如果「聰明」本身逐漸商品化，人最值得累積的可能反而是 AI 最難低成本取得的東西：現場經驗、判斷、信任、關係，以及長年形成的 tacit knowledge（隱性知識）。
所以職涯策略不一定是跟 AI 比誰更快寫出答案，而是把可重複的搜尋、整理與初稿交給 AI，讓自己移往更需要理解情境、做取捨、驗證結果與承擔責任的位置。
這不是在安慰自己「人類仍然很特別」。更實際的問題是：當產生一份看似專業的答案變得又快又便宜，市場還願意為什麼付錢？
當答案幾乎免費，「知道很多」就不再是護城河
Noah Smith 在 2026 年 7 月 26 日的文章中提出一個值得延伸的框架：AI 的巨大經濟價值，未必只來自單一模型比人更聰明，而可能來自智慧可以被大量複製、同時處理大量資料，甚至協助整理散落在組織與製程裡的隱性知識。
這個差別很重要。以前，一個人知道很多、寫得快、能整理大量資料，本身就是稀缺能力。現在，這些能力的供給正在快速增加，邊際成本也持續下降。
但答案變便宜，不代表結果也變便宜。真正困難的工作往往不是「列出可能原因」，而是判斷哪個原因最值得先查；不是「產生十個方案」，而是知道哪個方案會在真實環境裡失敗；也不是「寫出一份分析」，而是願意對最後採用的判斷負責。
AI 最先重新定價的是可描述、可驗證、可複製的工作
OECD 在 2026 年發布的 AI exposure measure，把目前 AI 能力與職業所需能力拆開比較。結果顯示，AI 最接近的工作內容包括例行資訊處理、行政作業與可編碼任務；距離較遠的則是情境判斷、人際理解、複雜決策與責任承擔。
這不等於某一種職業會整批消失。更可能發生的是，同一份工作裡的任務被重新定價：蒐集資料、整理會議、撰寫初稿與標準分析變便宜；確認問題、處理例外、協調利害關係、承擔後果變得更重要。
因此，「會不會用 AI」只是起點。更關鍵的是，你是否知道哪些部分可以放心交給 AI，哪些部分必須保留人工檢查，以及錯了之後誰要承擔代價。
經驗的價值，是知道答案何時不能用
一項由 Harvard Business School、BCG 等研究者完成，並於 2026 年刊登於 Organization Science 的實驗，觀察 758 位知識工作者使用 GPT-4 完成顧問任務。對落在 AI 能力範圍內的任務，使用 AI 的受試者平均完成更多任務、速度更快，品質也較高；但在被設計為超出能力範圍的任務上，使用 AI 的人反而更不容易得到正確答案。
研究最有價值的不是證明 AI 很強或很弱，而是指出能力邊界呈現不規則形狀，而且使用者未必看得出邊界在哪裡。輸出越流暢，越容易讓人把「看起來合理」誤認成「已經驗證」。
這正是經驗開始升值的地方。資深工程師的價值，常常不是背得出更多規格，而是看到一組表面正常的紀錄時，知道某個時間差、環境組合或失敗模式不太對。成熟交易者的優勢，也不只是會算本益比，而是能分辨漂亮的營收成長，是否同時伴隨現金流、庫存、籌資或籌碼風險。
這些能力不是神祕直覺。它們通常來自大量案例、失敗回饋與結果校正，只是還沒有被完整寫成規則。
AI 會縮短新手曲線，也會壓低「只會標準答案」的溢價
NBER 的《Generative AI at Work》研究 5,179 位客服人員導入生成式 AI 後的表現。研究發現，平均生產力提高約 14%，新手與低技能工作者的提升約 34%，但對經驗豐富、原本表現較好的工作者影響很小。
研究者提出的解釋之一，是 AI 把高表現者的做法擴散給其他人，讓新手更快走過經驗曲線。這是一件好事，但也代表只會重複標準做法的資深者，原本享有的知識溢價可能縮小。
當 AI 把工作底線往上抬，高手的價值就要往別處移：定義新的問題、找出例外、建立更好的判斷框架、處理跨領域衝突，或創造過去做不到的新任務。Acemoglu、Autor 與 Johnson 在 2026 年的研究也把「創造新任務、延伸人的判斷與專業」視為更有利於工作者的 AI 路徑，而不只是把既有流程自動化。
省下時間，不等於自動升級
另一項 NBER 實驗涵蓋 66 家企業與 7,137 位知識工作者。導入整合在日常工作軟體裡的生成式 AI 後，實際使用者每週花在電子郵件上的時間減少約兩小時，也較少在正常工時外工作；但研究沒有觀察到工作任務數量或組成出現明顯改變。
這提醒我們，工具省下時間，只代表取得一筆「時間紅利」。那筆紅利不會自動變成能力、薪資或更好的決策。若沒有刻意重新配置，省下來的時間可能只是被更多會議、更多訊息或更多低價值產出填滿。
所以真正的職涯問題不是「AI 幫我快了多少」，而是「我把省下來的時間投資到哪裡」。最值得投入的，通常是能增加案例密度、改善判斷品質、建立信任與接近成果責任的工作。
專家也可能被 AI 拖慢，因為驗證本身有成本
METR 在 2025 年以 16 位熟悉自己開源專案的資深開發者、246 個真實任務進行隨機實驗。結果顯示，在當時的工具與研究條件下，允許使用 AI 的任務平均多花約 19% 時間；參與者卻主觀認為自己變快了。
這不能被解讀成「AI 對資深工程師沒有用」。研究本身明確限制結論只適用於特定時間、特定工具與熟悉的大型程式庫。到了 2026 年，METR 又表示工具很可能已經帶來更多加速，但新的資料受到參與者與任務選擇偏誤影響，無法可靠估計幅度。
