AI 時代的工作大重組:重新思考職涯的 5 個關鍵觀念

隨著生成式 AI 快速發展,許多人開始擔心:自己累積多年的專業技能,未來是否還有價值?當 AI 能快速完成複雜的分析與技術工作,人類還有哪些不容易被取代的能力?

過去,企業的運作大多圍繞著效率與規模,將工作拆解成不同職位,透過明確分工追求更高的生產力。

但 AI 正在改變這套模式。資料分析、程式撰寫、報表製作等工作,越來越多可以交由 AI 協助,甚至自動完成。

這不代表所有工作都會消失,而是工作的內容與價值正在重新分配。

本文整理《工作大重組》的 5 個重要觀念,思考如何在 AI 時代重新認識自己的能力,調整工作方式與職涯方向。

一、軟技能不再只是加分項:AI 時代的「5C 人類能力」

過去,企業重視資料分析、程式設計等「硬技能」,而將溝通、同理心與人際互動視為輔助性的「軟技能」。

但當 AI 越來越擅長處理技術性與規則明確的工作,這些軟技能反而變得更加重要。

書中整理出 5 種值得培養的人類能力,稱為「5C」。

1. 好奇心(Curiosity)

AI 擅長從既有資料中尋找答案,但我們也需要思考:是不是還有其他值得問的問題?

例如,小兒麻痺疫苗的研發者喬納斯·索爾克(Jonas Salk),探索利用失去活性的病毒建立人體免疫力的可能性,最終促成疫苗的成功。

在工作中,與其不斷思考如何更快完成某項任務,也許可以先問:「這項工作真的有必要嗎?有沒有其他解決方式?」

有時候,提出好問題,比更快找到答案還重要。

2. 勇氣(Courage)

勇氣不是不害怕,而是在資訊不完整、結果不確定時,仍願意做出判斷並承擔責任。

例如,阿波羅 13 號發生危機時,太空人與地面團隊必須在時間與資源有限的情況下,迅速做出決策。

職場上也是如此。工程師可能需要主動提出新的技術架構,業務主管也可能需要坦承既有方案的不足。

AI 可以協助分析風險,但是否採取行動,以及如何承擔後果,仍需要人來決定。

3. 創造力(Creativity)

創造力不只是藝術創作,也包括重新組合既有事物,找出不同的解決方式。

史帝夫·賈伯斯(Steve Jobs)並沒有發明電腦或手機,但他重新整合技術、設計與使用體驗,創造出新的產品形式。

Spanx 創辦人莎拉·布蕾克莉(Sara Blakely)則從剪掉絲襪腳部的生活經驗出發,發展出新的塑身衣產品。

AI 已經能協助發想與設計,人類則需要進一步判斷:哪些想法值得實現?如何讓它們真正解決問題?

4. 關懷力(Compassion)

AI 可以辨識情緒、生成安慰的文字,但關懷不只是說出適當的話,也包括理解對方的處境,並願意採取行動。

例如,醫師除了說明診斷結果,也需要理解病人的感受;主管發現同仁面臨家庭困難時,可以主動調整工作安排。

這些行動不只是完成工作,更是在建立信任。

5. 溝通力(Communication)

溝通不只是傳遞資訊,更重要的是讓不同背景的人理解彼此,形成共識並採取行動。

馬丁·路德·金恩博士以「我有一個夢想」(I Have a Dream)的演說,傳達對平等與自由的期待,凝聚人們共同的信念。

職場上也是如此。技術主管除了理解技術問題,也需要讓不同部門理解決策的原因,才能有效推動改變。

能夠把複雜問題說清楚、理解不同立場並凝聚共識,是值得持續培養的能力。

從軟技能到核心能力

心理學家丹尼爾·高曼(Daniel Goleman)早在 1990 年代便開始推廣情緒智商(Emotional Intelligence)的重要性。

到了 AI 時代,當技術性工作越來越容易自動化,好奇心、勇氣、創造力、關懷力與溝通力,將成為人類持續創造價值的重要基礎。

「當 AI 開始接手那些長期耗費我們大量時間與精力的『更多、更好、更快』的工作之後,我們終於有機會重新尋回那些只有人類才能勝任的工作,也就是能展現人類獨特優勢的工作。」

二、忘掉你的「職稱」:用三類任務重新盤點工作

當別人問:「你是做什麼的?」我們通常會用職稱回答,例如軟體工程師、行銷經理或財務分析師。

但 AI 對工作的影響,往往不是一次取代整個職位,而是逐步改變其中的各項任務。

例如,軟體工程師除了撰寫程式,也需要設計架構、討論需求與協調團隊。這些工作受到 AI 影響的程度並不相同。

因此,與其問「我的職位會不會被 AI 取代」,不如問:

