暢銷書籍《Co-Intelligence》一書的作者，賓州大學沃頓商學院教授 Ethan Mollick 日前上 Simon Sinek 的節目，討論 AI 時代沒有人真正教會我們、但每個人都需要的能力。這場訪談討論到許多議題，例如 AI 如何改變知識工作者的日常任務？為什麼傳統的人才培養管道正在被破壞？企業應該選擇用 AI 取代人還是增強人？教育現場如何面對學生使用 AI？以及未來人類仍然能在哪些地方保有判斷、品味與主體性。
這些討論很容易被整理成一份「AI 對工作與教育的影響」摘要。但我覺得，這集節目最有啟發性的地方，不只是 Mollick 提供了多少工具建議，而是他提出了一個更精準理解 AI 的概念：崎嶇邊界（Jagged Frontier）。
什麼是崎嶇邊界？
所謂崎嶇邊界，指的是 AI 的能力分布並不平滑。它可以在某些複雜任務上表現驚人，例如整理資料、生成初稿、提出分析架構、模擬角色；但在某些看似簡單、需要人類脈絡感的事情上，卻表現得很不穩定，例如精準掌握一個人的說話語氣、講出真正好笑的笑話、判斷某個比喻是否真的有意義，或理解一個團隊裡那些微妙的人際狀態。
因此，這篇文章不會把那集節目完整摘要一遍，而是嘗試以「崎嶇邊界」作為主軸，重新整理 Mollick 對 AI、工作與教育的觀察。我的問題是：如果 AI 的能力不是平均進步，而是在不同任務之間高低不平，那麼我們應該如何重新理解工作職能？如果 AI 最先接手的是初階工作者用來練功的任務，那麼專業養成會出現什麼危機？如果 AI 可以快速產出大量看似合理的選項，那麼教育又該如何訓練學生的品味、判斷與決策邏輯？
不是職業被取代，而是任務被重新切割
面對 AI 快速發展，上班族問「AI 會不會取代我的工作？」，老師則在教育現場問「學生都用 AI 寫作業，有沒有真的學到東西？」這兩個問題看似分屬職場與學校，其實指向同一件事：AI 不只改變我們如何完成工作，也改變人如何學會工作。
過去談 AI 對工作的影響，我們常用職業作為單位來討論：老師會不會被取代？設計師會不會被取代？律師、醫師、工程師、顧問會不會被取代？但這問法現在被指出太過粗糙，因為任何一種職業都不是單一任務，而是由許多不同任務組成。
一位老師的工作不只是上課，也包括備課、設計活動、批改作業、診斷學生狀態、處理課堂互動、建立信任關係。一位設計師的工作不只是產出圖像或方案，也包括理解脈絡、轉譯需求、判斷問題、協調團隊與說服利害關係人。一位顧問不只是寫簡報，也包括訪談、整理資料、建立分析架構、理解客戶真正沒說出口的問題，以及在模糊情境中提出可行判斷。
因此，當 AI 進入工作現場，它不會平均影響所有任務，而是會先重組工作內部的任務結構。有些任務會被大幅加速，例如摘要、初稿、資料整理、格式調整、簡報草稿、程式碼產出；有些任務會被商品化，例如通用型文章、常規企劃、標準化分析、看似完整但缺乏差異的內容；有些任務則反而變得更重要，例如問題定義、脈絡判斷、事實查核、品味選擇、語氣調整、團隊協作與倫理責任。
以寫作為例，AI 可以快速產出一篇結構完整、語句通順的文章。但它未必知道什麼是有力的開場，什麼是值得保留的細節，什麼是作者真正想說的話。它可以把事實平鋪直敘地排好，卻不一定能把事實轉化成故事。它可以寫出漂亮句子，卻可能缺乏真正的語氣與個人聲音。
至於程式工作，AI 可以協助產出可用的程式碼，但系統架構、需求判斷、維護策略、錯誤診斷與團隊協作，仍然需要人類專業者負責。就算是顧問工作，AI 可以快速整理大量資料，做出一份看似合理的簡報初稿，但真正困難的往往是判斷客戶問題是否被正確界定，資料背後是否有盲點，提出的策略是否能在組織現實中被推動。
所以，AI 時代的工作變化，不是單純的「人被機器取代」，而是工作內部的任務被重新配置。當 AI 能處理越來越多明確、可描述、可快速產出的任務，人類工作的重心就會逐漸從「產出」轉向「判斷」。
這裡也出現了一個重要的轉變。那些過去被視為核心產能的能力，可能變得便宜；反之，過去被視為輔助性的能力，反而變得昂貴。而當每個人都能用 AI 產出通用型的高品質內容，單純的「好」會開始商品化。文字都很流暢，簡報都很完整，企劃都很合理，設計都不難看。問題是，如果所有東西都合理，差異從哪裡來？
