過去，一個人的專業價值往往建立在他能不能把事情做出來：會不會寫程式、會不會畫圖、會不會剪影片、會不會操作複雜軟體、能不能快速查資料、能不能寫出完整文章。
但當生成式 AI、AI Agent、自動化工具逐漸成熟，很多原本需要多年訓練才能完成的執行工作，正在迅速降低門檻。
一個人可能不需要精通前端技術，就能建立網站；不需要熟悉所有攝影與後製流程，就能製作影片；不需要記得大量程式語法，就能完成一套軟體。
這並不代表人類能力變得不重要。
恰恰相反。
真正稀缺的能力，正在從「如何把事情做出來」，逐漸轉移到：
我們究竟應該做什麼、為什麼做、如何定義問題、如何建立架構、如何組織複雜資訊，以及如何判斷最後的結果是否正確。
這可能是 AI 時代最重要的一次能力重組。
目錄
問題與思維基礎
案例與實踐
能力框架
- 9. AI 時代最重要的八種能力
- 10. 從 Creation 走向 Direction
- 11. AI Orchestration：新的執行能力
- 12. Cross-domain Synthesis：跨領域重新組合知識
反思與教育
收尾
1. AI 正在降低「執行成本」
過去，一個想法從概念變成實際成果，中間通常隔著大量技術門檻。
例如想建立一個網站，你可能需要學習：
- HTML
- CSS
- JavaScript
- 前端框架
- 後端
- API
- Database
- Deployment
- Authentication
- DevOps
想拍一部動畫，則可能需要：
- 分鏡
- 原畫
- 動畫
- 3D
- 攝影
- 剪輯
- 調色
- 配樂
- 音效
- 合成
因此過去最大的瓶頸經常是，而 AI 正在壓縮中間這一段，未來可能更接近：
過去
未來
當「執行」越來越便宜，真正昂貴的部分反而會向前、向後移動。
向前移到：
- 問題定義
- 需求判斷
- 系統設計
- 架構規劃
向後移到：
- 品質判斷
- 驗證
- 選擇
- 修正
- 決策
也就是說：
AI 不只是提高生產力，它同時正在重新分配人類工作的價值 [5, 6]。
2. 未來真正稀缺的，不再只是「知道怎麼做」
生成式 AI 的一個重要特徵，是它非常擅長回答「怎麼做」。
你可以問：
「如何建立 React 網站？」
「如何寫一個 API？」
「如何把影片剪成某種風格？」
「怎麼設計資料庫？」
「如何寫一篇 SEO 文章？」
AI 通常都能很快產生答案。
真正困難的問題反而是：
為什麼要做？
真正的問題是什麼？
有沒有更好的問題定義？
哪些需求其實不重要？
系統應該如何拆解？
哪些工作應該交給 AI？
哪些事情一定需要人類判斷？
AI 的答案到底可不可信？
這些問題都不是單純增加模型參數就一定能完全解決的 [4]。
因為它們牽涉的是：
目的、價值、脈絡、取捨與判斷。
3. 系統思考將成為最重要的基礎能力之一
世界經濟論壇《Future of Jobs Report 2025》把 Analytical Thinking、Creative Thinking、Systems Thinking、Curiosity、Lifelong Learning 等能力列為未來重要技能 [1]。
這裡尤其值得注意的是：
Systems Thinking——系統思考。
什麼是系統思考？
不是知道很多零散知識，而是能理解：
- 一個系統由哪些元素組成？
- 元素彼此之間如何影響？
- 哪些是輸入？
- 哪些是輸出？
- 哪些是限制條件？
- 哪些是關鍵變數？
- 哪些地方會產生連鎖反應？
- 如果改變某個條件，整個系統會發生什麼？
例如設計一個共享自行車系統。
表面上可能只是：
做一個借車 App。
但真正的系統包含：
真正厲害的人，不只是能把其中某一個 API 寫出來。
而是能看到：
整個系統到底是怎麼運作的。
4. 「敘事能力」會成為 AI 時代非常核心的能力
這裡的敘事不是單純指「會講故事」。
而是更廣義的：
把大量混亂的資訊整理成有因果、有層次、有順序、有意義的結構。
這種能力可以稱為：
Sensemaking。
人類世界本身就是極度複雜的。
我們每天接收：
- 資料
- 新聞
- 數據
- 研究
- 圖像
- 人物
- 事件
- 法規
- 技術
- 需求
真正重要的能力不是「知道很多」。
而是：
能不能把它們組成一個可以理解的模型。
這就是敘事。
5. 電影是一個非常好的例子
現在很多人談 AI 電影，首先想到的是：
- 文生圖
- 圖生影片
- AI 配音
- AI 音樂
- AI 剪輯
但這些主要都是「產出工具」。
真正決定一部電影好不好看的，仍然是：
未來 AI 很可能可以產生非常漂亮的：
- 畫面
- 動畫
- 配樂
- 特效
