盧建旭 / Jyan-Shiu Lu
大學生面對 AI，最容易先問：「我現在讀的科系還有用嗎？」
這個問題可以理解。當人工智慧能整理資料、撰寫文案、翻譯、製圖，甚至協助寫程式時，原本被視為大學畢業生入門能力的工作，似乎都可能被機器接手。於是有人急著轉系，有人四處修習工具課程，也有人認為既然 AI 什麼都能做，努力學習已經沒有意義。
但這三種反應都隱藏同一個假設：一項職業是一組固定不變的工作，而 AI 只會在「取代」與「不取代」之間作選擇。
現實通常不是如此。職業由許多任務、關係、判斷與責任組成。AI 可能先接手其中一部分，也可能提高其餘工作的標準，甚至創造新的分工。
真正需要重新規劃的，往往不是整個人生，而是自己準備用什麼能力進入職場。
接下來要問的，是我們準備如何在工作中繼續學習，以及當工具出錯時，能否作成負責任的判斷。
一、先把問題問對：改變的通常是職務內容，不只是職業名稱
國際勞工組織在 2025 年公布的全球指數指出，全球約四分之一的工作位於某種程度的生成式 AI 暴露範圍，但較可能發生的是工作內容轉型，而不是整個職業立即消失。這項估計不能直接預測某位學生會不會失業，卻提醒我們：技術影響的基本單位，通常是工作中的任務，而不是履歷表上的職稱。
例如，新聞工作不只有撰寫初稿，也包括判斷新聞價值、查證來源、採訪、處理爭議與承擔公開報導的責任；行政工作不只有整理文件，也包括理解法規、協調利害關係人、說明理由與回應申訴；程式工作也不只有產生程式碼，還包括需求釐清、系統設計、測試、資安與維護。
AI 可能使初稿、摘要、分類與例行分析更快，但不能因此推論整個職業已經失去價值。相反地，當初步產出變得便宜，查核、整合、情境理解與責任判斷可能變得更重要。
因此，職涯規劃的第一個問題不應只是「這個職業會不會被 AI 取代」，而應是：
這個職業由哪些任務構成？哪些任務容易自動化？哪些任務需要情境判斷、人際信任或法律責任？我準備在哪一部分建立不可輕易替代的能力？
二、真正值得擔心的，是入門工作的「學習階梯」可能縮短
「工作不會全部消失」不代表大學生可以保持原樣。AI 對初入職場者最直接的影響，可能不是某個專業突然不存在，而是過去用來培養新人的基礎任務被壓縮。
新人過去可能從整理會議紀錄、彙整資料、撰寫初稿或測試簡單程式開始。這些工作看似例行，卻讓人逐步理解專業標準、常見錯誤與組織如何作成決定。如果機關或企業只看見短期效率，把這些任務全部交給 AI，卻沒有重新設計培訓方式，新人可能更快產出文件，卻更少有機會理解文件背後的判斷。
這裡存在一個容易被忽略的矛盾：雇主希望新人到職時就能查核 AI、處理例外並承擔責任，但這些能力原本正是透過基礎工作逐漸累積而來。如果入門任務消失，培養判斷力的路徑也必須重新設計。
這是本文的分析觀點，不是已經確定發生在所有產業的共同結果。但它說明，AI 時代的職涯問題不能全部轉嫁給學生。大學必須調整課程與評量，雇主也必須說明新人如何在 AI 協助下形成專業能力，而不是一面取消學習機會，一面要求求職者「立即具備經驗」。
三、不必把原有專業丟掉，但要重新確認專業能解決什麼問題
面對 AI，最危險的建議之一，是要求所有人都轉成工程師。社會當然需要模型開發、資料工程與資安人才，但政府、企業與社會面對的問題，並不會因為工具更強就全部變成程式問題。
醫療仍需要臨床判斷與病人信任；法律仍需要解釋規範與保障程序；公共行政仍需要處理授權、裁量、課責與公共價值；教育仍需要理解學習者；企業管理也仍需要確認需求、分配資源並承擔決策後果。
