分類: AI 人工智能

為什麼 AI 工具很強，團隊卻很累？反思設計界的「生產力悖論」

[大衛選讀] 當我們試圖拿通用的工具，去解決高度專業問題；繼續用傳統績效管理的指標，去衡量新的創意價值時，我們就迷路了。

過去這一年，如果你待在設計顧問公司或產品設計團隊，很可能都有這種矛盾感：明明已經導入了一整套強大的 AI 工具，每個人也多少學會了 Prompting，專案執行起來卻沒有變得比較輕鬆，公司的利潤也沒有因此明顯改善。甚至，花在修圖、校對、整理檔案，以及在各種軟體之間來回切換的時間，比起過去反而更多。

別懷疑，你並不是一個人。經濟學家早就替這種現象取了名字，叫做「生產力悖論」(Productivity Paradox)。

就像 90 年代個人電腦剛普及，或更早電力首次導入工廠的年代一樣，新技術剛上線的那幾年，生產力往往不是立刻飛升，而是會先下滑一段時間。

我們正處於那條著名 J 型曲線的底部：已經訂閱了一堆付費服務 、上了各種 AI 線上課程 (投入了成本)，卻還沒真正學會如何重組整個工作流 (尚未回收價值)。

為什麼會卡在這裡？多份研究其實已經點出，設計產業普遍遇到兩個結構性的錯位：一方面，硬是想用「水平式工具」去處理各種「垂直型問題」；另一方面，又把「做得快不快」誤當成「做得好不好」。這兩件事疊在一起，就構成了今天的生產力悖論。

問題一：試圖用「水平式工具」解決「垂直型問題」

這大概是目前設計團隊最常見、也最隱性的痛點。

當我們說要在團隊裡「導入 AI」，在實務上往往只是：幫設計師開了 ChatGPT、Gemini 帳號，然後再配一套給視覺團隊用的 Midjourney、Stable Diffusion 或其他繪圖工具。

但這些，其實都屬於水平式的 Horizontal AI。

它們就像一把功能琳瑯滿目的瑞士刀，什麼都能做一點：寫信、畫圖、改文案、做前端，看起來無所不能。但它們有一個關鍵特性：這些工具本質上是「缺乏脈絡」(Low Context) 的。

閱讀全文 為什麼 AI 工具很強，團隊卻很累？反思設計界的「生產力悖論」

最好的介面，就是沒有介面：Generative UI 時代的設計反思

如果在 2020 年左右，有人告訴一位資深 UI 設計師：「你引以為傲的 Pixel Perfect 將在幾年後變得毫無意義。」他大概會嗤之以鼻。

然而，隨著 Google Gemini 3.0 的發佈，這句預言正在逐步成為現實。這一次的技術迭代，擾動了人機互動 HCI 最底層的邏輯：這將會是一場從「形式 Form」到「意圖 Intent」的重心轉移。

從 20 年前還沒有 UX 這個詞彙，一路打滾至今，我必須誠實地說：曾經熟悉的「介面設計」時代即將結束。Generative UI (GenUI) 所展示的未來，是一個介面隨需而生、體驗具備記憶的新時代。而設計師的角色，必須從「工匠」轉型為「策展人」。

意圖凌駕形式：Pixel Perfect 的終結

過去二十年，我們花費無數個夜晚在 Figma/Sketch 裡調整 1px 的間距，爭論圓角該是 4px 還是 8px。但在 GenUI 時代，這種對靜態頁面的精雕細琢，在動態生成的潮流面前將顯得微不足道。

  • 過去： 設想幾十種使用情境 (Use Cases) → 繪製數百張關鍵頁面 (Key Screens)
  • 未來： 理解用戶意圖 (Intent) → 即時「編譯」出專屬介面

舉例來說，當用戶說：「我下週五要去台中參加研討會，需要安排交通跟住宿。」AI 將利用推理能力，即時生成一個整合高鐵票務、飯店推薦、天氣預報的介面。

設計師的戰場正在轉移： 我們不再設計個別的「結果」，而是設計一套泛用的「規則」；不再糾結於按鈕顏色，而是專注於如何讓 AI 準確回應人類意圖。

正如 Google 策略設計師 Golden Krishna 曾預言：「最好的介面就是沒有介面（The Best Interface is No Interface）」

