未來職業不是「AI 工程師」，是「會問對問題的人」

打個比方。以前的軟體專案，工程師是廚師，客戶點菜，廚師負責煮。現在 AI 是那個手腳超快、什麼菜都會煮的廚師，但問題是：客戶常常不知道自己想吃什麼，或者他說的「想吃清淡一點」其實意思是「想吃日式」、其實意思是「想吃不會脹氣的」、其實意思是「想吃能拍照好看的」。把這種模糊的、充滿雜訊的人類需求，轉譯成一份 AI 能夠執行、而且執行完真的能解決問題的「訂單」，這就是未來最值錢的工作。

而這份工作的核心動作，就是提問。不是隨便問，是問對的問題：問清楚目的、問出限制條件、問出隱含假設、問出成功標準、問出失敗風險。這些問題問得好不好，直接決定了 AI 產出的品質上限，也直接決定了你在組織裡是「操作工具的人」還是「定義方向的人」。

二、為什麼「問對問題」成為核心競爭力

很多人會誤解，以為「會問問題」就是講話比較有禮貌、比較會用提示詞範本。這完全是搞錯方向。真正的提問力，是一種高強度的思考活動，它涉及拆解、脈絡化與判斷三個層次。以下分別說明。

問題定義決定 AI 產出的上限

有一個很常見的現象：兩個人用同一個 AI 工具，一個得到平庸的答案，一個得到驚豔的答案。差距通常不在工具，而在問題。前者問「幫我寫一篇產品文案」，後者問「我要賣給三十五到四十五歲、剛生第一胎、預算有限但重視安全的雙薪家庭，請用不誇大、不恐嚇的語氣，寫三個不同切入角度的電商標題，每個標題不超過二十字」。

後者做了什麼？他把自己腦中的市場假設、客群輪廓、語氣限制、格式要求全部顯性化。這些東西原本躺在他腦子裡，模糊不清，但當他被迫把它們寫成問題的一部分時，思考就被逼著變得更精確。而 AI 拿到越精確的輸入，就越能給出越精確的輸出。這形成一個正向循環：問得越清楚，答案越好；答案越好，你越知道下一個問題該問什麼。

反過來說，如果你只會問「幫我寫一篇文案」，然後拿到一份誰都能寫的通用文案，你其實不能怪工具。你只是把自己當成一個「下指令的機器」，而不是一個「定義問題的人」。而市場上願意付高薪的，從來不是下指令的人。

提問力背後的三種能力：拆解、脈絡、判斷

如果我們把「會問問題」拆開來看，它其實由三種能力疊加而成，缺一不可。

第一是拆解能力。一個模糊的大問題，例如「我們的客戶流失率太高，怎麼辦」，沒有辦法直接丟給 AI。你必須先拆成：流失發生在什麼階段？是新客還是舊客？流失前的最後一個行為是什麼？競品有沒有同時期的類似現象？拆解的本質，是把一個無法回答的問題，轉換成一系列可以回答的小問題。這件事 AI 可以協助，但主導權必須在你手上，因為只有你知道你的業務長什麼樣子。

第二是脈絡能力。同一個問題，放在不同的產業、不同的組織文化、不同的時間點，答案可能完全相反。AI 沒有你的脈絡，它只有網路上的平均值。你必須把「我們公司上個月剛裁員，士氣很低」、「這個客戶是我們最大的營收來源，不能冒險」、「法規在明年第一季會改」這類關鍵脈絡餵給它，它才可能給出對你有用的答案。會問問題的人，本質上是很會「補充背景」的人。

第三是判斷能力。AI 給出答案之後，你要能判斷這個答案好不好、對不對、能不能用。判斷的依據不是「看起來順不順眼」，而是你有沒有能力檢驗它。這也是為什麼，真正會用 AI 的人，往往是在某個領域有扎實基本功的人。你不懂財務，你判斷不出 AI 給的財務模型哪裡有問題；你不懂法律，你看不出那份合約的漏洞。AI 可以幫你跑得更快，但它不會幫你知道自己有沒有跑錯方向。

提問力不是一種說話技巧，而是一種思考紀律。你問出來的問題有多精確，就代表你對這件事想得有多清楚。

三、會問問題的人，在組織裡到底在做什麼？

講到這裡，可能還是很抽象。我們換個角度，直接看「會問問題的人」在真實工作場景裡，每天實際在做哪些事。這有助於你判斷自己目前的位置，也有助於你在面試或內部轉調時，知道該強調哪些能力。

把模糊需求轉譯成可驗證的假設

任何一個專案最危險的時刻，都是剛開始的時候。老闆說「我們要做一個 AI 客服」，這句話裡面藏了至少二十個未定義的東西：服務哪些客群？處理哪些類型的問題？遇到無法回答時怎麼轉真人？成功標準是降低人力成本還是提升滿意度？上線時程？預算？法規限制？