更穩健的結論是：AI 的效益高度依任務、品質標準、工具能力與使用方式而變。對複雜且充滿隱含要求的工作，產生答案只是成本的一部分；讀懂脈絡、檢查錯誤、補足測試與承擔品質責任，也要算進總成本。
未來更值錢的五種資產
一、現場經驗
現場經驗不是年資，而是一套經過結果校正的案例庫。你看過哪些失敗、哪些訊號常常一起出現、哪些看似合理的解法最後會出事，這些才是真正可用的經驗。
二、判斷
判斷不是憑感覺選答案，而是知道證據還缺什麼、信心應該放多高、何時要停止自動化，以及什麼條件出現後必須改變原本結論。
三、信任
當人人都能快速產生專業外觀的內容，長期可靠的交付紀錄會更重要。信任來自承認不確定性、及早揭露風險、錯了願意修正，以及多次在關鍵時刻做出可驗證的結果。
四、關係
很多工作問題並沒有完整寫在文件裡。理解對方真正擔心什麼、組織有哪些不能明說的限制、誰能提供關鍵資訊，仍需要長期互動與情境理解。
五、隱性知識
隱性知識是那些「會做，但很難一次說清楚」的能力。它可能是一個聲音、一種節奏、一組異常組合，也可能是對人、市場或系統狀態的細微辨識。它不是永久護城河，因為感測器、工作紀錄與 AI 也可能逐步把它數位化；但在被可靠擷取以前，它仍是重要資產。
最實際的職涯策略：把 AI 放在前面，把責任留在自己手上
第一，把搜尋、比對、摘要、初稿與重複分析交給 AI，但要求它標示假設、缺口與需要查證的地方。不要只問「答案是什麼」，也問「什麼情況下這個答案會錯」。
第二，建立判斷紀錄。每次重要決策留下四件事：當時知道什麼、AI 建議什麼、你為什麼接受或拒絕、最後結果如何。久了之後，這會變成比提示詞更有價值的個人案例庫。
第三，把失敗經驗整理成可重用的檢查表、反例與停止條件。不是為了把自己完全自動化，而是讓 AI 接手容易忘記的部分，把注意力留給真正需要取捨的地方。
第四，主動靠近結果。能產生報告的人會增加，能確認報告是否可用、協調執行、處理例外並對成果負責的人，仍然稀缺。
第五，保留資料邊界。只有在符合公司、客戶與個人隱私規範的前提下，才把案例與工作資料交給 AI。放大經驗不應以洩漏機密為代價。
風險與限制
本文引用的研究分別來自客服、顧問、軟體開發與一般知識工作，不能直接推論到所有職業。AI 的能力邊界也在快速移動，2025 年的工具結果不應被當成永久定律。
人的經驗也不一定可靠。過時習慣、倖存者偏誤與過度自信，同樣可能被包裝成「老師傅直覺」。真正值得累積的不是無法挑戰的年資，而是有結果紀錄、能被反證、願意持續更新的經驗。
最後，隱性知識並不保證永遠屬於人類。Noah Smith 的原始觀點恰好指出，AI 可能透過感測器、製程資料與大量實驗，更快擷取原本散落的隱性知識。因此，最安全的策略不是把希望押在人永遠不可取代，而是持續把自己移向新問題、真實情境與責任邊界。
聰明變便宜，不代表人的價值消失。它只是把問題改寫了：未來真正昂貴的，可能不是先給出答案的人，而是知道答案何時可信、能把答案放進真實世界，並願意對結果負責的人。
參考資料
- Noah Smith，What will more intelligence actually do for us?：https://www.noahpinion.blog/p/what-will-more-intelligence-actually
- OECD，The OECD AI exposure measure：https://www.oecd.org/en/publications/2026/05/the-oecd-ai-exposure-measure_489cfd42.html
- Dell’Acqua et al.，Navigating the Jagged Technological Frontier：https://pubsonline.informs.org/doi/full/10.1287/orsc.2025.21838
- Brynjolfsson, Li and Raymond，Generative AI at Work：https://www.nber.org/papers/w31161
- Dillon et al.，Shifting Work Patterns with Generative AI：https://www.nber.org/papers/w33795
- Becker et al.，Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity：https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- METR，We are Changing our Developer Productivity Experiment Design：https://metr.org/blog/2026-02-24-uplift-update/
- Acemoglu, Autor and Johnson，Building Pro-Worker Artificial Intelligence：https://www.nber.org/papers/w34854
本文為 AI 與職涯策略研究整理，不是個人化職涯或投資建議。