如今，這句話有了新的註腳：最好的介面，是完全順應用戶意圖而流動的介面。

往後的體驗設計重點，將是新的「結果導向設計 (Outcome-Oriented Design)」——我們將從設計導覽系統 & 操作流程，轉向設計「確認畫面」與「錯誤恢復機制」。

告別「失憶」的 App：邁向 Stateful UI

現今的 App 大多是 「無狀態 (Stateless)」 的。無論你打開 Uber 多少次，首頁佈局幾乎一模一樣。它不記得你昨天的焦慮，也不知道你明天的計畫。

但在 AI 數百萬 Token 的長程記憶能力加持下，未來的 UI 將是 「可累積的 (Accumulative)」 與 「具狀態的 (Stateful)」。

閱讀全文 最好的介面，就是沒有介面：Generative UI 時代的設計反思

在 AI 時代，該跳槽還是該留下的薪資經濟學

[大衛選讀] 怎樣才能幫自己加薪？這是每位工作者都在意的事情。所以積極的人會去購買線上課程，參加研習營、讀書會，就是為了多發展出一些能力，讓自己多點機會能升職加薪。

說實在的，我也當過人事主管跟企業主。聽到同仁去自學 Python, 那當然很好阿。但是手邊的專案工作暫時還用不到，也就只能微笑讚許學習動能很高，給予口頭獎勵。

AI 時代下，我們為了適應變化，企業跟個人都必定要長出新能力。那些能力的增長，是否能轉化成看得到的價值跟薪資報酬？加薪的關鍵在哪裡？人工智慧的近期浪潮下，這是趁勢套利的機會，還是技能折舊的開始？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

薪水漲不上去，你是否也陷入了「穩定」的陷阱？

在現在這個技術快速顛覆、全球競爭白熱化的時代，我們對「好工作」的定義正在被徹底改寫。過去，畢業之後找一家穩固的大企業逐步往上爬，是人人稱羨的職涯路徑。如今，這份穩定卻可能反而變成，個人薪資成長與職涯發展上的隱形天花板。

這樣的反轉衝突，在歐洲尤其明顯。《經濟學人》近期的文章，一針見血地描繪了當代歐洲的困境：歐洲經濟已經得了硬化症 (Eurosclerosis)，儘管整體經濟仍在緩步成長，但失業率卻居高不下，新的就業機會少之又少。

數據顯示，高達四分之一的歐洲員工在同一家公司服務超過 20年，相較之下，這個比例在美國只佔十分之一。

這樣低度的勞動市場流動性，雖然表面上看起來很安穩；但實際上就業市場的停滯，已經阻礙了創新、拖慢了高效率企業的擴張，最終導致了整體薪資成長的停滯。

講經濟發展太沈重，大家更關心的應該是自己的薪資能不能高一點。從歷史數據來看，跳槽者的薪資成長，總是高於留在原地的人。為什麼在個人職涯中，跳槽是爭取加薪最有效的方式？答案就在以下幾個關鍵的經濟學理論中：

你的薪水不是老闆說的算，是「別家公司」決定的

職涯顧問多半會告訴你「想加薪，就跳槽」，這不僅是職場經驗談，更是有經濟學理論支撐的經濟現實。

現代勞動市場理論把職場描繪成一個「工作階梯, Job Ladder」。這個模型假設，整個勞動力市場是由無數個生產力與薪資水平高低不同的企業，所共同組成的層級體系。對工作者來說，真正顯著的薪資成長，並非來自於在同一家公司內的年度微調；而是透過從低薪、低生產力的企業，往上跳躍至高薪、高生產力企業的過程。

有趣的是，這個過程並不是由人才驅動的，而是企業為了求成長，積極向外挖角所造成的。

所以，一個在職員工的薪資議價能力，並不來自於對內的貢獻，而是來自於外部的競爭比價。一個工作者越容易轉換到新工作、有越多公司想要挖角，就擁有更高的薪資談判力道。

即使最終選擇了留下，這種「潛在的流動性」也會迫使現在的老闆，必須持續提出比外部更具競爭力的薪酬獎金，才能留得住人。

你該等內部晉升嗎？麥肯錫：80% 的機會在公司外面

從人力資本理論 (Human Capital Theory) 的角度來看，每次換工作，都是一次將個人技能、知識與經驗，跟工作職位進行配對優化 (optimal match) 的過程。

身為工作者，你的技能在現有職位上，可能並沒有被充分利用到。尤其是自我進修之後，工作內容卻沒有跟著轉變時。這時候，跳槽到另一個能更能發揮自己專長的新工作，不僅更有成就感，同時也能獲得更高的報酬。

