麥肯錫 2025 年報告說 30% 工作會被 AI 改寫,但沒說的是這 30% 在哪
1.2 「改寫」與「取代」之間,隔著一條採用曲線
很多人把「暴露度高」直接等同於「會被取代」,這是最大的誤讀。歷史上每一次技術革命的經驗都是:技術能力到位之後,真正決定就業衝擊的不是技術,而是採用速度。
採用速度取決於三件事。第一是錯誤成本:出錯要付多少代價?會計分錄算錯可以重算,但手術台上的判斷錯誤不能重來,這就是為什麼醫療領域的 AI 應用會先落在影像初篩、病歷摘要、衛教問答,而不是主刀決策。第二是責任歸屬:出了事誰負責?如果 AI 建議的投資組合虧損,是理專負責、是銀行負責、還是模型供應商負責?在責任鏈條沒有被法律與契約重新定義之前,很多高暴露任務會被人為地「保留在人手上」。第三是組織摩擦:流程要改、系統要接、主管要重新學怎麼管、員工要重新學怎麼用,這些都是成本。
換句話說,報告告訴你「哪些任務技術上可以被改寫」,市場決定「哪些任務實際上會被改寫」,而你的職涯取決於「你站在這兩者之間的哪一側」。
1.3 三個經常被忽略的前提假設
任何模型都有假設,而假設往往就是結論的來源。閱讀這一類報告時,至少有三個假設值得你放在心上:
第一,它假設企業會理性地重新設計流程。但現實中大量企業只是「把 AI 塞進舊流程」,結果效率提升有限,反而多了一層校對與覆核的工作。真正的效益來自流程重設,而流程重設是最慢的一環。
第二,它假設技能可以順利移轉。報告的隱含邏輯是「被釋放出來的時間會轉去做更高價值的事」,但「更高價值的事」需要不同的能力,而能力養成有時間差。這個時間差,就是很多人在轉型期感到焦慮的真正來源。
第三,它假設「工作總量」是固定的。這是經濟學上長年被爭論的「勞動總量謬誤」。歷史上,技術提升生產力之後,往往同時創造出新的需求與新的職種,只是新職種出現的位置,跟舊職種消失的位置不一定在同一个地方、同一個產業、同一個國家。
把這三個假設放在心裡,你就不會再把「30%」當成一個判決書,而會把它當成一張需要自己填上座標的地圖。
二、那 30% 藏在哪裡:從「職業」拆到「任務」
好,現在進入正題。如果我們不接受「某某職業會消失」這種粗糙的說法,那就得換一個觀察單位。最有效的觀察單位不是職業,是任務。
2.1 職業是一組任務的集合,不是一個整體
任何一個職稱,背後都是一籃子任務。以「行銷專員」為例,他一天可能在做的包括:寫社群貼文、整理競品資料、跟設計師來回溝通、開會、看數據報表、想活動企畫、對接外部廠商、處理請款單。這八件事的「AI 暴露度」天差地遠。
寫社群貼文:高度暴露。整理競品資料:極高度暴露。看數據報表並產出洞察:中度偏高(工具做得出來,但要問對問題)。跟設計師來回溝通:低度暴露(涉及審美判斷與人際協調)。開會:低度暴露(決策與政治)。想活動企畫:中度(AI 能給 50 個點子,但選哪一個要靠人)。對接外部廠商:低度暴露。處理請款單:高暴露(但通常會有系統權限與內控問題)。
你看,同一個職稱,暴露度可以從 10% 到 90%。這就解釋了為什麼「用職稱預測失業」幾乎一定會失準:被改寫的從來不是職稱,而是職稱底下那幾件特定的動作。
而這些動作有一個共同特徵:輸入與輸出的關係可以被清楚描述、成果好壞可以被快速驗證、而且錯誤的代價相對可控。 只要符合這三點,它就會被優先改寫。這不是因為 AI 特別聰明,而是因為這三點讓「訓練、評估、部署」變得便宜。
2.2 高暴露任務的五種型態
把大量案例歸納之後,高暴露的任務大致可以分成五種型態。你可以拿這五種型態去掃描自己的工作內容:
如果你每天的工作有超過一半的時間落在這五類,那你確實站在那 30% 裡面。但注意——站在裡面不等於會被淘汰,只等於你的工作方式會被迫改變。
2.3 低暴露任務的四種保護層
反過來說,有四種「保護層」會讓任務的實際改寫速度大幅低於技術潛力。這四層保護,是你在規劃職涯時最應該往裡面靠的地方:
第一層:物理世界。 任何需要動手、到現場、操作實體設備、處理不可預測環境的任務,都受到物理世界的保護。水電、冷鏈、長照、餐飲現場、設備維修,這些工作的自動化不是不可能,但成本結構完全不同——你需要的是機器人,不是一個 API。
第二層:責任歸屬。 需要有人簽名、蓋章、掛保證、扛責任的任務,保護力極強。醫師要簽病歷、會計師要簽財報、律師要出具法律意見、工程師要簽結構計算書。AI 可以幫你做完 90% 的準備工作,但最後那 10% 的「簽名」,短期內仍然需要一個有執照、有法律責任、可以被究責的人。
第三層:關係信任。 需要長期累積的信任、需要讀空氣、需要處理情緒、需要在衝突中協商、需要在資訊不完全的情況下說服別人的任務。業務拜訪、危機處理、勞資協商、談判、心理諮商、跨部門政治協調,都屬於這一類。這一層的重點不是「AI 做不到」,而是「對方不接受由 AI 來做」。
第四層:法規門檻。 有些領域被法規、行業規範、內控要求明文保護。金融業的 KYC、醫療個資、政府採購、上市櫃公司的內稽內控,這些規範會讓人機協作的比例被強制設定在某個上限。
把這四層保護層跟前面的五種高暴露型態疊在一起看,你就會得到一張粗略的「任務地圖」:落在五種型態裡、又不在四層保護之內的任務,就是那 30% 的核心地帶。
2.4 一個華語市場的在地觀察
把鏡頭拉回台灣與華語市場,有幾件事會讓這張地圖長得跟歐美報告不太一樣。
第一,中小企業占比極高。中小企業的流程往往沒有被文件化,很多「知識」存在老闆與資深員工的腦袋裡。這意味著 AI 導入的第一道門檻不是技術,而是「先把流程寫下來」。這件事本身就創造了大量的顧問與內部流程設計需求。
第二,服務業與製造業並重。半導體、精密機械的現場工作有極強的物理保護層,但這些產業的「中後台」——採購、品保文件、客戶規格書、法規認證——暴露度極高。這會造成一個有趣的現象:同一個公司裡,產線很安全,但辦公室的中段班很緊張。
第三,語言與資料的落差。繁體中文的語料量、本地法規的複雜度、本地慣用語的差異,會讓某些 AI 應用的實際表現低於英文世界,這在短期內反而形成了一層「效能保護層」。但這層保護正在變薄,不要把職涯押在上面。
三、五個正在被改寫的職場現場
接下來我們把抽象的地圖,換成五個具體的現場。這五個現場不是「預測」,而是已經在發生的事。你可以對照看看自己離哪一個最近。
3.1 文字與資訊處理:最前線,也最快被習慣化
這是目前改寫程度最深、也最容易被低估的一塊。因為它太日常了,日常到很多人不覺得那是「一份工作」。
具體被改寫的任務包括:會議記錄與摘要、Email 草擬與回覆、文件翻譯與潤稿、合約條文比對、研究資料彙整、競品情報整理、報告初稿撰寫、簡報大綱生成、客服信件分類、知識庫問答。
這裡的關鍵變化不是「人不用寫了」,而是「寫」這個動作的成本結構被徹底改變。以前寫一份 20 頁的市場分析,前置作業可能佔掉 70% 的時間;現在前置作業可能只要 20%,時間全部被壓到「判斷哪些資料可信、哪些結論站得住腳、怎麼講給老闆聽」這幾件事上。