- 配音
但如果上面的結構不存在，最後仍然只會得到：
大量漂亮但彼此沒有意義的內容。
所以未來真正有價值的人，可能不是「最會操作 AI Video Model 的人」。
而是：
知道應該產生什麼，以及這些內容應該如何共同形成完整作品的人。
換句話說，他更像：
導演。
6. 程式設計也會發生完全相同的變化
今天 AI Coding 已經能完成大量：
- Function
- API
- CRUD
- Unit Test
- UI
- SQL
- 文件
- Refactor
因此單純「寫 Code」的價值勢必逐漸下降。
但真正複雜的軟體工程從來都不只是寫 Code。
真正的問題是：
最後才是 Code。
因此未來程式設計師可能逐漸從：
Code Writer
轉變成：
System Designer
再進一步成為：
AI Orchestrator
也就是決定：
- 哪個 Agent 做什麼
- 哪些部分需要人工撰寫
- 哪些工作可以自動化
- 如何測試
- 如何整合
- 如何控制錯誤
- 如何驗證結果
7. 但這不代表「技術深度不再重要」
這裡有一個非常容易出現的誤解：
既然 AI 會寫程式，那是不是以後什麼都懂一點就好了？
答案是否定的。
更合理的能力結構應該是：
少數領域具有足夠深度，大量領域具有結構化理解。
因為如果完全沒有專業深度，就會出現一個致命問題：
生成式 AI 最大的危險之一就在這裡：
它有能力非常有說服力地說錯話 [4]。
因此未來的 Domain Knowledge 不一定需要像過去一樣，把大量內容全部背下來。
但至少必須深入到：
有能力判斷 AI 是否正在胡說。
8. 未來更適合的不是 T-shaped，而是「知識網路＋專業錨點」
傳統人才經常使用 T-shaped Model 描述：
但 AI 時代可能更適合這樣理解：
問題定義・系統思考・敘事能力・架構能力・判斷能力・AI Orchestration"] N --> A["核心專業 A（深度）"] N --> B["核心專業 B（深度）"] A --> F["AI / Agent / Automation"] B --> F
上層擁有廣泛的知識網路。
中間擁有跨領域都適用的 Meta Skills。
下面則需要少數幾個真正可靠的專業錨點。
AI 則位於整個系統的底層，成為：
能力放大器。
9. AI 時代最重要的八種能力
如果把這套概念整理成一個能力框架，我認為至少包含八個部分。
9.1 Problem Framing
首先不是解決問題。
而是：
確認真正需要解決的是哪個問題。
很多失敗的專案不是因為技術不好，而是一開始就在解錯問題。
9.2 Systems Thinking
理解整體系統。
包含：
- 元素
- 關係
- 因果
- 約束
- 流程
- Feedback Loop
- Failure Mode
9.3 Sensemaking
面對大量資訊時，能夠形成：
- 分類
- 層級
- 因果
- 模型
- 意義
9.4 Narrative
把複雜的事情轉換成：
人類可以理解的結構。
它不只存在於小說。
產品簡報、程式架構、研究論文、商業策略，其實全部都是某種敘事。
9.5 Architecture
Architecture 的本質不是建築或軟體。
而是：
如何把一個複雜問題拆成具有邊界、關係與層級的系統。
9.6 Judgment / Taste
這可能是未來最容易被低估的能力。
假設 AI 可以產生：
真正的問題就不再是：
你能不能做？
而是：
哪一個比較好？
以及：
為什麼？
10. 從 Creation 走向 Direction
過去創作者的重要能力可能是：
Creation
未來則可能逐漸變成：
也就是：
決定方向。
選擇結果。
評估品質。
持續修正。
這也是為什麼：
- 導演
- 主編
- Architect
- Creative Director
- Principal Investigator
- Product Lead
這些角色背後的思考方式可能變得更加普遍。
因為未來每一個人，都有可能指揮大量 AI 生產內容。
11. AI Orchestration：新的執行能力
未來另外一種重要能力，是：
如何組織 AI。
不是單純學 Prompt Engineering。
而是知道：
因此人類可能逐漸變成：
AI 系統的管理者與編排者。
真正的高生產力，不再只是自己做得快。
而是：
能不能建立一個可以持續自動產出的系統。
12. Cross-domain Synthesis：跨領域重新組合知識
AI 時代還有一項非常重要的能力：
跨領域知識重組。
真正創新的東西經常不是來自單一專業。
例如：
可能產生新的城市設計工具。
