（素材：Anthropic 強化學習技術負責人 Sholto Douglas 與 Horizons 團隊負責人 Nicholas Marwell，上 Joe Lonsdale 的 Podcast《American Optimist》談 AI 與工作。）
讀完這場訪談，真正讓我停下來的，不是「AGI 幾年內會來」，不是「每個人都能調度一家 1,000 人公司的能力」，甚至也不是那個很漂亮的結論——「接下來十年屬於通才」。
而是一個更不舒服的問題：如果 AI 正在快速把「能力」變成廉價商品，那我們現在拼命累積的，有多少會一起被商品化？
這場訪談表面在談未來工作，實際談的是一場更底層的稀缺性遷移。過去幾百年的職涯制度，都建立在「某些能力很稀缺，所以擁有它的人可以收租」。會寫程式的人少，程式設計師值錢；懂財務模型的人少，分析師值錢；懂設計、日文、廣告投放、法務的人少，所以公司必須把不同能力的人組成一個組織，才能完成複雜的工作。
AI 正在做的，不只是幫這些人提高效率，而是降低這些能力本身的稀缺性。稀缺性一旦移動，價值就會跟著移動。
一、真的「接下來十年屬於通才」嗎？
我大致同意 Marwell 的方向，但不完全接受他的表述。「通才」很容易被理解成：不要專精，什麼都懂一點。真的這樣做，反而可能最快被淘汰——因為 AI 最擅長的，恰好就是什麼都懂一點。它懂一點行銷、一點程式、一點法律、一點財務，而且每一年都懂得更多。
所以未來真正有價值的通才，不是知識上的通才，而是決策上的通才。不是知道很多，而是能跨領域完成幾個動作：看懂局勢、找到約束、辨認真正的問題、知道哪些變數值得改、決定資源往哪裡壓，最後承擔結果。
以前我們說 T 型人才：一個領域很深，加上橫向的廣度。AI 時代可能會長出另一種形狀——π 型，甚至網狀。底層不是單一技能，而是幾個不容易一起被自動化的能力連在一起：商業判斷、問題定義、系統設計、對人的理解、資源配置、現實世界的執行。
至於寫程式、做簡報、查資料、畫圖、跑 Excel、翻譯日文——這些正在從「能力」變成「算力」。差別很大。
二、現在不是 AI 取代人，而是「能力通膨」的早期
訪談裡有個看似反直覺的現象：菲律賓的客服外包還在成長，軟體工程師的就業也沒有崩。
其實不奇怪。新工具剛出現時，第一階段通常不是減少需求，而是成本降低之後釋放出更多需求——這是典型的傑文斯悖論。蒸汽機提高能源效率，能源消耗沒有下降，反而增加；電腦讓會計變快，公司沒有因此不需要財務分析，而是開始做以前成本太高、不值得做的分析。
AI 也是。一個工程師原本一週完成兩件事，現在可以完成十件。公司的第一反應未必是「可以裁掉八成」，而是「原來那另外八件做不起來的事，現在也做得起來了」。於是出現一個很迷惑人的階段：AI 越強，對人的需求反而越高。
但這不能直接外推。它很可能只是技術擴散曲線上的一段：
- 第一階段：AI 幫人做更多事。
- 第二階段：AI 讓一個人省掉和很多人協作的成本。
- 第三階段：為什麼這裡還需要一個人？
真正的斷點，不是 AI 能不能完成工作，而是它什麼時候能同時擁有這整條鏈：理解任務、長期規劃、調用工具、自我檢查、在授權範圍內執行、遇到例外自己處理。這條鏈一閉合，副駕駛才真正變成駕駛。
我們現在大量活在第二階段。AI 已經強到可以大幅放大一個人，但還沒強到完全不需要那個人。這就是蜜月期。
蜜月期最危險的地方，是很容易被誤認為婚後生活。
