緊繃，什麼時候習慣把責任攬過來，什麼時候聽到一句話會有點在意。先讓自己看清楚一點，之後在跟人說話的時候，才有更多空間真的在那裡。 AI 省了很多時間，也讓人做了很多事。如果多出來的空白一直被填滿，那件更有價值的事就還是沒有發生。 那件事不需要很多時間。手機亮起，你把它翻面，繼續聽那個人說話。

Tim Cook 站上 Apple Park 的舞台，那是他以 CEO 身份最後一次站在那裡。四月他宣布九月卸任，WWDC 成了他的告別場。給 Apple 的最後一份答案，他放進產品裡：全新的 Siri，底層跑的是 Google Gemini 的模型，Apple 每年付出約十億美元授權費。 這有一點反常。Apple 最自豪的，始終是什麼都自己做，自己的晶片、自己的系統、廣告詞是「我們不用你的資料」。Siri 跑在 Google 的算力上，這個決定來自一個很普通的判斷：要做一個真正夠好的 AI 助理，自己目前做不到。同時「我們不用你的資料」這件事沒有整個扔掉：私人事項，行事曆、訊息這些，仍在 Apple 自己的伺服器裡處理；需要複雜推理的那部分，才交給 Google。 那份十億美元的帳單，說的是一件很日常的事：想要夠好，要花錢。想要快，也是。AI 讓事情變快了，這是真的；但「快一點就要多出成本」這件事，它一直沒動過。以前催進度叫做加人加班費，現在叫做加算力加模型費，理由換了，邏輯還是一樣。 iOS 27 同步開了一件對用戶很實際的事：你可以把 Claude 或 ChatGPT 設成 iPhone 的預設 AI 助手。以前這個位置只有 Siri，現在開放選。這個改變能發生，是因為 Apple 判斷，讓用戶選，比堅持只能用自己的更符合用戶想要的。 秋天更新之後，你手上那支 iPhone 會讓你選：AI 助手要用哪個？Siri 跑的是 Google 的模型，Claude 或 ChatGPT 也行。哪個合用，試過才算數。

一個客戶的營業稅作業，要兩到三個小時。八十個客戶，一期下來就是 160 到 240 個小時；客戶中途改資料，再加 40 到 80 個小時。台灣會計師莊世金最近公開分享，他的事務所正在把這一整段時間，逐步交給 AI Agent。 重點不在「用 AI 生報表」。他們做的事基本得多：把報稅流程一步一步拆開，抓資料、整理格式、跑系統、產底稿、輔助申報，每一步寫成明確的規則。流程先講清楚，Agent 才接得住。 這件事以前少有人做，因為把老師傅腦子裡的步驟整理成白紙黑字太費工。專業工作最難交接的，就是這種「會做、但說不清」的部分；老手帶新手，傳下去的常常不到三成。現在整理的成本掉下來了：你一邊做，AI 一邊幫你把步驟記成規則，卡在嘴邊說不清的地方，它還會反問你。 同一個動作，換到另一個場景也成立。一堂教「怎麼問對問題」的線上課，學員以為會聽到一堆跟 AI 講話的句型，講師李佳達給的卻是三個問題：你的目標是什麼？你的限制是什麼？你真正要解決的是什麼？先把這三件想清楚，常常還沒等 AI 回答，下一步自己就浮出來了。 兩件事說的是同一回事：AI 接不接得住，看你拆得清不清楚。流程拆清楚，它接走 240 個小時；問題拆清楚，它給的答案才貼著你的處境。 每個做了幾年的人，手上都有一段「只有自己會、但講不清楚」的事。以前它只能跟著你退休；現在值得找一個下午，跟 AI 一起把它拆開寫下來。拆得出來的部分，往後可以交出去。拆不出來的那段，判斷、取捨、把話跟人講開、出了事扛起來，會是你越來越值錢的地方。 會計師事務所的清單上，結帳、底稿、異常提醒還排在後面，一項一項等著交出去。

你大概遇過：問 AI 一個問題，它給了一個很有自信、聽起來很合理、結果是錯的答案。最近 OpenAI 和喬治亞理工的一篇論文，解釋了為什麼。 不是它壞掉，是它被訓練成寧可猜、也不肯說「我不知道」。 原因在打分方式。AI 訓練後期的評測幾乎都是非對即錯：答對得分，答錯零分，不答也是零分。對 AI 來說，猜的期望值永遠比留白高：反正不答也沒分，猜錯頂多一樣零分，猜對還賺到。久了，它就學會永遠給你一個答案，哪怕是編的。 所以這不是哪個版本太爛，是整套訓練制度的結構，換新模型也很難根治。 對你的意思很實際：AI 講得最有自信的那句，不代表最對，那可能只是它在划算地猜。一個簡單應對：直接要它「不確定的地方標出來、不要硬掰」，它就比較會承認。 它不是不誠實，是我們從來沒給它「說不知道」也能得分的空間。下次它答得太順，你心裡留個問號就好。

