分類: AI 人工智能

AI 的紅利該怎麼分，是當下享受果實，還是留種子給未來？

[大衛選讀] 五月剛過，剛把綜所稅繳完，看著錢從帳戶扣走，多少有點心痛呀。但巧的是，全世界也同步在熱烈討論一件相反的事情：當 AI 讓某些產業暴賺，政府是不是該出手，把盈餘「重新分配」給每一位國民？

今年四月，OpenAI 剛丟出一份政策白皮書，主張政府應該設立國家財富基金，讓每個公民都能分到 AI 成長的果實。真正值得玩味的，是那個提出的人。

OpenAI 執行長 Sam Altman 曾是「UBI 無條件基本收入」最大的倡議者，還自己出錢做了一場全美數一數二的大實驗；但今年他卻公開改口，說自己現在更感興趣的，是讓全民「擁有一份股權」，而不只是領張支票。

先不論他的動機跟自己公司 IPO上市是否有關係，現在確實很多的趨勢分析跟討論，都從「發錢」轉向了「持股」。

我的想法是：把 AI 盈餘當成「可以馬上分掉的果實」，而不是「能種出未來的種子」，是一個很昂貴的誤會。

這叫「把種子當飯吃, Eating the Seed Corn」。

接下來談談，為什麼普發現金這條路並不理想，以及世界上有沒有其他人，已經走出了一條更好的路。

為什麼「直接發錢」，並不如想像中有用

我們先來細看 Sam Altman 的那場實驗。

從 2020 到 2023 年，他資助的研究團隊每個月發給上千個低收入者各一千美元，連發三年，然後跟每月只領五十美元的對照組比較。這場實驗本來想證明的，是「無條件發錢，能接住被經濟衝擊的人」。

結果跟預期很不一樣。

領錢的人確實多花了一些，主要花在房租、食物和交通，當下的壓力也減輕了。但深入看長期的分析數字，問題就浮現了：他們的工作時間減少了，把現金補助扣掉之後，靠自己賺到的所得，反而比對照組更低。而早期出現的一些好處，像是比較不必為三餐發愁等，過一兩年也就慢慢淡掉了。

這不是說發錢「沒有用」，它確實緩解了當下的窘迫。

但它點出一件事：直接發現金，比較像吃止痛藥，對於體質改善並沒有幫助。它能讓這個月好過一點，卻很難改變明年的處境。

而 AI 對就業的衝擊，偏偏是個需要改善體質的長期問題。它不只是讓你這個月手頭緊，而是可能讓整個工作職位逐步流失。

更麻煩的是「一次性」的問題。

閱讀全文 AI 的紅利該怎麼分，是當下享受果實，還是留種子給未來？

為什麼導入 AI 好像省了點力，可是公司卻還在原地踏步？

[大衛選讀] 過去這半年，很多中小企業的老闆都在煩惱同一件事：公司到底要怎麼「全面 AI 化」？

我也常被問這一題。但仔細想想，大家說不定還沒搞清楚，自己要追求的是什麼。

多數人想像的「AI 公司」，是員工每個人都很會用 AI，產出速度能快個兩三成。這當然很不錯，可是它離真正的目標還很遠。

新創加速器 YC 的合夥人 Tom Blomfield 分享過一個說法，他把那個真正的目標叫做「holy shit 時刻」。那不是 AI 把工作做得更快，而是 AI 自己跑完了一整個迴圈，自主發現哪裡出錯、想出怎麼改、然後直接動手修掉。