閱讀全文 在 AI 時代，該跳槽還是該留下的薪資經濟學

現在新鮮人最難跨過去的坎：三年經驗

[大衛選讀] 剛畢業的設計師跑來問我：「為什麼現在企業都只想僱用有經驗的人，不願意給新鮮人一個機會？」

這個現象在今年歐美地區的新就業市場中尤其明顯，在資工、會計、法律等領域，有將近一半的畢業生在找第一份工作上，已經遇到了極大困難。

人工智慧發展下，企業寧可大力加碼投資自動化科技，也不願意雇用沒有經驗的職場新手。近期我閱讀了世界經濟論壇 (WEF)、Deloitte, PwC 以及 McKinsey 等多篇就業趨勢報告，幾乎一致指出：全球勞動力市場正在經歷一場前所未有的技能重塑。

我更在意的是，這波人工智慧的浪潮，究竟帶來了哪些結構性的人力需求變化？剛畢業的職場新鮮人，又該怎麼面對？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

你需要知道的就業困境：經歷差距 (experience gap)

在人工智慧時代，一個越來越棘手的挑戰浮現出來，那就是「經歷差距 (experience gap)」。

這個詞反覆出現在 Deloitte《2025年全球人力資本趨勢報告》中，指的是雇主要求的實務經驗，與求職者實際擁有的經驗之間的落差。而這個落差似乎正越來越大。

華頓商學院管理學教授 Peter Cappelli 一語道破：「現在每個人都想僱用已經有三年經驗的人，但卻沒有人願意給他們三年的時間」

這讓年輕人陷入了現實困境：沒有經驗就找不到工作，沒有工作就無法累積經驗。這個因果不斷輪迴下去。

過去：新人的「練功場」

在傳統職場中，新人通常從基礎、重複性高的任務開始，也就是所謂的繁瑣工作 (grunt work)。例如，律師事務所的菜鳥可能要花大量時間整理和審閱文件，行銷新人可能要負責蒐集市場資料並製作報表等。

這些看似單調的工作，其實是新人學習的入門機會。他們可以藉此熟悉產業的運作模式和術語、在風險較低的環境中犯錯和學習，並且觀察資深同事如何應對複雜問題，從而培養專業的直覺和判斷力。

現在：AI 搶走了學習的機會

然而，人工智慧導入之後，初階就業市場就變了個樣。AI 正開始大規模自動化那些重複性高、以資訊蒐集和整合為導向的任務；然而這些任務在傳統上，卻是新人做中學的核心。

這不只是取代工作機會，更是重塑了初階工作的本質。當 AI 把那些過去專門給新人練功的「入門級任務」都拿走時，這將帶來以下兩個問題：

問題一：「學習的階梯」被 AI 拆掉

通常知識工作者的學習歷程中，最下面的第一階就是資訊蒐集、內容摘要、草擬文件等重複性的知識型工作。

在蒐集資料時，新人必須判斷哪些資訊是相關的、哪些是次要的；在草擬摘要時，他們必須練習如何精準地提煉重點。這些看似基礎的認知任務，正是鍛鍊批判性思維和邏輯推理的起點 。

AI 一下子就把資訊彙整的工作做好了，短期看似提高的效率，長期下來則是直接剝奪了新人練習的機會，拆掉了學習階梯的第一塊踏板。

閱讀全文 現在新鮮人最難跨過去的坎：三年經驗

顧問業的「盈利悖論」：AI 讓個人變強，為何公司反而賺不了錢？

[大衛選讀] 前一陣子看好 AI 轉型的顧問需求，買了點 Accenture 股票，沒想到半年多下來，營收成長未見起色，股價不斷下跌。

這讓我不禁想要研究一下，AI 人工智慧是否能為顧問業帶來數位轉型的商機，對於顧問行業本身，包含獲利模式、專業護城河等，又會有什麼影響？商業顧問的價值，會因此而改變嗎？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

顧問業正經歷一場深刻的市場變革

近期整體的顧問業正處於一個充滿矛盾與壓力的轉型陣痛期。

首先是，新合約增長乏力。以系統整合為核心業務的Accenture 面臨的狀況尤其嚴峻。最近的季度財報顯示，新的顧問諮詢預訂量已經連續第二個季度下降。

再來是薪資凍漲與績效標準趨嚴。業內觀察指出，MBB（麥肯錫、BCG、貝恩）等頂級公司可能面臨連續第三年凍結底薪的窘境。與此同時，許多公司正透過收緊績效評估來限制獎金發放並提高人員流動率，以應對成本壓力。

傳統顧問行業，到了必須改變商業模式的時刻

Catalant 顧問公司的執行長 Pat Petitti，同時也是《Reimagining Work》一書的共同作者認為：沒有退路了，必須要破斧沉舟地改變整套商業模式 (You have to change the business model. You have to make a dramatic change.)

