開頭結論
未來的人類工作不會被 AI 一次性全部取代，但很多「工作中的任務」會被 AI 拆開、加速、壓低價格，甚至直接自動化。真正危險的不是某個職稱突然消失，而是原本一個人靠熟練操作、整理資料、寫基礎文字、做固定流程就能收費的部分，會越來越難賣高價。
所以問題不應該只問：「我的工作會不會被 AI 取代？」更應該問：
- 我的工作裡，有多少比例是重複、規則明確、可用數位資料描述的任務？
- 我提供的價值，是結果、判斷、信任、關係、責任，還是只是勞力時間？
- 如果人人都會使用 AI，我還有什麼能力能讓我比別人更會定義問題、更會交付成果、更值得被信任？
答案很直接：AI 技能一定要學，但只學「怎麼下 prompt」不夠。真正不容易被取代的人，是能把 AI 變成工作流程、產品、內容、決策、服務與生意結果的人。
1. AI 取代的通常不是職業，而是任務
一份工作通常不是單一任務，而是一組任務的組合。以行銷為例，同一個職稱可能包含市場研究、競品整理、廣告文案、素材溝通、數據判讀、客戶會議、策略調整與跨部門協作。AI 可能很快取代其中的資料整理與初稿產出，但不一定能完整承擔客戶信任、品牌判斷、預算責任與商業取捨。
ILO 對生成式 AI 與工作的研究也指出，生成式 AI 對許多工作更常見的影響是「增強」而不是完全自動化。也就是說，AI 會吃掉一部分任務，但很多工作仍需要人來設定目標、確認品質、承擔後果、處理例外與協調人。
這個觀念很重要，因為它讓我們不用只用恐懼看 AI。真正該做的是拆解自己的工作：
- 哪些任務可以被 AI 快速完成？
- 哪些任務需要人類判斷？
- 哪些任務牽涉信任、責任、法規、身體操作、現場感、情緒理解？
- 哪些任務如果做錯，後果很高，必須有人承擔？
被取代的風險，通常不取決於職稱漂不漂亮，而取決於任務結構。
2. 哪些工作比較可能被 AI 影響？
比較高風險的工作，不一定是低薪工作，而是那些高度數位化、流程明確、輸入輸出清楚、品質可以被快速檢查的工作。
A. 基礎文字與內容生產
初階文案、制式社群貼文、商品描述、摘要、翻譯初稿、SEO 低品質文章、制式新聞改寫，會受到很大衝擊。不是因為人類不會寫，而是因為這類內容常常標準化、量大、可快速生成。
未來還能賺錢的內容工作，會更偏向：
- 獨特觀點。
- 專業判斷。
- 可信來源整合。
- 品牌語氣。
- 真實經驗。
- 社群信任。
- 能帶來銷售或決策的內容。
只會寫字，價值會下降；能用內容解決商業問題，價值仍然存在。
B. 行政、客服與資料處理
資料輸入、表格整理、會議摘要、客服第一線問答、標準回覆、訂單查詢、文件分類，都是 AI 很容易介入的領域。
這不代表所有行政與客服都消失，而是低複雜度、低信任成本、低客製化的部分會被壓縮。剩下更有價值的是例外處理、客訴安撫、流程設計、跨部門協調與服務品質管理。
C. 初階程式與測試工作
AI 對程式工作的衝擊很明顯，尤其是樣板程式、簡單 bug 修補、測試案例初稿、文件生成、API 串接範例、資料轉換腳本。
但軟體工程不只是寫程式碼。真正值錢的部分包括需求釐清、系統設計、資料模型、效能、安全、維運、產品判斷、除錯能力、與使用者需求的對齊。
因此初階工程師會更辛苦，因為公司可能期待一個人搭配 AI 完成以前兩三個人的基礎產出。但能掌握系統與產品的人，反而可能被 AI 放大。
D. 法務、會計、金融分析的基礎作業
合約初稿、條款比對、發票分類、報表摘要、財務資料整理、研究初稿、風險清單，都會被 AI 強烈影響。
但是這些領域牽涉責任、合規、判斷與信任，所以高階專業不會簡單消失。會被擠壓的是只做資料搬運、格式套用、基礎整理的人。
E. 設計與影像素材的初階產出
簡單 banner、商品圖變體、簡報視覺、初版 logo 概念、插圖草稿、影片腳本、短影音剪輯初稿，都會被 AI 加速。