「我每天做的工作,有哪些可以交給 AI?哪些仍然需要我?」

作者建議,可以列出自己最常執行的任務,再分成三類。

第一類:AI 可以自行完成的任務

具有明確規則、固定流程,或需要大量資料處理的工作。

例如,檢查資料錯誤、製作例行報表、回答常見問題、搜尋與分類資料。

這些任務重視速度、準確性與一致性。如果每天大部分時間都在處理這類工作,就值得思考如何降低對這些任務的依賴。

第二類:適合人機協作的任務

結合 AI 的資料處理能力,以及人類的經驗與判斷。

例如,AI 分析市場趨勢,人類判斷哪些值得關注;AI 產生技術文件初稿,人類負責確認內容並補充實務經驗。

關鍵不只是學會使用 AI,而是知道如何提出問題、檢查結果並做出判斷。

第三類:高度依賴人類能力的任務

涉及複雜人際互動、價值判斷、責任承擔或創新思考的工作。

例如,理解談判對象未說出口的顧慮、處理利益衝突、建立客戶信任,或重新定義產品方向。

這些工作也能利用 AI 協助,但仍高度依賴人類對情境的理解與判斷。

如何調整自己的工作?

盤點完三類任務後,可以逐步將第一類交給 AI,把更多時間投入第二類的人機協作,以及第三類高度依賴人類能力的工作。

這不代表要放棄原本的專業,而是讓專業能力與 AI 互相配合,把時間用在更有價值的地方。

「AI 不在乎你的職稱,也不會理會工作職責的界線。它逐步接手工作中的各項任務,從內部改變現有的職位。」

三、職涯不再是「梯子」,而是一面「攀岩牆」

過去,我們習慣把職涯想像成一座階梯:從基層員工開始,逐步升任主管、經理、處長,以職稱、薪資與組織層級衡量成功。

但隨著技術快速改變、組織逐漸扁平化,職涯不一定還能沿著同一條路持續往上。

作者提出一個有趣的比喻:

職涯更像是一面「攀岩牆」,而不是一座「階梯」。

攀岩時,有時需要橫向移動,甚至暫時往下,才能找到更適合的支撐點。

職涯也是如此。轉換部門、學習新領域或接受不同性質的工作,雖然不一定是升遷,卻可能創造新的機會。

在這樣的職涯模式中,可以持續思考三個問題。

1. Why:你為什麼工作?

理解自己真正重視的是什麼。

有人追求財務安全感,有人喜歡解決技術難題,也有人希望創造產品或協助他人成長。

這些目標沒有標準答案,也可能隨著人生階段改變。重要的是理解自己的動機,而不是只依照外界對成功的定義做選擇。

2. What:你能帶來什麼獨特價值?

當 AI 讓許多技能更容易取得,單靠一項專業能力,可能越來越難維持差異。

這時候,跨領域能力的組合就變得重要。

例如,一位工程師除了熟悉技術,也具備產業洞察、產品思維與跨部門溝通能力,就更有機會在複雜的產品開發中發揮價值。

3. Where:你想往哪裡去?

思考什麼樣的環境,能讓自己的能力發揮價值。

有人適合大型企業,有人喜歡新創公司的快速變化,也有人希望投入教育、研究或社會服務。

除了薪資與職稱,也值得考慮組織是否願意培養人才、接受新技術,以及提供持續學習的機會。

人脈也不再只是向上尋求提拔

傳統職涯強調尋找導師(Mentor)或支持自己升遷的贊助者(Sponsor),但在攀岩牆的模式中,橫向的人際網絡也很重要。

書中借用攀岩的概念:Spotter(保護員)。

攀岩時,保護員協助注意風險,攀岩者之間也會分享路線攻略。

職涯中的同事、朋友與不同領域的夥伴,也能提供不同觀點、分享經驗,幫助我們看見原本忽略的機會與風險。

職涯發展不一定只靠主管提拔,也可能來自同儕之間長期的交流與合作。

「你的職涯現在是一面攀岩牆,不是一座階梯。那條可預測的道路已經消失,取而代之的是多元的路線選擇。」

四、培養「創業家思維」,走出不必等待許可的成長路徑

AI 正在降低許多工作的技術門檻。過去需要專業團隊才能完成的網站、軟體原型與資料分析,如今個人也能利用 AI 工具完成其中不少工作。

這讓「創業家思維」不再只是創業者需要的能力。

所謂創業家思維,不一定是成立公司,而是善用有限資源,主動解決問題、測試想法,並從實際結果中學習。

作者透過兩個故事,說明能力與機會不應該只由學歷或傳統職涯路徑決定。

1. Byron Auguste:能力不一定來自大學學歷

Opportunity@Work 共同創辦人拜倫·奧古斯特(Byron Auguste)指出,美國有超過 7,000 萬名工作者,雖然沒有四年制大學學位,卻透過其他途徑培養出專業能力。

