生成式AI，不只是「快一點」而已
從 2022 年開始，ChatGPT 幾乎成了生成式 AI 的代名詞。短短幾個月，從矽谷到各行各業，人們開始第一次認真問自己：
「如果這樣的工具變成日常標配，我的工作還會跟現在一樣嗎？」
和上一波自動化不同的是，這一次被碰觸到的，不再只是產線上的體力勞動，而是我們以為「只有人能做」的那一圈：寫、畫、想、分析、溝通。
麥肯錫在 2023 年的研究裡估算，現有工作任務中，有大約 60%～70% 在技術上具備部分被生成式 AI 自動化的潛力，尤其是那些和語言、內容、生產知識有關的工作。
這些數字不會一比一對應到「多少職缺消失」，但已足以提醒我們：工作的核心職能，正在被重寫。
自動化與增強：真正的分水嶺在「怎麼用」
談到生成式 AI，很多人第一個想到的還是兩個字：取代。
誰會先被取代、哪一類職務風險最高、是不是該趕快轉行。
在實際企業裡看下來，我更傾向用另外兩個字來理解：自動化與增強。
一方面，有一整塊工作，正在被非常乾淨地自動化掉。
客服裡那些重複的 FAQ 回覆、報表裡一再出現的摘要段落、基本資料整理和初稿撰寫，越來越多是 AI 先打一輪底，人再在上面修改。部分企業的智能客服系統，已能處理超過 八成的常見查詢，讓人力專注在真正複雜的案件上。
另一方面，另一塊工作反而被往更「人」的一端拉。
行銷人員把更多時間花在品牌定位、用戶洞察與長期策略，而不是在一字一句地改文案；
開發團隊把較少的時間花在重複性程式碼輸入上，更多精力放在架構設計、系統整合和風險評估上。
所以真正重要的問題，其實不是「哪個職稱會被淘汰」，
而是：在我的工作裡，哪些部分會被自動化，哪些部分會被放大？
而這條界線，往往取決於我們願不願意主動去用 AI 重組自己的工作內容。
對企業而言，關鍵不在導入，而在「重設」
站在企業角度看，生成式 AI 已經不再只是 IT 部門的試驗專案，而是董事會層級的戰略議題。
各種研究顯示，能把 AI 真正嵌入核心流程的公司，往往能在生產力上取得 15%～30% 的優勢。
但問題是，很多組織看到這些數字的第一反應，是去列一張「AI 工具採購清單」，而不是回頭看自己的工作方式。
比較健康的順序，應該是這樣的：
-
先把工作拆開來看。
在公司現有的流程裡，哪些工作是高度重複、規則清楚的？
哪些環節是靠人把資料整理成報告，只是因為過去沒有更好的工具？
哪些地方需要創意，但在初稿階段有很多機械式嘗試？
如果這一步沒做，任何 AI 導入都只會浮在表面。 -
再決定工具與架構。
在理解工作結構後，再來選擇是用現成雲端服務、內部大模型平台，還是垂直領域的專用工具。
這一步的目標不是「導入越多越好」，而是找出少數關鍵環節，讓人機協作真正產生結構性變化。 -
最後，動到組織與權責。
生成式 AI 的效益往往出現在部門交界：行銷 x 業務 x 客服、研發 x 製造 x 品質。
如果組織仍然用舊有的部門牆和 KPI 來衡量，就很難支持跨部門的 AI 專案。
有些公司開始成立跨部門的「AI 創新小組」或「AI 產品經理」角色，本質上就是在補這一塊的缺口。
換句話說，生成式 AI 導入，不只是技術升級，而是工作流程與權責分工的重設。
對個人而言：「會用 AI 的人」先站到前排
這幾年，有句話常被引用：
「AI 不會取代你，但會用 AI 的人，很可能會。」
雖然有點被說爛了，但在很多職場情境裡，確實越來越接近現實。