三、連「選對問題」都不是永久的護城河
「未來重要的是選對問題。」這句話現在非常正確。但把時間拉到十年，我懷疑它是否仍然成立。
因為選問題本身也是一種認知工作。市場最大的摩擦在哪？哪些客戶需求還沒被滿足？哪個流程的投資報酬率最高？一百個產品方向裡哪個期望值最高？AI 未來都能問，甚至可能比大部分人看得更準。
如果把新的職涯安全感放在「AI 給答案，我負責問問題」，那可能只是下一個版本的自我安慰。問題，也可以被生成。
更深一層的差異是：誰決定什麼值得被最佳化？這開始碰到價值觀、權力、風險偏好與現實責任。
AI 可以告訴我，把客服人力減少七成，獲利能提高多少；但要不要這麼做，是另一個問題。AI 可以算出漲價 18% 能把總毛利拉到最高；但品牌願不願意這樣對待經銷商，是另一個問題。AI 可以列出一百個最可能賺錢的專案；但我想不想把接下來三年的人生花在上面，它不知道。
所以我把這件事分成四層：執行 → 解題 → 選題 → 選擇什麼值得做。AI 正從第一層快速往第三層吃，真正靠近人的核心，會退到第四層。至少暫時如此。
四、無法重新編譯的經驗，才是負債
過去我們把經驗當成複利。做二十年的人一定比做兩年的人強，因為大量說不清楚的隱性知識，只能靠時間堆出來。
AI 出現之後，事情變得微妙。經驗仍然有價值，但只有一個條件：它必須能被新工具不斷重新編譯。否則，它就會變成一套在過去環境裡形成、今天仍自動執行的直覺——也就是慣性。
所以我前陣子說的「經驗是負債」，更完整的版本應該是：無法重新編譯的經驗，才是負債。
這也是為什麼我對「我做這行二三十年了，不需要這些 AI」特別敏感。真正危險的不是他們沒有 AI，而是他們拿過去環境裡成功的模型，去解釋一個報酬規則已經換掉的世界。
從演化角度看，這很正常。一個特徵過去帶來巨大的適應優勢，環境一變，同一個特徵完全可能變成累贅。孔雀的尾巴曾經是求偶優勢；森林失火時，它就是負擔。
五、通才真正的定義：模型切換速度快
如果要重新命名 Marwell 說的通才，我會叫它：高適應性的人。
他厲害的地方不是知道很多，而是世界規則一變，他能很快發現：哪個假設失效了？哪些能力已經變成標配？瓶頸轉移到哪裡？新的槓桿在哪？然後重新配置自己。
這很接近演化裡真正長期強勢的策略——不是完美適應某個環境，而是保留可塑性。自然界最頑強的生物，往往不是某項能力最極端，而是能吃不同的食物、進不同的棲地、改變自己的行為。
所以如果問 AI 時代到底該學什麼，我的答案不是某項技能，而是一套可以不斷拆掉、重建自己的認知系統。「終身學習」這個詞太溫柔了，聽起來像每天看一點書。真正會發生的比較像：終身自我淘汰——每隔一段時間，主動殺掉一部分現在的自己。
六、拉回我自己
我其實已經站在 Marwell 描述的世界裡了。我不是 AI 新創，也沒有 1,000 個員工；我在一間台灣的家族貿易公司，代理日本車用品牌。
照傳統的職務分類，我原本需要前端、後端、資料工程師、設計師、文案、產品經理、自動化工程師、研究員……但現在，我用 AI 代理和各種自動化，把這些能力拼成自己的一套系統。很多以前要跨部門、找外包、等排程的事，晚上想到，當晚就能開始跑。這就是「調度一家 1,000 人公司」的雛形。