我自己帶過不少設計團隊，最近認真想清楚這件事的時候，確實有點被打醒的感覺。

接下來想拆解的，就是這個時刻的本質：它到底是什麼、為什麼難，以及為什麼對一家三十人以上、有好幾個團隊的中小企業來說，它的意義特別深刻。

先試著分清楚：是開環，還是閉環

要理解 Tom Blomfield 說的 holy shit 時刻，得先看懂它的反面。

絕大多數公司，本質上都還是「開環組織, Open-Loop Organization」。即使是那些已經導入一堆 AI 工具的公司，也一樣。

這是什麼意思？AI 產出一份初稿，設計師改完、交件，結束。這次改稿學到的東西，留在那個設計師的腦袋裡，沒有回流到任何系統。

下一次別的同事遇到同樣的問題，還是得從頭再撞一次牆。這個學習反饋的迴圈是斷掉的。

「閉環」則完全不同。系統感測到訊號（像是提案被退、客戶抱怨、專案延誤等），就自己分析原因、調整做法，然後再把結果餵回去做比對跟分析。

關鍵差別不在「有沒有用 AI」，而在「那條學習的路徑，有沒有接起來」。

閱讀全文 為什麼導入 AI 好像省了點力，可是公司卻還在原地踏步？

AI 這一波，正在把專業工作者分成兩種人

[大衛選讀] 現在每天都一堆 AI 相關新聞，看到都膩了，但是上週這則新聞，確實值得專業工作者多看兩眼。

Anthropic 跟全球最大私募基金 Blackstone、Goldman Sachs、Hellman & Friedman 共同成立一家新公司，總共投入 15 億美元，要把 Claude 直接送進這幾家金主旗下的數百家企業使用。同一天，OpenAI 也宣布跟 TPG、Bain Capital 做幾乎一模一樣的事。

這幾家湊在一起不是隨便兜的。Blackstone 是全球最大的另類資產管理公司，手上有 250 多家投資組合公司；Hellman & Friedman 是企業軟體 PE 的老玩家；Goldman Sachs 帶來的是 3.65 兆美元的資產管理規模，以及未來上市時的承銷通路。三家拼起來，等於「客戶池、軟體業 know-how、資金與 IPO 出口」通通一站到位。

更值得注意的是，Anthropic 隔天緊接著又發了一個重磅更新：跟 Microsoft 365 完整整合、跟 Moody’s 數據合作、推出一系列華爾街專用的 AI agent。兩天連發、密度高得反常。

很多媒體把這解讀成「AI 公司也跳下來做顧問諮詢了」。

但我覺得這個切入太表面。如果你是顧問、是專案經理、是產品企劃，是任何一種把「思考能力」當作謀生工具的人，這個合資案真正想告訴你的是另一件事。

產業裡在賣的東西，已經從「建議」換成了「結果」。

接下來聊三件事：模型競賽為什麼結束、分發競賽派出來的是什麼樣的人，以及顧問業的金字塔為何正在崩塌。然後最後一段，我想把這些訊號拉回你身上，看看這對於專業工作者來說，到底意味著什麼。

觀察一：模型競賽結束了，分發競賽開始了

過去三年，AI 圈最熱鬧的事是模型本身。誰的 benchmark 拉高、誰離 AGI 又更近一步、誰的 scaling laws 撞到了天花板。每隔幾週就有人在拼跑分、搶排名，整個產業像在跑一場永不停歇的馬拉松。

但到了 2026，這場馬拉松其實已經分不出有意義的勝負了。

Ramp 是一家企業支付平台，看得到上萬家公司的真實 AI 採購數據。他們三月的觀察報告指出：一年前，業界共識是 AI 模型公司沒有護城河，模型會商品化，最後會變成比誰更便宜的競賽。但這並沒有發生。Anthropic 的 Claude Code 跟 OpenAI 的 Codex 在效能上差不多，企業卻明顯在做選擇，而這個選擇，不純粹只看效能。

換句話說，模型本身已經變成商品化的底層，差異化必須從別的地方來。

那是從哪裡來？這就是 AI 公司這幾個月不再迴避的事。合資案宣布同一天，Anthropic CFO Krishna Rao 在記者會上說：「我們跟全球頂級系統整合商的合作，是 Claude 觸及大型企業的核心管道。」

淺台詞是：Anthropic 的競爭優勢未來不靠全靠模型，而是要靠分發通路。

這個轉變不是 AI 公司想換戰場，是被現實逼的。MIT NANDA 去年底調查上千家企業，數字相當尷尬：100 家有 80 家評估過 AI 工具，但真正用起來、嵌進日常工作的只有 5 家。剩下 75 家停在「試用過、覺得不錯、但不知道怎麼往下走」。這樣看來，模型再進步 30%、50%，也救不回那 75 家。卡住的從來不是模型，是中間那段沒人鋪的最後一哩路。