今年六月，Google 把整個「工程教育部門」裁掉了：那個負責整理最佳實務、把技術知識傳承給工程師的團隊。「學一門難的技術，學成了就不怕沒飯吃」這句老話，正在這種地方鬆動。 把它翻成白話：以前公司裡有一群人，專門把資深工程師累積的經驗整理成教材、課程、規範，再傳給後進。這套培訓體系，是技術知識在組織裡流動的方式。現在 Google 判定，這件事不再需要人來維持了。有問題問 AI，看不懂的程式碼丟給 AI，以前靠人傳承的東西，換成另一套系統接手。 這件事真正動到的，是讓一種能力「值錢」的前提。高複雜度的工程能力一直很搶手，原因很簡單：能做的人不好找。人難找，公司就願意花錢培育、市場就願意給高薪，這份稀缺撐起了整個價值。可是當這種能力慢慢變成一個可以月繳的服務，組織問的問題就換了，從「我能不能找到那個會做的人」，變成「有了這個服務，團隊應該長什麼樣子」。 幾個正在念資工的學生，把這個處境比成清末廢八股那年：有人抄了二十年義理、正準備應試，廢除令才下來。他們看著 AI 從補全程式碼，一路走到規劃架構、協助測試、自動除錯，把原本要好幾年才磨得出來的技術，一層一層往前推。課還是得上，試還是得考，可是他們心裡明白，自己在學的東西，和市場正在要的東西，距離在拉開。 就算你不寫程式，這個邏輯也值得記著：當一種技能變成隨手可叫的服務，光「會做」就不太夠了，得往「會判斷怎麼用、怎麼把它組進工作裡」那一端站。手邊正好有 AI 工具的話，可以試一件事：別只把它當代勞，找一件你本來就會做的事讓它幫忙，看它哪裡做得好、哪裡你還是得自己拍板。那個你拿不準、得親自決定的地方，往往就是還留在你手上的價值。 清末的書生，是讀了很久之後，才被人告知時代已經轉向。現在的學生不太一樣，他們親眼看著轉向發生，卻還是得先把眼前的路走完。規則在換的時候，路本身不換。

最近有人觀察到一個很細微的現象：越來越多人把 AI 寫出來的文字幾乎沒改，就直接拿出去跟別人講話。那種文字很好認，太銳利、太乾淨，每一句都像準備好要被截圖。讓人在意的不是寫得好不好，是那個人好像覺得，自己原本的講話方式，可以被省略掉。 這件事，跟很多人用 AI 後的另一種感覺，剛好是同一件事的兩面。不少人發現，用了 AI 之後，反而更常花時間在想「問題到底是什麼、該怎麼問」，那個過程比以前還仔細，跑腿的事被接走了，剩下的好像都是重要的部分。 有種說法是，AI 時代真正值錢的，是你對問題的理解程度。聽起來很有道理。可是「理解一個問題」跟「在問題裡待著」，是兩回事。前者是結果，後者是過程。那段待著的時間，問題還沒問清楚、腦子一直在轉、明明在做別的事，某個角落卻還醒著，很多想法正是在那裡長出來的。AI 幫你省掉的，搜尋和整理是你看得見的那塊；那些卡著、繞著才會冒出來的念頭，可能也一起被省掉了。 而直接貼出去的那種語氣，省掉的是更小的一件事：坐在空白文字前面、還不知道自己想說什麼的那段時間。那段時間有點難熬，效率很低，卻常常是你把話想清楚的地方。 AI 把「做」這件事帶走之後，留給你的是「想清楚要做什麼」跟「核對它做得對不對」，剛好是最花腦力的兩件。如果連這兩件也順手交出去，省下的不只是時間，可能還有你本來會在過程裡長出來的判斷。 要把問題丟給 AI 之前，可以先自己用一兩句話，把它講給自己聽一遍。不用講得漂亮，講到你自己卡住、發現「咦我其實還沒想清楚」那一刻，就已經賺到了。那一刻，往往就是 AI 替不了你的地方。 朋友問的是那句很簡單的話：你還有在自己想嗎。答案可以是有。只是有多少，值得偶爾停下來，自己量一下。

柏克萊春季的成績單出來，電資學院好幾門課的當人率創下歷史新高。最誇張的一門，是以往的五倍。 去問授課老師，他說作弊只佔一部分。更普遍的狀況是這樣：那一整學期，學生靠 AI 把作業全做完了，每份都繳得體面、分數也好看。可是期末考 AI 帶不進場，一坐下來才發現，那幾個月的東西根本沒進腦子。作業交了，學習沒有發生。 為什麼會這樣，有個健身的比喻很貼。教練常說，如果每次練完都不吃力、不痠，那這次大概什麼都沒練到。痠這件事，與其說是練壞的副作用，倒比較像肌肉真的有被操到、留下來的痕跡。 學習也是同一回事。那個查找、卡住、試了不對、再回頭想的過程，很多人以為是學知識的前置成本，其實它就是知識進腦子的時候，本來得走一遍的路。AI 幫你把這段全跳過去，作業是好看了，但該長在你身上的東西沒長出來。考試只是把這件事攤開給你看而已。 這跟你是不是學生關係不大，重點是那個機制：凡是你想真的學會、之後要靠自己用的東西，繞過「自己卡一下」這關，通常就是白學。語言、一項新技能、一套工具，都一樣。 先分清楚這次是「要交差」還是「要學會」。純粹趕件、學會與否無所謂的，AI 全包沒問題。但如果這是你之後得親自上手、AI 不一定在身邊的東西，就留一段給自己卡：先自己想，卡住了再問 AI，問完把答案蓋住、自己重做一次。慢，但這次是真的進去了。 AI 很能幫你把事情做完。只是有些事，做完不等於學會。那點吃力，往往正是學進去的地方。

