By Po-Sung(Sinclair) Huang

*從 dBase 走到生成式 AI：這不是一篇趕熱潮的評論，而是一個實踐者看著同一條技術斜坡，如何一步步逼近人的認知工作。*

這篇文章，不是我為了趕上 AI 熱潮才寫的。

它是被兩個畫面一起逼出來的：一邊是年輕人正在用 AI 想像新的創業路徑；另一邊，是一個父親、一道幾乎無路可走的罕見疾病、以及深夜裡一條靠演算法慢慢摸出來的生路。兩件事碰在一起，我突然發現，我其實已經沿著這條線走了三十多年。

很多人談 AI，像在談一個突然降臨的新世界。

但對我來說，它更像是一條長長的技術斜坡，早就開始了。只是走到今天，它終於開始逼近人的認知工作本身。

## AI 不是突然出現的革命

圖1. 如上圖所示，我們正經歷從結構化規則到自動化例外處理的關鍵躍遷。

我不是看到 ChatGPT 才第一次相信機器會改變工作。早在 1980 年代，當我第一次接觸 dBase、後來又一路接觸到 Clipper、AS/400（IBM 企業主機系統）與各種企業系統時，我就已經隱約看見：只要一件事能被整理成規則、流程與結構，它遲早就有可能被工具接手。

當年真正打動我的，不是某一個程式語言有多了不起，而是它背後那個更深的問題：企業裡到底還有多少事情，其實不需要再靠人一遍又一遍地手工完成？又有多少流程，能被邏輯化、標準化，最後交給系統處理？

後來，網路革命又讓我看見另一件事。

未來的公司，不會只是製造公司、通路公司，或單純的網路公司。它會同時活在實體世界與網路世界。線上與線下不是兩套系統，而是同一套經營邏輯的兩個面向。從那時起，我就很難再把網路看成單純的工具。它更像是一條不歸路：它持續降低創業成本，改變企業與市場的連接方式，也一步一步把原本需要很多人來協調、傳遞、整合的工作，交給系統去完成。

而工廠、自動駕駛、導航、手術系統、製程優化，則讓我一次又一次確認：技術一直沿著同一條路前進——先替人做重複動作，再替人處理高複雜度的協調，最後開始逼近原本被認為只能由人完成的判斷。

## 我親手看過判斷如何被寫進系統

我自己對這件事最深的體會，不是在新聞上，而是在企業裡親手做過的系統。

有一段時間，我曾經帶領數百人規模的應付帳款作業。因為營收龐大，供應商付款必須核對發票、採購單、請購資訊、到貨驗收、分批交貨紀錄與付款條件，流程極度複雜，也極度耗費人力。可是一旦把三單、四單匹配的規則真正寫進系統，原本需要大量人工反覆核對與協調的工作，就被改寫成系統自動處理大部分常規案例，只有例外情況才需要人介入。

那一次我真正看見的，不只是效率提升，也不只是人力縮減。

我看見的是：原本深藏在人腦、流程與部門協調裡的判斷，一旦被抽取成規則，最後就可能被系統接手。

所以今天大家談 AI，我很難把它看成從天而降的新東西。它只是把這條早已開始的路，繼續往前推——從自動化動作、自動化流程，走到自動化部分認知工作。

## AI 第一次成了深夜的對話者

但我也想說一件很少人提的事。

三十多年來，每次我真正想深入一個問題的時候，幾乎都是一個人。深夜，一本書，一個搜尋框，一張白紙。不是因為沒有同事，而是因為這種深度，找不太到願意一起走進去的人。不是每個人都想上窮碧落下黃泉。很多人到了「夠用」的地方就停下來了。我沒有。

AI 給我的，不只是效率。它第一次給了我一個不分晝夜的對話者——不會嫌我問太多，不會在「夠用」的地方就停下來。它有時候讓我氣死，但它也讓那些深夜，第一次不再只是我一個人。

這對我來說，比單純的生產力提升更真實。

也因為如此，我對 AI 的感受一直都不是單向的。

它放大了我的能力，也放大了我的盲點。它讓我更快、更廣、更容易進入一個問題，但它也可能讓人誤以為，只要掌握足夠多資訊，就等於掌握了真相。可是我後來很早就被提醒過，事情不是這樣。

## 為什麼現場仍然重要

有一次，我在一家上市公司做月結分析。我不是財務單位的人，但我花了很多時間，把公司提供的資料、自己蒐集的產業資訊、現場觀察與直覺放在一起，做出一份很深入的分析報告。簡報那天，CEO 特別到場，甚至直接告訴我，他是看在這份報告才來的。

但他也給了我一個我一直記到今天的提醒。

他說，你附了很多產業資訊，這很好；但你要知道，那些報告裡的數字，很多時候是分析的人向業者要來的，不見得真正反映了產業現場的狀態。你要進工廠，走進市場，站到現場去看，才會知道真正發生了什麼。