這帶來一個很實際的職場現象:「會用 AI 的中階文書人員」與「不會用的中階文書人員」,產出速度差距可以到三到五倍。 這個差距在景氣好的時候不明顯,在組織要精簡的時候會非常明顯。這也是為什麼很多企業在 2024 到 2025 年間,並沒有大規模裁員,但「遇缺不補」的比例明顯上升。
3.2 客服與銷售前線:分層正在發生
客服是被討論最多的領域,但也是最容易被簡化討論的領域。真實發生的不是「客服被 AI 取代」,而是客服被切成三層。
第一層是「標準問題」:訂單查詢、退換貨流程、帳單說明、常見故障排除、營業時間。這一層大量轉向自助服務與 AI 對話,人力需求明顯下降。
第二層是「複雜問題」:跨部門的異常處理、需要判斷例外的個案、涉及金額或法律責任的爭議。這一層的人力需求不減反增,因為第一層被自動化之後,留下來的都是難題。
第三層是「情緒與關係」:客訴安撫、VIP 維護、危機處理、需要同理與談判的場景。這一層幾乎不受影響,甚至因為前面的自動化而變得更重要——因為客戶打到真人時,通常是已經很不開心了。
銷售端也有類似的分層。名單開發、初步需求訪談、產品資料整理、報價單生成、跟進信件,這些被大幅改寫;但「建立信任、讀懂辦公室政治、在預算被砍的時候想辦法保住案子」這些事,反而更值錢。
3.3 軟體開發與測試:初階任務被壓縮,判斷力被放大
軟體業是最早大規模採用生成式 AI 的產業之一。被改寫最明顯的任務是:樣板程式碼生成、單元測試撰寫、錯誤訊息解釋、API 文件查詢、程式碼註解、簡單的重構、正規表達式、SQL 查詢、CI/CD 腳本。
這造成一個值得注意的結構變化:「寫程式」的入門門檻下降了,但「判斷這段程式碼能不能上線」的門檻上升了。 因為 AI 產出的程式碼看起來都很合理,錯誤通常藏在邊界條件、資安漏洞、效能陷阱與商業邏輯的縫隙裡。這些地方需要有經驗的人來看。
所以軟體業的變化不是「不需要工程師」,而是「初階工程師的養成路徑被打斷」。以前初階工程師靠大量寫重複的程式碼來累積判斷力,現在這一段被 AI 接手了,那判斷力要從哪裡長出來?這是目前很多技術主管頭痛的問題,也是新人求職者最真實的困境。
3.4 金融、法務與人資的中後台:最安靜但最劇烈
這三個領域的共同點是:大量文件、大量規則、大量比對、大量紀錄。而這些正是 AI 最擅長的。
金融業被改寫的任務:財報摘要、法規遵循檢查、KYC 資料整理、徵信報告初稿、投資研究摘要、客服對話紀錄分析、異常交易初篩。但因為金融業受到高度監理,人機協作的比例會被內控規範強制限制,所以表現出來的形式是「同一個職位要處理的案量變多」,而不是「職位消失」。
法務被改寫的任務:合約條文比對、判例檢索、盡職調查資料整理、法律文件初稿、契約風險標註。但「出法律意見、上談判桌、承擔執業責任」沒有被改寫。
人資被改寫的任務:履歷初篩、面試問題生成、員工手冊問答、訓練教材初稿、薪酬資料整理、離職面談紀錄分析。但「判斷這個人適不適合這個團隊」這件事,仍然高度依賴人。
這三個領域的共同訊號是:中後台的「處理量」被放大,「判斷量」被集中。 組織會需要更少的人來處理文件,但需要更強的人來做判斷。中間那一層——只會照流程處理文件、還沒有能力做判斷的人——被壓縮得最厲害。
3.5 醫療、教育與顧問的「知識整理層」
這三個領域有一個共同特徵:專業價值高、但工作時間有大量比例花在「整理知識」而不是「運用知識」。
醫療:病歷摘要、文獻回顧、衛教素材撰寫、影像初篩、掛號與行政流程。醫師真正被改寫的不是診斷,而是「看診前後的文書工作」。
教育:教材初稿、題庫生成、批改輔助、學習歷程整理、家長溝通信件。教師真正被改寫的不是班級經營與陪伴,而是備課與行政。
