先講結論，免得你讀到一半就走了。
在 AI 時代最重要的事，不是學會用 AI。
我知道這句話從一個整天在公司裡推 AI 的人嘴巴裡講出來很奇怪。我的工作有很大一部分就是讓四百多個不寫程式的同事開始用 AI，我每週開課、每月辦分享會、幫各部門評估工具、審資安。要說有誰應該喊「快來學 AI」，那個人應該是我。
但我愈做愈確定：會用 AI 在很短的時間內就會變成像「會用 Excel」一樣的事。沒有人會把「會用 Excel」寫進履歷的專長欄，因為那是預設值。它不會讓你加分，只會在你不會的時候讓你扣分。
那什麼才是重要的？
便宜的東西與貴的東西
看一件事會不會變重要，我習慣先看它的價格往哪個方向走。
這幾年變便宜的東西非常清楚：寫一段程式碼、整理一份會議紀錄、翻譯一篇文件、把雜亂的資料排成表格、生一版簡報草稿、寫一封得體的英文信。這些在三年前都要花錢或花時間，現在幾乎是免費的。
執行力正在變成基礎設施。就像自來水。你不會因為家裡有自來水而覺得自己很了不起。
那什麼變貴了？
決定要做哪一件事。
這句話聽起來很虛，我把它拆成幾個具體的問題。這些問題是我自己每天在工作上真的會遇到的：
- 這件事值得做嗎，還是只是看起來很忙？
- 我該相信這份資料嗎？它的來源是什麼？
- 這個看起來很完整的答案，是不是建立在一個錯誤的前提上？
- 現在該加速，還是該停下來重新確認？
- 如果我做錯了，多久之後會發現？
AI 對這五題完全幫不上忙。它可以把每一題的參考資料整理給你，但按下確認鍵的人是你。
一個讓我印象很深的數字
我看過一個關於創業者使用 AI 的研究，數字大概是這樣：原本表現比較好的創業者用了 AI 之後，績效提升大約一成到一成五；原本表現比較差的人用了 AI 之後，績效下降大約百分之八。
第一次看到的時候我愣了一下。
我們很習慣把新工具想成一個拉平器——有了它，落後的人可以追上來。計算機讓不會算術的人也能算帳，導航讓不認得路的人也能開車。工具的故事通常是這樣講的。
但 AI 不是。AI 是一個放大器。
你原本的判斷是對的，它讓你更快抵達正確的地方。你原本的方向是錯的，它讓你更快抵達錯誤的地方，而且沿路產出一堆看起來很專業的簡報和報告，讓你更難察覺自己走錯了。
這才是最麻煩的地方。錯誤的方向如果做得很慢，你還有機會在半路上發現不對勁。錯誤的方向做得很快，你會直接撞上去。
我在公司裡看到的版本
這件事在組織裡的長相更具體。
我們公司開放 AI 工具給非研發單位之後，我最常被問的問題是「有沒有什麼 prompt 可以直接抄」。我一開始都很認真地給範例。給了一陣子之後我發現不對——同一個 prompt，有些人拿去用效果很好，有些人拿去用什麼都沒發生。
差別不在 prompt。差別在他們拿這個 prompt 去解什麼問題。
效益最大的一個案例是法務部門做的合約審閱工具，每個人每週省下四到五個小時。法務是我原本以為最保守、最不可能有進展的部門。但他們做出來的東西最有價值，因為他們比任何人都清楚「哪一種合約條款最容易出事」。
那是一個 AI 給不了的知識。AI 可以讀完一千份合約，但它不知道哪一條在你們公司踩過雷。
所以我後來改變了做法。我不再教工具，我教怎麼問。
三個層次
我在公司的分享會上講過一個框架，我自己覺得還算好用，在這裡也講一次。
對 AI 下指令，可以停在三個抽象層次：
What——你要什麼具體產出。「生成一個公式，根據 A 欄位查找 B 欄位。」
How——你要用什麼方法做。「用 A 表格搭配 B 表格做市佔率分析。」