不會問問題的人，會直接開始做。他會打開工具、串接 API、架一個聊天機器人，然後在兩週後拿著成果去報告，被老闆一句「這不是我要的」打回。會問問題的人，會先花半天到一天，把這些模糊地帶一條一條問清楚，甚至把問題寫成一份「需求假設清單」，註明哪些是已確認、哪些是待驗證、哪些是風險項。

這份清單本身就是極高價值的產出。因為它讓整個團隊在動手之前，先對「我們到底在解決什麼問題」達成共識。而共識，是專案成本最低的保險。

用追問逼近真正的問題

另一個場景是這樣的：使用者反映「這個功能很難用」。不會問問題的人，會直接去改介面；會問問題的人，會追問：你上次用是什麼時候？當時你想完成什麼事？你卡在哪一步？你後來怎麼解決的？你身邊的同事也覺得難用嗎？

追問的價值在於，人們描述的通常是「症狀」，而不是「病因」。使用者說「難用」，可能真正的原因是流程太長、可能是找不到入口、可能是名詞看不懂、也可能只是那次系統當機。如果你不追問，你就會對著錯誤的問題，做一次完美的優化。

AI 在這個環節可以扮演很好的輔助角色。你可以把訪談逐字稿丟給 AI，請它整理出「使用者反覆提到的痛點」、「情緒最強烈的段落」、「與我們假設不符的地方」。但追問的動作本身，還是得由人來做，因為追問需要即時判斷、需要讀空氣、需要知道什麼時候該停。

四、培養提問力的具體路徑

提問力聽起來很軟，但它其實是可以被系統性訓練的。以下分成個人層面與團隊層面，提供一些具體可執行的做法。

個人層面的日常訓練

練習一：問題改寫。每天挑一個你工作上遇到的問題，先照原本的方式寫下來，然後強迫自己改寫三次。第一次加上具體對象，第二次加上限制條件，第三次加上成功標準。例如「我要提升網站流量」→「我要提升官網自然搜尋流量」→「我要在三個月內讓官網自然搜尋流量成長兩成」→「我要在三個月內讓官網自然搜尋流量成長兩成，且不增加內容預算」。改寫到第三次，你會發現原本那個問題根本無法執行。

練習二：反面提問。每次你準備下一個重要判斷之前，先問自己：「如果我這個判斷是錯的，最可能是錯在哪裡？」這個動作可以有效對抗確認偏誤，也是使用 AI 時最重要的防呆機制。因為 AI 很擅長順著你的話講，你必須主動邀請它跟你唱反調。

練習三：追問三層。聽到任何結論，練習問三次「為什麼」。第一次通常得到表層原因，第二次得到流程原因，第三次才可能碰到結構性原因。這個練習的重點不是變成一個煩人的人，而是訓練自己對「表面答案」保持警覺。

練習四：答案驗證。每次使用 AI 產出內容後，強迫自己列出三個檢查點：這個答案的事實依據是什麼？有沒有反例？如果我照著做，最壞的結果是什麼？這個習慣會讓你從「AI 的使用者」升級成「AI 的把關者」。

團隊與組織層面的做法

提問力如果只是個人修養，影響有限；如果能變成一種團隊習慣，效果會放大很多。實務上有幾個做法值得參考。

第一，在專案啟動會議上，把「問題定義」變成一張正式的表單，而不是口頭帶過。表單上至少要有：我們要解決的問題、不解決會怎樣、成功長什麼樣子、明確不做的範圍、目前最大的未知。這張表單填不出來，就代表還不該開工。

第二，建立「提問記錄」。把每次重要的決策，連同當時問了哪些問題、得到哪些答案，一起記錄下來。三個月後回頭看，你會很清楚哪些問題問對了、哪些假設錯了。這是組織層級的提問力複利。

第三，在績效考核裡，除了看「完成了什麼」，也看「問出了什麼」。這聽起來很抽象，但可以具體化成：這個人是否在專案早期發現了關鍵風險？是否提出了讓團隊改變方向的問題？是否在覆盤時指出了大家忽略的假設？這些都是可觀察的行為。

五、那 AI 工程師會被淘汰嗎？重新理解「技術職」

講到這裡，一定要處理一個很常見的誤解：這篇文章是不是在說工程師沒用了？當然不是。正確的說法是：技術能力依然是門檻，但它已經從「決勝項」變成「入場券」。

打個比方。二十年前，會用 Excel 是一件很厲害的事；今天，會用 Excel 是所有辦公室工作的基本要求，不會用的人直接被排除在某些職位之外。但它不再能讓你在職場上脫穎而出，除非你用它做出別人做不出的分析。程式能力正在經歷同樣的過程。它不會消失，但它會下沉，變成一個基礎設施等級的能力。