顧問:產業研究、訪談紀錄整理、簡報初稿、標竿分析。顧問真正被改寫的不是「跟客戶一起定義問題」,而是「把已知的東西整理成可交付的格式」。
這三個領域的訊號非常一致:被改寫的是「知識整理層」,被保護的是「關係與責任層」。 而知識整理層通常佔據一個專業工作者 40% 到 60% 的時間。這也解釋了為什麼很多專業人士用了 AI 之後,第一個感受不是「我要失業了」,而是「我終於有時間做我原本該做的事」。
四、五個常見誤判:看起來危險的其實安全,看起來安全的其實危險
在討論「30% 在哪」的時候,最常出現的不是資訊不足,而是判斷方向錯誤。以下五個誤判,是我在輔導與諮詢時最常遇到的。
4.1 「學歷越高、薪水越高越安全」
這是最普遍、也最危險的誤判。事實是:高學歷的工作,往往有更高比例的「知識處理型任務」,而這正是 AI 的主場。
一個律師助理與一個水電師傅,誰的暴露度高?答案很可能是律師助理。一個行銷企畫與一個麵包師傅,誰的暴露度高?答案也很可能是行銷企畫。這不是說專業訓練沒有價值,而是說「專業訓練」的價值必須體現在判斷、責任與關係上,而不是體現在「能快速產出格式正確的文件」上。
如果你的專業價值有很大一部分來自「我知道去哪裡找資料、我知道格式怎麼寫、我打得比別人快」,那這部分的價值正在快速歸零。
4.2 「需要同理心的工作不會被取代」
這句話只對了一半。需要同理心的工作「不容易被完全取代」,但其中的行政與紀錄成分會被大量改寫。
以心理諮商為例,同理與關係當然不會被取代,但會談紀錄、個案摘要、初談表單整理、資源轉介資訊查詢,這些都高度可自動化。以長照為例,陪伴與照護不會被取代,但排班、紀錄、家屬溝通訊息、衛教說明,都會被改寫。
所以正確的說法是:「同理心」保護的是工作的核心,不是工作的全部。 如果你把 60% 的時間花在紀錄與行政,那你有一半以上的職涯風險,跟你的同理心無關。
4.3 「創意工作最安全」
這個說法在 2023 年被徹底打臉,但至今仍有人相信。事實是:「創意」可以分成兩種,一種是「產生選項」,一種是「做出選擇」。
產生選項——寫 50 個標語、畫 20 張草圖、想 10 個活動方案——這件事的邊際成本已經趨近於零。做出選擇——判斷哪一個選項符合品牌調性、能通過法務、能打動這個特定的客戶、在預算內做得到——這件事仍然高度依賴人。
所以設計師、文案、企畫的真正風險,不在於「AI 會畫圖」,而在於客戶或老闆發現「原來選項可以免費產生」,於是他們開始自己產生選項,只把最後的執行外包。 這會壓縮整個產業的中間層。
4.4 「藍領工作最危險」或「藍領工作最安全」
這兩個極端說法都不準確。藍領工作的暴露度取決於「環境的可預測性」。
在高度標準化、環境可控的產線,自動化早就開始了,而且用的是傳統機器人而不是生成式 AI。在環境不可預測、需要現場判斷的場景(維修、安裝、長照、餐飲現場、物流最後一哩),保護層非常厚。真正會被改寫的,是藍領工作中的「文書與協調層」——工單填寫、排程協調、品質紀錄、客戶溝通、報價估算。這些任務過去被認為是「師傅的附加工作」,現在反而成為最容易被工具接手的一塊。
4.5 「只要學會用 AI 就安全了」
這可能是最需要被導正的一個想法。會用工具是門檻,不是護城河。當一個工具變成「大家都會用」,它就不再是差異化來源,而是基本配備。
真正的護城河是三件事的組合:對某個領域的深度理解(知道什麼是好、什麼是錯)、對結果負責的能力(敢簽名、敢扛責)、以及與人協作與建立信任的能力(別人願意聽你的)。 AI 只是把你的這三件事放大,它不會替你長出這三件事。