但真正該警惕的也在這裡。如果我的優勢只是比別人早會用 AI 寫程式、指令寫得比較好、會串代理、知道哪個模型比較強——那我其實沒有護城河。這些都在快速折舊。今天很厲害的工作流程，半年後可能變成產品的預設功能；今天辛苦串起來的十個代理，明年模型也許自己就會做。今天引以為傲的「一個人像十個人」，有一天會變成所有人的起跑線。
所以真正該累積的，不是 AI 的使用能力，而是被 AI 放大之後，留下來的東西。
七、什麼東西會留下來
第一種：現實
真實世界裡累積的關係、供應鏈、客戶、經銷網路、品牌授權、信任、商品資料、售後經驗。模型可以突然變強一百倍，但它不會因此突然擁有一個品牌在台灣多年累積的經銷網，不會知道哪位店家老闆是真心願意一起把事做好，也無法憑空生成多年的售後案例。物理世界和長時間累積的脈絡，會變得更重要。
第二種：系統
商品清單的自動比對、經銷據點、安裝案例資料庫、品牌內容系統——如果只把它們當成「我會做工具」，價值很小。真正的價值是：我正在把公司原本存在人腦裡的隱性知識，逐步變成機器讀得懂的基礎設施。
未來模型會一直換，下一代叫什麼名字根本不重要。只要公司的資料、流程、決策脈絡已經結構化，新的智慧隨時都能插進來。
不要把護城河蓋在模型上，要蓋在模型能吃的環境上。
第三種：品味
不是單純的「品味」，而是長期看過大量東西之後形成的判斷：「這個不對」「這個太像 AI」「這個看起來很厲害，但沒有價值」「這一段才是真正該留下的」。AI 可以吐出二十個版本，真正重要的，是我能不能看出第二十一個方向。
八、「資本家用 AI 掠奪財富」不該只當酸民留言
那篇訪談底下有則留言：這些 AI 寵兒不敢提，大多數資本家正在利用 AI，加速掠奪 95% 人口的財富。
語言很粗，但它指向一個真實的問題：AI 到底會讓誰的槓桿變大？如果 AI 能讓一個人做十個人的事，有兩種完全不同的世界——每個人都因此變強；或者原本掌握資本、通路、算力、平台的人，用更少的人控制更多產出。兩者甚至可以同時發生。生產力提高，從來不保證成果平均分配，經濟史沒有這種保證。Douglas 自己也承認，分配是沒解的大問題。
所以那則留言更精確的版本是：問題不是 AI 會不會創造巨大財富，而是勞動變便宜之後，新的稀缺資產由誰持有。如果模型、算力、資料、品牌、能源、通路都集中，報酬往資本移動是完全合理的經濟結果，不需要任何陰謀論。
這也讓「每個人都能調度一家 1,000 人公司」有了另一種解讀：如果每個人都有 1,000 人的產能，市場根本不需要那麼多家「1,000 人公司」。競爭會變得極端——這一點比失業本身更值得注意。
九、可怕的不是沒工作，是「平均能力」失去價格
假設十年後，每個人都有頂級的程式、文案、研究、設計、分析能力。這些能力不會沒有用，只是沒有溢價了。就像今天識字非常重要，但公司不會因為你識字付你高薪。Excel、Email、Google 搜尋都一樣。
AI 最可能造成的不是技能消失，而是：昨天的高級技能，變成明天的基礎設施。
所以真正危險的，可能不是能力差的人，而是花了十年，把自己最佳化在一個正在被基礎設施化的能力上的人。這才是「經驗是負債」最殘酷的版本。
十、不是要「比 AI 強」
這場遊戲沒必要這樣玩。我不需要寫程式比 AI 強、研究比 AI 強、畫圖比 AI 強，甚至不需要指令寫得比別人強。
我要做的是：站到模型能力曲線的外面。模型每進步一次，我的產能就跟著跳一次。下一代模型強三倍，我不是被貶值三倍，而是我的系統一起升級三倍。最好的位置不是 AI 的競爭者，也不是 AI 的操作員，而是AI 能力的複利受益者。