實務上，我會把個人的應對拆成兩條線：
1. 建立基本的「AI 素養」
這不等於每個人都要會訓練模型或寫複雜程式，但至少要做到：
-
知道生成式 AI 大致怎麼運作，它擅長什麼、不擅長什麼。
-
知道什麼資料不能隨便丟給公有模型，對隱私與資安有基本警覺。
-
知道怎麼寫出清楚的指令（Prompt），讓 AI 回應更接近需求。
這些能力會越來越接近「Office 基本操作」那樣的普遍要求。
2. 同時打磨「只能由人完成的部分」
當 AI 越來越擅長生成內容，人類的價值就會更集中在以下幾個方向：
-
批判性思考與複雜問題拆解：
能看出數據和建議背後的假設，知道哪些地方需要再問一個「為什麼」。 -
創造力與敘事能力：
同樣的資料，是否能說出不同的故事、看出別人沒看到的角度。 -
情緒智商與溝通協調：
領導團隊、安撫客戶、處理衝突，這些地方 AI 仍然捉襟見肘。 -
倫理與責任感：
在 AI 可以做「某件事」時，問一句「我們應不應該這樣做」。
未來的職涯競爭，很大一部分會發生在：
「懂得與 AI 協作的人」和「只把 AI 當黑盒子的人」之間。
超越效率：問一句「現在我們可以做以前做不到的什麼？」
到目前為止，我們談的多是「在既有工作裡用 AI 提升效率」。
但生成式 AI 的真正威力，其實躲在另一個問題裡：
「有了這些工具之後，有哪些以前根本不會去做的事情，現在值得試試看？」
例如：
-
高度個人化的服務與內容
過去要為每一位客戶寫專屬文案、設計專屬體驗，幾乎不可能規模化。
現在，AI 可以幫你生成大量版本，人只需要在方向和調性上做決定，
這讓「超個人化」從口號變成可行策略。 -
加速研究和開發週期
在新藥、新材料、新設計領域，AI 可以在早期幫忙大量模擬和篩選，
把最沒希望的那一大堆選項先淘汰掉，讓實驗與試作更聚焦。 -
打造新的服務與商業模式
將生成式 AI 打包為 API 或平台，提供給其他企業使用，
形成「AI 作為服務」（AI-as-a-Service）的新生態。
這些都不是「同一件事做得更快」，而是「可以做完全不一樣的事」。
未來五年：技術之外，我們真正要準備的是什麼？
未來五年，生成式 AI 很可能從「特定團隊使用的工具」，變成「所有知識工作者每天都要接觸的基礎層」。
在辦公室裡，AI 助手會像今天的郵件與簡報軟體一樣自然；
在教室裡，學生和老師會把 AI 當成學習夥伴，而不是考試作弊工具；
在創意產業裡，高品質 AI 作品會遍地開花，真正被記住的人類創作者，則會因為獨特觀點和文化深度而凸顯。
與此同時，一些棘手的問題也會浮上檯面：
-
深偽（Deepfake）、錯假資訊讓「真實」變得難以判斷。
-
演算法偏見和資料來源不透明，可能在不知不覺中固化不公平。
-
著作權、責任歸屬與 AI 治理，會成為各國監管與企業治理的主戰場。
因此，不論你是企業還是個人，真正需要準備的，不只是「技術使用說明書」，
而是一套屬於自己的 使用原則與底線 ——
什麼可以交給 AI，什麼一定要由人來拍板；
什麼是我們絕對不做的，即便技術可以做到。
生成式 AI 已經站在我們身邊，不再是遙遠的未來想像。
接下來的關鍵，不是它還會變多厲害，而是：
在它變得越來越強大的過程裡，我們選擇成為什麼樣的個人與組織。
如果能把這個問題想清楚，
這一波浪潮，就不只是一場被動承受的技術衝擊，
而有機會變成我們主動塑造的下一個成長階段