他的父親就是一個例子。因家境因素只讀了一年大學,後來利用工作之餘自學 COBOL,成功轉職為程式設計師,逐漸成為該領域的專家。

拜倫因此推廣 STARs(Skilled Through Alternative Routes)的概念,主張企業應重視實際能力與發展潛力,而不只是學歷。

2. Diego Rubio:不必等待別人給你機會

迪亞哥·魯比歐(Diego A. Rubio)沒有大學學位,求職時屢屢碰壁。

他決定不再等待企業錄用,而是走上 Permissionless(無須許可)的道路:直接在現實世界中創造價值。

2017 年,他創立人才招募公司,透過解決客戶問題,逐步建立自己的事業。

他的故事提醒我們,有時候先做出成果,也能為自己創造機會。

AI 讓個人更容易展現實際能力

過去開發產品需要資金、技術團隊與較長的準備時間。現在,利用 AI 工具,個人就能更快製作原型、測試想法。

因此,除了學歷與職稱,個人作品集(Portfolio)也越來越值得重視。

例如,開發實用工具、完成產業研究,或公開分享解決問題的過程,都能具體展現自己的能力。

與其等待別人給予機會,不如先嘗試做出有價值的成果。

「聰明的公司看的是潛力,不是出身。」

五、非典型經歷與「外來者視角」,也可能成為你的優勢

我們經常把理想職涯想像成一條順利發展的道路:接受良好教育、進入理想公司、累積專業能力,再逐步升遷。

但現實生活不一定如此。

有人曾經中斷學業,有人換過許多工作,也有人因為家庭背景或成長環境,走過與多數人不同的道路。

這些經歷有時被視為缺點,卻也可能帶來不同的觀察角度與解決問題的能力。

1. Leena Nair:把與眾不同的經歷轉化為優勢

香奈兒(Chanel)全球執行長莉娜·奈爾(Leena Nair)成長於印度小鎮。

她加入聯合利華(Unilever)時,成為管理培訓計畫第一位女性工程畢業生,也曾是南印度工廠第一位參與夜班輪值的女性。

她在男性為主的工作環境中逐步累積經驗,後來升任聯合利華全球人資長,並於 2022 年出任香奈兒全球執行長。

她的經歷說明,不同的背景雖然可能帶來挑戰,也可能幫助我們看見既有制度中被忽略的問題。

2. Barbara Corcoran:從挫折中找到自己的方法

芭芭拉·科克蘭(Barbara Corcoran)是美國房地產企業家,也是《創智贏家》(Shark Tank)的投資評審。

她在 23 歲前換過 22 份工作,後來與男友共同經營房地產事業。兩人分手時,男友對她說:「沒有我,你永遠不可能成功。」

這句話成為她努力證明自己的動力。

她透過高品質的房屋照片與市場趨勢報告,建立公司的差異化優勢,最後以約 6,600 萬美元出售科克蘭集團(Corcoran Group)。

她的經歷說明,非典型的工作背景與人生挫折,也可能成為創業時的重要資產。

不同的經歷,可能帶來不同的價值

AI 可以整理成功案例、分析資料並提出建議,但每個人如何理解自己的經歷、從挫折中學習,仍然具有個人的獨特性。

例如,曾經創業失敗的人,可能更理解經營者的壓力;轉換過不同專業的人,可能更容易看見跨領域合作的機會。

這些經歷不一定會直接成為職場優勢,但透過整理與反思,有機會轉化為自己的能力與價值。

「AI 永遠不會明白,當你曾經感到羞愧的過去,最後成為寶貴的人生智慧時,會是什麼感覺。」

小結

AI 正在改變工作的內容,也讓我們有機會重新思考職涯發展的方式。

AI 的發展帶來不確定性,也可能讓部分工作受到衝擊。但它同時提供了重新調整工作方式的機會。

我們不一定需要放棄過去累積的專業,而是可以思考如何善用 AI,把更多時間投入真正重要的事情。

最後,也許值得問自己三個問題:

如果 AI 能幫我完成一半的日常工作,我想把省下來的時間用在哪裡?

除了目前的職稱與專業技能,我還有哪些值得持續培養的能力?

如果職涯不再只有向上升遷這條路,我希望接下來往哪個方向探索?