當 AI 比你更有用，人還需要證明自己嗎？教育與工作制度正在撞上一個古老問題

AI 真正改變的，也許不是工作，而是「意圖如何變成現實」

談到人工智慧與工作，多數討論很快就會進入同一套問題：哪些職業會消失？哪些技能最安全？學生現在應該學什麼？

這些問題都重要，但它們可能只碰到了表面。

如果把尺度拉到人類文明史，一個更根本的變化正在浮現：AI 開始動搖一條存在了數千年的基本結構。

那條結構可以寫得非常簡單：

人的意圖 → 人的知識與技能 → 人的勞動 → 現實中的結果。

你想蓋一棟房子，需要建築師、工程師與工人；想製作遊戲，需要程式、美術、設計與 QA；想研究一個科學問題，需要研究者閱讀文獻、設計實驗、寫程式、分析資料。

文明史上的重大技術，大多是在這條管線中降低某一段的成本。

農具增加單位勞動產量；蒸汽機與內燃機放大肌肉；電力讓能源能在任何時間被調用；電腦把大量計算壓縮到幾乎無法與人工相比的成本；網路則讓資訊的複製與傳遞接近即時。

但有一件事長期沒有真正被外包出去：

理解一個目標、拆解問題、決定下一步、操作工具、觀察結果，再根據失敗修正。

這一段，過去通常意味著另一個人。

今天的 Agentic AI 開始第一次大規模碰觸這個位置。

---

從「工具」到「機械執行力」

傳統軟體的基本關係是：

人思考 → 人操作工具 → 機器執行。

Photoshop 不會主動理解你為什麼要做一張海報；3D 軟體不會自己決定哪些模型需要重新拓撲；IDE 不會天然知道產品下一步應該實作什麼。

即使工具非常強，人仍然必須站在每一個重要決策點上。

Agent 型 AI 則正在把結構改寫成：

人提出意圖 → AI 規劃 → AI 使用工具 → AI 檢查結果 → AI 修正 → 人確認方向。

差異看似只多了幾個步驟，實際上卻非常巨大。

OpenAI 在 2026 年 9 月公開的內部研究資料顯示，其研究組織已大量使用 coding agents。以標準八小時工作日換算，截至 2026 年 8 月中旬，研究組織每投入 1 個 human workday，同時使用約 3.1 個 agent-workdays 的執行量。OpenAI 也表示，系統目前已能在人類指導下完成部分原本需要熟練研究者數天的明確研究任務，並將 2028 年 3 月設定為朝 automated AI researcher 前進的重要目標。

這些數據來自單一 AI 公司內部，不能直接外推整體經濟，但它展示了一個重要現象：認知工作的執行時間開始不再嚴格等於人的時間。

這可能是 AI 與過去多數軟體最重要的差別。

蒸汽機提供機械肌肉。

電腦提供機械計算。

Agentic AI 開始嘗試提供某種機械執行力。

---

公司為什麼需要那麼多人？

現代公司的基本結構，很大程度來自一個古老限制：

一個人的時間與認知頻寬有限。

一個人無法同時處理會計、法務、設計、工程、行銷、客服與營運，因此文明發展出專業分工，再用管理制度把這些人重新組合起來。

公司、官僚體系與大型組織，本質上有一部分就是「如何協調有限人類認知」的技術。

但如果未來一個人可以同時啟動十個、二十個甚至更多專業 Agent，情況就會開始改變。

研究 Agent 搜尋資料。

程式 Agent 實作功能。

測試 Agent 驗證結果。

設計 Agent 製作介面。

另一個 Agent 查看基礎設施、整理文件、追蹤錯誤。

人仍然負責方向與最後的價值判斷，但底下的執行層不再完全由人的生命時間構成。

這不是「一個人突然變聰明十倍」，而是個人的有效執行頻寬可能被大量放大。

如果這條路繼續發展，「一人公司」「一人研究室」甚至「一人工作室」的能力邊界，都可能與今天完全不同。

---

但這會直接撞上教育制度最根本的假設

今天的教育體系仍大量圍繞一個問題運作：

如何把一個人訓練成對未來社會有用的人？

於是我們建立了一條熟悉的路徑：

考試 → 分數 → 排名 → 學歷 → 技能 → 就業 → 薪資 → 職位。

這套制度並非毫無道理。當知識與專業能力稀缺時，社會確實需要一套方法辨識誰具備哪些能力。

但 AI 正開始讓部分能力快速變便宜。

OECD 在 2025 年討論強 AI 對教育的影響時，已明確提出教育系統需要重新思考：哪些知識、技能與態度仍然應被強調？哪些能力的重要性可能下降？又有哪些新的能力需要進入課程？2026 年 OECD 再次指出，AI 作為通用技術正在改變勞動市場與技能需求。