傳統上，顧問公司的價值鏈，都是從大量耗時的基礎工作開始。例如資料搜集、市場研究、數據分析和初步的洞察整理，這些任務長期以來都是由初階的顧問來承擔。然而，生成式 AI 的出現，正迅速自動化並商品化這些基礎能力。

此外，AI 分析非結構化數據的能力（例如分析數千份開放式問卷的回覆），進一步侵蝕了傳統顧問在質化分析方面的優勢。整個研究流程，從問題定義到洞察產出，都可以透過 AI 進行端到端的效率優化。

過去需要一個團隊花費一週時間完成的分析任務，現在可能在十幾分鐘內就能完成。

AI 賦能後，顧問的個人能力變得更強，但是公司獲利卻大幅下降

這種轉變的背後，隱含著深刻的「盈利悖論, Profitability Paradox」。

閱讀全文 顧問業的「盈利悖論」：AI 讓個人變強，為何公司反而賺不了錢？

當 AGI 引爆「經濟奇蹟」：每年增長30%的世界，將會變成什麼模樣？

[大衛選讀] 剛看完科技巨頭的半年財報，有一種哇，這獲利成長也衝太快了的感覺。

這讓我想要去好好分析一下，過往經濟成長的原因為何，變化有多大。這次的人工智慧變革，跟歷次工業革命又有什麼不同，接下來有可能會引發怎樣的經濟變化？

除此之外，為什麼矽谷會流傳一種說法：「當人工智慧爆炸發生時，你最好已經夠有錢了 (you had better be rich when the explosion occurs)？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

西元1700年以前，世界的經濟成長率幾乎為零

在漫長的世界歷史中，從基督誕生開始，一直到清朝康熙年間，相當於法國路易十四的巴洛克時代晚期，中間經過了1700年，全球產出平均每年約只成長 0.1%。那是一段經濟成長停滯的漫長年代。

任何短期的經濟成果，很快就會被新一輪的人口增長所稀釋，使社會整體的生活水平倒退回原點。

這又稱作為「馬爾薩斯陷阱, Malthusian Trap」。在長達數千年的農業社會裡，無論是東方的漢唐盛世，還是西方的古羅馬，絕大多數普通人的生活水平並沒有本質上的飛躍。

直到18世紀末，以蒸汽機為代表的技術革命在英國爆發，人類的生產力首次超越了人口增長的壓力，才擺脫了束縛，大幅拉升經濟的發展曲線。

如果通用人工智慧，引發另一次的經濟爆炸，那會發生什麼事？

工業革命後，年均經濟成長率從從 1% 到 2.5%，中間花了將近一個世紀的時間。看似緩慢，但已經為世界帶來翻天覆地的影響。

如果通用人工智慧（Artificial General Intelligence, AGI）引發一場經濟爆炸，將全球年度 GDP 增長率推升至20-30% 甚至更高，那世界將會變得如何？

人工智慧的自我改進特性，將成為成長的飛輪

要分析未來的改變，首先要先知道經濟成長可能從何而來。

過去的技術如蒸汽機或電力，是人類創新的工具，是人類在主導創新，但人類也成為創新的主要瓶頸。到了AGI 時代，人工智慧則可能成為創新的主體，而不再受限於人類。

飛輪的第一步，是資本再投資：自動化帶來的早期巨大回報，將被重新投入到硬體和軟體的研發中，形成一個正向循環。研究智庫 Epoch AI 所建立的經濟模型顯示，一旦AI 能夠自動化約三分之一的任務，年度 GDP 增長率就將超過20%，並持續攀升 。

再來是資訊資本 (Information Capital) 的自我繁殖。資訊資本指的是軟體、演算法、數據庫、專利、設計藍圖、數位內容等無形資產。跟傳統資本不一樣的是，它可以零成本地大量複製，而且沒有折舊減損的問題。