所以才會有上週這個合資案，而且 OpenAI 同一天也跟 TPG、Bain Capital 合作幾乎一模一樣的事。模型競賽分不出勝負了，現在真正比的是分發競賽。

方向清楚了，那這場仗，要派誰去打？

閱讀全文 AI 這一波，正在把專業工作者分成兩種人

在設計競賽評審桌上，我發現 AI 時代最缺的是「摩擦力」

[大衛選讀] 話說這一兩年我參加了不少設計培育競賽的評審，常常會遇到同一種失望。提案簡報打開，視覺震撼得不得了。Midjourney 生成的概念圖、Figma Make 跑出來的原型、Sora 做的情境影片，一個比一個還精緻。

但只要稍微追問一下：

「這個長照裝置，照服員加班到晚上 10 點還會想用嗎？」

「這個流程總共有七步，使用者如果中途放棄了會怎麼辦？」

整個提案就塌了。

這不是學生不認真，而是他們從來沒有被逼著，去好好想過這些問題。接下來我想聊的是：這件事為什麼在 AI 時代會變得特別嚴重，以及這些年親手帶人、做設計之後的一點反思。

沒了摩擦力，設計的判斷力也容易一起弄丟

做設計這件事，以前有一層很重要的摩擦力。

你腦袋裡想到一個很炫的概念，這時候必須手繪、必須做模型、必須用繪圖軟體一頁一頁刻出來。過程中會自然遇到各種「做不出來」、「邏輯不通」、「比例怪怪的」。

這些卡關，會逼你在動手的過程中，默默把腦袋裡的概念打磨修調成真正的現實。

換句話說，設計師的判斷力不是讀理論讀出來的。它是在一次又一次「做出來發現不對、再改、再做」的過程中長出來的。沒有這些過程，你永遠不會知道什麼叫「這個比例怪怪的」、什麼叫「這個互動用起來腦袋會打結」。

AI 來了之後，把這層摩擦力幾乎全部拿掉了。

Nielsen Norman Group 去年一篇文章標題下得很精準：「Good from Afar, But Far from Good」，意思是：遠看很好，近看完全不行。AI 產出的原型外觀上像成品，但底下缺乏真實產品需要的結構、邏輯和實用考量。

說白了，這就是大家常常感覺到的「AI 很豐滿，但現實很骨感」。

科技圈追求無縫流暢的使用體驗，追了十幾年，確實一切越順越好、越無感越好。但把同樣的邏輯套到學習上，災難就發生了。

當你想到什麼、AI 就給你什麼，一路超順的狀況下，你根本沒機會發現「這個想法哪裡不太對」。

久了，你不只是沒學到，而是連「分辨什麼是真的好」的能力，都一起弄丟了。

AI 是好是壞，取決於你踩過了多少坑

講到這裡，你可能會想問：那 AI 到底是不是壞東西？

閱讀全文 在設計競賽評審桌上，我發現 AI 時代最缺的是「摩擦力」

為什麼我要連續寫 150 篇「財報裡的故事」？

我本來就喜歡看各家公司的財報。教孩子用財報學投資的時候要看，做設計顧問案時透過年報掌握企業經營方向也要看。財報對我來說，不是投資工具，比較像是理解一家公司「到底在忙些什麼」的窗口。

但是我長期付費訂閱的幾個財報分析電子報，一半以上的篇幅都在講數字。像是營收成長多少、EPS 打敗預期多少、管理層給了什麼 guidance。看完常常一頭霧水，得自己再花好多時間補脈絡，才搞得懂那些數字背後到底在說什麼事。

既然每次都要自己做功課，那不如自己來。用 AI 做多輪深度研究，問自己真正感興趣的問題。寫一篇自己看得懂、讀了能夠有啟發的文章。

這就是「財報裡的故事」這個系列的起點。接下來聊聊，連續寫 150 篇之後，我體會到了什麼，又學到了什麼。

不給自己退路，才能真的測出 AI 輔助寫作的上限

開始決定要做的時候，我問自己的不是「能不能寫一篇好的財報分析」，而是一連串設計辯證的問題。

寫一篇可以，那連續寫個 150 篇呢？寫自己熟悉的科技公司可以，那每次都寫不同產業、不熟的領域呢？寫一輪可以，那同一家公司寫第二輪，還能寫出有趣、有深度的洞見嗎？

