面對人工智慧快速發展，最常被問起的問題通常是：「AI 會不會取代我的工作？」這個問題之所以令人焦慮，是因為它看似直接，卻很難回答。不同產業、不同職位、不同年齡層的人，面對 AI 的處境並不相同。有些人已經感受到工具帶來的效率提升，有些人開始擔心初階工作消失，也有人認為真正的衝擊還沒有全面到來。於是，AI 與工作的討論很容易在兩種極端之間擺盪，一邊是技術樂觀地認為 AI 會解放人類，另一邊是技術悲觀地指出大量工作即將被取代。
然而，Stanford Leadership Forum 2026 關於 AI 與勞動力重構的討論，提供了另一個不同的思考方式：與其直接問「哪些職業會消失」，不如先問「一份工作是由哪些任務組成」。
簡單地說，AI 對勞動市場的影響，未必是先讓整個職業消失，而是更細緻地發生在任務層面。某些任務會被自動化，某些任務會被 AI 增強，某些任務會變得更有價值，也有些任務雖然在工作場域裡變得低效，卻仍然是新手學習的必要過程。這種「任務導向」的觀點，讓我們能更精準地理解 AI 時代的工作變化。它也讓大學教育面臨一個更深層的問題，那就是：如果未來的工作不再穩定地對應到傳統職稱，而是由一組不斷變動的任務構成，那麼大學究竟應該培養學生什麼能力？
技術能力不等於社會落地
要理解 AI 對工作的影響，首先要避免一種常見誤解，認為只要 AI 技術能力快速進步，工作就會立刻被大規模取代。
史丹佛大學經濟學者 Susan Athey 在論壇中提醒，技術能力與實際執行之間存在落差。AI 在實驗室或展示場景中可以完成某些令人驚訝的任務，但技術要進入真實世界，還必須通過組織流程、制度規範、法律責任、管理方式與人類信任的考驗。例如，藥物研發不能因為 AI 能生成候選分子，就跳過臨床試驗；法律工作不能因為 AI 能整理判例，就取消專業責任；政府服務也不會因為 AI 能回答問題，就自動完成行政改革。技術的潛力要轉化為經濟與社會影響，必須與既有組織系統結合，並經過流程再造。
這也就是所謂的「組織摩擦力」。組織摩擦力不表示 AI 不會改變工作。它只是提醒我們，AI 的影響不是單純由技術能力決定，而是由技術能力與組織調整之間的落差決定。企業要重新分工，需要時間；管理者要改變績效評估方式，需要學習；員工要調整工作流程，需要新的協作規則；社會要處理責任、風險與分配問題，也需要制度設計與互補性創新。所謂「互補式創新」（complementary innovations），指的是組織流程、工作規範、績效指標、責任安排與教育訓練都必須跟著改變。沒有這些配套，技術能力就只停留在局部效率提升，而不會真正改變整體生產方式。
但組織摩擦力也不代表我們可以放心等待。它只是說明，AI 的影響不是單純由技術曲線決定，而是由技術能力與組織調整之間的落差決定。換言之，真正值得關注的問題，不只是 AI 可以做什麼，而是 AI 進入組織之後，工作如何被重新拆解、分配、評估與定價。
從職業到任務
ADP 首席經濟學家 Nila Richardson 提出的「任務導向」觀點，正好補上這個分析框架。
傳統勞動市場分析常常以職業為單位。人們會問：軟體工程師會不會被 AI 取代？客服會不會消失？設計師還有沒有價值？老師會不會被 AI 替代？但這些問題都太粗。因為一個職業其實是由許多任務組成的。以軟體工程師為例，這個職業可能包含理解使用者需求、拆解系統架構、撰寫程式、除錯、測試、文件撰寫、與團隊溝通、評估技術選項、維護既有系統，以及協調 AI agents。AI 對這些任務的影響並不相同。它可能高度改變程式碼生成與文件撰寫，也可能協助測試與除錯，但對需求判斷、架構取捨、組織溝通與責任承擔的影響，就不會是同一種形式。
因此，真正重要的問題不是「某個職業會不會消失」，而是這個職業內部有哪些任務正在改變。哪些任務會被自動化？哪些任務會被增強？哪些任務會變得更重要？哪些任務是新手累積經驗的入口？哪些任務則會成為未來高價值工作的核心？