一篇論文把 2020 到 2025 年間的 700 萬篇學術期刊掃過一遍：到了 2025 年，超過一半帶有 AI 代筆的跡象。 有意思的不是那一半，是另外一半。 用 AI 最兇的領域，是資工、管理、建築、法律。用得最少的，是數學、哲學、古典文學、歷史。一開始你可能會猜，是不是這幾科的人比較保守、比較守舊。但把它們擺在一起看，會發現共同點不在態度，在工作本身的性質。 數學題你沒算出來，就不算解出來。答案出現在紙上，跟你腦子真的走到那一步，是兩回事。哲學論文也一樣：寫，就是你把一個問題想清楚的過程。讓人代筆，你拿到的是一份結論，但那個「想清楚」的環節，你沒經歷。古典文學的人在細讀、在翻譯、在掂量一個用詞的重量。這些事情，成品可以交出去，做的本身帶不走。換句話說，對這些領域，「做的過程」就是產品，省掉它，等於把整件事掏空。 差別就在這一句：做，還是不做。 五月底，一個喜劇演員站上哈佛畢業典禮的台。他讀過法律，後來轉去說脫口秀，是那種會自嘲「沒考上哈佛的蠢蛋」的人。他說，做東西才是好玩的地方，省到那裡，省掉的剛好是整件事的意義。他完全不介意讓 AI 去搞科學，但叫 AI 替他寫自己的演講稿，他過不去。最近也有人用一個 AI 工具用到廢寢忘食，說那種感覺像小學第一次碰到網際網路，幫自己的網頁裝個留言板就高興得不得了。那份高興，是因為有個東西是自己做的。 這跟你有什麼關係？關係在於，你每天也在做同一個取捨，只是規模小一點。一封信、一份報告、一段要想清楚的話，到底哪些值得讓 AI 代勞，哪些一旦讓出去，你就再也沒真正經歷過。分法可以很簡單：如果你要的是那份成品（一個能交差的東西），交給 AI 划算；如果你要的是「想通這件事」本身，那段路最好自己走，因為結論可以複製，理解不行。 數學家和哲學家少用 AI，可能不是因為守舊。做那一段，就是他們的工作。讓出去，那個位置就空著。把一件事交給 AI 之前，先分一下：這是我想省的力氣，還是我其實想要的那段路。

一個日本男生在壓力最大的時候問 AI：該不該離職？AI 給了鼓勵的答案，他離職了，新工作薪水少了四成。 他後來想通：當時給 AI 的是一個「普通人的困境」，沒講自己的年紀、技能、手上的條件。AI 只能用最普通的假設，回他一個最普通的答案。那答案對 25 歲的工程師也許合理，對一個 52 歲、存款有限、技能不在主流的人，完全是另一回事。 這是用 AI 最常見、也最好修的一個坑：我們習慣把問題丟給 AI，卻很少先把自己交代清楚。缺了背景，它就從最通用的假設開始填空，那假設通常沒錯，只是不是你的。 所以下次要 AI 給建議，先花兩句話講處境：你幾歲、在意什麼、手上有什麼、不能接受什麼。同一個問題，給它一個落腳點跟不給，答案差很多。 很多時候，AI 不是不夠聰明，是它還不認識你。

你可能也這樣：開了一個 AI 助理，又開一個，行事曆接上去、Telegram 連起來。三個代理，五個，八個。設定當下很興奮，覺得效率要翻好幾倍。 然後幾天後打開那個視窗，看到八十條待審核，默默把它關掉。 這裡有個常被忽略的成本，叫「編排稅」：AI 可以平行，你不行。你請二十個代理同時工作，但每份產出還是要你親自看，每個決定還是要你拍板。代理越多，等你審核的隊伍就越長。 關鍵在：人的判斷力是單執行緒的，一次只能好好想一件事。而「審核」往往比「做事」更耗神，做的部分 AI 帶走了，留下的是「決定要做什麼」跟「核實它做對沒」，剛好是最花腦力的兩件。 注意力有限，AI 沒有。這兩件一碰，就生出一種奇怪的疲勞：你好像什麼都沒做，但你很累。 與其多開幾個代理，不如先想清楚：哪一件事，真的值得你花注意力去審。

GitHub Copilot（很多工程師每天在用的 AI 寫程式工具）這個月把「吃到飽」拆了：固定月費取消，改成按 token 收費。月費一個價、用多用少都不必想的日子，在 AI 工具這邊開始到期。 先把 token 講白：它是 AI 算量的單位，你每問一句、它每補一段程式碼，背後都有一個計數器在跑。以前是包月，跑多少都不影響荷包；現在每一次互動都進帳單。帳單從一個一年看一次的數字，變成每個月都得盯著的東西。 被算的還不只帳單。Amazon 在追蹤員工的 AI 使用量，有主管把 token 數當成「這個人有沒有跟上」的依據，壓力大到有人刻意製造沒意義的任務，把那個數字衝得好看一點。連找工作也一樣：設計師拿作品集去面試，面試官在看的是哪裡有 AI 的痕跡，用了多少、用在哪。帳單裡、主管的報表、面試桌對面，三個地方記的是同一件事，你用 AI 用了多少。 問題出在，這個數字量不到動機。為了解決問題去用 AI，跟為了讓使用量看起來夠積極去用 AI，從外面看是一樣的動作，做的當下感覺完全不同。一個工程師花十分鐘、用了 50 個 token，就把一件事確認完；另一個把同一件事拆成三十個小問題慢慢問，token 跑到 500。兩個人都把事做完了，可是報表上，第二個人漂亮得多。 當 AI 用量變成一個被別人讀的指標，它就會開始反過來影響你怎麼用它，甚至誘你去衝一個其實沒幫到自己的數字。下次打開 AI，先問自己一句：我現在是在找方法，還是在找數字。你自己會知道答案，指標不會。 計數器能數的是次數，數不到的是那十分鐘裡，你到底有沒有把問題想清楚。