但品牌設計、使用者體驗、產品策略、審美系統、商業定位與高品質創意仍需要人。未來設計師的價值會更像導演：不是一張一張手工做圖，而是定義方向、篩選結果、維持一致性，讓 AI 產出符合真實商業目的。
3. 哪些工作比較不容易被完全取代？
相對抗替代的工作，通常有幾種特徵。
第一，工作需要實體世界操作。例如護理、長照、餐飲現場、維修、施工、美髮、物流現場、幼教、醫療照護、機器操作。AI 可以輔助排程、診斷、訓練與管理，但要進入現場完整取代人，通常需要機器人、感測器、法規與成本一起成熟。
第二，工作需要高度信任與責任。例如醫師、律師、財務顧問、企業經營者、主管、專案負責人。AI 可以產生建議，但人類仍要負責判斷與後果。
第三，工作需要複雜的人際互動。例如談判、銷售、心理諮商、教育、組織管理、客戶成功、社群經營。AI 可以提供腳本與資料，但信任關係仍不是單靠文字生成就能取代。
第四，工作需要創造新問題與新方向。例如創業、產品設計、研究、策略、品牌、藝術、內容主理人。AI 很會回答問題，但「該問什麼問題」與「為什麼這個問題值得做」，仍然是人的核心能力。
第五，工作牽涉地方知識與真實經驗。例如在地服務、產業人脈、特殊客群理解、文化脈絡、供應鏈細節。AI 可以整理公開資料，但很難自動擁有你在現場累積的信任與脈絡。
4. 我們應不應該學 AI 專業技能？
應該，而且要盡快學。但要分成三層。
第一層：一般人都該會的 AI 基本功
這會像以前的 Office、搜尋引擎、Email、Excel 一樣，變成基本工作能力。
包括：
- 用 AI 搜尋與整理資料。
- 寫清楚需求與限制。
- 讓 AI 幫你產生初稿。
- 檢查 AI 的錯誤與幻覺。
- 把 AI 用在簡報、表格、會議、文字、翻譯、摘要、程式小工具。
- 知道哪些資料不能丟給 AI。
- 知道哪些決策不能只靠 AI。
未來不會用 AI 的人，可能就像今天不會用電腦辦公的人，不一定完全沒工作，但工作選擇會變少。
第二層：工作流程設計能力
比 prompt 更重要的是 workflow。也就是把 AI 接進一套可重複、可檢查、可交付的流程。
例如：
- 用 AI 做研究，但保留來源與查核步驟。
- 用 AI 產生文案，但有品牌語氣、審稿規則與轉換率追蹤。
- 用 AI 協助客服，但有人工接手與風險分類。
- 用 AI 寫程式，但有測試、版本控制、安全檢查與部署流程。
- 用 AI 做影片，但有腳本、分鏡、素材、版權與發布節奏。
會用工具的人很多；會設計流程的人比較少。真正的效率差距會出現在這裡。
第三層：AI 產品化與商業化能力
最高層不是自己用 AI，而是把 AI 變成別人願意付錢的成果。
例如：
- 幫中小企業導入 AI 工作流程。
- 做 AI 輔助內容服務。
- 做特定產業的 AI 知識庫。
- 做自動化報表與資料分析。
- 做 AI 客服或銷售輔助系統。
- 做教育課程與訓練。
- 做個人品牌與內容產品。
- 做結合 AI 的軟體工具。
這一層需要的不只是 AI 技術，還需要知道客戶痛點、交付格式、價格設計、信任建立與售後維護。
5. 人人都會用 AI 的時候，還怎麼賺錢？
這是最關鍵的問題。
當人人都會用 AI，單純「我會用 AI」就不再稀缺。就像人人都會用手機拍照後，會按快門不值錢，但攝影師、導演、內容創作者、品牌操盤手仍然能賺錢，因為他們賣的不是按快門，而是審美、故事、結果、信任與影響力。
AI 也是一樣。未來賺錢的核心不是工具使用，而是以下幾種稀缺能力。
A. 問題定義能力
AI 很會回答，但前提是你問對問題。很多人真正卡住的不是不會做，而是不知道該做什麼、不知道問題在哪、不知道優先順序。
能幫人把混亂變清楚的人，會有價值。
B. 品味與判斷能力
AI 可以產生一百個版本，但哪一個最好、哪一個適合品牌、哪一個能打動客戶、哪一個有風險，仍需要人判斷。
在內容、設計、產品、投資、管理、教育裡，判斷力會越來越重要。