Nila Richardson 甚至提出，未來我們可能不只需要傳統的「就業報告」，還需要「任務報告」。傳統就業報告關注的是新增多少職位、失去多少職位、哪些產業成長、哪些產業萎縮。但在 AI 時代，職位數量可能無法說明真正變化。因為一個職位可能仍然存在，但它內部的任務已經被重組。
這也讓「任務定價」成為重要概念。讓我們借用房地產估價中的「特徵回歸」（Hedonic regression）這概念，房子的價格不是由一個整體標籤決定，而是由地段、坪數、房間數、裝潢、採光、地下室等特徵共同構成，透過大量交易資料，統計模型可以估算每個特徵對房價的貢獻。工作也可以用類似方式理解。一份工作不是單一整體，而是由許多任務與技能組成。透過分析大量職缺、職業類別與薪資資料，就可能估算哪些任務正在提高工作的市場價值，哪些任務正在失去價值，哪些任務正在被 AI 自動化，哪些任務則因為 AI 而變得更重要。
這種任務導向的觀點，會改變大學與企業之間的溝通方式。過去學校常常不知道企業真正需要什麼，企業也常用模糊的職稱、年資或科系描述人才需求。但如果能夠更清楚辨識工作中的任務，企業不再只說需要「會 AI 的人才」，而是可以更具體地說，需要能拆解問題、協調 AI 工具、設計測試指標、判斷模型輸出、理解使用者情境並完成跨部門溝通的人。
這種「共同語言」也可能降低勞動市場中的資訊落差。對企業來說，它有助於重新設計招募條件與內部培訓。對學生來說，它有助於看見未來真正值得培養的，不只是某個職稱，而是一組正在升值、難以自動化、能與 AI 協作的任務能力。對大學來說，它提醒我們，課程規劃不能只依據既有學門與職業分類，也要理解工作內部任務結構如何改變。
自動化與增強
再往前一步思考，不是所有任務受到 AI 影響的方式都一樣，更精確的區分，是「自動化」（automation）與「增強」（augmentation）。
自動化指的是 AI 接管原本由人執行的任務。這類任務通常比較例行、重複、結構化，價值來源主要是效率與成本。例如資料整理、格式轉換、初稿生成、例行客服、基礎文件審查、簡單程式撰寫，都可能被 AI 大幅改變。
增強則不同。增強不是取代人，而是讓人能完成更複雜、更高品質、更跨領域的任務。例如創新研發、複雜商業策劃、精準醫療、公共服務設計、組織協調與高風險決策，AI 可以提供資訊、生成草案、模擬可能方案，但最後仍需要人類進行情境判斷、價值取捨與責任承擔。
這個區分讓我們看見，AI 時代真正有價值的能力，不是與 AI 比速度，而是利用 AI 進入更高複雜度的任務。當 AI 可以協助整理資料，人的價值不在於更快摘要，而在於知道哪些資料可信、哪些矛盾需要追問、哪些缺口代表新的問題。當 AI 可以生成設計草案，人的價值不在於產生更多版本，而在於判斷哪一個方案真正回應了使用者、場域與制度限制。當 AI 可以產出文字，人的價值不在於堆疊內容，而在於形成論點、辨識問題、組織敘事與承擔判斷。
這也是為什麼論壇中提到的 forward deployed engineer 或 forward deployed product manager 受到重視。這類角色的價值，不只是會寫程式或會操作工具，而是能走入真實業務現場，理解痛點，將大問題拆解為 AI 可以協助處理的元件，再把技術解決方案落地。
換言之，AI 時代的競爭力，不是比 AI 更快完成低複雜度任務，而是借助 AI 進入更高複雜度的任務。這種能力包括問題定義、系統拆解、工具協調、品質判斷、責任承擔與跨部門溝通。它不是單一技術能力，而是一種組織複雜任務的能力。
初級任務消失後，學生如何成為專家？
因此，眼下 AI 對年輕人帶來最大的挑戰，也許不只是「工作會不會被取代」，而是「新手如何成為專家」。
許多初級工作過去都包含大量基礎任務，例如整理資料、撰寫初稿、回覆標準問題、處理基本程式、製作簡報或文件。這些任務看起來低階，卻是新人進入專業世界的重要通道。新手透過這些任務，學會產業語言、品質標準、工作節奏與問題判斷。如果這些基礎任務被 AI 接手，就會出現一個矛盾：AI 提升了資深工作者的效率，卻可能削弱新手成為資深工作者的路徑。資深工作者可以把低複雜度任務交給 AI，專注於判斷與決策；但新手若沒有經歷過這些任務，就可能缺乏形成判斷力的過程。