諾貝爾經濟學獎得主 William Nordhaus 認為這將帶來經濟學上的「奇點」。我們用聰明的工具去創造出新的成果，而這些成果又能馬上被用來打造出「更聰明、效率更高的工具」。這個過程不斷自我加速，快到超乎想像。

白領薪資將大幅下降，資本擁有者則獲益滿滿

經濟學的基本原理是，一個理性的雇主不會以高於成本的價格購買服務。當 AGI 可以用一定的成本完成某項工作時，同等的人類薪資就不會超過這個價格。沒有公司會願意支付比 AI 成本更高的薪水來雇用一名人類員工。

回頭看看翻譯、逐字稿登打、插畫繪圖等已經被 AI 淹沒的領域，你就能充分理解 AI 即將帶來的薪資下沉。

只有一小部分擁有與 AGI 互補技能的工作者，如頂尖的創意人員、戰略家或研發工程師，將獲得極其高昂的薪資 。他們的獨特才能因 AGI 的賦能而被放大，變得極其稀缺和有價值。

那獲利跑到哪裡去了？人工智慧的獲利預期會集中在少數技術領先的科技公司手裡。如果你擁有資本，擁有這些科技公司的股票，那你就有機會靠這些投資收益好好賺上一筆，成為資本受益人 (rentiers)。

這也解釋了矽谷流傳的一種說法：「當人工智慧爆炸發生時，你最好已經夠有錢了 (you had better be rich when the explosion occurs)」。

利率可能會大幅飆升

在一個預期將出現爆炸性增長的經濟體中，兩個強大的金融力量預期將同時作用。

首先，個人的儲蓄意願將大幅下降。既然明天全世界就可能變得極其富足 (abundance)、不愁吃穿，為何還要節儉儲蓄？其次，對投資資本的需求將急劇飆升，以支持建設AGI 所需的龐大基礎設施，如數據中心和能源生產。

為了平衡這兩種力量，經濟學中的拉姆齊法則 (Ramsey rule) 指出，實質利率必須上升到極高的水平，才能夠吸引人們儲蓄，從而滿足巨大的投資需求。

這意味著，如果 AGI 真的能帶動經濟大爆發，那麼大家都會瘋狂去投資掏金；未來「借錢的成本」也就是實質利率，照理說一定會跟著大漲。

各項資產價格進入未知的拔河賽

極高的利率將對各類資產的估值產生一場劇烈的「拔河賽」，高低起伏充滿了極高的不確定性。

在股票上，一方面超高速的經濟增長意味著企業未來的獲利將大幅提高，這對股價是正面的。但另一方面，飆升的利率將反過來抵消投資公司的意願，降低股票這類風險資產的估值。這兩種力量相互抗衡，使得對股價的影響變得很難捉摸。

在土地價格上，土地的供應是固定的。AGI 的發展可能需要將大片土地用在建設數據中心和發電場，從而推高地價。然而，土地也是對利率最敏感的資產之一，高利率將對土地價格構成巨大壓力。

在現金上，持有現金或存入銀行似乎是一個安全的選擇，可以直接受益於高利率，不必擔心資本價值波動。但這取決於一個關鍵前提：中央銀行必須及時、準確地認識到經濟狀況的劇變，並將利率提升到足夠高的水平。

如果央行反應遲緩，設定的利率過低，將導致失控的通膨，進而侵蝕現金的價值。

接下來可以觀察什麼？

耶魯大學經濟學家 William D.Nordhaus 認為，如果一個如此巨大的變革即將發生，我們不應該只耳聞這樣的故事，而必定會在宏觀經濟數據上，看到像地震儀一樣的明確警訊，包括：

1. 生產力增長率的急劇加速
2. 資本利得在收入中的份額顯著上升
3. 企業在 AI 和計算基礎設施方面投資的大幅增加
4. AI 在所有行業中加速替代人類勞動力

根據2025年八月初的科技巨頭財報，前三個指標都有進展。像是微軟、谷歌、META獲利都大幅飆升；資訊科技業的淨利潤率高達 24.8%，遠高於其他行業，也高於自身五年平均；以及全球科技巨頭都正在進行一場史無前例的AI基礎設施投資競賽等。