Why——你要達成什麼目的。「請給我 insight。」
有意思的是，層次愈高，你需要的技術知識愈少，而你能拿到的東西愈多。
停在 What 的人，必須先知道答案長什麼樣子。你得先會寫 VLOOKUP，才知道要叫 AI 生 VLOOKUP。
停在 How 的人，得知道有哪些方法可以選。
而能夠說出 Why 的人，只需要知道自己想幹嘛。
我用五個不同領域重講過這個階梯：Excel、內部系統、賺錢、寫程式、做影片。每一組的結構都一樣。而每一組裡面，最強的那個指令都是最不需要技術的那個。
「請去網路上賺錢」比「根據以下大綱寫一本電子書」強得多。
所以現在做一個數位工具真的是前所未有的簡單。你只要能描述 Why 就好了。這件事不需要工程師才做得到。
不過講到這裡就要小心了。因為「只要能描述 Why 就好」這句話，很容易被誤讀成「所以什麼都不用學了」。
不是的。
能夠清楚說出 Why，本身就是一件很難的事。你得知道你們部門真正的痛點在哪裡，得分辨眼前這個麻煩是根本問題還是症狀，得判斷解掉它值不值得花這個力氣。這些都不是技術知識，但它們是知識。
而且它們不能靠聽課得到。
學習有時候是一種很安全的拖延
這句話不是我發明的，但它戳中我了。
判斷力沒辦法只靠輸入建立。你可以讀十本談決策的書、上二十堂 AI 課程、追一百個科技新聞帳號，然後發現自己的判斷力一點都沒有變好。
因為判斷力只能靠一個循環長出來：執行、觀察結果、誠實覆盤。三個步驟缺一不可，而最容易被跳過的是第三個。
我自己就有這個毛病。我很喜歡學新東西，喜歡到有時候會用「我還沒準備好」當作不動手的理由。學習讓人感覺很充實、很上進、而且完全沒有風險——你不會因為多讀一本書而失敗。
但也不會因此而變強。
我教了那麼多堂課，最後不得不承認一件事：課程能做到的上限，是降低你的畏懼、給你一個可用的框架。它沒辦法幫你長出判斷力。那個東西只能你自己去撞。
那到底最重要的是什麼
繞了一大圈，我試著把答案收成幾句話。
在 AI 時代最重要的事，是知道自己想要什麼，以及願意為那個判斷承擔後果。
前半句聽起來很雞湯，但它有很具體的意思：當執行變成免費的，稀缺的就變成意圖。以前我們問「你會做什麼」，因為會做的人不多。現在應該先問「你想做什麼」，因為做得出來的人到處都是。
後半句才是真正難的。承擔後果意味著你會做錯，而且會被看見。這比多上一堂課痛苦得多，所以大部分人選擇繼續上課。
我不是在說上課沒用。我自己就在教課，我當然覺得有用。我是說，如果你上完課之後沒有動手做過任何一件會失敗的事，那你花的錢買的是安心，不是能力。
最後補一段題外話。
我有一對雙胞胎，今年七歲。常常有人問我：AI 時代到了，該讓孩子學什麼？
我的答案一直沒變：批判性思考、溝通與同理、拆解問題、學習如何學習。
有人說這四項太抽象了，聽起來像作文比賽的題目。我承認。但我想不出更好的答案，而且我有一個很自私的理由相信它們——當年我大學選經濟系，選的理由就是「這個東西不容易過時」。
我後來從人資轉職成軟體工程師，靠的不是任何一種當年學過的技術。當年我根本不會寫程式。靠的是那套「遇到不會的東西該怎麼拆解」的習慣。
十年後我的孩子要學的東西，現在可能還沒有被發明出來。就像十年前沒有人會教你怎麼跟一個語言模型講話。
所以我能替他們準備的，只有學習本身。
至於 AI 會不會取代他們的工作——老實說我不知道。但我知道，如果連我這個每天追前沿的人都看不清三年後的職場，那焦慮這件事的投資報酬率實在是低得可以。
不如去練那四項。反正練了也不會虧。