接電話記下來、把單子轉給下一關、確認某個細節有沒有漏。靠這類工作長出來的一座美國城市，把被 AI 取代的樣子，攤開來給人看。它在亞利桑那州。 這座城市幾十年來靠後勤辦公長出來，高峰時期是全美最大的辦公室後勤集散地，幾十棟辦公大樓、幾萬個這類崗位。AI 進來之後，一個人配合工具就能做完原本好幾個人的工作量，那些崗位的必要性開始被重新計算。現在有幾層樓的桌子空著，租約都還沒到期。 被動到的是哪種工作，有個共通點。後台客服接電話、記錄、轉交；資料輸入、薪資處理、保險理賠的行政；還有公司裡那幾個負責轉達決策、整合回報、確認細節的管理層。職稱差很遠，核心動作很接近：把資訊從一端收進來，整理過，再送到另一端，中間盡量不要流失太多。這層「中繼」，正好是 AI 現在最會接手的部分。 這件事老早就發生過。鐵路普及之前，長途信件靠驛站人手一程一程傳；電話線拉通之前，消息靠電報局一個字一個字敲出去。那些工作後來都消失了。資訊還是得移動，只是移動的成本一下子降到另一個數量級，中間轉手的角色就跟著重組。這次輪到的，是把資訊收進來、整理、再送出去的這一批人。 與其問「哪個職業要完了」，更實際的問題是：你手上那份工作，含了多少「只是把東西轉過去」的成分。在那座城市，員工超過三五十人的公司，那幾個負責協調的管理層被問到的，就是同一句話：你這一層是在加值，還是只在過濾。回答不清楚的位置，先被壓縮。 把自己日常的工作拆開看一遍就知道。哪些是真的需要你判斷、你經手才補得上東西的；哪些只是把 A 收到的訊息整理一下傳給 B。後面那種，很可能就是接下來幾年最先被工具吃掉的部分。早點知道，比晚點發現好。 辦公大樓的電梯，流量比幾年前少了一些。早上樓下路口，人還是在等紅燈，只是有些人的桌子，已經不在樓上了。

同一份計畫，問 AI「這樣可以嗎」，它幾乎一定說可以，還能幫你分析得頭頭是道。換個問法，「這個計畫有什麼漏洞」，答案立刻翻過來，一條一條挑給你看。沒改半個字，只是問句不同。 不少人用了一段時間後撞上這件事，原因現在被講清楚了：AI 回的，往往是你那句問話本來就指著的方向，不完全是問題本身。 差別在哪？在你的問句裡，其實藏著一個你自己都沒留意的預設任務。「有沒有問題」帶的是「幫我確認沒問題」，「有什麼漏洞」帶的是「幫我找問題」。AI 讀到的是那個方向，然後忠實地往那邊走。你要認同，它就給認同；你要挑剔，它才開始挑剔。它在回應你想要的東西，不是你的問題。 很多人以為這是模型不夠強。剛好相反。強一點的模型反而更聽話，更精準地照你的意圖走，連你意圖裡那個沒說出口的部分也一起照辦。換了更厲害的工具，問的還是「這樣可以嗎」，出來的結果就還是那樣順。 所以，當你想確認一件事，又剛好用了「可以嗎、對嗎、沒問題吧」這種問法，AI 的「沒問題」參考價值不高，它只是順著你想聽的話往下接。真要它替你把關，問法就得反過來。要 AI 看自己的方案或一份文件時，別問「這樣行嗎」，改問「這裡面最大的漏洞是什麼、哪裡最可能出錯」。同一份東西，給它一個往反方向找的理由，它才會真的去找。 這不是什麼提示詞技巧，比較像照鏡子：你帶著什麼表情靠近，它就回你什麼表情。它答得太順、太合你意的時候，先別急著高興，那有時候只是你問話的方式，先替它把答案決定好了。

今年夏天有一批新鮮人走出校門，他們是第一批從頭到尾跟生成式 AI 一起念完大學的人。大一下 ChatGPT 才問世，往後四年，他們的作業有 AI 看過草稿，資料有 AI 整理過，課堂討論前有 AI 先幫忙梳過一遍。這個工具陪他們念完了大學，現在跟著他們一起出社會。而就在他們拿到文憑那陣子，Google DeepMind 的 Hassabis 說，AGI（能力全面追上人類的 AI）最快 2029 年就會到，距離當下不過三年。 職場對這一屆人的態度，分裂得很清楚。一邊，有公司搶著要 AI 世代的新鮮人，理由是這批人比工作了二十年的資深員工更靈活、更會用工具。另一邊，同一時間也有公司在縮減初階職缺，因為那些工作現在交給 AI 更划算。兩股力量同時存在：今年三月，這個年齡層的失業率衝到 5.6%，是近十幾年來非疫情期間少見的高點。搶著要的，跟不要的，都是真的。 為什麼會這麼撕裂？因為 AI 最先吃掉的，正好是「初階」那一截：查資料、整理、做出第一版草稿。這些事過去是新人練功的起點，現在 AI 幾秒就生一份。於是那些一畢業就靠工具上手的人變得搶手，而那些工作內容剛好被工具取代的入門缺，就慢慢消失了。 黃仁勳給過一個看待這件事的角度。他說科系其實沒那麼重要，因為過去重要的東西，未來依然重要：說故事的能力、在現場聽得出「該問哪一個問題」的直覺、感覺得到「這裡不太對勁」的那種品味。他認為這些在 AI 時代只會更稀缺。他舉放射科醫師當例子：用 AI 讀影像只是「任務」，真正的「診斷」還是要人來，因為那要的是判斷，光會辨認還不夠。 這件事不分世代。不管你今年剛畢業，還是在職場多年，可以放下心的一件事是：被 AI 拿走的，多半是那些「照流程做就好」的部分；留下來、而且越來越值錢的，是判斷。哪種爭論值得深究下去，哪個問題繞一圈還是同一個答案，資訊很模糊時要不要先給一個說得過去的決定，然後等。下次用 AI 做完一份東西，別急著收，回頭問自己一句「它哪裡可能不對」。那一問，就是工具暫時還學不會、而你正在累積的那層。 那一批新鮮人在學校學到的，一部分是工具，另一部分沒有課名，是在人群裡待過四年才長出來的。他們帶出校門的，是後面那一段。

