Showing Posts From
職涯護城河
別再問『AI 能取代我幾成工作』——20 年最清醒的科技分析師 Benedict Evans 給你一把新的尺：task 還是 job？
每隔一段時間，就有人轉一張圖給你：「某某研究指出，業務這份工作有 73% 的內容可以被 AI 自動化。」你盯著那個數字，心裡一沉。 然後你打開另一篇報導，看到的安慰是：「別擔心，AI 取代不了人與人的溫度。」這句話聽起來很好，但它沒有給你任何可以拿來做決定的東西。一邊是精確到小數點的恐嚇，一邊是空泛到無法反駁的安慰。兩邊都沒用。 Benedict Evans 是過去 20 年公認最清醒的科技分析師之一（前 a16z 駐點分析師，每年的趨勢簡報是矽谷固定收看的節目）。2026 年 5 月底他上 Lenny's Podcast，沒有打雞血，也沒有講玄學。他只是把那個讓所有人焦慮的問題，換了一個問法——而光是換問法，整件事就清楚了。 Benedict Evans 的反框架：讓你停止焦慮的，不是答案，是換一個問題 Evans 對 AI 現況的定調是「這是 AI 的 1997 年」。重要，規模約等於網路或行動裝置——但也就這麼大，而且充滿不確定性。在這個座標下，他認為大家問錯了問題。 大多數人問的是：「AI 能做我這份工作的百分之幾？」Evans 說，這個問題本身就是壞掉的。因為它預設了「工作」是一堆任務的加總，只要把任務一個個算掉，剩下的百分比就是你的剩餘價值。 但工作不是這樣運作的。他在 5 月的文章〈Predicting AI job exposure〉裡寫得很直白："Sometimes, of course, the job really is just a task, that can be turned into a button, but that's actually pretty rare." （當然，有時候一份工作真的就只是一個任務，可以被變成一顆按鈕——但這種情況其實非常罕見。）罕見。這兩個字是整篇文章的支點。真正該問的不是「百分之幾」，而是一個是非題：我做的這件事，是一個任務（task），還是一份工作（job）？ 任務 vs 工作：用顧問的 75 頁簡報，看懂這條界線在哪 Evans 在 Podcast 裡舉了一個會讓很多人臉紅的例子：一個管理顧問的工作，不是「產出一份 75 頁的投影片」。 那份 75 頁的簡報，是 task。AI 現在確實可以幾分鐘做出來。但顧問被請來解決的，從來不是「做出這份簡報」——而是「這家公司該不該併購、組織該怎麼重整、董事會吵了三個月的那件事到底該怎麼拍板」。簡報只是把那個答案包裝出來的載體。 換句話說，task 是看得見的產出物，job 是產出物背後那團「沒人能完整講清楚、卻必須有人扛下來」的東西。Evans 形容真正的工作是："a complex mesh of things that we lack the capability to explain explicitly." （一團複雜交織的事，複雜到我們根本沒有能力把它明確地講清楚。）這句話對業務員特別有殺傷力，也特別有解放感。 殺傷力在於：你每天做的事裡，有一大塊其實是 task。整理保單比較表、把商品條款翻成白話、跑一份退休現金流試算、寄一封跟進信、回答「這個理賠賠不賠」——這些 AI 都做得到，而且會愈做愈好。你愈是把自己的價值建立在「我比別人更會整理資料」上，你愈危險。 解放感在於：客戶找你，從來不是為了那張比較表。他找你，是因為他正面對一團「沒辦法明確講清楚」的事——爸爸中風後家裡的財務該怎麼重新安排、夫妻倆對要不要幫小孩買終身險吵了半年、自己創業現金緊但又怕沒保障。這不是一個 task，這是一個 job。而 job，照 Evans 的判斷，「非常罕見」會被整包變成一顆按鈕。 做法：拿一張紙，把你上週實際做的事一條一條列出來。每一條只問一個問題——這是一個可以變成按鈕的任務，還是一團講不清楚的工作？兩邊都會有。重點不是哪邊多，而是你有沒有清楚意識到：你的時間，正在往哪一邊傾斜。 