AI進步速度，是以前所未有方式重塑技能價值的結構。過去兩年多，多數人熱衷於鑽研提示工程、工作流程設計、代理系統、檢索增強生成或模型上下文協議等技術細節，彷彿掌握這些，就能證明自己站在時代前沿。無人能料的，是這些技術正快速商品化，單純操作AI的稀缺性也隨之下降。能形成長期差異的，逐漸從會不會使用工具，轉向能不能利用工具解決真正的問題。

史丹佛大學曾在《AI指數2025報告》中提出一組鮮明數據，2022年11月，達到大致相當於GPT-3.5水準的模型，推理成本約為每百萬token 20美元；到2024年10月，同等能力水準已降至約0.07美元，18個月下降超過280倍。模型規模也大幅縮小，PaLM需要約5400億參數才能跨越MMLU 60%門檻，兩年後，微軟Phi-3-mini以38億參數達到類似水準，這不代表模型能力等比例縮小，只說明AI能力取得的門檻已快速下降。到了史丹佛《AI指數2026報告》，88%的受調查組織已在使用AI，生成式AI至少進入一項業務功能的比例達到70%，AI能力已從少數科技公司的專屬資源，快速變成普及工具。

今天被視為專業的提示技巧，可能在下一代模型裡被自動補齊；今天需要自行搭建的RAG或Agent框架，也可能隨著模型能力提升而大幅降低操作門檻。這些技術不會突然消失，但單靠熟悉工具已愈來愈難形成長期優勢，比較有價值的，將是如何拆解問題、管理資料、設計流程，以及驗證AI的結果。十年銷售經驗所形成的客戶判斷力，不會因軟體更新而瞬間被新人複製，AI工具的操作門檻，卻會持續下降。

但會用AI，未必能自動轉化為效率優勢，METR於2025年對16位資深開源開發者進行的隨機試驗，完成246項真實開發任務，結果顯示使用當時的AI工具，完成時間平均反而增加19%，這不能解讀為AI一定會讓程式設計師變慢，卻提醒人們可能高估AI的幫助，低估驗證與協調成本。實際上，這個答案本身也正在快速變化，METR後續研究顯示，隨著2025年底AI工具進步，生產力已開始出現約4%至20%的提升跡象，只是幅度仍存在很大不確定性。AI真正的問題，因此從有沒有幫助，逐漸轉向在什麼工作上有幫助。

哈佛商學院與波士頓顧問公司合作的研究，則清楚劃出AI能力邊界，涵蓋758名顧問的實驗發現，在GPT-4當時擅長的任務範圍內，使用AI者工作速度提升超過25%，品質提升超過40%，完成任務數量增加約12%，一旦超出能力邊界，正確率反而下降約19個百分點。這說明AI時代真正重要的門檻，慢慢從會不會開啟工具，轉變能否判斷何時交給AI、何時人工覆核，以及何時根本不該交給AI。

過去寫文章、設計海報、剪輯影片或開發應用程式相對困難，如今AI可以快速生成大量方案，當生產變得廉價且近乎無限，垃圾也同步增加，從大量產出轉向在眾多方案中選出值得保留的內容，將成為新的溢價來源。AI可以增加選項，卻無法自動告訴我們哪個選項值得投入，更無法替人承擔最後的品質與決策責任。

因此，AI未必只是縮小人與人的差距，反而可能透過槓桿效應將差距放大。判斷力中等者，可能只是快速產出大量中等品質方案；判斷力較高者，則能迅速篩選、比較與迭代真正有潛力的選項。平權的是部分執行力，被放大的卻是判斷力與選擇能力。傳統的先發優勢，是早接觸聊天介面，學會提示技巧，搭建工作框架；現今優勢正逐步轉移到行業經驗、獨有資料、使用洞察、審美標準、分發能力，以及能否辨識什麼事情真正值得投入。史丹佛《AI指數2026報告》也顯示，AI在結構清楚、成果容易衡量的工作上帶來較明顯的生產力提升，深層判斷仍較難被完全取代。

AI能力取得的成本仍在下降，開源與高效模型也持續降低門檻，企業與個人愈來愈容易取得強大的AI能力。但當AI從回答問題走向執行更長、更複雜的任務，人類面對的問題也從會不會用AI，變成如何分配、監督與驗證AI。史丹佛2026報告更指出，過度依賴AI可能帶來技能學習的長期代價。未來被淘汰的風險，未必完全落在不會使用AI的人身上，也可能落在只會使用AI的人身上，也就是把操作工具誤認為專業能力，卻缺乏領域知識、問題定義、結果驗證與最終決策能力的人。

所以，面對AI，若僅止於比別人更熟悉幾個介面、提示詞或技術術語，這種優勢已在快速貶值。在AI愈來愈便宜，能力愈來愈普及之後，接下來最為值錢的，不只是知道該讓AI做什麼的人，還有要知道什麼該交給AI，什麼不能交給AI，以及AI做完之後，什麼結果才值得相信的人。

撰文／朱玉昌（富瑜文教基金會執行長）