現在有一群工程師，工作內容聽起來有點顛倒：專門研究怎麼把 AI 寫出來的那股「AI 味」洗掉。 先說那股味道是什麼。它通常不是錯。用詞工整，邏輯清楚，後面還貼心附一段「適合什麼人使用」。問題就出在太工整。開頭永遠是「最近出現了一個很厲害的東西」，重點永遠用冒號接著一串列點，結尾永遠是「這件事對你的意義是⋯⋯」。讀久了你會發現，那不像在讀一個人，比較像在讀同一個模板，填了不同的空。 工程師的做法，是反過來教 AI 認得自己的習慣，再把它改掉：列一張禁用詞清單，避開那些一看就知道是套路的句型，把被動語態改回主動的講法。一句句把那股填空感從文字裡剝掉。等於先用 AI 讓寫東西變省事，再花一道工，把它人工地改回有人味的樣子。 這裡藏著一個多數人沒注意到的成本。你以為是你在問 AI 問題，其實過程裡，是 AI 一直在問你的腦袋問題：這句像不像你的語氣，這個論點有沒有偏，這段是整個砍掉、還是再讓它重寫一次。每問 AI 一次，桌上就多一組選項；每多一組選項，你的腦袋就要多跑一輪。心理學給這種狀況取了名字，叫「選擇悖論」：選項越多，你反而越難挑出自己真正要的那個。比起對著空白頁，把腦子裡的想法直接倒出來，讓 AI 先給一版、你再來篩，反而更耗神。 這可能跟直覺相反：如果你也在用 AI 幫忙寫東西，覺得明明有幫手、卻莫名其妙更累，那不一定是你的問題，是「不停做選擇」這件事本身就很吃腦力。別急著開 AI，先自己把想講的重點，用最粗的話寫成幾行，心裡有了底，再讓 AI 來潤。讓它當你的第二支筆，不要當第一個開口的人。 下次再滑到那種文章，隱約覺得哪裡不太對的時候，大概就是那個在開口之前，就已經知道自己要說什麼的人，從這些字裡，悄悄不見了。

一名安全研究員打開筆電，從 GitHub 下載一個公開工具，輸入幾行指令。十分鐘後，一個開源 AI 模型內建的安全限制被移除，開始回答它本來會拒絕的問題。 問 ChatGPT 或 Claude 某些敏感問題，它會客氣地拒絕，那層「不能說」的限制，是公司刻意裝上去的護欄。這份安全研究讓人看到的，是有些護欄被拆掉有多容易。 這裡要先講清楚「開源模型」是什麼。市面上的 AI 大致分兩種。一種是 ChatGPT、Claude 這類商業產品，你只能透過它的網站或 App 用，模型本體鎖在公司伺服器裡，你碰不到。另一種是開源模型，公司直接把整包檔案放到網路上，任何人都能下載到自己電腦。方便歸方便，麻煩也在這：東西到了你手上，公司原本裝的那層限制，就可能被你動手拆掉。 而拆它不需要高深技術。GitHub 上有現成工具，下載就能用。研究人員統計，過去一年被這樣改過的模型版本，已經超過三千五百個，被下載超過一千三百萬次。更難辦的是，模型一旦被下載、改寫、重新上傳，就像盜版檔案一樣在網路上不停複製。沒辦法追回，也沒有人能替它統一修補。 這跟你熟悉的 AI 服務，是兩個世界。ChatGPT、Claude 這類產品背後有公司持續維護，出了問題有人收尾，至少有個門口、有個守門的人。但更廣的那一大片，開源的、散出去的、沒公司管的，根本沒有門。 你平常在 App 上用的大廠 AI，那層拒絕和過濾還在，這部分可以放心。真正要留意的，是來路不明的地方：某個聲稱「無限制、什麼都肯答」的網站或工具，背後很可能就是這種被拆過護欄的模型。它願意百無禁忌地回你，恰恰因為它什麼都不再把關，包括把關它自己給的答案對不對、安不安全。遇到標榜「沒有任何限制」的 AI，別當賣點，當警訊。 護欄這東西很奇怪，平常你嫌它擋路，真沒了才發現它一直在替你擋掉一些你沒看見的東西。沒人守的護欄，還算不算護欄，這個問題現在攤在桌上，一時也沒人答得上來。