經濟合作暨發展組織對高 AI 暴露職業的研究也顯示，需求增加的不只是 AI 專門技能，還包括管理、商業、認知、情緒與數位能力。這不表示任何科系只要加上一門 AI 課就能安全，而是說明領域知識並沒有自動失效。問題在於，學生能否把領域知識轉化為可檢驗的問題、辨識工具限制，並與其他專業共同工作。
因此，重新規劃職涯不是把「原科系」刪除後換成「AI」，而是形成一個較清楚的能力組合：
領域知識：知道什麼問題值得處理，理解規範、對象與情境。
AI 基礎素養：知道工具能做什麼、資料從哪裡來，以及輸出可能如何出錯。
查核與判斷：能以來源、標準與實際後果檢查結果，而不是只看文字是否流暢。
溝通與協作：能把技術限制說給非技術人員理解，也能把領域需求說給技術人員理解。
責任意識：知道哪些決定不能直接交給系統，出了問題應由誰停止、修正並說明。
四、會使用 AI 已經不夠，還要留下「你做過判斷」的證據
在人人都能要求 AI 產生履歷、報告與作品的環境中，完成品看起來專業，不再足以證明一個人具備相同程度的能力。求職者將更需要回答：哪些部分由工具協助？你如何選擇資料？你否決過什麼建議？發現什麼錯誤？最後的判斷依據是什麼？
這不表示作品集必須排斥 AI。相反地，較有說服力的作品可以保留工作過程：原始問題、資料來源、使用限制、不同版本、查核紀錄與修正理由。
求職者真正需要呈現的不是「我會按哪一個按鈕」，而是「我如何把工具放進一個可以負責的工作流程」。
對大學生而言，一份小型但可說明的專題，往往比羅列十種工具名稱更有價值。例如：
法政學生比較 AI 生成的政策摘要與原始法規，標出遺漏與錯誤推論。
商管與行銷學生分析公開資料時，同時交代指標選擇、資料限制與決策風險。
人文學生使用 AI 協助整理文本，但保留版本差異、引用查核與詮釋理由。
資工學生除展示功能，也說明測試案例、失敗條件、資安與停止機制。
這些作品不一定華麗，卻能證明學生知道自己在做什麼，也知道何時不能相信工具。
五、不同科系不需要走向同一條路
| 學習方向 | 領域基石（專業不可替代性） | AI 時代增益素養（跨界銜接力） |
| 人文與社會科學 | 語言、歷史脈絡、制度分析、價值判斷 | 資料素養、來源查核、研究設計及把抽象問題轉成可分析任務 |
| 法律、公共行政與政策 | 法規解釋、行政程序、公共價值、責任判斷 | AI 參與紀錄、風險分類、可說明性、採購與申訴程序 |
| 商管與傳播 | 市場理解、組織協調、敘事與利害關係人溝通 | 資料判讀、實驗設計、內容真實性、個資與著作權風險 |
| 理工與資訊 | 數學、工程方法、系統設計與測試 | 使用情境、社會影響、資安、偏誤檢驗及跨領域說明能力 |
| 醫療、教育與助人專業 | 專業倫理、個案判斷、人際信任 | 敏感資料保護、人類監督、錯誤處置及對服務對象的說明 |
這張表不是新的科系排名，也不是保證就業的處方。它要說明的是：AI 讓不同專業更需要彼此，而不是讓所有人變成同一種人。跨領域不是多收集幾張證書，而是能在合作時看見自己的責任與別人的限制。
六、本文的觀點：職涯規劃要從「選一個職稱」改成「建立可調整的能力組合」
過去的職涯想像常是一條直線：選科系、取得學位、進入對應職業，再逐步升遷。這條路徑沒有完全消失，但工作內容、工具與組織分工的變動正在加快。大學生需要的不是每半年推翻一次人生，而是建立可以修正方向的能力組合。
一個可行的規劃可以分成四步。每一步都附上一組自評問題，目的不是增加另一張待辦清單，而是讓學生能用具體證據檢查自己的方向。
拆解目標職務：先找三至五份實際職缺，區分例行產出、專業判斷、人際協作與責任承擔。不要只問自己想取得哪一個職稱，也要問：我真正想處理的是哪一類問題？這項工作中，哪些任務容易由 AI 協助或自動化？哪些部分仍需要領域知識、人際信任或法律與倫理責任？
