AI 真正改變的，可能不只是我們工作有多快。 而是—— 一個人，究竟可以把多完整的一件事做完。 這可能會顛覆我們過去一百多年對「專業」與「分工」的想像。 工業時代最重要的生產力革命之一，是 Division of Labor。 把一件複雜的事情拆開，每個人只負責自己最擅長的一小段。 工程師寫程式、設計師做設計、財務算成本、法務看合約、PM 負責把大家串起來。 這套方法非常成功。 但事情切得愈細，也產生另一個成本： Coordination Cost。 於是我們開始花大量時間： 開會、對齊、寫信、等待、追蹤、報告，再開一次會確認上次會議的結論。 每個人都很忙，行事曆也排得滿滿的。 但一天結束時，偶爾還是會有一種奇妙的感覺： 事情做了很多，真正往前推進的，好像沒有想像中那麼多。 林之晨與蔡祈岩在《逆分工》中提出一個很有意思的觀點： AI 可能讓這個延續許久的趨勢開始反轉。 他們稱為： Reverse Division of Labor——逆分工。 不是從此不需要專業，而是 AI 大幅降低了「跨越專業邊界」的成本。 以前不會寫程式，只能找工程師。 不懂設計，只能等設計師。 不熟財務，只能請財務幫忙分析。 現在，一個人可以先透過 AI 做 Research、Analysis、Coding、Design、Writing，快速做出第一版成果。 AI 第一次讓許多原本需要「找另一個人」才能開始的事情，變成自己就可以先往前走。 所以，AI 最有趣的地方，也許不是讓原本 8 小時的工作變成 2 小時。 而是： 原本需要 5 個人接力完成的事情，現在一個人可能就能先完成 70%。 這是完全不同的生產力革命。 過去我們問： 「AI 可以幫我把這件事做快多少？」 未來更值得問的是： 「這件事，真的還需要切成這麼多段嗎？」 當 AI 把專業之間的牆降低，工作的基本單位可能會慢慢從 Task，重新變成 Problem。 而人的角色，也從流程中的一個 Node，重新成為對結果負責的 Owner。 但這不代表未來每個人都要變成「十八般武藝樣樣精通」的超人。 《逆分工》提出另一個我很喜歡的概念： Comb-shaped Talent——梳子型人才。 以前我們談 I-shaped、T-shaped、π-shaped Talent。 AI 時代更重要的，可能是一把梳子。 上面的「梳柄」，是你真正必須擁有的底層能力： Problem Framing、Judgment、Critical Thinking、Taste。 下面一根根「梳齒」，則是可以透過 AI 延伸出去的能力： Coding、Design、Finance、Legal、Marketing…… 你不需要成為每個領域的頂尖專家。 但你必須知道： 什麼問題值得解決？ AI 給的答案能不能相信？ 做到什麼程度才算真正的好？ 這也是為什麼，我愈來愈覺得： AI 降低的是「取得能力」的成本，卻提高了「做出判斷」的價值。 以前不會 Coding，可能連 Prototype 都做不出來。 現在 AI 可以幫你寫。 但 AI 寫出 5 個版本之後，問題反而來了： 哪一個才是對的？ AI 可以幫你做 20 張設計。 但最後仍然有人要回答： 哪一張真的好？ 當「產生答案」變得愈來愈便宜， 知道什麼是好答案，反而愈來愈昂貴。 而當 AI 讓我們可以跨越原本的專業邊界，另一件事也跟著改變了： 我們學習新東西的方式。 過去想進入一個陌生領域，通常是先學基礎、理解概念、練習應用，累積到一定程度之後，才有能力真正做出東西。 這樣的學習路徑，其實很接近教育學中經典的 Bloom's Taxonomy： Remember → Understand → Apply → Analyze → Evaluate → Create。 簡單說，就是： 先學會，再開始做。 但 AI 出現之後，這個順序可能開始反過來。 教育學者 Michelle Kassorla 提出 Inverted Bloom's Taxonomy： “We aren’t creating last. We’re creating first.” 也就是： 先 Create，再從做的過程中回頭 Understand。 例如想學寫 App，不一定要先讀完三本程式設計教科書。 可以先和 AI 做一個真的 App。 當它開始 Crash、資料錯誤、UI 很醜、Architecture 一團亂時—— 恭喜你，真正的學習才剛開始。😆 因為這時候，你開始有真正的問題想弄懂： 「為什麼不能這樣做？」 不過，「先做再學」有一個很重要的前提： AI 可以幫你跨出第一步，但不能替你走完整個學習過程。 如果只是下個 Prompt，拿到答案，覺得「看起來不錯」就交差，那其實沒有學到多少東西。 真正的學習，發生在接下來的過程： 為什麼 AI 這樣做？ 這個答案真的對嗎？ 有沒有更好的方法？ 如果條件改變，答案還成立嗎？ 所以 AI 時代更好的學習循環，也許不是單純的「先學再做」，也不是「叫 AI 幫我做完」。 而是： Create → Question → Evaluate → Learn → Improve。 先借助 AI 做出第一版， 再透過提問、判斷與修正，把 AI 的答案慢慢變成自己的能力。 AI 幫我們更快開始，而真正讓人成長的，仍然是開始之後的思考。 所以，如果想開始培養自己的「逆分工能力」，其實不用先學十套 AI 工具。 建議從三件小事開始： 第一，每週挑一件原本需要別人協助的工作，試著用 AI 做出 End-to-End first draft。 第二，每次 AI 給你答案，不只問「這答案對不對」，再多問一句： 「如果它是錯的，最可能錯在哪裡？」 第三，學新領域時，不一定先問： 「我要讀哪十本書？」 可以先問： 「我能不能先做一個小 Project？」 於是學習從： Learn → Do 逐漸變成： Do → Fail → Question → Learn → Improve。 我覺得「逆分工」最有意思的地方，在於它讓我們重新思考： 工作中的「我」到底是誰？ 工業時代，把一件事情切成十份，讓十個人各自變得更有效率。 久而久之，我們也很容易只看見自己負責的那一小塊。 AI 時代，也許正在給我們另一個機會： 把被切碎的工作，重新整合成一個完整的問題。 更重要的是， 讓那個長期只負責其中一小段的自己，重新看見事情的全貌。 未來真正重要的，也許不是讓自己變成一個更有效率的小螺絲釘。 而是重新成為一個能看見全貌、定義問題、做出判斷，並且為整體結果負責的—— 完整的人。
