那個失業的翻譯，現在幫 AI 改稿，薪水漲了三成
「我那時候的想法很單純，」他說，「我總得知道我的對手強在哪裡、弱在哪裡，才知道自己還能幹嘛。」
他沒意識到的是，這份「對照清單」，後來變成了他最重要的一份資產。
轉折點：從「翻文件」到「審機器」
去年秋天，一個以前合作過的品牌行銷主管找他，語氣有點尷尬：「我們現在用 AI 翻，速度快很多，但翻出來的東西主管看了會皺眉，改來改去還是怪。你有沒有興趣幫我們『看一下』？不用重翻，就是幫我們把關。」
阿哲接了。第一次交件，他花了四個小時審一篇兩千字的稿子，逐句標註哪裡有問題、為什麼有問題、建議改成什麼。他本來以為對方會嫌貴，結果對方回覆：「你這個比我請人重翻還有用。」
關鍵就在這裡。AI 不是翻得不好，AI 是翻得「平均」。它可以一次處理一萬字，但它不知道自己翻的是給誰看的、是放在哪個通路、品牌前一季才剛換過 slogan、這句雙關在台灣地區是幽默但在香港地區是冒犯。這些東西，機器做不了判斷，但它也不需要判斷——因為它的工作只是產生一份「夠好的草稿」。
而草稿要變成成品，中間那段路，就是人類的工作。
阿哲很快就發現，審機器翻的稿子，跟從零開始翻，是完全不同的兩種技能。從零開始翻，考驗的是語感、詞彙量、對原文的理解深度；審機器翻的稿子，考驗的是判斷力、抓錯的敏銳度、以及「知道什麼時候該動手、什麼時候該放手」的分寸感。前者像畫一張畫，後者像修一張已經畫好的畫——修得好，看不出來；修得太多，整張畫會爛掉。
他把自己那半年的觀察整理成一份檢查清單，分為「必改」、「建議改」、「不必改」三級。這份清單後來變成他接案時的標準流程，也變成他跟客戶報價時的依據。
「我賣的不是翻譯，我賣的是『我幫你決定哪些地方不能錯』。這個東西，AI 現在還給不了。」
二、AI 譯後編輯（MTPE）到底在做什麼？為什麼薪水反而漲了
MTPE 的工作流程長什麼樣
很多人一聽到「幫 AI 改稿」，第一個反應是：「那不就是校對？」其實差得遠。校對是抓錯字、改標點；MTPE 是在一份「語法正確但可能不適切」的文本上，重建它的溝通目的。
一個標準的 MTPE 流程，大致分成五個步驟：
注意到了嗎？這五步裡面，只有第二步是 AI 做的，其餘四步全是人。而這四步加起來所創造的價值，很多時候比「從零開始翻」還高，因為它同時解決了兩個問題：速度，以及責任。
速度不用解釋。責任才是關鍵——當一份 AI 生成的內容出錯，比如把合約條款翻反、把醫療指示翻錯、把品牌標語翻成另一個意思，客戶需要一個「有人可以負責」的對象。MTPE 從業者賣的，本質上就是這個「有人負責」。
漲幅從哪來：效率紅利與稀缺技能
那為什麼薪水會漲三成？說穿了有兩個來源。
第一個是效率紅利。以前阿哲翻一篇兩千字的稿子，從閱讀、查證、翻譯、潤稿到交件，大概要六到八小時。現在同樣的稿子，機器先產出草稿，他專注在「判斷與修改」，大約兩到三小時可以完成，而且品質穩定。同樣的時間，他可以接三倍的案子。就算單價降了，總收入還是上升。
第二個是稀缺技能。市面上會用 AI 翻譯工具的人很多，但「知道 AI 翻錯在哪、並且能改對」的人很少。這個落差不是靠學會幾個工具就能補上的，它需要語言底子、領域知識、以及大量的實戰經驗。供給少、需求大，價格自然往上走。
這裡有一個很容易被忽略的數字：目前多數企業導入 AI 翻譯之後，省下的不是「翻譯費」，而是「時間」。時間省下來了，但品質的缺口反而變得更明顯，因為大家產出的東西變多了，需要把關的東西也變多了。這就是為什麼 MTPE 的需求不是取代人工翻譯，而是憑空長出一個新的職位類別。
阿哲現在的收入結構大概是這樣：固定合作的品牌客戶三家，每月固定審稿量約四萬字，收入五萬左右；零散的專案與急件，收入兩萬多；再加上他開始幫兩家小公司建立「AI 翻譯品質規範」，顧問費一萬多。加起來剛好八萬出頭。