這時候，品味、聲音、脈絡判斷與人際協作，就不再只是軟實力，而是專業價值的硬核心。品味決定一個人是否知道什麼只是正確但平庸，什麼真正有意思。聲音決定一個人的表達是否能被辨識，而不是被 AI 生成的通用語氣淹沒。人際與管理能力決定一個人是否能處理真實專案裡那些充滿自尊、不安、疲倦、誤解與衝突的人類事務。評估與回饋能力則決定一個人是否能把 AI 的產出轉化為真正有價值的成果。
換句話說，AI 不是讓專業消失，而是改變專業所在的位置。未來的專業不只是你能不能完成任務，而是你能不能判斷任務如何被完成、由誰完成、在什麼條件下完成，以及完成之後是否真的有價值。
學徒制危機：當 AI 接手了新手的笨功夫
如果 AI 只是讓資深工作者變得更有效率，問題也許還不算複雜。但 Mollick 的觀察指出，AI 對工作世界更深層的衝擊，是它可能破壞傳統的人才培養方式。
許多專業養成都依賴某種隱性的學徒制。新手進入一個領域時，通常不會一開始就負責最高階的判斷。他們先做基礎工作：查資料、整理文獻、寫摘要、做簡報、草擬初稿、修改格式、記錄會議、跑簡單分析、觀察前輩如何修改自己的作品。
這些工作常被稱為「粗笨工作」（grunt work），瑣碎、重複、低階，甚至有點乏味。但它們其實具有重要的教育功能。
第一，讓新手累積材料感。 新手透過反覆接觸資料、案例、語言、錯誤版本與格式要求，逐漸知道這個領域的東西長什麼樣子。這些直覺不是靠一次講解形成的，而是在大量處理材料的過程中慢慢累積。
第二，讓新手看見專業判斷如何發生。 新手不是只在完成雜事，而是在旁邊觀察資深者如何修改、刪除、取捨、排序、轉述與判斷。這些細節構成專業判斷的日常訓練。
第三，讓組織有時間辨識與培養人才。 低階任務是一種緩衝區，讓新人在風險較低的情境中逐步承擔責任。新人不會一開始就被要求做最終判斷，但會透過一次次小任務，逐漸學會什麼是可以信任的工作。
問題是，AI 最容易接手的，正是這些初階任務。
如果主管可以請 AI 在三分鐘內整理資料、產生摘要、做出簡報大綱，他為什麼還要花三天等新人完成？如果 AI 可以快速產出一份可用的初稿，中層主管為什麼還要把任務交給一個效率較低、還需要被修改的初階員工？短期來看，這當然提高效率。但長期來看，問題開始出現。因為如果新手不再做基礎工作，他們要如何變成能判斷 AI 輸出的專家？
這就是學徒制危機。
AI 對資深者是槓桿，因為資深者已經有判斷力，他們可以看出 AI 哪裡有用、哪裡錯誤、哪裡空泛、哪裡需要修正。AI 讓他們更快進入高階判斷。但 AI 對新手可能是陷阱，因為新手還沒有形成判斷力，就先拿到了看似成熟的答案。他們可能會以為自己理解了，其實只是看懂了一段流暢的說明；他們可能會以為自己完成了任務，其實只是讓 AI 替自己跳過了形成能力的過程。
這也讓教育問題變得更迫切。過去有些專業能力可以在職場慢慢養成，學生畢業後進入組織，從初階任務開始練習，逐步成為專業者。但如果這些初階任務在職場中被 AI 接手，學校就必須更有意識地設計「新手如何練功」的過程。
教育不能只教學生使用 AI。更重要的是，教育要問：學生如何累積材料感？如何形成判斷力？如何看出 AI 的錯誤？如何說明自己的取捨？如何在 AI 已經能產出答案的情況下，仍然讓自己的大腦真正參與工作？
如果 AI 接手了新手的工作，教育就必須重新發明學徒制。
但「重新發明學徒制」這句話，也藏著一個容易被忽略的前提：誰有條件去做這件事？資源充裕的學校與企業，或許還能刻意把基礎任務留給新人練習，即使 AI 更快、更便宜，也還能負擔得起讓新人在低風險情境裡犯錯、被觀察、被修正。但對資源緊縮的學校、競爭激烈的中小型公司，或是仰賴接案維生的工作者來說，「留時間給新手練習」本身就是一種要付出代價的奢侈品。換句話說，要不要保留學徒制，從來不只是教育設計的選擇，也是誰有餘裕做這個選擇的問題。
當產出變廉價，設計品味與決策邏輯變得更重要