五、個人實戰:三個月內定位自己的暴露度
講完趨勢,接下來要講「怎麼做」。這一節提供一套可以自己跑一遍的方法,不需要任何顧問,一張表、三個問題、一份學習清單就好。
5.1 任務盤點法:把職稱拆成動作
第一步,拿出你過去兩週的行事曆與待辦清單,把你實際做過的事,拆成「動詞 + 產出物」的形式,越細越好。例如不要寫「處理客戶問題」,要寫「回覆客戶 Email(每天約 15 封)」、「整理客訴紀錄成週報」、「跟工程師確認問題重現步驟」。
第二步,對每一個任務打三個分數(1 到 5 分):
錯誤代價:這件事做錯,代價有多高?分數越高,越不容易被放手。
第三步,把「可描述性高 + 可驗證性高 + 錯誤代價低」的任務圈起來,這些就是你的高暴露區。把「錯誤代價高」或「需要現場/需要關係」的任務圈起來,這些是你的護城河區。
第四步,算比例。如果你的高暴露區佔了你 60% 以上的工時,那你需要開始規劃轉型,不是明天就要辭職,而是要開始有意識地把工時從高暴露區挪到護城河區。
5.2 三個自問:判斷你的位置
盤點完之後,問自己三個問題。這三個問題比任何報告都更能反映你的真實處境。
第一問:如果我的產出速度突然變成三倍,我的工作會發生什麼事? 如果答案是「我會被要求做三倍的事,但薪水不變」,那你的價值仍然綁在「產量」上,這是危險的。如果答案是「我終於有時間去做那些一直沒時間做的判斷與關係工作」,那你的位置相對安全。如果答案是「那我就沒事做了」,那你非常危險。
第二問:我的工作裡,有沒有一件事是「只有我能做」的? 注意,不是「只有我會做」,而是「只有我能做」——因為我了解這個客戶的歷史、因為我扛得起這個責任、因為這個團隊信任我。如果你的答案是「沒有」,那你的職位在組織精簡時會非常脆弱。
第三問:我最近一次「因為判斷錯誤而被糾正」是什麼時候? 如果答案是「想不起來」,那可能代表你做的都是低風險、低判斷的工作。判斷力是練出來的,而練習判斷的前提是你有機會做判斷、也有機會犯錯。如果你的工作已經被流程化到沒有判斷空間,那你要擔心的不是 AI,是這份工作本身的成長性。
5.3 學習投資的優先順序
如果你決定要投資自己,我建議的優先順序是這樣:
第一優先:把 AI 工具用到「比同事熟練一個檔次」。 這不是要你成為工程師,而是你要知道在你自己的領域裡,哪些任務可以丟給 AI、怎麼下指令、怎麼驗證產出、怎麼把 AI 接進你現有的工作流程。這件事的投入產出比最高,而且見效最快。
第二優先:往「責任」靠攏。 去考那張執照、去接那個要簽名的專案、去當那個要對客戶承諾的人。責任是短期內最難被自動化的東西,因為它涉及法律與組織的問責結構。
第三優先:往「關係」靠攏。 去接觸客戶、去談判、去處理衝突、去建立長期的信任。這些能力在 AI 時代會變得更稀缺,因為大家都把時間省下來了,願意花時間在人身上的反而變少。
第四優先:往「跨領域」靠攏。 單一領域的知識處理正在被壓縮,但「懂醫療又懂資料」、「懂法律又懂產品」、「懂現場又懂流程設計」的組合仍然稀缺。跨領域的價值在於「你能定義問題」,而定義問題是 AI 目前最弱的一環。
六、組織層面:把 30% 變成路線圖,而不是恐慌
如果你是主管或經營者,這一節是給你的。因為那 30% 在組織裡會以完全不同的形式出現——不是裁員,而是「工作重新分配後,沒有人被明確告知」。
6.1 先拆解工作,再談工具
多數企業導入 AI 的順序是錯的:先買工具,再想辦法塞進流程。正確的順序應該反過來:先拆解工作,找出高暴露任務,再決定要用工具、要用流程重設、還是要用外包。