「最有趣的是，」他說，「我現在花在『翻譯』上的時間，大概只占三成。其他七成是在做溝通、定義標準、寫規範、跟客戶吵架。」他笑說這根本不是翻譯工作，是半個顧問。
三、AI 趨勢下的新職業族群：不只翻譯
內容審校、提示工程、語料整理
如果你以為這只是翻譯業的特例，那就錯了。同樣的結構正在內容產業的其他角落複製貼上。
內容審校（Content Editor / AI Editor）。現在很多媒體、電商、行銷公司都在用 AI 產文，但產出來的東西有一種很明顯的「AI 味」：句子很長、轉折很順、但沒有觀點。於是一個新的職位出現了——專門把 AI 草稿「人性化」的人。他們的工作不是重寫，而是注入具體案例、調整語氣、刪掉廢話、加上只有內行人才知道的細節。
提示工程（Prompt Engineering）。這個詞被炒得很熱，但真正的價值不在「會下指令」，而在「知道要下什麼指令」。一個好的提示工程師，本質上是把一個模糊的商業需求，拆解成 AI 聽得懂的步驟。這需要的是邏輯拆解能力與領域知識，不是背誦神奇咒語。
語料整理與品質標註。這是更底層的工作。AI 要吃資料，資料要有人清理、分類、標註、評估。這類工作聽起來很枯燥，但需求量大、進入門檻相對低，是很多人轉進 AI 產業的第一站。
AI 導入顧問。介於技術與業務之間，幫中小企業判斷「哪些環節該用 AI、哪些不該、用了之後流程怎麼改」。這種人不需要會寫程式，但需要懂產業、懂流程、懂人性。
把這四個角色放在一起看，會發現一個共同的模式：它們都不是「發明 AI」，而是「管理 AI 的產出」。而管理，恰恰是最需要人類判斷力的地方。
哪些能力正在貶值，哪些正在升值
如果你正在擔心自己的工作會不會被取代，可以先用一個簡單的座標來自我檢查：你的工作，是「產生內容」，還是「決定內容能不能用」？
正在貶值的能力，通常是「可被標準化、可被大量複製」的那一類：
纯粹的語言轉換（逐字翻譯、簡單改寫）
格式化寫作（產品描述、新聞稿雛形、社群貼文初稿）
基礎資料整理與摘要
套版式的視覺設計與素材生成
正在升值的能力，則是「需要判斷、需要負責、需要理解脈絡」的那一類：
定義標準：知道「好」是什麼樣子，並且能說出為什麼
風險識別：看得出哪裡會出錯，尤其是那種「看起來沒問題」的錯
領域知識：懂法律、懂醫療、懂品牌、懂某個產業的潛規則
溝通與說服：能讓客戶接受你的判斷，也能在團隊裡建立共識
整合能力：把 AI、工具、流程、人串成一個能運作的系統
阿哲的例子之所以有說服力，是因為他不是「學會用 AI」，而是「把自己的專業，重新定位在 AI 的弱點上」。他沒有跟機器比速度，他比的是判斷。而判斷這件事，短期內機器還追不上，因為它需要的是「在乎」——在乎這個客戶、在乎這個品牌、在乎這句話說出去會不會出事。
當然，這不代表你可以躺著不動。判斷力這種東西，是靠大量實作累積出來的，不是看幾篇文章就會。而且它有一個残酷的特性：你必須先「會做」，才有辦法「判斷別人做得對不對」。所以那些說「以後不用學基本功，會用 AI 就好」的說法，其實是危險的。基本功不是為了跟 AI 競爭，是為了讓你有能力當 AI 的老闆。
四、想搭上這班車，先練這幾種基本功
從「會翻」到「會判斷」
如果你現在正在考慮轉進 MTPE 或類似的角色，這裡有幾個具體的建議。
第一，先建立你自己的「錯誤地圖」。找十篇你以前做過的稿子，丟進 AI 重翻一次，然後逐句對照。不要只看「哪裡不一樣」，要看「哪裡不一樣而且會出事」。把這些問題分類、記錄、累積。三個月之後，你會有一份屬於你自己的檢查清單，那就是你的核心資產。
第二，選定一個領域深入。泛用的 MTPE 競爭激烈、價格破碎；但如果你專攻醫療、法律、金融、遊戲、或是某個特定品牌的語氣，你的不可取代性會高很多。因為這些領域的錯誤成本高，客戶願意付錢買安心。