用低風險任務補回學習階梯：選擇一項不涉及個資、機密或重大權益的任務使用 AI，記錄輸入資料、產出結果、查核方式與錯誤類型。也可以進行一次「逆向工程」練習：故意要求 AI 產生一份草稿，再把自己放在審稿人的位置，逐句查來源、挑出錯誤、重建推論。這不是把學習交給 AI，而是利用不完整的答案訓練查核與判斷。自評時要問：如果入門工作正在縮減，我還能到哪裡累積這些經驗？
完成一件可說明的作品：保留來源、版本、工具使用範圍、否決過的建議與修正理由，使別人看得見你的判斷過程。自評的關鍵是：我能否具體說明自己如何使用、質疑並修正 AI，而不是只展示一份看似完整的成品？
每半年依證據重新檢查：觀察目標職務、使用工具與制度要求是否改變，再決定補課、實習、專題或調整方向，而不是只追逐最新工具。最後要問：半年後若工具或職務改變，我準備根據哪些職缺、作品回饋與實際經驗調整方向？
七、也要警惕：把所有風險都變成學生的個人責任
要求學生保持學習是合理的。
「終身學習」不能成為學校、企業與政府逃避制度責任的口號。
如果課程只教工具操作，不教資料、權利與責任；如果企業壓縮新人職缺，卻不投資培訓；如果取得高品質工具與實習機會取決於家庭資源，AI 可能擴大而不是縮小原有的不平等。
政府與大學因此至少要處理三件事：讓不同背景的學生都能取得基本工具與指導；把 AI 素養放回各專業的實際情境；建立不依賴單一廠商或短期證書的學習與評量方式。企業則應說明職務如何改變、哪些判斷仍由人負責，以及新人如何取得形成專業能力的機會。
這些制度若沒有改變，單純要求學生「跟上 AI」，最後可能只是把技術轉型的成本交給最缺乏資源的人承擔。
結語：需要重新規劃的不是整個人生，而是進入職場的方法
AI 確實會改變工作，也可能使部分入門任務與職缺減少。任何人若斷言某一科系必然安全，或某一職業必然消失，都超過目前證據能支持的範圍。
大學生現在應該開始規劃，但不是因為原有選擇全部錯誤，也不是為了把自己改造成半個工程師。較穩健的做法，是保留真正能理解問題的專業，補上足以使用與查核 AI 的素養，並透過作品、實習與實際問題證明自己能作成判斷。
職涯韌性不是永遠猜中下一個熱門職業，而是在工具與制度改變時，仍知道自己能解決什麼問題、必須與誰合作，以及哪些後果不能交給系統替自己承擔。
官方延伸閱讀
國際勞工組織：One in four jobs at risk of being transformed by GenAI
OECD：Artificial intelligence and the changing demand for skills in the labour market
歐盟執委會：AI Literacy – Questions & Answers
稿件說明
本文所引述的國際勞工組織與經濟合作暨發展組織資料，係用來說明截至 2026 年 8 月可確認的就業暴露與技能趨勢；它們不能直接預測個別科系或個人的就業結果。本文對「學習階梯可能縮短」、「能力證據比工具清單重要」及「職涯規劃應改為建立可調整的能力組合」的主張，則是作者為本系列提出的分析觀點。文章尚待作者審閱，未經核定前不宜直接發布。
想一想
面對 AI 改變工作內容，大學生最應優先培養的是什麼？
A. 只學會更多 AI 工具的操作步驟。
B. 領域知識、判斷能力、溝通協作，以及能檢查 AI 結果的能力。
C. 盡量避開所有可能被 AI 影響的工作。
較適當的是 B。
AI 會改變工作分工，也會縮短某些例行工作的學習階梯；但它無法替代對情境、公共價值與後果的判斷。真正有競爭力的人，不只是會使用工具，而是能把工具放進自己的專業中，知道何時採用、何時質疑、何時要求他人負責。
回到AI治理101