這裡說的「現場」，不是一個地方，而是不同的信息場域——而且每一個，都有 AI 今天仍然不容易完整讀懂的語言。

在製造端，報表可能正常，但現場其實靠拆批、補線、白板協調、電話救火在撐；在銷售端，客戶口頭上說「再研究一下」，真正的訊號卻藏在眼神、停頓與最後一個問題裡；在談判桌上，數字看似談妥了，但只要法務突然提前介入，你就知道這筆案子的決策鏈已經變了。這些訊號很輕，卻常常比正式文件更早透露真相。

我不是反對資料，也不是反對 AI。我只是愈來愈相信，資料告訴你的，往往是已經發生過的世界；現場透露的，常常是正在形成、但尚未被承認的世界。AI 很擅長優化已知的 1 到 100，但很多時候，真正決定方向的，是那個 0 到 1 的缺口先在哪裡鬆動。

這也是為什麼，AI 今天最根本的侷限，不在於它不知道，而在於它只能讀取已被寫下來的世界。但經營者最需要判斷的，往往是還沒有被寫下來、甚至還沒有被承認的真實。

我在科技業某個階段，曾待在一家做網通硬體的公司。那時從產業報告來看，台廠品牌幾乎只剩往下沉這條路。可是真正的轉機，不是在報告裡，而是在談判桌、工廠端與客戶問法裡慢慢浮現：一群超大規模資料中心的工程師，不想再為整套方案與授權費買單，他們要的不是品牌，也不是完整服務，而是一塊可靠、高效、可自己接上系統的硬體。

那個需求，當時還沒有被漂亮地寫進任何白皮書裡。它是現場先說話，市場研究之後才跟上。這也是我一直記得的事：真正重要的機會，很多時候不是來自更多資料，而是來自你是否願意走進現場，讀懂那個還沒有被語言化的訊號。

這不只是一個認識論的問題，它更是一個選擇：我們願不願意繼續走進那個需要自己判斷的位置。

我內心其實相信，隨著更強的模型、多模態感測與更密集的數據回路演進，今天那些「尚未被寫下來的真實」，終有一天會被更強大的系統部分讀懂。正因為如此，我才更在意，在那一天真正到來之前，人類是否還保有主動走進現場、定義問題、承擔後果的能力。

## AI 真正重新定價的是什麼

這也是為什麼，我今天不太願意把 AI 簡化成「更強大的工具」。

它當然是工具，但更像一套重新定價、重新分工、重新分配的系統。

凡是能被清楚描述、標準化、驗證與複製的知識工作，價格都在下降；凡是需要界定問題、承擔責任、處理例外、建立信任、整合資源的能力，價值都在上升。

用最直接的方式來說，這是一張正在發生的重定價清單。這不是遙遠的預言，而是已經在不同產業、不同職位上逐步展開的重組：有些變化會在三年內發生，有些會在五到十年內加速，但方向幾乎已經確定。

圖 2：AI 之後的五年與十年：人、企業、工作與社會的重組路徑圖。從「工作重組期」走向「秩序再分配期」，核心命題將從技術採用轉向價值分配。

### 即將貶值的能力

- 整理會議紀錄、產出標準摘要

- 撰寫標準程式碼、初步資料清洗

- 初稿文件、格式化報告

- 蒐集資訊、交叉比對數據

- 依規則審核申請案

- 協調排程、追蹤進度

### 正在升值的能力

- 定義「開這場會到底要解決什麼」

- 判斷系統邊界與例外處理邏輯

- 決定什麼不該寫進報告

- 走進現場讀懂未被寫下的訊號

- 承擔法律責任與道德判斷

- 跨部門衝突調解與信任建立

所以，真正改變的不是「工作會不會消失」這麼簡單，而是：哪些能力會變便宜，哪些能力會變稀缺；哪些流程會被系統吸收，哪些責任仍然只能由人承擔。

這個趨勢，不只發生在個人身上，也會發生在企業與社會。

### 個人的護城河：從找答案到定義問題

對個人而言，最危險的不是 AI 變強，而是自己仍然停留在提供標準答案的位置。未來更有價值的人，不會只是最會背答案、最會生成初稿的人，而是最能界定問題、判斷取捨、理解現場、承擔後果、整合他人、讓別人願意信任的人。

### 企業的重組：從人力配置到協調方式

對企業而言，未來不太像會走向完全無人的黑箱公司。更可能出現的，是小核心團隊、AI 協調層與外部人才網絡並存的型態。AI 先接手資訊壓縮、例行分析、初稿生成、流程追蹤與部分客戶互動；人類則更集中在方向設定、品牌承諾、例外處理、跨域整合與最終責任。真正被改寫的，不只是人力配置，而是協調方式本身。