剩下勞動力的取代還沒有那麼明顯，只是不知道還能撐多久啊，值得繼續追蹤觀察…

》延伸閱讀書籍：

Power and Progress – 權力與進步：科技變革與共享繁榮之間的千年辯證

The AI Economy – 一個經濟學家的AI觀點：未來，剝削我們的是演算法，還是掌握演算法的「人」？

The Age of A.I. – AI世代與我們的未來：人工智慧如何改變生活，甚至是世界？

The Singularity Is Nearer – 奇點已近：當人類與AI融合一體


設計師別搞錯了，Lovart 的最終用戶不是你，而是甲方

[大衛選讀] 剛聽完 Lovart 創辦人陳冕的訪談。本來就很好奇這個設計工具的發展脈絡，聽完之後還真是蠻有趣味的。

根據陳冕自述的產品發展歷史，Lovart 的現況只是個過渡，隨著模型能力逐步增強，它就會立刻把握機會，從工具到代理，再從代理到直接販售價值。

在工具跟代理階段，設計師族群是早期用戶，是操作數據的來源跟融資談判的籌碼。一旦成熟到可以直接販售價值的階段，那設計師就變成是競業。

從技術發展來看，Lovart 的最大對手不是其他 AI 產品，而是 AGI。這像的人工智慧新創，一方面要賭 AI 模型會大幅提昇，另一方面要賭 AGI 不會在五年內到來。

很有趣的業內訪談。把幾個重點整理如下，原始 Podcast 連結則放在留言中。

AI 是全新的創作手段，會徹底改變創作

我們從第一天定的題目就是要做的是創作，我們相信的是 ：AI 會徹底改變創作。

陳冕將 AI 比喻成「新的照相機和新的畫板」，它不僅改變創作工具，更將顛覆創作的生產關係本身。

本質上，在上一波資訊化時代，其實帶來的只是工具的數位化。不論是圖像和視覺內容的創作，都還是依賴實體的相機，或是在物理或數位的畫板上進行手動繪製。要使用這些工具，都還是需要人類掌握特定的操作技能。

但是這一波 AI 變革，創作的手段整個變了。

AI 幫你拍照，它不需要一個相機就能幫你拍照，它是用擴散模型幫你拍照。而且 AI 不僅幫你照相，它也幫你畫畫，它是一種過往沒有見過、全新的創作手段。

近期新模型的能力提昇，帶來了 Agentic 設計流程自動化的機會

畫布 (Canvas) 的部分我們準備的很早，因為很早就判斷到，未來的 AI 工具的中期形態應該是一個畫布。

其實ㄧ開始我們想做的是 workflow，但是說白了就是當時模型的 Agentic 的能力其實不夠的。

後來也發現 workflow 這個東西在設計師那兒根本就不管用。因為設計師不講邏輯，講感覺。如果搭節點是你要自己把這工作流搭出來，對設計師來講，這是很難接受的。

轉折點出現在2024年12月左右，隨著像 Claude 3.5 這樣更強大模型的出現，模型的 Agentic 能力得到了顯著提升。我們就想到一個非常簡單的事情，這樣就可以用 AI 來幫設計師和創作者規劃工作流，不用自己動手了。

閱讀全文 設計師別搞錯了，Lovart 的最終用戶不是你，而是甲方

AI 變革的下一步，關鍵在從「模仿」到「重塑」

[大衛選讀] 最近 Anthropic 執行長 Dario Amodei 跳出來警告，AI 可能在五年內取代多達 50% 的初階白領工作。看著專訪影片，真的可以感受到他心中那股濃濃的急迫感。

對於未來 2-3 年內職場將有大變革，我是早就這麼看了。所以急迫感背後，我真正會去思考的問題是：顛覆後的下一步到底會怎麼走？

在這問題上，我覺得設計師的視角，遠遠比技術專家來得更有前瞻性。包含從歷史上來看，技術變革是怎麼進展的，分成哪些階段，我們現在又處於什麼狀態，該突破些什麼？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

歷史上所有的技術變革，都需要經歷一段歷程才會真正融入人類社會

面對 AI 這樣子的顛覆性技術，不用慌，重點是了解整體的脈絡階段。知道現在身在何處，以及未來可能會往哪裡去。

IDEO 前執行長 Tim Brown 就將技術顛覆 (disruption) 描述為一段持續演進的歷程，而不是單點瞬間的跳轉 (a journey, not just a momentary shift)。

他認為歷史上任何新技術的誕生，最初往往只有少數人能夠理解當中的部分意義。隨著時間的推移，當越來越多的人開始掌握這項技術，那些關於如何應用這些新技術的想法，就會如雨後春筍般湧現，這也才會開啟真正的變革旅程。