為什麼「會用 AI」救不了你：護城河在通路與情境，不在模型 Evans 的第二把刀，砍向一個很多人的逃生計畫：「那我趕快變成最會用 AI 的那個人就好了吧？」 他的論點是：價值正在從基礎模型（foundation model）往上層移動。模型本身會趨向商品化、利潤被壓平。他用了一個讓人印象深刻的歷史對照——行動通訊的電信商。 過去 25 年，全球電信商每年砸下大約 2,000 億美元蓋基地台、鋪網路，結果呢？智慧型手機革命創造的所有經濟價值，幾乎全部流向了 Apple、Google 和上層的應用程式公司，電信商自己的股東報酬接近於零。他們蓋了那條路，卻沒分到路上跑的錢。Evans 對模型實驗室丟出同一個問題："Why would they have pricing power?" （他們憑什麼有定價權？）如果連模型本身都沒有定價權，那「我會打 prompt」就更不可能是護城河——那只是會用那條被鋪好的路而已。Evans 的判斷是，價值會累積在掌握「通路（distribution）」和「特定使用情境（specific use cases）」的人手上。 把這句話翻成業務員的語言：模型是誰都能叫來的水電。真正稀缺的，是「客戶為什麼透過你、而不是透過一個 App 來解決這件事」的那個通路關係，以及「你比任何通用 AI 都更懂這個特定客戶、這個特定情境」的那層理解。前者是你二十年累積下來、別人插不進來的信任；後者是你坐在客戶對面，聽出他沒說出口的那句話。這兩樣，都不是模型，也不是 prompt 技巧。 專業服務不死的真正原因：它解的是「組織問題」，不是單點任務 最後一塊拼圖，Evans 用「為什麼 AI 公司自己反而帶動了顧問業大爆發」這個反直覺現象來收尾。 照理說，最該被 AI 取代的就是顧問——他們賣的不就是知識和分析嗎？但 Evans 觀察到的事實正好相反：愈多公司導入 AI，顧問業的需求愈旺。原因在於，專業服務解決的核心從來不是「資訊不足」，而是「組織問題」。 一家公司要不要導入 AI、流程該怎麼改、誰負責、舊系統怎麼接、員工會不會反彈——這些都不是「給我一個正確答案」就能解決的 task，而是一團牽涉到人、權力、時程、風險承擔的 job。AI 可以瞬間生出「理論上的最佳解」，但「讓這個解在一個有血有肉、會吵架會卸責的真實組織裡真的跑起來」，是另一回事。 Evans 在文章裡給了一個檢驗任何「AI 取代論」的測試，他稱之為報紙測試、Uber 測試、CPA 測試：報紙不是因為「記者這份工作變了」而倒，是因為網路改變了它的金流結構；計程車不是因為「開車這個任務被自動化」而被 Uber 顛覆，是因為科技換掉了底層的商業模式；而會計師——理論上最該被一個世紀的自動化淘汰的職業——人數反而一路上升。"would your approach have captured those effects?" （你的分析方法，當初抓得到這些效應嗎？）抓不到。因為這些都不是「某個任務被機器做掉了」這麼線性。同樣的，保險業務員會不會被取代，答案不在「AI 能不能算保費、能不能比保單」——它早就能了——而在於那團「複雜到講不清楚」的組織問題與人的問題，有沒有被誰更便宜地解決掉。 Evans 沒有給你一句安慰。他給的是一把尺。下次再有人轉「業務有 73% 會被自動化」的圖給你，你不用反駁，也不用焦慮。你只要拿出這把尺，把那 73% 攤開來看：哪些是 task，哪些是 job。被算進去的，多半是前者；而讓客戶非你不可的，從來是後者。 焦慮之所以無解，是因為「AI 能做我幾成」這個問題沒有答案。但「這是一個任務還是一份工作」——這個問題，你坐下來十分鐘就能回答。座標清楚了，路就清楚了。📎 這篇主要拆的是 Evans「task vs job」這把尺，但他在 Lenny's Podcast 這集（2026 年 5 月）聊的遠不只這個——包括他對基礎模型泡沫的判斷、AI 採用率在不同世代之間驚人的落差、以及為什麼他堅持「這是 1997 年，不是 1999 年」。如果你想看他把「無法預測哪些工作會被影響」這件事論證到底，他 5 月底的文章〈Predicting AI job exposure〉用報紙、Uber 與會計師三個案例把整套邏輯講得更透，很值得配著一起讀。