### 社會的考驗：不是有沒有工作，而是如何分配代價

對社會而言，最值得警惕的也不只是失業，而是職涯階梯會不會被掏空，中間層會不會被持續擠壓，時間、所得、尊嚴與責任會怎麼重新分配。國際機構近年的研究大致都指向同一個方向：眼前更像是任務重組、技能重估與收益分配問題，而不是立刻進入「人人不用工作」的烏托邦。

## Matt Might 讓我看到的兩面

但我沒有辦法只停在這裡。

因為把我真正擊中的，不是這些框架本身，而是 Matt Might 和 Bertrand 的故事。那個故事之所以打動我，不是因為它勵志，而是因為它把 AI 與演算法最深的兩面都照了出來。

一個父親，面對一種幾乎沒有人知道怎麼處理的罕見疾病——沒有標準答案，沒有現成藥物，甚至連懂這個病的醫生都幾乎找不到。他所站的地方，比「走投無路」還要再暗一點。那種孤獨感，我想不比任何一個深夜獨自研究的人輕。

他沒有先問「這是不是 AI」，也沒有先問「這是不是未來產業趨勢」。他只是把自己會的東西用到極限：搜尋、整理、建模、連結、驗證，最後為兒子找出一條原本看不見的路。原本可能需要很長時間才慢慢累積起來的文獻搜尋、病例連結與假設驗證，被壓縮到一個家庭仍來得及行動的時間尺度裡。

某種意義上，更強的 AI 就像那個深夜陪著他的唯一盟友——不會在他問完一個問題之後轉身離開，不會嫌他鑽得太深。在他最孤獨的時候，這個工具讓他有辦法繼續往前走。

同樣的能力，可以放大一個父親找生路的力量，也可以放大一個制度精準傷害人的能力。可以幫助人穿透資訊的黑暗，也可以幫助權力更有效率地做決定。問題從來不只是技術本身，而是它被放進了什麼目標、什麼制度、什麼人性裡。

## 我還在路上

所以 AI 對人類，到底是救贖還是毒藥？

我愈來愈覺得，這個問題本身可能就是個陷阱。

但我也不確定。

這個問題，我走了三十多年，還是沒有答案。

我不是反 AI。我是因為太知道 AI 會有多強，所以才更焦慮於人類是否準備好與之共處。也許有一天，當更強的模型真正能讀懂工廠、讀懂市場、讀懂那些今天還未被寫下來的微弱訊號時，它會比人更快、更冷靜，甚至更不容易被現場的假象誤導。

但即使到了那一天，理解與承擔仍然不是同一件事。

AI 可以替人做更深入的分析，寫出大量程式碼，甚至在高風險系統裡先完成篩選、預警與目標排序；但最後仍然需要人來檢查、確認、簽署並承擔後果。它可以幫你推演，不能替你負責。就像自動化系統可以先標出異常，軍事系統可以先圈出目標，但最後那個要不要採取行動的判斷，制度上與倫理上，仍然必須回到人。把身體放進賽局裡的壓力，至少到目前為止，仍然是人類在認知工作中最後的護城河之一。

所以我們真正不能逃避的，不是要不要擁抱它。

而是要不要認真決定：把哪些判斷交給機器，把哪些責任留給人；以及在工具愈來愈強的世界裡，我們還要把自己鍛鍊成什麼樣的人，才不會反而愈來愈不像人。

但我寧願誠實地走，也不要假裝自己已經想清楚了。

作者註

作者長期從事企業經營管理、財務分析與產業策略工作，持續關注人工智慧、技術變遷、自動化與企業組織演化之間的交會。本文不是技術教學，也不是產業報告，而是一位實踐者在走過三十多年之後，對 AI 與人類責任的一次整理與反思。

延伸閱讀

• Matt Might 個人網站：https://matt.might.net/
• Bertrand Might 紀念網站：https://bertrand.might.net/
• World Economic Forum｜The Future of Jobs Report 2025：https://www.weforum.org/publications/the-future-of-jobs-report-2025/
• ILO｜Generative AI and jobs: A 2025 update：https://www.ilo.org/publications/generative-ai-and-jobs-2025-update
• IMF｜Bridging Skill Gaps for the Future: New Jobs Creation in the AI Age：https://www.imf.org/en/publications/staff-discussion-notes/issues/2026/01/09/bridging-skill-gaps-for-the-future-new-jobs-creation-in-the-ai-age-572136
• World Bank｜East Asia and Pacific Economic Update 2025：https://www.worldbank.org/en/publication/east-asia-and-pacific-economic-update-october-2025

聲明

本文為作者基於個人經驗、產業觀察與公開資料所做的分析與反思，不構成投資、法律、醫療或其他專業建議。文中對技術、企業與未來工作的判斷，屬於作者於特定時間點的理解，未來仍可能隨技術與制度演變而調整。

Hashtags

#AI #人工智慧 #生成式AI #未來工作 #企業管理 #技術與社會 #數位轉型 #職涯思考