會做的人變多了，會判斷的人變少了

以前我在看一個人的專業時，很自然會先看他會什麼。

會不會 Figma，會不會寫 HTML/CSS，會不會做簡報，會不會寫 PRD，會不會做研究。這些問題在很長一段時間裡都很合理，因為工具本身有門檻，技能需要時間累積，會做的人本來就不多。

但 AI 出現之後，我越來越覺得，「會做」這件事正在快速貶值。

不是因為執行不重要，而是因為執行變得太容易被放大。以前一個人一天可能只能產出一版 wireframe，現在可以產出五版。以前整理一份競品分析要花兩天，現在半小時就能拿到初稿。以前寫一份規格文件很痛苦，現在 AI 可以很快鋪出看起來完整的結構。

這件事一開始會讓人興奮，因為產出突然變快了。但用久之後，我反而開始緊張。當每個人都能更快完成任務時，真正拉開差距的，可能就不再是誰比較會做，而是誰比較會判斷。

這對我現在的身份也很直接。PM × Designer 的價值不是比誰更快產出畫面或文件，而是在複雜軟體服務裡，判斷什麼問題值得做、什麼需求要先釐清、什麼取捨會影響交付，最後讓團隊真的往可使用、可維運的方向走。

產出變多，不代表價值變高

AI 最容易製造的管理幻覺，是讓團隊看起來變得很有效率。

文件變多，方案變多，會議摘要變完整，設計稿變快，功能雛形變容易。這些都是真的。但它們不一定代表決策品質變好。

我看過最危險的情況，是團隊一週內產出很多方案，每個方案都看起來有道理，卻沒有一個真正對準問題。PM 可以寫出很完整的 PRD，但裡面最關鍵的使用情境其實沒有被看見。設計師可以用 AI 做出漂亮畫面，但畫面解決的只是表層問題，使用者真正卡住的地方仍然沒有被碰到。

AI 讓「看起來很完整」變得太容易了。

所以管理者如果只獎勵產出量，團隊很快就會開始追求可見的忙碌，而不是有價值的判斷。每個人都在交東西，每個資料夾都有新文件，每個會議後都有摘要，但方向可能仍然是錯的。

真正值得管理的，不只是產出本身，而是產出背後的選擇。

我越來越在意需求定義能力

AI 會讓執行更快，所以前面的問題定義會變得更重要。以前問題定義模糊，可能只是慢慢浪費時間；現在問題定義模糊，AI 會幫你很快產出一堆方向錯誤的東西。

需求定義能力，說白了就是把模糊問題講清楚的能力。

你能不能分辨眼前這件事到底是使用者問題、流程問題、商業問題，還是溝通問題。你能不能知道哪些限制是真的，哪些只是組織習慣。你能不能在所有人都想加功能時，說出真正該解的問題是什麼。

Clayton Christensen 提出的待辦任務理論給過一個很好的提醒：使用者不是在買一個功能，而是在「雇用」一樣東西去完成一件他真正在意的任務。PRD 寫得再完整，如果沒有先弄清楚使用者到底想解僱什麼舊方案、雇用這個新方案來做什麼，文件就只是在描述功能清單，而不是在描述任務。前面說的「PRD 完整但關鍵使用情境沒被看見」，本質上就是團隊沒有先確認清楚使用者到底要完成的任務是什麼，就直接跳去寫解法。AI 不會替你確認這一步，它只會很有效率地把你已經預設好的解法寫得更漂亮。

這件事在 AI 時代會變得更殘酷。因為只要問題問錯，AI 就會很有效率地幫你往錯的方向跑。

以前會做的人很重要，因為工具本身就是瓶頸。現在會定義問題的人更重要，因為 AI 會把你的問題放大。你問得準，它就放大你的洞察；你問得歪，它也會放大你的偏差。

評估能力變成新的專業門檻

除了定義問題，另一個變得更重要的是評估能力。

AI 給你答案後，你能不能看出哪裡對、哪裡錯、哪裡只是看起來合理。你能不能看出這個方案三個月後會不會變成維護成本。你能不能判斷這個流程放到真實現場會不會失敗。你能不能發現一個漂亮畫面背後，其實缺少最重要的使用情境。