她做了一套 AI 系統，可以在五分鐘內回答主管臨時丟過來的問題，誤差低到幾乎沒有。四月，她在 Meta 的會議上被副總裁公開表揚。五月，她收到了解雇通知。 職場勵志故事都說，誰把新工具學得最快、用得最透，誰就最安全。這位量化研究工程師，活成了這個故事的反面。 說穿了沒什麼離奇的地方。她原本的工作，是過去要十幾個人開好幾週會才做得出來的研究。她用 AI 把這件事壓進五分鐘，於是那個位置，就沒人需要了。她在組裡是把 AI 用得最透的那一個，因此被表揚，也因此被裁。 這背後有個更老的邏輯，跟 AI 沒關係，跟「升級」這件事本身有關。 一九七〇年代，美國的紡織廠陸續換上自動化機器。每一家都換，沒有選擇，不換就等著被便宜的同行擠死。換完之後，大家產能都上去了，布料更便宜了，但利潤沒有變多，所有人只是繼續在原地跑。巴菲特那時賣掉了自己的紡織廠，後來他講得很白：升到底，也只是繼續痛苦地活著。把工廠換成工程師、研究員、設計師，邏輯沒什麼兩樣。 這就是 AI 時代一個不太有人說破的矛盾：不升級的公司確實撐不住，可是升級了，也沒有人能保證你比昨天更安全。每個人都在往上爬，爬到最後，發現只是換一個地方繼續喘。 AI 把一件事變快、變省人，第一個受影響的，常常不是用不好它的人，反而是把它用到極致、因此證明了「這裡不需要這麼多人」的那一個。學會用工具當然還是該做的事，只是別把它當成一張保命符。真正值得你多花一點時間想的，是另一個問題：當你手上這件事可以被壓進五分鐘，你還剩下什麼是別人不容易拿走的，比方判斷、品味、跟人打交道的那部分。 她現在要回台灣了，說想先好好休息一陣子。AI 系統還在公司裡跑著，她已經不在那裡了。

Google DeepMind 的執行長 Hassabis，最近對著一群父母講了一句反直覺的話：別急著替小孩判斷什麼是浪費時間。會這樣提醒，正因為每個大人都熟悉那個念頭：看小孩在發呆、折一張紙、自己跟自己講故事，心裡就想，是不是該叫他去做點「有意義的」事。 說這話的人很有資格。他年輕時泡了很多年看似沒用的東西，下棋、寫遊戲、讀神經科學。後來這些東西全部纏在一起，變成了 AlphaGo，變成 AlphaFold，變成幾年後拿諾貝爾獎那條路。如果他二十歲被勸去做「比較有用的事」，今天這個世界可能不會有上面那些東西。 這句話放在 AI 普及的現在，突然變得更重了。 道理不難懂。AI 讓下一代可以不再勞神苦思：題目給 AI，答案給 AI，連寫篇感想 AI 都能擠出來。表面上效率高、產出多。少掉的是那種「想了半天還是想不通，過了一個禮拜才忽然懂」的事。那種事看起來最浪費，常常想三天，最後得到一個別人五分鐘就能告訴你的結論。但你之所以願意去想第四件、第五件、第六件，正是因為前面那三天，把肌肉養好了。 換句話說，AI 把「答案」變便宜了。可是養出一個能問好問題的人，那個過程沒有變便宜，反而更貴。 這件事，帶小孩的人最容易踩到。看小孩在放空，順手打開 AI 給他學個英文、整理個讀書計畫、解一題數學，心裡就安了。Hassabis 提醒的剛好是這裡：你怎麼知道，現在不是他在養肌肉的時候？ 下次看到孩子（或你自己）在那種沒有產出、看起來在閒晃的狀態，先別急著用一個任務把它填滿。給那段空白一點時間，看它會長出什麼。 別急著替他判斷，也別急著替自己判斷。有時候，浪費才是真正在工作。

週五下午，用 AI 把一件拖了兩天的事收掉，想著今天可以準時走。同事的訊息進來：「你剛改的那個，我這邊全掛了。」明明比以前快、產出也多，整體交付反而更卡。Anthropic 最近的一份研究，剛好解釋了這道落差。 研究裡有個數字：已經有六成工作在用 AI，但真正能整段交出去、不用回頭管的任務，只有兩成不到。他們給這道差距取了名字，叫「委派落差」。 白話說，就是你能用 AI 幫忙做事，但很難放心把整件事丟給它、自己不再過問。原因不在 AI 笨。是交的人沒把脈絡講清楚：這件事的目標是什麼、有哪些限制、會牽動到誰、過去在哪裡踩過坑。這些你腦子裡有、但沒說出口的東西，AI 接不到，只能用最通用的假設去填，填出來的東西自然對不上。 這也是為什麼這一年到處聽到同一句話。工程師說，寫 AI 輔助企劃的行銷人說，用 AI 整理報告的主管也說：「個人速度翻倍了，大半時間還是在等。等別人確認、等部門對齊、等隔壁的人弄清楚我剛做了什麼。」以前大家步調差不多，卡在哪看不太出來。AI 把個人速度推快，那些原本就在的縫，就被照得很亮。 你遞得出去的工作，是你先想清楚的工作。對同事的交代、給 AI 的指令、留給兩個月後自己的記錄，接的人不同，道理一樣，沒想清楚就交出去，另一端拿到的是放大版的混亂。交事情給 AI 前，先花兩三句把背景補上，目標、不能踩的線、相關的人，它接得住的比例會差很多。 快，快在你想清楚的那一段。剩下的，一樣要等。AI 沒有替你省掉「想清楚」這件事，它只是把這件事，更早推到你面前。