這表示問題已經不只是「學生可不可以用 ChatGPT 寫作業」。

更根本的問題是：

如果 AI 可以完成我們原本訓練學生花十年學會的部分工作，那教育究竟是在訓練什麼？

UNESCO 對生成式 AI 教育的指引因此反覆強調 human agency，也就是人的自主性，而不是單純追求工具使用效率。

因為當「如何做」越來越容易取得，教育真正稀缺的部分可能逐漸往另一邊移動：

判斷什麼值得做。

判斷資訊是否可信。

決定哪些結果應該被接受。

建立自己的價值與目標。

理解其他人。

承擔選擇的後果。

這些事情不像標準答案那麼容易量化。

但它們可能變得比今天更重要。

---

工作制度的問題甚至更尖銳

企業本來就不是為了回答「一個人為什麼值得存在」而設計。

企業需要回答的是：

這個職位是否必要？

這項工作值多少成本？

怎麼提升產出？

哪些流程可以自動化？

因此，當 AI 可以降低某些工作的成本，公司重新設計職位完全符合經濟邏輯。

ILO 在 2025 年更新的全球研究中估計，全球約四分之一勞工所處的職業具有某種程度的生成式 AI 暴露。不過 ILO 同時強調，目前更可能出現的是工作內容轉型，而不是所有相關職位直接消失。

