AI 工作不末日

Benedict Evans 在 Lenny's Podcast 的重點不是「AI 沒什麼」。他的判斷更難：AI 會像網路與手機一樣大，但商業價值、工作變化與創業機會，都要回到具體任務、組織導入與應用層來看。

SCROLL
PART 1 ｜ 先把尺度放對

AI 很大，
但不是所有答案都已經出現

Benedict Evans 的開場很像一句冷靜提醒：AI 和網路、手機一樣大，也只和網路、手機一樣大。這不是看衰 AI，而是把它放回平台轉換的尺度。網路和手機都重寫了產業、工作與公司價值，但當時沒有人能在第一天就看清最後贏家。

他把現在的 AI 比成 1997 年的網路。氣氛很興奮，很多東西還不好用，大多數重要產品還沒被做出來，商業模式也沒有定型。科技圈裡有人每天用 AI 寫程式、做研究、整理工作；科技圈外，很多人可能每週或每兩週才打開一次。

尺度
像網路與手機
足以改變工作與產業，但不必把每個問題都說成工業革命或世界末日。
時間
像 1997 年
早期使用者很懂，但主流市場仍在試探。真正的大公司與新習慣還在形成。
邊界
鋸齒狀能力
同一個模型可能在某件事上驚人好用，在另一件事上完全不可靠。

這種不均勻，是產品策略的起點。不要假設每個使用者都已經「懂 AI」，也不要把展示影片當成完整工作流程。真正的機會，通常在把一段可重複的工作包好，讓人知道什麼時候能信、什麼時候要驗。

PART 2 ｜ 任務不是工作

AI 能寫程式，
不代表它知道該做什麼產品

Evans 反覆問同一件事：被自動化的是任務，還是整份工作？有些工作確實接近單一任務，像電梯操作員按下樓層。按鈕出現後，工作就消失。但更多時候，任務只是被雇用的表面理由。

Claude Code 可以寫程式，問題是你要寫什麼程式。AI 可以產生簡報，問題是顧問被雇用不是為了交一份投影片，而是為了走進公司，弄清楚客戶、政治、流程、權責與真正卡住的地方。

場景
AI 容易吃掉的任務
人們真正付費買的能力
軟體開發
產生程式碼、補測試、重構小段功能。
判斷客戶是誰、產品該長什麼樣、怎麼上市、哪個取捨值得做。
管理顧問
整理訪談、做投影片、產生初版分析。
進入組織現場，找出為什麼公司原本做不到，以及誰需要改變。
電商購物
快速買到指定 SKU，完成搜尋與結帳。
在不知道該買哪個時，幫你理解選項、限制、風險與使用情境。
法律與會計
草擬文件、比對條文、摘要資料。
承擔專業判斷、風險責任、客戶溝通與例外狀況。

這對產品團隊很重要。若只把 AI 當成「產生更多文字或程式碼」的機器，很容易做出看起來厲害、卻沒有人長期使用的工具。更好的問題是：這個任務前後還有哪些判斷、資料、權限、責任與協作？

PART 3 ｜ 導入是一個組織專案

為什麼最懂 AI 的公司，
反而在增加人手？

訪談裡一個反直覺現象是，OpenAI、Anthropic 這類 AI 公司沒有讓顧問與前線工程師消失，反而投入更多人去做導入。原因很直白：企業沒有一群閒著的人，可以突然重寫所有內部流程。

一家公司要把 AI 接進工作，不是買一個帳號就結束。它要找出哪些流程值得改、哪些系統要串接、誰有權做決策、員工怎麼訓練、錯誤怎麼驗收。這些都是專案，而且通常需要跨部門協調。

企業導入 AI，通常卡在四個環節
找流程哪段工作真的重複且值得改
接系統資料、權限與既有軟體能否串起來
改權責誰負責審核、例外與錯誤後果
做驗收何時可自動，何時必須交回人類

這也是 AI 產品的機會。空白聊天框讓使用者自己猜哪裡能用，真正的產品要把模型包進明確工作流，讓使用者不用理解所有模型限制，也能把事情做完。

Evans 對「企業明天買 AI，兩週後開除所有員工」很不以為然。大型企業軟體銷售與導入本來就很慢，尤其是醫療、航太、金融、法律這類高風險產業。三年、五年、十年後，很多工作會長得不同，但不會像按開關一樣瞬間完成。