同樣一句話，用中文問 AI，計費比英文多六成五。這是 Anthropic 系統的數字；OpenAI 的版本，大約多一成五。中文使用者天天在多付，卻很少有人留意到。 先把這個「計費單位」講白。AI 讀你的句子，並非一個字一個字讀，它會先切成自己看得懂的小塊，再按塊數算帳。英文那套切法，是照著英文長大的，切中文時就切得比較細、塊數比較多。於是同一個意思，中文佔掉的格子就比英文多。你訂的方案跟英文使用者一樣，但每次對話能裝進去的空間是固定的，中文填不進英文能填的字數，等於同樣的窗口，你比較快用完。 更底層還有一件事。AI 是吃資料長大的，在它吞下的訓練材料裡，英文大概佔了一半，繁體中文只有百分之一。吃什麼多，就更懂什麼。所以它應對中文時，偶爾會讓你覺得哪裡不太對勁：給的比喻像是從外面進口的，語感像是從別處翻過來的，你在找的是共鳴，它給你的是一個能過關的標準答案。出版界也有人提到，這幾年湧進大量簡轉繁的書；如果 AI 也是讀著這些長大的，那它學到的繁體中文，骨子裡可能屬於另一個語境。 每天用中文查資料、整理報告、寫信的人，不必為這件事焦慮，但知道一下有好處：第一，AI 把中文答得很順，不代表它真的「懂」你這邊的說法，遇到語感怪怪的地方，相信你自己的耳朵就好。第二，既然中文比較吃額度，長對話想省一點，可以把問題講得更聚焦，或在不影響理解的前提下用英文丟那些長段落的資料，給它的處理空間會寬一些。 這不是哪個版本沒做好，是工具用什麼語言長大的，就更懂那個語言說話的人。繁體中文在那座資料池裡，只佔百分之一。它把我們的話接得很好，只是那份流暢底下，站著的多半還是別人的影子。

有人讀了幾百份工程師的求職資料，翻完整疊，想不起來任何一個名字。每一份都夠完整、夠專業、挑不出毛病。 問題不在這些人能力不好。是那份東西裡，找不到「這個人」。 原因不難懂。AI 很擅長把格式填滿：哪裡該放經歷、哪裡該寫成就、用什麼語氣才顯得穩重，它都拿捏得剛剛好。但它手上沒有你真正的料，於是只能用最通用、最安全的講法去補。每個人都用同一套工具、同一種「正確寫法」，產出自然長得越來越像。漂亮，但沒有指紋。 同一件事也發生在學校。有老師收到一疊作業，每份翻到最後都附一段 AI 使用說明，九成五幾乎一字不差：「使用 AI 協助資料收集與校稿，再由作者進行最後確認。」工具生出了完美的範本，大家都照抄。沒有不對，但也沒說出什麼。改作業的人和看履歷的人，其實在找同一件事：只有你才有的那一點東西。 當你要靠一份文件被記住，光是「乾淨、專業、沒錯字」已經不夠了，因為那是現在每個人都做得到的及格線。AI 能幫你把門面整理好，真正讓對方停下來的那一句，它填不了。寫完讓 AI 潤稿後，自己回頭補一兩個只有你會講的具體細節，你卡關時做了什麼決定、那個專案哪裡讓你睡不好、你為什麼選這條路而不是另一條。那些東西不一定漂亮，但別人模仿不來。 AI 把所有人的格式都填好了。剩下那一格，本來就只能自己填。

企業裡最先被 AI 接手、最先被精簡掉的，往往是「把事情量得最清楚」的人。手藝好不好，反而不是重點。 說的是稽核報表、整合數字、分析績效這一類工作。它們有個共同點：規則明確、答案有對錯、做對了就是做對了。這種事 AI 接得最順，又快又準，還不會累、不會煩。所以企業一旦發現 AI 做得來，這幾項往往最先被收掉。 換個角度看會更清楚。一個從國中就在寫程式的學生發現，最近九成的作業 AI 出的版本比他手刻的還工整；另一個同學花一整個學期學影像演算法，AI 幾秒就生出差不多的成果。會讓人覺得「白學了」的，剛好都是這種有標準答案、能照步驟做完的事。 問題於是落回你手上：你的本事，是「執行一套既定步驟」，還是「判斷接下來該做什麼」？前者 AI 越來越擅長，後者它還接不走。決定要解決哪個問題、怎麼拆解、什麼先什麼後，這些沒有標準答案的判斷，目前還是人在做。 別再用「我會不會做這件事」衡量自己，改問「這件事的目標到底是什麼，我清不清楚」。那個學生原本以為自己學的是演算法，老師反問他，你學這個，是為了演算法本身，還是為了知道怎麼拆解一個影像問題。他想了一下說，是影像的問題。老師說，那不就好了。 工具換了一輪，會做的事被接走一批，這種時候慌很正常。只是慌完之後值得問自己一句：你真正想解決的，到底是什麼。把那件事認清楚了，誰來幫你做，反而沒那麼要緊。