C. 信任與責任
人願意付錢，常常不是因為你會操作工具，而是因為他相信你能負責到底。
AI 沒有真正承擔責任。顧問、醫師、律師、會計師、工程負責人、品牌操盤手、專案經理的價值，都有一部分來自「出事時有人負責」。
D. 產業知識與場景理解
通用 AI 很強，但它不一定懂某家公司的流程、某個市場的客戶、某個老闆的偏好、某個地方的文化、某個產業的潛規則。
越能把 AI 套進具體場景，越能創造價值。
E. 分發與流量
在 AI 讓生產成本下降後，真正稀缺的會是注意力、信任、社群、通路與品牌。
內容會變多，垃圾內容也會變多。能建立觀眾、社群、名單、客戶關係與品牌信任的人，會比單純會生成內容的人更有優勢。
F. 整合與交付能力
很多人會用 AI 做單點任務，但客戶願意付錢的是完整成果。
例如不是「幫你生成十篇文章」，而是「幫你建立一個每週能穩定產出、發布、追蹤成效、累積名單的內容系統」。不是「幫你寫一段程式」，而是「幫你把流程自動化，讓你每週少花十小時」。
未來會賺錢的人，通常是把 AI 產出包裝成可交付結果的人。
6. 對一般人的實際策略
如果不知道從哪裡開始，可以照這個順序。
第一，先盤點自己的工作，把每天重複做的事情列出來。凡是搜尋、整理、摘要、改寫、分類、生成初稿、檢查格式，都可以先試著用 AI 幫忙。
第二，建立自己的 AI 工作流程。不要每次都臨時亂問，而是把常用提示、資料格式、檢查清單、輸出格式存下來，變成可重複的 SOP。
第三，補一個硬技能。AI 會降低入門門檻，但不會讓專業消失。可以選資料分析、程式、自動化、設計、行銷、銷售、財務、法律、醫療、教育、內容策略中的一個方向深入。
第四，學會查證與風險控管。AI 會講錯話，也會編來源。未來越多人用 AI，能查證、能負責、能降低錯誤的人越重要。
第五，累積作品與案例。履歷上寫「會用 AI」沒有太大說服力。真正有用的是：我用 AI 幫客戶節省多少時間、增加多少營收、做出什麼系統、產出什麼作品、解決什麼問題。
第六，練習把能力商品化。把你的服務變成清楚方案，例如「AI 內容流程建置」、「小店 AI 客服整理」、「每週自動報表」、「短影音腳本系統」、「個人品牌文章產線」、「小公司文件知識庫」。
7. 哪些人最危險？
最危險的不一定是能力低的人，而是停留在舊價值鏈的人。
例如：
- 只賣時間，不賣成果。
- 只做重複流程，不理解目的。
- 只會照規則做，不會處理例外。
- 只會產出初稿，不會判斷品質。
- 只會使用工具，不懂客戶問題。
- 抗拒學 AI，但工作內容又高度數位化。
- 以為學一點 prompt 就能永遠有優勢。
AI 時代真正的分水嶺，不是「會不會用 AI」，而是「能不能用 AI 放大自己的專業與交付結果」。
8. 哪些人會變強？
AI 會讓幾種人變得更強。
第一種，是本來就有專業判斷的人。AI 幫他們加速整理、初稿、模擬、分析，他們用自己的經驗做最後決策。
第二種，是能快速學習的人。因為工具變化很快，能持續更新流程的人會比只學一次工具的人更有優勢。
第三種，是懂商業的人。AI 可以降低生產成本，但賺錢仍然要找到需求、定價、銷售、交付與信任。
第四種，是能連結人與資源的人。技術越自動化，人際信任、合作、談判、社群與品牌越重要。
第五種，是能把混亂變成系統的人。很多人會用 AI，但輸出散亂。能把 AI 變成穩定流程、文件、產品、服務的人，會更稀缺。
9. 實用判斷：把 AI 接到可變現場景
如果要把這件事落到個人策略，我會這樣看：
AI 不是單純的威脅，而是一個把「會做事」和「會創造價值」分得更清楚的工具。以前很多人靠慢慢做、手工做、資訊不透明賺錢；以後這些價值會被壓縮。但如果一個人能理解問題、建立流程、整合工具、判斷品質、取得信任、持續交付結果，AI 反而會變成放大器。
所以現在最值得學的不是單一 AI 工具，而是「AI + 一個可變現場景」。
例如：