而：
可能形成新的內容製作方式。
未來真正重要的不一定是：
在單一領域比所有人再多知道 10%。
而可能是：
你能不能把原本不在一起的東西連起來。
13. 一項經常被忽略的能力：認知主權
AI 越好用，另一個問題也越嚴重：
我們會不會逐漸失去自己思考的能力 [3]？
如果一個人所有工作都是：
可能最後會出現一種奇怪的狀態：
Output 很強，Mental Model 很弱。
也就是成果看起來很好，但本人其實沒有真正理解。
因此未來教育反而需要刻意保留一些：
- 自己推理
- 自己建模
- 自己畫架構
- 自己解釋
- 自己驗證
- 自己完成部分核心工作
AI 應該是：
認知能力的放大器。
而不是：
認知能力的替代品。
14. 未來教育可能需要從「科目」走向「系統」
今天教育仍然大量使用：
這種分科方式。
但真實世界的問題並不是按照學校科目分類的。
例如：
「如何設計一座未來城市？」
它同時包含：
- 建築
- 交通
- 經濟
- 社會
- 政策
- 能源
- GIS
- AI
- 程式
- 環境
- 心理學
因此未來教育也許應該更多採用：
Project-based / System-based Learning [2]
讓學生真正處理一個複雜問題。
例如：
設計一套城市公共自行車系統。
學生需要問：
這些能力可能比單純記住某個 Framework 的 API 更能長期存在。
15. 因此「廣度與深度」並不是二選一
未來不是：
Generalist vs Specialist
而是另一種結構：
廣泛的知識網路＋少數深度專業＋高階系統能力。
可以寫成：
[ Future\ Capability
Domain\ Depth \times Knowledge\ Breadth \times Systems\ Thinking \times Judgment \times AI\ Leverage ]
這裡應該是乘法，而不是加法。
因為任何一項接近零，都會形成巨大的限制。
只有廣度沒有深度：
無法判斷 AI 是否正確。
只有深度沒有廣度：
難以跨領域重新定義問題。
沒有系統思考：
只能完成局部任務。
沒有 Judgment：
AI 給你一百個答案，也不知道哪一個比較好。
沒有 AI Leverage：
雖然自己能力很好，但生產效率可能遠低於能夠組織大量 Agent 的人。
16. 人類的角色正在改變
工業時代需要大量：
執行者。
資訊時代需要：
知識工作者。
而 AI 時代，人類的核心角色可能進一步改變成：
問題定義者。
系統設計者。
敘事者。
導演。
判斷者。
AI 組織者。
因此真正應該培養的能力，不只是：
「會不會使用某個 AI？」
而應該是：
你是否有能力把 AI 放進一個完整的思考系統中。
結語：真正重要的是「建構完整事物」的能力
AI 越強，人類越不應該只是和 AI 比：
- 誰寫 Code 比較快
- 誰畫圖比較快
- 誰查資料比較快
- 誰寫文章比較快
因為這些工作的邊際成本正在快速下降。
真正值得培養的，是更高階的能力：
從混亂中理解問題。
從問題中建立模型。
從模型中建立系統。
從系統中建立敘事。
從大量可能性中做出判斷。
最後利用 AI，把整個系統真正轉化為成果。
未來真正稀缺的人，或許不是單純「掌握最多技能的人」。
而是：
能夠理解一件複雜的事情，重新定義它、組織它、設計它，並指揮人類與 AI 共同把它完成的人。
如果這個判斷成立，那麼教育真正需要重新思考的，也不只是：
「未來還要不要學程式？」
而是一個更根本的問題：
我們究竟希望下一代成為更熟練的工具使用者，還是能夠理解世界、定義問題、建立系統並創造方向的人？
這兩者之間的差異，可能正是 AI 時代真正的人才分水嶺。
延伸閱讀
本文觀點可進一步對照以下研究與框架：
- World Economic Forum. (2025). Future of Jobs Report 2025.
- OECD. (2019). OECD Learning Compass 2030.
- UNESCO. (2024). AI Competency Framework for Students.
- Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper.
- Brynjolfsson, E., Li, D., & Raymond, L. (2023). Generative AI at Work. NBER Working Paper No. 31161.
- Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187–192.