過去，許多學習任務都圍繞「從零產出」。學生要自己寫文章、做簡報、完成企劃、整理資料、提出分析。這些任務的困難，很大一部分來自於學生不知道如何開始，不知道要怎麼把想法變成形式。但在 AI 時代，從零開始產出的成本快速下降。AI 可以在幾秒鐘內生成一篇文章初稿、一份商業企劃、一組簡報架構、一段程式碼，或十幾個看似合理的設計方向。這不代表創作能力不再重要，而是創作的問題改變了。
真正困難的，不再只是「如何產出」，而是「如何選擇」。
因為，AI 產出的不是一個答案，而是一堆答案，是一組選擇題。它可以快速給出不同版本、不同語氣、不同架構、不同方案。這些選項可能都不算差，甚至都相當完整。而當所有東西都看起來合理，學習挑戰就在於要如何判斷哪一個值得留下？哪一個只是安全但平庸？哪一個方向看似漂亮，卻沒有真正回應問題？哪一個版本有潛力，但需要被重新組織？
這就是設計品味與決策邏輯變得重要的地方。如前所述，品味不是「我喜歡」或「我不喜歡」這麼簡單，而是一種能在許多看似可行的選項中，分辨價值、做出取捨的辨識能力。但品味要從直覺變成可以被檢驗、被教學的能力，還需要另一塊拼圖：決策邏輯。
決策邏輯，是讓品味不只是直覺，而能被說明。學生不能只說「我覺得這個比較好」，而要能說明我根據什麼判準做出選擇？這個方案回應了哪個問題？它犧牲了什麼？它保留了什麼？它跟其他版本相比，差異在哪裡？它的風險是什麼？為什麼此刻選擇這個方向，而不是另一個同樣合理的方向？
這也是 AI 時代的設計教育可以介入的地方。當 AI 可以快速生成多個版本，教師不應只問學生「你做出了什麼」，而應該問「你為什麼選這個？」若能更進一步，還要問：「你如何知道這個選擇是有根據的？」
換言之，AI 初稿訓練的重點，不只是讓學生修改文字或修正錯誤，而是讓學生練習建立判準。AI 的初稿、企劃或設計提案，可以被視為一組原材料。學生的任務不是被動接受它，而是比較、篩選、拆解、重組，並說明自己的決策。
在這個過程中，學生會遇到 AI 常見的幾種問題。AI 可能平鋪直敘地列出事實，卻不會說故事；可能寫出結構漂亮但缺乏個人聲音的文字；可能提出華而不實的比喻；可能生成一組都很合理但都很無聊的方案；也可能一本正經地捏造論點。這些問題的重點不只是「AI 犯錯了」，而是提供了學生練習判斷的材料。
學生必須學會看出：哪裡只是流暢，卻不成熟？哪裡只是完整，卻沒有觀點？哪裡只是安全，卻沒有差異？哪裡看似有創意，卻沒有真正回應脈絡？這些判斷，正是設計品味的形成過程。
從這個角度看，AI 並不必然削弱學生的設計能力。它也可以成為一個訓練判斷的環境。過去學生可能花大量時間產出第一個版本；現在，AI 可以快速提供許多版本，讓學生把更多心智努力投入比較、取捨、修正與決策。前提是，教師必須把評量重心從「成果是否完整」轉向「選擇是否有理」。
因為，當產出變廉價，教育就不能只訓練學生完成作品，而要訓練學生形成判準。未來真正重要的能力，不只是做出一個東西，而是能在眾多可行選項中，說明為什麼這個方向值得被選擇。
重新設計學習：讓 AI 成為心智舉重的器材
Mollick 對教育的看法不是單純樂觀，也不是單純悲觀。他把 AI 看成一種毒藥與解藥並存的技術。
一方面，AI 可能破壞學習。因為學習本質上需要努力。理解概念、形成記憶、建立判斷、練習表達，都需要心智負荷。這就像讓大腦舉重。如果學生每次遇到困難都直接讓 AI 給答案，他們可能會以為自己理解了，其實只是看懂了一個流暢的說明。
另一方面，AI 也可能成為教育史上最強大的個人化導師。它可以根據學生的程度、興趣與困惑點，提供一對一解釋。學生不懂數學，AI 可以用籃球比喻；學生對編織有興趣，AI 可以把抽象概念轉成編織情境。這正是教育長期追求的個人化學習。
所以教育的核心問題不是「要不要使用 AI」，而是 AI 被設計成什麼角色。AI 是幫助學生思考，還是替學生思考？AI 是讓學生多練習，還是讓學生少練習？AI 是讓學生看見自己的盲點，還是讓學生更有自信地跳過盲點？
三種教學設計
1. AI 家教不直接給答案，而是主動提問
AI 不應該一開始就把完整解答交給學生，而是透過提示、反問、追問與案例建構，引導學生自己往前推進。