具體做法是:針對每一個關鍵職位,列出它的任務清單,標註暴露度與錯誤代價,然後問三個問題。第一,這個任務還需要存在嗎?第二,如果需要,它應該由人做、由 AI 做、還是由人機協作?第三,如果由人機協作,比例是多少、誰負責最後的覆核?
這份拆解表,就是你們公司的「30% 地圖」。沒有這張表,所有的 AI 導入都會變成「感覺有在用但說不出效益」。
6.2 設計人機協作的比例,而不是追求全自動
很多專案失敗,是因為一開始就設定「全自動」為目標,結果在錯誤率、責任歸屬與例外處理上卡死。務實的做法是設計「比例」:
例如客服,AI 處理 60% 的標準問題,人工處理 30% 的複雜問題,10% 的高風險或高價值案件由資深人員處理並全程留紀錄。例如法務,AI 完成 80% 的條文比對與初步標註,律師做 20% 的判斷與簽署。例如軟體開發,AI 產出程式碼與測試,工程師負責架構決策與上線審查。
設計比例的好處是:你可以明確知道「人的價值在哪裡」,也可以明確知道「要訓練什麼能力」。全自動的目標會讓組織陷入技術迷思,而比例設計會讓組織回到經營本質。
6.3 治理與責任:先想清楚「出事怎麼辦」
這是最容易被忽略、但最致命的一環。當 AI 參與決策,責任鏈條會變長:模型供應商、資料來源、導入顧問、使用部門、覆核人員。出事的時候,客戶不會問「是哪個模型回答的」,客戶會問「你們公司誰負責」。
所以在導入之前,至少要定義三件事:哪些任務 AI 可以獨立完成、哪些必須有人覆核、哪些完全禁止使用 AI。以及,覆核的紀錄要留多久、由誰抽查、發現錯誤之後的處理流程是什麼。
這些事情聽起來很行政,但它們決定了你的 AI 導入能不能規模化。因為沒有治理,就沒有信任;沒有信任,人機協作就永遠停在試辦階段。
七、結論:30% 不是判決書,是一張需要你自己填座標的地圖
回到最初的問題:「麥肯錫說 30% 工作會被 AI 改寫,但沒說的是這 30% 在哪。」
現在我們知道,那 30% 不是一個平均分佈的數字。它分佈在特定的任務型態裡——文字密集、規則密集、跨系統搬運、初階判斷、多模態生成;它被特定的保護層擋住——物理世界、責任歸屬、關係信任、法規門檻;它在不同的產業與職位裡,以完全不同的速度與形式出現;而它最後會不會真的改變你的職涯,取決於你的組織怎麼設計流程、以及你自己怎麼重新配置時間。
所以,與其問「我會不會被取代」,不如問一個更精確的問題:「我每天花最多時間的那三件事,落在這張地圖的哪一格?」
如果它們落在高暴露區,而且你沒有任何護城河,那你需要的不是焦慮,是行動計畫——用三到六個月的時間,把工時的比例往護城河區挪。這不需要離職、不需要重讀一個學位,通常只需要你在現有的工作裡,主動去接那些「要判斷、要負責、要跟人建立關係」的任務。
如果它們落在護城河區,那你需要的不是安心,是槓桿——想辦法用 AI 把那些高暴露的雜事自動化,讓自己有更多時間待在護城河區,並且把這個能力變成你在組織裡的差異化。
最後提醒一句:所有這類報告都有一個共同的盲點——它們測量的是「現有工作的改寫程度」,而不是「未來會出現什麼新工作」。歷史上,每一次生產力革命最後創造的工作,都比它消滅的多;但那些新工作,通常不在原本的地圖上。
所以,這張地圖不是用來預測你的命運,是用來幫你決定下一步往哪裡走。30% 不是判決書,是一張需要你自己填上座標的地圖。
常見問題(FAQ)
Q1:所以那 30% 到底是「工作機會」還是「工作任務」?