這也是為什麼我一直著迷於「系統性的問題要用系統解決」：一條指令解決一個問題，一個工作流程解決一類問題，一個代理解決一段流程，而基礎設施改變的，是以後所有問題被解決的方式。
十一、最後一個陷阱：把效率誤認成方向
AI 最容易讓人上癮的地方是：以前一天做一件事，現在一天做十件。那種感覺非常爽。但十倍速度跑錯方向，比原本更糟。
執行越便宜，判斷錯誤反而越昂貴。以前錯一個產品方向，也許浪費三個月；現在一天就能做出原型、網站、素材、資料庫——錯誤方向的沉沒成本，也能一天膨脹十倍。
所以 AI 時代真正值得訓練的，也許不是生產力，而是判斷什麼事根本不要做。以前大家研究時間管理；未來最重要的可能是管理自己的決策頻寬——不是「我今天完成多少」，而是「我今天允許什麼東西進入我的系統」。
對我的真實影響
我現在確實站在一個很好的位置：AI 已經強到能讓一個懂生意、懂現場、願意自己動手的人，獲得前所未有的槓桿；而很多比我有資源的人，還沒真正改變工作方式。這就是窗口。
但不能把窗口期的領先，誤認為永久優勢。「比周圍的人更快把 AI 變成實際系統」這個優勢一定會衰減。該做的，是趁它還在，把這段暫時的認知差距，兌換成比較慢才會消失的資產：資料、系統、品牌、通路、關係、決策紀錄、產業脈絡、現實世界的所有權，以及自己對「什麼值得做」的判斷。
窗口不是讓我永遠比別人早一步，而是讓我趁大家還沒進來，先蓋東西。
我現在可以做的三件事
一、把「會用 AI」兌換成永久資產
每做一個 AI 專案，先問一句：如果明天所有人都會這個，今天留下什麼？
商品清單比對系統真正該留下的，不是那支程式，而是商品資料的結構、變更歷史、異常規則和決策流程。安裝案例站也不只是網站，它該長成「車型 × 年式 × 安裝位置 × 型號 × 店家 × 真實案例」的知識網——未來餵給哪個模型都能用。衡量方式很簡單：每個 AI 專案，至少留下一項跟模型無關的資產。不是展示品，是資產。
二、建立自己的「決策作業系統」，而不是繼續堆代理
我已經逐漸不缺執行力，真正的瓶頸可能是我自己。所以比再多做十個代理更重要的，是把決策過程外顯化。每個新專案先回答五題：
- 世界哪個條件改變了？
- 為什麼是現在？
- 真正的瓶頸是什麼？
- 如果一年後模型強十倍，這東西還值得存在嗎？
- 做完之後，留下什麼可以複利的資產？
甚至可以讓代理主動拿這五題來挑戰我。我要防的已經不是「做不出來」，而是「太容易做出來」。
三、每季主動淘汰自己一次
每三個月做一次殘酷的盤點：列出現在最引以為傲的十項能力或工作流程，然後問——如果下一季模型能力提升三倍，哪五項會變成笑話？主動砍掉，把時間移到新的瓶頸。
企業會替設備提折舊；AI 時代，人也該替自己的能力提折舊。否則最大的沉沒成本不會是錢，會是身份。
結語
如果只能從這場訪談留下一句話，我不會選「未來十年屬於通才」。我會留下這句：
AI 時代真正的優勢，不是擁有不會被取代的能力，而是在能力被取代之前，把暫時的優勢兌換成不容易消失的資產。
模型一定會變強，工具一定會普及，今天讓我顯得特別的東西，大部分最後都會變成標配。真正值得累積的，是即使所有人明天都拿到同樣強的 AI，也無法一夜複製的東西。
而這段人＋AI 的窗口真正珍貴的地方，是我還有時間，把智慧的紅利，轉成現實的複利。
有任何想法，歡迎聊聊——
寫信給我 →