在這樣的結構下，技術職的價值會往兩端移動。一端是極深的技術專家，負責處理 AI 目前還處理不好的底層問題，例如系統架構、效能瓶頸、資安、模型推論成本優化。這些工作需要對機器的運作有非常細緻的理解，短期內不容易被取代。另一端，則是能夠把技術能力與領域知識、問題定義能力結合起來的人，也就是我們一直在談的「會問對問題的人」。

相對危險的，是中間那一層：只會照規格實作、不參與問題定義、不思考使用者情境、不驗證產出品質的人。因為這正是 AI 目前最擅長、成本最低的工作。這不是道德判斷，而是市場機制。當某項能力的供給因為工具普及而暴增，它的價格就會下跌。

所以真正的職涯策略，不是「要不要學 AI」，而是「我要把 AI 當成什麼」。把它當成一個更快的打字機，你的價值就是打字速度；把它當成一個能力很強但需要被指導的實習生，你的價值就是指導它的能力；把它當成一個可以陪你思考的對手，你的價值就是你能問出多好的問題。

六、給不同角色的行動建議

不同位置的人，切入點不一樣。以下針對幾種常見角色，提供比較具體的建議。

學生與轉職者：先練思考，再練工具

如果你還在學，或正準備轉職，最容易犯的錯是「只學工具」。工具的迭代速度遠快於課程的更新速度，你今天學的某個框架，兩年後可能已經不是主流。但你今天練出來的拆解問題、定義需求、驗證答案的能力，十年後依然有用。

具體做法是：不要只做「照著教學做一遍」的專案，要做「從需求定義開始」的專案。找一個你真實關心的問題，例如「我們系上的選課資訊很亂」，然後完整走一遍：定義問題、訪談使用者、列出假設、設計解法、用 AI 輔助實作、驗證效果、覆盤。這個過程會逼你把提問力練起來，而且它會變成你履歷上最有說服力的素材，因為它證明你能獨立定義問題，而不只是執行指令。

另外，養成一個習慣：每次用 AI 得到答案後，寫下「我原本以為是什麼」、「AI 說是什麼」、「差異在哪」、「我最後相信哪一個、為什麼」。這個紀錄會在半年內讓你對自己的判斷力有非常清楚的認識。

在職工作者與管理者：把提問力變成流程

如果你已經在職場上，最好的切入點不是去上課，而是從你手上正在做的事開始。挑一件你本週要做的任務，在動手之前，先花十五分鐘寫下：這個任務要解決的問題是什麼？誰會受益？成功的標準是什麼？我目前最大的未知是什麼？如果這件事做錯，最可能是錯在哪？

對管理者來說，更重要的是把這個習慣制度化。你可以從下次會議開始，要求每個提案者先用三句話講清楚「問題是什麼、為什麼現在做、怎麼知道做對了」。這不是刁難，而是幫團隊省下大量「做錯方向」的成本。

同時，管理者要小心一個陷阱：不要因為 AI 讓產出變快，就誤以為可以跳過思考。很多團隊在導入 AI 之後，產出量暴增，但問題定義的品質沒有提升，結果只是更快地產出一堆沒人用的東西。真正該投資的，是團隊的提問品質，而不是工具數量。

最後，給所有角色一個共同的建議：把「問問題」從一件私下做的事，變成一種公開的習慣。在會議上問、在文件裡問、在覆盤時問。當你開始公開提問，你會發現組織裡其實有很多人有一樣的疑惑，只是沒人開口。而那個願意開口、並且問得精準的人，往往就會成為大家默默依賴的對象。

七、結語：稀缺的不是答案，是問題

我們正在經歷一個很奇特的時代。人類歷史上第一次，取得「答案」的成本低到幾乎可以忽略。你問什麼，機器幾乎都能給你一個看起來很有道理的回應。在這樣的環境裡，答案本身不再稀缺，稀缺的是「值得被回答的問題」。

所以，未來職業的核心不會是「誰最會操作 AI」，而是「誰最知道該問 AI 什麼」。前者是操作員，後者是定義者。操作員會被更便宜的工具取代，定義者則會因為工具變強而變得更重要，因為工具越強，錯誤的方向造成的浪費就越大，而能夠在看清楚方向之後才動手的人，價值就越高。

這也意味著，我們對「專業」的想像需要調整。過去的專業，很大程度建立在「知道答案」；未來的專業，會更多建立在「知道該問什麼問題」與「知道該相信哪個答案」。這兩件事，都需要扎實的領域知識、清醒的思考紀律，以及願意承認自己不知道的誠實。

如果你問我，現在最值得投資的能力是什麼，我會說：找一個你真在乎的領域，把它的問題問到非常深。深到 AI 給你的答案，你一眼就能看出哪裡不對。到那個時候，你就不會再焦慮自己會不會被取代了，因為你會很清楚，工具再強，也需要一個知道要往哪裡走的人。

而那個人，可以是任何背景的人。這也是這篇文章最想說的一句話：未來職業的門檻，不在你的科系，不在你會幾種程式語言，而在你願不願意停下來，把問題想清楚。

```

🏠 返回首頁