- AI + 內容：做文章、短影音、社群、SEO、電子報、品牌內容。
- AI + 程式：做自動化、小工具、資料處理、網站、內部系統。
- AI + 商業：做市場研究、銷售腳本、客服流程、報表、營運優化。
- AI + 教育：做教材、練習題、個別化學習、課程設計。
- AI + 投資研究：做資料整理、風險框架、標的追蹤，但不讓 AI 代替決策。
- AI + 個人品牌：把自己的觀點、經驗、審美與信任放大。
真正的方向不是「我要不要學 AI」，而是「我要把 AI 接到哪一個能創造現金流、影響力或作品累積的方向」。
結論
未來的人類工作會被 AI 改寫，但不會平均地改寫。重複、標準化、數位化、容易驗證的任務會被快速壓縮；需要信任、責任、現場、人際、判斷、創意、策略與整合的工作，會更強調人的角色。
AI 技能會變成基本生存能力，但真正能賺錢的不是「會用 AI」四個字，而是：
- 能不能找到真問題。
- 能不能做出可信結果。
- 能不能把工具變流程。
- 能不能把流程變產品或服務。
- 能不能建立信任、品牌與通路。
- 能不能在 AI 產出過剩的世界裡，仍然提供清楚、有用、可靠的判斷。
當人人都會使用 AI，錢不會流向最會按按鈕的人，而會流向最會定義問題、整合資源、負責結果、取得信任的人。
參考來源
- World Economic Forum, The Future of Jobs Report 2025：https://www.weforum.org/reports/the-future-of-jobs-report-2025/
- World Economic Forum, Four Futures for Jobs in the New Economy: AI and Talent in 2030：https://www.weforum.org/publications/four-futures-for-jobs-in-the-new-economy-ai-and-talent-in-2030/
- International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure：https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
- ILO Policy Brief, Generative AI and Jobs：https://www.ilo.org/sites/default/files/2024-08/GenAI%20and%20Jobs_Policy%20Brief_ILO.pdf
- Microsoft, 2025 Annual Work Trend Index：https://news.microsoft.com/annual-work-trend-index-2025/
- Anthropic Economic Index：https://www.anthropic.com/research/anthropic-economic-index-january-2026-report
- McKinsey Global Institute, Generative AI and the future of work in America：https://www.mckinsey.com/mgi/our-research/generative-ai-and-the-future-of-work-in-america
- Goldman Sachs, How Will AI Affect the US Labor Market?：https://www.goldmansachs.com/insights/articles/how-will-ai-affect-the-us-labor-market