這對大學教育帶來的挑戰是，大學不能只問哪些作業可以讓 AI 協助，也不能只把 AI 視為作弊風險。而是需要更根本地思考：哪些任務在工作場域中可以被自動化，但在學習場域中仍然必須被保留下來？
例如，讀論文、寫摘要這件事對社會科學老師來說可能是可外包任務，但對學生來說是理解能力訓練。基礎程式對資深工程師來說可以由 AI 生成，但對初學者來說是理解邏輯結構的入口。訪談逐字稿整理對人類學者來說耗時，對學生來說卻是接觸受訪者語氣、停頓、矛盾與情境細節的重要過程。設計草圖對專業設計師來說可以快速生成，對學生來說則是形成比例感、空間感與判斷力的練習。
因此，AI 時代的大學教育不能只追求效率。對專家而言低效率的任務，對新手而言可能正是形成能力的必要過程。學習不是只有產出結果，也包括經歷那些讓人逐漸形成判斷力的過程。這裡也可以看出，「任務導向」不只是勞動市場分析，也是一個教育問題。當 AI 可以快速完成許多基礎任務，大學需要重新判斷哪些任務應該被工具協助，哪些任務應該保留為學習鷹架，哪些任務則應該轉化為人機協作的訓練。
因此，AI 時代真正需要培養的，不只是 AI 使用能力，而是「任務判斷力」。
任務判斷力是指一個人能夠判斷一項工作由哪些任務組成，哪些任務適合交給 AI，哪些任務需要人類驗證，哪些任務必須親自經歷，哪些任務的價值來自信任、責任、情境理解與複雜協調。
這種能力比單純的工具操作更重要。畢竟，工具會變，模型會變，平台會變，但判斷任務結構的能力可以遷移。當學生能夠理解一個問題如何被拆成任務，如何安排任務順序，如何分配給人、AI 或團隊，如何驗證結果，如何在限制條件中推動行動，他就不只是某個工具的使用者，而是能夠組織問題解決流程的人。
從這個角度看，AI 時代的大學教育，不能只用「是否教 AI」來衡量，也不能只用「學生畢業後對應哪個職業」來理解。更重要的是，大學是否能幫助學生形成這種任務判斷力。
為什麼 AI 時代更需要 TBD？
雖然有點老王賣瓜，但我私心地覺得這場論壇對 TBD 的師生來說特別有啟發。
TBD 經常會被問一個很直接的問題：讀完之後要做什麼？
這個問題並不奇怪。多數人理解大學科系時，習慣用「職業出口」來判斷它的價值。法律系對應律師，醫學系對應醫師，電機系對應工程師，會計系對應會計師。即使實際上每個科系的畢業生都會走向不同職涯，這種「科系—職業」的想像仍然深深影響我們理解大學教育的方式。因此，當一個學程不像傳統科系那樣直接對應某個職稱時，就容易讓人感到不安。TBD 是跨領域設計學程，學生學習設計思考、田野研究、問題分析、共創協作、專題實作與社會創新。這些能力聽起來重要，但它們不像醫師、律師、工程師那樣，能夠立刻被翻譯成一個穩定的職業名稱。
可是，AI 時代正在迫使我們重新思考這件事。
如果未來的工作仍然穩定地依附在固定職稱上，那麼用職業來定義教育，或許還算直觀。但當 AI 正在重組工作任務，當許多職業內部的任務都在改變，當低複雜度產出可以被工具快速完成，真正重要的就不只是學生畢業時進入哪個職位，而是他是否具備在不同職位、不同組織與不同問題之間遷移的能力。
從這個角度看，TBD 不是沒有職業出口，我們只是不把學習侷限在單一職業出口。
畢竟，TBD 的學習機制，本來就不是為了培養一種固定職業，而是讓學生一再練習可遷移的任務能力。從創基課開始，學生不是只學一套固定知識，而是被要求從真實情境中觀察問題，練習同理、田野、分析與共創。到了移地學習，學生必須離開熟悉的校園環境，進入不同社會、文化與地方脈絡，理解問題如何被制度、生活方式與地方關係所構成。到了專題實作，學生面對的也不是標準題目，而是開放、模糊、牽涉多方利害關係人的真實議題。這些安排看似不像傳統專業訓練，卻正是在培養 AI 時代的核心能力。因為未來工作越來越不會只是依照固定職稱執行固定任務，而是需要人們不斷進入新情境，重新定義問題，理解不同角色，組織工具與團隊，並把模糊議題轉化為可能行動。
這樣說來，如果 AI 開啟了一個混亂的時代，那 TBD 或許是你更好的選擇。
Comments