說實在的，我也不知道答案。所以得親手試看看。

既然要做，那就做過癮一點。我對自己的要求不是週更，而是日更。即使是農曆年假、清明掃墓，也都每天定時發稿。不給自己退路，也不給自己挑軟柿子的空間，這樣才真的可以測試出，AI 協助研究寫作的極限在哪裡。

一開始比想像中輕鬆，真正的挑戰從後面才開始

前面 30 篇，我幾乎覺得這件事，比我預期的還更輕鬆有餘裕。

使用 AI 做深度研究的能力極好，跨領域的題目，效果尤其顯著。像是寫 Vivino 的時候，一個紅酒評分 App，它能幫我把七千萬用戶的群眾評分機制、葡萄酒產業的專家壟斷結構、再到平台經濟從「評分」跨到「電商」的商業模式轉型，全部交叉比對在一起。

寫 Coupang 酷澎的時候，從韓國電商的火箭配送邏輯、到它怎麼用虧損換規模再反轉獲利，一路串到社會現象觀察，台灣消費者為什麼開始在上面下單等。那種跨領域串連比較，所帶來的驚喜感，是以前純靠自己手搓做研究很難達到的。

但寫超過 30 篇，挑戰才真正開始。

閱讀全文 為什麼我要連續寫 150 篇「財報裡的故事」？

從 Anthropic 研究數據看設計產業：強者更強的時代來了

[大衛選讀] 聊到 AI 對設計產業的影響，我們很容易被兩種情緒牽著走。一種是「超級創作者」的美好想像，彷彿工具一上手，人人都能效能倍增。另一種則是「人類會被取代」的悲觀預言，好像創意工作的末日已經開始倒數。

但這兩種說法講得再熱鬧，終究都帶著主觀情緒。真的值得我們停下來看的，還是近期的研究資料到底怎麼說，因為實證數據通常比口號可靠得多。

Anthropic 在 2026 年 1 月發布的《Anthropic Economic Index: economic primitives》，把討論從抽象拉回到可觀測分析的實際使用樣貌。這份報告不只是在分析「大家用 AI 做什麼」，而是把 AI 工作拆成幾個底層的概念，例如 autonomy、skills 等，讓我們可以更清楚看到「AI 是如何帶來改變的」。

研究結果發現，AI 不只是把創造力變得更容易，它也像一面鏡子，會直接映射使用者本人，把腦中本來就有的知識厚度、認知能力與判斷力加以放大。

所以，真正違反直覺的地方在這裡。AI 不一定是在拯救平庸，它更像是在加速分化。

當工具讓「做出來」變得很便宜，甚至接近零成本時，真正稀缺的價值就會變成「想清楚、看得準、說明白」。

我們或許可以把這種現象叫做「能力倒置, Competence Inversion」。技術執行的價值正在往下掉，而邏輯架構、系統性分析跟品味的價值，反而變得更關鍵，而且更難被複製。

為什麼會這麼說，我們往下看下去。

數據告訴你：設計圈早就在用 AI，但強弱差距只會更大

如果只看熱度，你可能會以為設計產業只是順手用 AI 產圖、改文案，算是跟風而已。但從 Anthropic Economic Index 的觀測來看，創意設計類的使用量其實一直都不小。早在 2025 年 2 月的 Index 初版裡，「Arts, Design, and Media」就已經是第二大類別，佔比 10.3%，只輸給程式類別。

到了 2026 年 1 月這份 economic primitives 報告，它改用更完整的名稱「Arts, Design, Entertainment, Sports, and Media」。以 2025 年 8 月到 11 月來看，這個類別在 Claude 網頁端的使用佔比是往上走的，到了 11 月大約是接近一成左右。

但最讓人有感的，其實不是「大家有沒有在用 AI 做創意」，而是「本來就強的人，會用得更好」。

閱讀全文 從 Anthropic 研究數據看設計產業：強者更強的時代來了

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