PART 4 ｜ 工作會變，但不是單線預言

每次新技術都會消滅工作，
也會打開新工作

Evans 對「工作末日」的回答不是安慰，而是歷史感。從農業機械、打字機、電話交換、試算表、PC、網路到雲端，每一波技術都自動化一批工作，也創造一批原本不存在的工作。問題是，消失的工作比較容易看見，新工作在出現前通常聽起來很奇怪。

他沒有否認痛苦。轉換過程會有人失業，有些城鎮或職業會受傷，專業服務的金字塔也可能改變。尤其是剛進入職場的人，會比資深工作者更直接遇到招募縮水與工作內容重組。

不要做的推論
AI 可以完成某些任務，所以整個職稱會照比例消失。這種推論忽略了工作裡的判斷、責任、協作與客戶信任。
應該做的推論
AI 會改變工作分工。你需要知道哪些部分會變便宜、哪些部分會更重要，以及新能力會讓需求增加還是減少。

他用試算表說明這件事。試算表讓很多計算瞬間完成，但會計、投資銀行與分析工作沒有因此消失，反而做了更多模型、更多交易、更多分析。便宜化不只帶來裁員，也可能帶來需求擴張。

PART 5 ｜ 價值不一定在模型公司

模型可能是基礎設施，
真正的利潤在上層

訪談最適合創業者的一段，是 Evans 對模型公司的懷疑。他不是說基礎模型不重要，而是問：如果模型沒有明顯網路效應，長期又有多家競爭者、開放模型與本機模型，為什麼一定能保有定價能力？

他用電信和電力比喻。行動網路是高度複雜的全球基礎設施，資料流量多年來暴增，但電信商股票長期表現平平，因為它們賣的是低毛利基礎設施。真正酷的服務在上層，由其他公司做出來。

基礎模型
算力、資料、研究與推論成本很高，短期很稀缺。
問題是長期是否有足夠差異化與定價能力。
應用層
把模型接進法律、醫療、教育、銷售、客服、設計、開發等具體流程。
價值來自理解場景、資料、責任與使用者工作方式。
通路與預設
Google、Meta、Apple 可以把夠好的 AI 灑到既有入口。
當產品差異變小，通路、品牌與預設選項會變得更重。

這裡的創業判斷很直接。不要只問「哪個模型最好」，也要問「誰擁有使用者入口」「誰理解工作流」「誰能把模型變成可交付結果」。如果模型變成商品化原料，包裝它的人反而更有機會拿走利潤。

PART 6 ｜ 創業者該問的問題

不要預測哪個職業被消滅，
要找哪些新行為會出現

Evans 反對把每個職業拆成「多少百分比會被 AI 取代」。他認為那像早期專家系統，試圖用一堆規則描述真實世界，最後忽略了工作如何在現場發生。1997 年看網路，你很難預測 Uber 會改變計程車市場，也很難預測 Airbnb 對商務飯店的影響其實有限。

新技術剛開始常常只是「把舊事做更多」。把郵件印出來、把相片網站搬上手機、把 CD 變成線上購買。真正的大產品會改變問題本身。Spotify 不是線上唱片行，而是每月付一筆錢就能聽幾乎所有音樂。

  1. 這裡被自動化的是單一任務，還是客戶真正雇用你完成的工作？
  2. 成本下降後，客戶會少花錢，還是用同樣預算做更多事？
  3. 導入卡在模型能力、資料權限、內部政治，還是責任歸屬？
  4. 空白聊天框能解決問題嗎，還是需要包成明確工作流？
  5. 如果模型變成商品化原料，你的通路、資料、品牌或工作流優勢在哪裡？

給個人的建議也一樣務實。不要把頭埋進沙裡，靠討厭 AI 取得道德優越感。真正有用的是把自己浸進去，理解它今天能做什麼、不能做什麼、會怎麼改變你的工作，然後讓自己成為更值得雇用的人。

AI 會把很多任務變成按鈕，但真正的問題是：人們到底雇用你做什麼？

看懂任務與工作的差別，才看得懂工作會怎麼變、產品該怎麼做、價值會落在哪一層。

你現在最該補上的 AI 判斷
是哪一層？

選完之後，分享你的觀點

你的觀點

想聽原始訪談？

這頁整理自 Lenny's Podcast 訪問 Benedict Evans 的內容。原始影片保留了他對 AI、工作、模型公司、企業導入、反 AI 情緒與個人策略的完整回答。

前往 YouTube →