第三，學會寫「修改說明」。這是很多人忽略的一步。只交稿子，客戶覺得你只是改錯字；附上說明，客戶才看得見你的判斷。說明的格式不用複雜，三欄就好：原文、機器版、我的版本＋理由。久了之後，這份說明本身就是你的作品集。
第四，把 AI 當成同事，不是對手。心態很重要。如果你一邊用 AI 一邊心裡罵它，你會一直想證明自己比它強，結果是把時間花在無謂的堅持上。反過來，如果你把它當成一個「很快但不太可靠的新人」，你的工作就變成「帶人」——這是一個你本來就熟悉得多的角色。
第五，累積你的「判斷案例」。每一次你改了一個地方、並且說得出理由，那就是一個案例。把這些案例整理起來，未來不管是面試、提案、還是寫文章，都是最好的素材。判斷力這種東西看不見，但案例看得見。
薪資談判與職涯布局
談到錢，這裡有幾個實務上的觀察。
目前 MTPE 的計價方式主要有三種：按字計價（最常見，但對擅長快速判斷的人不利）、按件計價（適合短篇、急件）、按時計價（適合顧問型、流程建置型的工作）。阿哲的做法是混合：固定客戶按字，急件按件，流程顧問按時。他說：「只做按字計價的人，會把自己困在一個天花板很低的池子裡。」
另外一個關鍵是不要只賣「修改」，要賣「標準」。修改是一次性的，標準是可以重複賣的。當你幫一個客戶建立了「這家公司的 AI 翻譯品質規範」，你就從「接案者」變成「合作夥伴」。前者隨時可以被替換，後者不行。
職涯布局上，MTPE 可以是一條路，也可以是一個跳板。往上走，可以變成內容品質主管、AI 導入顧問、或是某個產業的知識管理者；往橫向走，可以把同一套方法搬到客服、法務、醫療紀錄、遊戲本地化等領域。核心能力是一樣的：定義標準、識別風險、承擔責任。
阿哲現在正在做的事，是把他的檢查清單變成一套可以教給别人的教材。他說，與其擔心被取代，不如想辦法讓自己變成「那個制定規則的人」。規則制定者永遠比規則執行者安全，這一點在 AI 時代只會更明顯。
五、結語：AI 不是終點，而是一道篩子
回到阿哲的故事。他失業的那半年，其實什麼都沒做錯。他翻譯認真、交期準時、客戶關係也顧得不錯。他只是剛好站在一個被技術浪潮正面撞上的位置。
但他做對了一件事：他沒有把力氣花在「抵抗」，而是花在「理解」。他去研究機器強在哪、弱在哪，然後把自己的專業重新擺到那個弱點上。這不是什麼高深的策略，就是一個很樸素的問題：「在這個新環境裡，什麼東西還是別人需要的？」
AI 這波浪潮，本質上不是「取代人類」，而是「重新分配價值」。它把「產生內容」的邊際成本壓到接近零，於是價值就往兩端移動：一端是「定義要做什麼」，另一端是「確認做出來的東西能不能用」。中間那一段，也就是純粹的執行，確實在縮小。
這對很多人來說是壞消息，但對另一批人來說是好消息。好消息是：過去你需要十年才能累積到的「判斷力」，現在有機會在兩三年內被市場看見，因為需求量突然變大了，而且沒有人卡好位。
所以，如果你現在也覺得自己站在被取代的邊緣，不妨問自己三個問題：
我現在做的事情裡，哪一部分是「產生」，哪一部分是「判斷」？
如果把「產生」全部交給 AI，我剩下的「判斷」值多少錢？
我要怎麼讓別人看見這個「判斷」的價值？
阿哲的答案是：他把判斷變成清單，把清單變成流程，把流程變成可以收費的服務。聽起來很簡單，但中間隔著半年的失業、无数次的自我懷疑、還有那些「我是不是該轉行」的深夜。
他跟我說的最後一句話，我覺得很適合放在這裡當結尾：「AI 沒有搶走我的工作，它只是逼我重新回答一次『我到底會什麼』。回答完之後，我發現我會的東西，其實比我自己以為的還多。」
那個失業的翻譯，現在幫 AI 改稿，薪水漲了三成。漲的不只是錢，是他對自己專業的重新定義。而這件事，可能比三成更值錢。
（本文為論壇投稿，內容為個人經驗分享與產業觀察，實際薪資與市場行情會因地區、領域、客戶類型而異，讀者請自行評估。）
💬 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 →