這些能力以前也重要，只是 AI 讓它變得更明顯。因為 AI 太會把東西說得完整，完整到你一不小心就會被說服。

這其實是一種可以被指認出來的認知機制。Daniel Kahneman 描述過，人對一個說法的判斷，很容易被它的流暢度影響：一段講得順、結構完整、讀起來毫不費力的內容，會讓人不自覺地把「讀起來順」誤判成「內容是對的」。這是他所說的系統一在偷懶，它用「這東西感覺很完整」取代了真正去檢查「這東西是不是對的」。AI 的產出正好極擅長製造這種流暢感，語氣一致、格式工整、每個段落都銜接得很順，這不代表它的判斷是對的，只代表它很擅長生產讓人想放行的文字表面。評估能力，說到底就是刻意啟動系統二，去抵抗這種被流暢感說服的直覺。

我後來常提醒自己，AI 的答案要當成草稿，而不是結論。它可以幫我打開視野，但不能替我承擔判斷。真正的專業不是看見十個方向就覺得很豐富，而是知道哪幾個方向其實不該走。

需求定義決定你問什麼問題。評估能力決定你會不會被答案騙過。

團隊訓練也要跟著改

如果「會做」變便宜，「會判斷」變稀缺，那團隊訓練也不能只停在工具、流程和模板。

我不是說工具不重要。新人仍然需要知道怎麼寫文件、怎麼拆需求、怎麼跑流程。但如果訓練只教形式，很快就會被 AI 補上。AI 可以讓新人快速產出像樣的文件，卻不會自動補上判斷。

所以我現在更在意讓人練習說清楚問題。不是只叫他寫一份文件，而是先問他：這份文件要解決什麼決策？誰會使用它？如果寫錯，會造成什麼後果？

我也更在意取捨練習。給三個方案，請他選一個，然後說清楚為什麼另外兩個不選。重點不是答案一開始就完美，而是他能不能把自己的判斷講出來。

最後是回顧。每次決策後，把原本假設、實際結果與中間落差記下來。教育學者 Donald Schön 把專業能力拆成兩層：行動中反思，是你在做的當下就能感覺到這裡不太對而即時調整；行動後反思，是事後回頭比對「我當時以為會發生什麼、實際發生了什麼」，把落差變成下一次判斷的材料。判斷力不是靠一次成功養成，而是靠反覆校準，沒有記錄，就只能靠印象；有記錄，經驗才有機會變成方法，新人也才有機會被訓練成 Schön 說的那種反思型實踐者，而不只是一個熟練的規則執行者。

所以我會更小心看待效率

AI 會讓很多事情變快，但快不是價值本身。方向錯的快，只是更快浪費資源。

未來真正有價值的人，不一定是最會操作工具的人，而是能判斷工具產物是否有用的人。不是最會生成答案的人，而是能定義問題、辨識風險、做出取捨的人。

這個說法有一個值得認真面對的反例：如果 AI 的評估能力本身也持續進步，會不會有一天，連判斷對錯這件事也被它追平？我認為在範圍明確、有客觀對錯的領域，例如程式碼能不能跑、數學算得對不對，AI 的評估能力已經逼近甚至超過一般人，這一塊優勢確實在被壓縮。但複雜服務裡真正困難的判斷，往往沒有單一客觀答案，而是要在多方利害關係人、組織限制與長期後果之間做取捨，並且由做判斷的人承擔後果。這種判斷內建了責任歸屬，AI 目前結構上仍然不承擔它。所以這個論點的邊界很清楚：任務越模糊、越牽涉組織脈絡與後果責任，人的判斷就越難被取代；任務越封閉、越有客觀對錯，這個優勢就越薄。

對我來說，這個判斷最後一定要回到交付現場：這個需求放進真實流程會不會卡住？這個設計能不能被開發、使用者和維運一起理解？這個決策會不會讓複雜服務更容易被做出來，還是只是讓文件看起來更完整？

所以我現在聽到「效率提升」時，會先多停一下。效率當然重要，但如果沒有判斷，它只會讓錯誤更快、更完整、更有說服力地被產出來。

會做的人會越來越多。

會判斷的人，才會越來越珍貴。