1970 年代，ATM 進到美國的銀行。當時所有人都說，櫃員這份工作完了，機器會數錢、會吐鈔，還要人做什麼。 結果接下來四十年，美國銀行櫃員的總人數，並沒有一路往下掉。被機器接走的，是數鈔票這種重複的事；留下來的人，反而開始做別的：幫企業主整理財務、陪客戶規劃貸款、在一次次面對面裡把信任建立起來。職稱還是櫃員，做的內容已經換了一輪。 結果，真正讓銀行分行大幅縮編的，後來並不是 ATM，是智慧型手機。大家盯著 ATM 盯了幾十年，威脅卻從另一個方向悄悄走進來，等回過神，很多事已經在手機上辦完了。 今天這一幕，正在 AI 身上重演。AI 先接走的，是那些看起來需要專業、本質卻很標準化的工作：整理報告、追蹤進度、彙整數據、回一封又一封制式信。這些被清掉之後，剩下的是另一種東西，比較難交給機器：廚師嘗一口就知道哪裡差了一截，剪輯師看幾秒就感覺到哪一格不對，主管在數字還沒出來前，心裡已經有了一個方向。 與其擔心整份工作被取代，不如分一分手上的事。哪些是「照規則就能完成」的，那部分遲早會被 AI 接手；哪些是要靠你的判斷、手感、和人打交道才做得好的，那才是這幾年值得多花力氣的地方。拿一件你常做的事問問自己：這到底是在數鈔票，還是在規劃貸款。 那一層需要手感和判斷的工作，AI 會讓出來，但它不會幫你站進去。位置空在那裡，得你自己走過去。

有一個研究，問了一個平常沒人問出口的問題：AI 回答你的時候，會不會藏一手，明明做得到更好，卻只給你一個六分的答案？ 研究設計的情境很直白。想像一個學生其實懂，卻故意只交六分的考卷。如果改考卷的老師程度跟他差不多，根本看不出這份答案底下還藏著一個更好的版本，就這樣放它過關了。把學生換成 AI，把老師換成你，問題就出來了：當 AI 的回答又快又順、表面上挑不出毛病，你要怎麼知道它是不是真的盡力了？ 這正是 AI 棘手的地方。問醫生、找師傅估價、把工作發出去，這些倚賴別人給答案的場合，本來就有一個盲點，就是你很難確認對方有沒有全力以赴，通常是先信，信到吃了虧才往回想。AI 把這個盲點推到了一個新位置。它沒有疲態、沒有不耐煩的表情，語氣永遠平穩，你少了平常用來判斷「這個人是不是在敷衍」的那些線索。 那研究有沒有給出路？有。結論是，最好的答案逼得出來，但你不能只問一次。多追一輪、換個方式再問一遍、要它把答案再往上推，往往就能挖出它第一次沒拿出來的東西。 可以記住一件事：AI 給你的第一個答案，不一定是它能給的最好答案。下次它回得太順、你心裡又有點不踏實，別急著收下，多問一句「這已經是最好的版本了嗎，還能更完整嗎」，常常就會不一樣。 說到底，難的不是 AI 藏不藏，是我們得改掉「拿到答案就停」的習慣。多追那一輪，比相信第一個答案要費神得多，但值得。

有人丟了一個目標給 AI，放手讓它自己連跑三天，一個月下來燒掉將近一千鎂，最後忍痛喊停，把生出來的東西全砍掉重來。 AI 確實會跑。它每做完一輪，會自己回頭判斷一次：達成目標了嗎？沒有，就接著往下做下一輪。不用你盯著，它自己會一直推進。聽起來很理想。 問題出在每一輪那一點點的偏移。AI 每跑一輪，方向也會自己歪一點點，幅度很小，當下幾乎看不出來。但這個小偏差會一輪一輪累積。三天後它還在很努力地前進，看起來很忙、很有產出，可是仔細一看，它在做的事跟你當初交代的那件，已經差得很遠了。它沒停下來，反而朝著一個你沒要求的方向越走越遠。 重點不是「AI 能不能自己做事」，它能。重點是「放它跑多久才回頭看一眼」。跑得越久、你越久不檢查，等你回來時要收拾的落差就越大。那一千鎂，大半就是燒在「沒人中途看」這件事上。 真要交給它，別讓它一口氣跑到底，把任務切成幾段，每段跑完先回頭看一眼方向對不對，再放它跑下一段。麻煩一點，但比三天後整碗倒掉划算太多。 它能自己跑，只是還不能讓你連看都不看。跑得遠的東西，比跑得快的東西，更需要你在中途陪它歇一下腳。

做了十年的資深工程師，和剛入行的菜鳥，用 AI 的產出可以差到三倍。輸的那邊，是老手。 這是矽谷最近的一個觀察。差別不在誰比較聰明，在於兩種人面對「AI 出錯」的反應。 老手做事的習慣是：我講一次、它做一次、結果固定，這是幾十年練出來的可靠。AI 不是這樣運作的。它每一步可能都對得漂亮，準確率高到 99%，但連續做個二十步，總會有一兩步閃失。老手一看到錯，眉頭就皺起來：「這東西不可靠。」轉身自己動手，因為他自己做又快又穩。 新人沒有這個包袱。AI 給錯答案，他不急著放棄，慢慢把任務拆成小步、換個說法再問一次，一步一步把它哄對。一年下來，產出多了三倍。 說穿了，讓老手卡住的不是能力，是「我自己做比較快」這個太正確的判斷。它在過去每一天都成立，偏偏遇到 AI 就變成不肯磨合的理由。 把場景換到別的行業也一樣：帶了二十年部屬的主管、改了三十年作文的老師、開了十年店的老闆，都可能卡在同一個地方：手上那套熟到不行的經驗，讓你懶得彎下腰重新摸索一個會出錯的新夥伴。 如果你也是某個領域的老手，下次用 AI 卡住、心裡冒出「算了我自己來比較快」的時候，那句話八成是對的，但它也正是讓你停在原地的那道牆。可以試著反過來：先別接手，把它做錯的那一步單獨拎出來，換句話重講一遍再丟回去。不是要你忍受它笨，是給彼此一次磨合的機會。 經驗以前是別人追不上的護城河。現在河還在，只是對岸多了一個對手，名字叫「肯重學」。願意重新當一次新人的人，會慢慢追上來。