生成式AI來了，工作變得不一樣了
生成式人工智慧（Generative AI）的崛起，表面上看起來是一場工具升級，但真正被推上檯面的，其實是我們對「工作是什麼」這件事的集體再思考。
這幾年，我在不同公司裡跑來跑去，從製造業工廠的一線主管，到科技新創的產品團隊，都在問類似的問題：
「AI會不會把我們的工作吃掉？」
有趣的是，很少有人問：「如果AI真的進來了，我的工作應該長成什麼樣子？」
我們常說，這是一個由AI驅動的歷史性轉捩點。
但歷史並不會在某一個晚上忽然轉彎，它只是在無數個再普通不過的工作日裡，一點一點改變。
會議室裡的第三個參與者
有一次，我在一間公司旁聽他們的專案檢討會。
會議桌一邊坐著產品經理、一邊是工程師，中間打開的，不是簡報，而是一個AI工具的介面。
產品經理一邊講需求，一邊讓AI幫忙生成用例、畫流程圖；工程師則一邊看、一邊在旁邊補充實際限制。
如果你只是路過，可能會覺得這只是「開會效率變高」而已。
但坐久一點，你會發現，這裡面有幾件微妙的變化：
-
有些原本需要 junior 花一整天整理的資料，現在五分鐘就能跑出初稿。
-
工程師不再從零寫每一行程式，而是先看AI提供的骨架，再決定要改哪裡。
-
最安靜的那個人，不一定是沒有貢獻的人，而是正在判斷：「這個AI說得靠不靠譜？」
生成式AI最擅長的是把「重複、格式化、可預測」的部分接走。
表面上是幫我們省時間，實際上卻悄悄改寫了職場裡的分工——
誰負責「生成」，誰負責「判斷」，誰負責「最後那一刀」。
取代，還是換一種方式逼你成長？
我們過去談自動化，很自然就會聯想到「取代」。
工廠引進機械手臂，收銀台換成自助結帳機，故事大概都差不多。
但生成式AI帶來的東西有點不太一樣。
它不只是把舊工作做得更快，而是把某些「我們以為只有專業人士才做得來」的事情打開給更多人。
-
文案可以自己生出十種不同風格的廣告初稿。
-
業務可以自己讓AI寫一個簡單的腳本，模擬客戶可能會怎麼問。
-
一個從來沒寫過程式的人，可以用自然語言請AI幫忙生一段小工具。
對公司來說，這聽起來當然是好消息：
門檻降低、速度變快、成本變低。
但如果你是那個原本靠「做這些事情」吃飯的人，感受就完全不一樣了。
你的價值不再來自「做不做得出來」，而是來自「你能不能看得出什麼是好的，為什麼好，什麼時候不能這樣用」。
AI把很多工作從「技術問題」變成了「品味與判斷問題」。
這也是為什麼，有些人突然變得更吃香，有些人卻開始有點心虛。
技能表上的空格，AI幫你填不滿
很多報告在談未來職場時，喜歡列出一長串數字：多少工作會消失、多少新職位會出現、哪幾種技能成長最快。
這些數字有參考價值，但真正讓人有感的，其實是那些改變你「每天怎麼工作」的小細節。
比如說：
-
你發現自己寫報告時，第一個反應不是打開Word，而是打開一個聊天框。
-
你在整理簡報時，內心默默在想：「這個部分可不可以丟給AI先排一版？」
-
你開會前，不再只是看資料，而是請AI幫你模擬幾種極端問題，讓自己有心理準備。
AI能幫你補上很多「技術技能」上的空格——
從如何寫SQL查詢，到怎麼用某個新函式庫。
但有幾種空格，它很難替你填：
-
你敢不敢在會議上說：「我覺得這個數字怪怪的，我們再看一下。」
-
你能不能把一個模糊的問題拆成幾個AI也聽得懂的小問題？
-
當AI給出一個看起來完美的答案時，你有沒有能力問：「這背後的假設是什麼？」
未來的「厲害」不再只是「會寫程式」「會做簡報」，