以馬車到汽車的轉變為例。第一批的汽車被稱作「無馬馬車, horseless carriages」。這名稱真的很好笑但貼切，因為它們僅僅是模仿了舊的馬車形式，但是多配備了引擎。

隨著時間演進，車輛的形式不斷發展。從過往馬車的設計，以人與動物互動為基礎，強調人與馬匹的溝通、控制與安全。再到福特T型車，著重如何高效率地製造和使用機械，提供標準的操控系統如方向盤、踏板等，以確保一般大眾都能容易且經濟地掌控這項新技術。這才讓人人都買得起，而且可以放心在路上開。

汽車技術漸趨成熟，進一步引發了整個汽車生態系的蓬勃發展，包含州際公路、加油站和修理廠等，整段發展旅程歷經了數十年。

雖然現在 AI 技術發展速度更快，但這種技術顛覆仍然遵循著類似的階段模式：新興 (Emergent)、演變 (Evolved)，然後是影響擴及整個系統的成熟 (Mature) 階段。

技術帶來的顛覆，可以拆解成為三進程

Tim Brown 將技術顛覆的歷程，切分為三個可理解預測的階段。首先是新興 (Emergent) 階段，人們最初會被新技術的神奇特性所吸引，甚至出現過度宣傳，認為它將改變一切。

然而，技術的早期應用往往只是以不同的方式，去模仿過去的做法。「無馬馬車」就是一個很經典的例子，而當前火熱的Gen AI，也正處於這樣的萌芽階段。

現在哪一個 AI 應用，不是用聊天對話框呈現？對話互動形式到處都是，但很大程度上還是在「用新方法做舊事情」，只是順勢延續了我們跟舊技術間的的互動操作模式。

現階段的 AI 人工智慧發展，最大程度也只是在新興的第一階段而已。

閱讀全文 AI 變革的下一步，關鍵在從「模仿」到「重塑」

人工智慧時代的職場變革：強者更強、弱者更弱？

[大衛選讀] 經濟學人近期在財經與經濟專欄中刊出一篇文章《How AI Will Divide the Best from the Rest》指出，AI 可能加劇就業市場的兩極化發展。高階人才和能夠掌握 AI 技術的人，將獲得最多的好處，而低階勞工則會面臨被取代的風險。

身為經濟學人的長期讀者，相較於過往傾向 AI 賦能弱者的論述，我可以明顯感受到，報導的風向正在轉變… AI 究竟會讓人人都變強，還是加大能力差異，或甚至是取代所有人？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

早期的樂觀預期：AI 幫助平等賦能 (AI as an equaliser)

說早期，其實也不過就是兩年前。2023年4月，史丹福大學 Erik Brynjolfsson 和麻省理工學院的 Danielle Li 與 Lindsey Raymond 的研究發現，生成式 AI 工具提高了新手客服人員的生產力達 34%，幫助他們更快更有效地進行問題查詢。相較之下，資深員工幾乎沒有獲得同等的效能提昇，因為 AI 只是強化了他們已經在使用的方法。

在這階段的研究裡，AI 技術似乎特別能夠幫助到，那些表現較差或技能較低的人群，使他們能夠生產出更高質量的工作成果，進而縮小與高績效者間的差距。

別高興得太早，故事還沒結束。

最新發現：AI 更可能會擴大差距 (AI as a Divider)

然而，近期 MIT 麻省理工學院在 2024年12月的研究中發現，頂尖研究人員在使用人工智慧來探索新材料時，研究效能的提升可以達到一倍以上；但是換到能力後段三分之一的研究員，有沒有使用 AI 則幾乎看不出差別。

這是因為擁有豐富專業知識的頂尖科學家，可以從AI生成的各種可能性當中，識別出較有希望的建議，並排除糟糕的選項。相較之下，能力後段的研究員則很難從大量五花八門的輸出中，篩選出有用的假設。

隨著更多研究證據的出現，早期認為 AI 會成為「偉大平等工具」的樂觀預期已開始動搖，取而代之的是 AI 可能會擴大現有差距的擔憂。

差異的關鍵：任務複雜度

仔細比較前後的差異，會發現兩年前的研究，更多關注在那些相對標準化和結構化的任務上，例如客服諮詢回應、基本文件生成，或是合約起草。在這些領域中，AI 確實能夠提供明確的指導和協助，對缺乏經驗的人員尤其有效。