這個差別非常重要。

現有證據並不支持簡單的「AI 即將讓所有人失業」敘事。

但是，即使大部分職業最後是轉型而非消失，另一個問題仍然存在：當越來越多任務可以由 AI 執行，人類的市場價值與人的存在價值，是否會被錯誤地綁在一起？

今天我們很容易把兩句完全不同的話混為一談：

**「市場目前不需要這項勞動。」

與

「這個人沒有價值。」

前者是經濟判斷。

後者是哲學判斷。

兩者之間沒有必然的邏輯關係。

但現代社會長期透過收入、職位、學歷與生產力衡量個人，很容易讓人把自己的市場交換價值內化成人的整體價值。

因此我們才會擁有一個非常殘酷、卻又非常常見的詞：

「廢物。」

仔細想想，只有物件通常才需要透過用途證明自己存在的合理性。

壞掉的零件沒有用途，可以被丟棄。

但如果我們把同樣的邏輯套在人身上，就等於偷偷接受了一個前提：

人是一種必須有功能才能合理存在的東西。

AI 可能迫使社會重新檢查這個前提。

---

「AI 比你更有用」不等於「你沒有存在價值」

這裡存在一個很容易被忽略的邏輯跳躍：

AI 在某項任務上優於人類。

因此，人類在該項任務上的經濟稀缺性下降。

這兩句都可能成立。

但是從這裡無法推出：

因此人類本身失去了存在意義。

因為「功能價值」與「存在價值」本來就是不同層次的命題。

一個小孩不需要先證明自己能產生 GDP 才值得被照顧。

朋友的價值不會用每小時產出衡量。

藝術、遊戲、戀愛、家庭、好奇心與陪伴，也不是因為經濟效率最高才存在。

我們只是生活在一個以勞動交換資源為核心的社會太久，以至於容易把「對系統有用」誤認成「人生具有價值」。

如果 AI 最終大量降低認知勞動的稀缺性，它可能不會消滅人的意義。

它反而可能拆掉一個長期存在的遮蔽物：

如果我不需要靠工作證明自己，那我想拿有限的人生做什麼？

這其實是一個非常古老的哲學問題。

只是直到最近，大多數人仍然必須先處理房租、工作與晚餐，因此社會可以把它放在哲學課裡。

AI 正在把它慢慢搬回現實世界。

---

從 Productivity 到 Agency

工業社會最珍貴的東西之一是 Productivity。

如何讓一名工人在一小時內生產更多產品？

如何讓工程師更快完成工作？

如何讓公司用更少資源得到更多產出？

但當 AI 不斷降低執行成本，未來真正稀缺的能力可能逐漸轉向 Agency。

也就是：

我想做什麼？

我為什麼選它？

我願意把注意力放在哪裡？

哪些事情即使沒有經濟回報，我仍然認為值得？

我希望與誰建立關係？

我願意為哪些選擇承擔責任？

這些問題很難被最佳化，因為它們不存在一個全球統一的 objective function。

AI 可以幫助一個人寫程式、畫圖、研究資料甚至執行專案，但「應該做哪一件事」最後仍然涉及人的價值判斷。

至少在目前，這仍然是人類掌握的重要位置。

OpenAI 自己在公布研究自動化進展時也指出，即使 agents 已經大量加入研究工作，人類研究者仍然負責設定優先順序、判斷哪些想法值得繼續，以及決定是否擴大、暫停或部署系統。

換句話說，AI 目前最明顯的作用不是完全取代「意圖」，而是大幅壓縮意圖與結果之間的摩擦力**。

這正是它作為槓桿最強大的地方。

---

教育系統最後可能必須回答：不是怎麼成為有用的人，而是怎麼成為一個人

如果 AI 能持續承擔更多執行工作，教育的任務可能不得不從「把人製造成符合市場需求的技能單位」，逐漸加入另一組過去較難量化的問題。

如何建立判斷？

如何理解自己的需求？

如何與其他人合作？

如何處理自由？

如何在沒有標準答案的情況下做決定？

如何區分自己真正想要的東西與外部系統要求自己想要的東西？

這不表示數學、科學、工程或專業知識會失去價值。相反地，人仍然需要足夠的知識才能判斷 AI 的輸出是否合理。

但教育的目的可能不能再只停留在一句：

**「好好學習，成為社會有用的人。」

因為未來某一天，一個孩子完全可能反問：

「如果機器比我更有用呢？」

如果教育系統只能回答「那你就必須比機器更努力」，問題並沒有真正被處理。

---

AI Alignment 也許還有被忽略的另一半

AI 領域經常討論 Alignment：如何讓人工智慧的行為與人類價值一致？

這確實是極為重要的技術與治理問題。

但如果 AI 最終真的改變勞動、教育與組織形式，人類可能還需要面對另一種 alignment：

我們現有的制度，是否仍然與人的需求對齊？

如果技術已經能讓一個人的執行能力被放大數倍甚至更多，教育是否仍應使用工業時代的方式衡量能力？

如果勞動不再是所有人獲得社會位置的唯一通道，收入、保障與身份認同要如何重新設計？

如果市場暫時不需要某個人的技能，我們是否仍然能讓他感覺自己屬於這個社會？

這些都不是 GPU、模型參數或 Benchmark 可以直接回答的問題。

但它們可能正是 AI 真正成熟之後最困難的問題。

---

最後：AI 也許沒有讓人類失去意義，而是取消了標準答案

過去幾百年，工業社會其實提供了一套非常清楚的人生劇本：

學習。

取得技能。

找到工作。

提高產出。

獲得收入與地位。

繼續工作。

這套劇本並不適合所有人，但至少它提供了一個現成答案：

你之所以重要，是因為你能做某件有用的事。

AI 真正可能摧毀的，也許不是人的存在價值，而是這個答案的壟斷地位。

如果有一天，機器可以比我們更快寫程式、更穩定分析資料、更有效率管理流程，甚至完成部分科學研究，人類就不能再只靠「我比機器有用」來證明自己的位置。

我們可能不得不重新學習另一件事情：

人的價值是否可以不依附於生產力。

這聽起來像一個非常遙遠、甚至有點莫名其妙的哲學問題。

但最奇怪的地方就在這裡。

我們正在用晶片、資料中心、GPU、神經網路與數十億美元的工程投資，一步一步把這個古老問題從哲學書架搬進現實。

蒸汽機讓人類第一次大規模外包肌肉。

電腦讓我們外包計算。

AI 則開始讓我們外包部分認知與執行。

當「怎麼做」逐漸變得廉價，最後留下來的問題也許會變成最古老、也最難的一個：

那你到底想做什麼？**