而是「會用AI + 懂得質疑AI + 能帶著別人一起用好AI」。
報告和法案之外，會議室裡真的發生了什麼？
這兩年，全球各地的政府、國際組織紛紛提出各種AI法案、倫理準則、指引文件。
風險分類、透明度、可解釋性、公平性……關鍵字一個都不缺。
但如果你走進一間真的在導入生成式AI的公司會議室，聽到的對話往往比較樸實：
-
「這個部署下去之後，客服會不會被罵？」
-
「出錯的時候，是不是還是要人來扛？」
-
「我們有沒有誰真的看過訓練資料裡面都有哪些東西？」
很多公司已經學會在簡報第一頁寫上「我們致力於負責任的AI」。
比較少的，是那種願意在產品還沒做完之前，就認真花時間討論「這個功能可能會傷害誰」的團隊。
更少見的是：
有人被明確賦予一個工作，就是在大家都說「這個功能好酷」的時候，出來潑冷水，問一句：「那如果被拿來做壞事呢？」
治理框架當然重要，但如果它只存在於文件裡，而不出現在實際的產品決策會議上，那頂多就是一張設計得很漂亮的海報。
每個人被包圍在自己的工作泡泡裡
生成式AI帶來的另一個變化，比起「會不會失業」，其實更安靜，也更難察覺。
越來越多工具開始學會「為你量身打造」：
-
為你生成符合你寫作風格的郵件草稿。
-
為你推薦你可能感興趣的職涯發展路徑。
-
為你整理出「你需要知道的市場資訊摘要」。
聽起來很好，但有一個潛在的代價：
我們正在逐步失去「大家大致上看過差不多的東西」這件事。
當每個人看到的報告版本、學習資源、甚至職涯建議都是客製化的時候，
我們在同一個辦公室裡，卻可能活在完全不同的資訊泡泡中。
你以為大家都知道的事，隔壁的同事可能從來沒看過。
你以為「不說也懂」的默契，背後其實只是你和你的AI一起走過的歷程。
這對協作來說，是一個新的挑戰：
我們要如何在高度個人化的工作環境裡，重新找到共同語言和共享的現實感？
說到底，是一個關於信任的問題
不管是工作內容的變化、技能地圖的重畫，還是治理框架的設計，最後都會繞回同一個字：信任。
-
你信不信任自己每天在用的AI工具？
-
你信不信任公司會在導入AI時，考慮到員工的未來？
-
你信不信任這個社會有能力在技術暴衝之前，補上必要的保護欄？
信任不是靠一份「AI策略白皮書」就能建立的，也不是靠多丟幾個法規名詞就夠。
它是在一次次具體的決定裡堆出來的：
-
公司選擇花時間訓練員工，而不是默默減少人力配置。
-
主管願意承認：「有些地方我們也還在摸索。」
-
個人在用AI加速工作時，仍然願意為自己的判斷負責，而不是一句「AI這樣說的」就帶過。
給企業和個人的幾個真問題
如果一定要留下幾個實際可以帶回去討論的問題，我會選這幾個——不是行動計畫，而是需要誠實面對的問句：
-
在你的團隊裡，有沒有哪一些工作，大家其實已經默默交給AI做了，但從來沒正式談過「那原本做這些事的人，下一步要做什麼」？
-
當AI給出一個「看起來很合理」的答案時，你們有沒有一個習慣性的機制，去檢查它背後的假設？還是只要它說得自信、格式漂亮，就自動通過？
-
在你所在的公司，真的有人被授權可以因為倫理或風險的考慮，而讓一個已經快要上線的AI功能暫停或重做嗎？如果沒有，那所謂的「負責任」到底是誰的責任？
生成式AI已經深深進入我們的工作現場，這一點無法逆轉。
能逆轉的，是我們用什麼態度跟它相處，
以及在每一次按下「部署」「發送」「同意」之前，有沒有多問自己一句：
「如果五年後回頭看，今天這個決定，我還會覺得說得過去嗎？」