2. AI 任務要扣連學生自身經驗與觀點
當任務必須扣連學生自身的經驗與世界觀時，學生就不能只是複製 AI 的輸出。AI 的輸出必須回到學生自己的判斷中被檢驗。
3. AI 扮演批評者，而不是助手
教師可以要求學生請 AI 指出論點漏洞、提出反例、檢查證據不足之處，或從不同立場挑戰原本的分析。
更進一步，學生還可以把 AI 用於後設學習。也就是不只請 AI 修改內容，而是請 AI 檢視自己的思考方式。例如：「我的論點哪裡做錯了？」、「我有沒有忽略其他討論模式？」、「這個論證要如何更有說服力？」、「如果你是批評者，你會怎麼反駁我？」這類提問能迫使學生站到更高的層次，觀察自己的思考習慣與盲點。
這些做法共同指向 AI 教育的關鍵不是讓學生少費力，而是讓學生把力氣花在更值得的地方。
有些摩擦可以被 AI 移除，例如格式整理、語句修飾、資料初步彙整。這些摩擦未必構成真正的學習。但有些摩擦必須被保留，例如問題定義、證據判斷、觀點形成、回應批評、說明自己的推理。這些摩擦正是學習發生的地方。AI 時代的教學設計，不是消除所有學習摩擦，而是重新分辨哪些摩擦是不必要的阻礙，哪些摩擦是能力形成的條件。
當然，評量方式也必須跟著改變。過去，課外作業常被用來判斷學生是否理解課程內容。學生寫報告、完成習題、整理資料、提出分析，教師再根據成果給予評分。但 AI 進入之後，這套評量邏輯開始出現問題。因為學生交出的成果，不再能直接代表學生自己的理解。文字可能很流暢，架構可能很完整，答案可能看似合理，但這些都可能只是 AI 產出的結果。
因此，評量必須回到不可外包的場景。教師可以增加課堂內測驗與現場作業，讓學生在受控情境中進行限時寫作、口頭說明、概念測驗與現場推理，確認他們是否真的在大腦中建立了知識。這有點像過去教育界面對電腦、手機、平板時的處理方式：不是永遠禁止工具，而是區分哪些情境可以使用工具，哪些情境必須確認學生自己能夠完成。
課堂也應該更明確地轉向主動學習。當 AI 可以承擔部分講解、摘要與練習功能，課堂就不應只是教師單向傳遞資訊的地方，而應成為學生展現理解、互相辯論、回應問題、即時修正想法的場域。因為一個學生即使能用 AI 在課外完成漂亮的初稿，如果他沒有真正理解，就很難在現場討論中清楚說明自己的判斷，也很難在被追問時提出有根據的回應。
此外，評量任務也應該更常結合學生個人經驗、專業背景與世界觀。AI 很擅長產出通用型的高品質內容，但通用型內容的問題正是缺乏差異。若評量題目只要求學生整理一個一般性答案，AI 很容易代勞；但如果題目要求學生把概念放回自己的生命經驗、專業訓練、田野觀察或具體脈絡中，學生就必須做出自己的判斷。
這也意味著，AI 時代的評量不能只看最後成果，而要看學生能否說明自己的工作流程。教師需要評估的不只是學生交了什麼，而是學生如何使用 AI、如何判斷 AI 的輸出、如何把通用答案轉化成具體見解，以及如何在現場說清楚自己的推理。是以，期末報告的精彩之處不是建立在文筆、構圖上頭，而是學生能否討論它、辯護它、修正它，並把它連回自己的經驗與判斷。
結語：重新發明學徒制
Ethan Mollick 的 AI 討論之所以值得介紹，不是因為它提供了一套工具清單，而是因為它把問題重新放回人類的判斷、學習與主體性上。
AI 的能力會持續變動。今天的邊界，明天可能改變。因此，教育不可能只教某個工具的固定用法。更重要的是，培養學生面對不穩定技術環境的判斷力。AI 時代真正稀缺的能力，不是知道怎麼使用 AI，而是知道何時使用、如何使用、何時懷疑，以及如何在 AI 改變工作邊界時，重新理解自己的專業。尤其是，AI 不只改變工作，也改變了新手成為專家的路徑。當 AI 接手了初階任務，學徒制就不會自然發生。學生不會因為使用 AI 而自動變強；新手也不會因為拿到成熟答案，就自然長出成熟判斷。
如果，未來的學習，不是單純追上工具的迭代速度，而是在崎嶇邊界上練習判斷。那麼，教學者的任務就不該是讓學生更快完成工作，而是要給予適當的摩擦力設計，讓學生在 AI 可以完成工作的情況下，練習建立自己的品味與判斷力。
Comments