然而當工作牽涉到複雜判斷、創造性思維，以及綜合分析的困難任務時，那就沒有標準答案了。高技能專業人士比起一般人，更能夠準確評估 AI 輸出的質量好壞、識別其侷限性，並將 AI 生成的結果與自身專業知識，有效地連結整合起來。

這種能力上的差異，在簡單任務中或許看不出來，但在複雜任務中卻會被明顯放大。

這形成了一種倒置效應：一旦任務的複雜性提高，AI 弭平人類能力差距的效果似乎會減弱；甚至會完全倒過來，進一步加大了能力上的差距。

強者更強，但可能最終還是逃不過自動化

經濟學家估計，過去 40 年來美國工作者的薪資差距不斷擴大，其中超過一半是由於以前由人類勞工完成的任務被自動化所取代。他們發現，經濟產出中，支付給工人的薪資比重不斷下降，而用於機械和軟體的支出卻不斷增加。

閱讀全文 人工智慧時代的職場變革：強者更強、弱者更弱？

當我們讓人工智慧代筆時，究竟失去了什麼？

[大衛選讀] 平常在開會或做設計討論時，我多半會打開筆記本，霹靂啪啦開始寫東西。有些設計師會問我，腦袋想就好，為什麼一定要打字？

這大概是研究所以後養成的習慣吧，一開始是為了把議題記錄下來，避免遺漏了而寫。後來慢慢演變成，只有三成記錄眼前脈絡，更多的是記錄腦袋裡的想法。

所以我的筆記除了聽到的重點之外，大部分會是我腦中的提問、可能的假設，以及後續的規劃與建議。有邊想邊記錄下來，思緒會變得很清晰，而且很快就能進入反思與決策。

生成式 AI 一鍵就可以錄音並且總結會議記錄，一開始用很驚艷，可是用著用著，我發現思考變慢變薄了，有一種腦霧感。

仔細想想，我的體感經驗完全呼應到 Paul Graham 所說的：寫作本身就是思考 (writing is thinking)。寫作本質上是一個擴充腦力、精鍊邏輯思維的過程，而不只是生成文字而已。

很快地，未來大量的寫作工作一定會被外包給 AI。但是思考跟語文能力的鍛鍊，想要讓腦袋變聰明，就更需要靠自己有意識地健身勞動了。

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

寫作就是思考，難以簡化，而且頗有壓力

Paul Graham 前一陣子寫了篇文章，名為《Writes and Write-Nots, 會寫作，與不寫作的人》。他認為，寫作本身就是思考 (writing is thinking)。寫作早已內嵌在許多工作中，而且工作的影響力越大，往往需要越多的寫作。

寫作本質上是件很困難的事，而且難以簡化。要寫得好，你必須思考清晰 (think clearly)，而清晰地思考是件難事。

腦袋沒想清楚，寫得狗屁不通已經夠糟；如果還沒有深入思考，就去抄襲別人的文字，那就更慘了。字裡行間會顯露出瑣碎、平凡，而且缺乏洞見與思辨能力。

寫作，確實是件頗有壓力的事情。

一旦可以把寫作外包給 AI，人類將往兩個極端走

然而 AI 打開了一個新的可能性，生成式人工智慧一出現，幾乎所有寫作的壓力都已散去。無論是在學校還是工作中，幾乎都可以讓 AI 幫你代筆。

可清楚預見的，把寫作外包給 AI 的趨勢會加速發展。過往那個嘔心瀝血構思文句的繁重工作，一旦可以外包出去，那種一鍵生成快速便利的感覺，真是會令人感到興奮。

舉凡公司郵件、法律文件、伴娘致辭、訃文等，可預見的是，人工智能寫作將無處不在，要生成多少文字就有多少文字，甚至跟真人寫的沒什麼差別。

結果是，這個世界將分成兩群人：寫作者 & 非寫作者。喜歡寫作的人會變得更為優秀、更懂得思考；而其他人則會變得更加不擅長這些事情。

人工智能魔法的便利性，是有其代價的 (the convenience of AI magic comes at a cost)

AI 生成取代寫作，不僅是一種自動化的進程而已。這並不像是從算盤過渡到電子計算機那樣，只是計算上的勞力替代。讓人工智能為我們寫作的後果，實際上更加危險。

閱讀全文 當我們讓人工智慧代筆時，究竟失去了什麼？