多數這類研究的計算單位是「工作活動(work activities)」,也就是任務。把它理解成「三成的工作內容會被顯著改變」會比「三成的人會失業」精確得多。兩者在數量級上差非常多。
Q2:我的行業沒有被點名,是不是就安全?
不是。報告通常只點名變動最明顯的行業,但任務層級的變化是跨行業的。會計、人資、行銷、業務、行政、法務、醫療、教育,都有各自的高暴露任務。判斷標準應該是「你的任務型態」,而不是「你的行業名稱」。
Q3:如果我的工作有 70% 都是高暴露任務,我該立刻轉職嗎?
不建議衝動轉職。比較務實的做法是:先在同一個組織裡,主動爭取那些需要判斷、需要對外溝通、需要負責的任務;同時把 AI 工具用熟,讓自己成為「能把雜事自動化的人」。通常六到十二個月,你的工作結構就會明顯改變,而這個改變會直接反映在你的市場價值上。
Q4:要學程式嗎?
端看你的領域。如果你的領域需要處理資料、需要自動化流程、需要跟工程團隊溝通,那學會基本的程式邏輯與資料處理能力,投資報酬率很高。但如果你只是為了「怕被取代」而去學寫程式,而你原本的專業其實有很強的護城河,那可能把同樣的時間拿去深化領域判斷會更有效。
Q5:這波跟之前的自動化有什麼不同?
最大的不同是「範圍」。過去的自動化主要處理結構化、重複性、規則明確的任務;生成式 AI 把範圍推進到非結構化資料——文字、圖片、語音。這讓很多「辦公室白領的初階任務」第一次被納入自動化的射程,這也是為什麼這一波的焦慮感特別集中在白領階層。
Q6:企業應該從哪裡開始?
從「一份任務清單」開始。挑一個關鍵職位,把它的任務拆開、標註暴露度與錯誤代價,然後決定人機比例與覆核機制。不要從買工具開始,要從拆工作開始。
寫在最後
這篇文章的立場很簡單:不要被標題嚇到,但也不要被標題安慰。
「30%」這個數字既不是世界末日,也不是行銷話術。它是一個提醒——提醒你工作是由任務組成的,而任務的價值會隨技術條件重新定價。你能做的,不是祈禱自己不在那 30% 裡面,而是持續把自己的時間,從「容易被定價」的任務,搬到「難以被定價」的任務上。
這件事,其實在 AI 出現之前,就是職涯發展的核心邏輯。AI 只是把這個邏輯的速度調快了,並且讓它變得更難迴避。
所以,如果你今天只帶走一件事,我希望是這個問題:「我明天上班的第一個小時,能不能拿來做一件 AI 做不了的事?」 如果答案是可以,那你已經在填地圖了。
```
💬 想說點什麼?
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →