在 AI 時代，會做的變廉價，會想的變珍貴

最近我在重看一份十年前的求職履歷。上面寫滿「精通」、「熟悉」、「擅長」這類動詞——精通 Sketch、熟悉 HTML/CSS、擅長 wireframe。

那個年代，「會做什麼」是專業價值的證明。

但 2026 年的現在，這份履歷拿出來會被笑。不是因為 Sketch 過時了，是因為「會做」這件事，設計執行價值正在崩盤。

核心觀點 AI 時代的專業價值正在重分配：設計執行成本趨近於零（會做變廉價），而決策與判斷力成為稀缺資源（會想變珍貴）。這不只是市場供需的問題，是「可被明說的知識」與「說不出來的知識」之間的價值重新定價。

「會做」的價值正在歸零

我這兩年招設計師，最明顯的感受是：能做出像樣 Mockup 的人，從稀缺資源變成過剩資源。

過去要花兩年訓練的 visual design 能力，現在用 v0、Figma AI、Cursor 一個下午就能產出可以 demo 的東西。過去 junior 設計師花三個月學的組件庫，AI 可以即時遵守。過去資深 UX 要研究兩週才能整理出的用戶流程，AI 可以在 30 秒內生成五個版本給你選。

這不是說「AI 取代設計師」，是說「能執行設計」這個能力的市場價格在崩盤。

數據也支持這個觀察。PwC 2025 全球 AI 就業報告 指出：具備 AI 技能的工作者，薪資溢價達 56%——而這個數字從 2024 年的 25% 一年內就翻倍了。另一個更尖銳的對照來自 達拉斯聯儲局（Dallas Fed） 的研究：跨所有職業，經驗溢價的中位數是 40%，但專業技術崗位的經驗溢價遠遠超過 100%。

數據交叉解讀 把這兩個數字疊在一起看，方向很清楚：AI 正在同時取代初階職級（那些可以被 codify、可以從文件學會的工作）跟強化 Senior（那些隱性知識累積出來的判斷力）——兩股力量同時拉，市場 premium 自然就分裂出來了。

換句話說：AI 把「會做」歸零成本，把「會想」變稀缺資源。但要說清楚為什麼是這兩種能力被留下來，得先拆開「會想」到底想的是什麼。

為什麼有些知識可以被 AI 學走，有些不行

科學哲學家 Michael Polanyi 有一句常被引用的話：「我們知道的，比我們能說出來的更多。」他把知識分成「顯性知識」（可以被寫成文件、教材、SOP 的部分）與「默會知識」（Tacit Knowledge，能做出正確判斷但說不清楚為什麼的部分）。

AI 訓練的本質是從大量顯性化的文本與資料裡學習模式。任何能被寫成文件、拆成步驟、給出明確規則的技能，理論上都可以被壓縮進模型裡，然後用近乎零成本重複執行——這正是 visual design、組件庫遵守、流程整理這類工作正在發生的事。它們過去看起來很難，是因為需要大量練習才能內化，但本質上是顯性知識，只是還沒有被有效率地顯性化而已。

而默會知識沒辦法用這個方式壓縮，因為連當事人自己都無法完整說出判斷的全部依據。它藏在「這個 user persona 在意的其實是 A 不是 B」、「這條技術債三年前埋下的坑」、「這個利害關係人嘴上說要漂亮，其實只是怕被上面問」這些沒有寫進任何文件、只存在於經驗者腦子裡的細節裡。specification skill 與 evaluation skill，本質上都是默會知識的展現形式——這也是為什麼它們沒辦法靠看教學影片速成。

「會想」的兩個維度

「會想」具體是指什麼？我這幾年觀察下來，可以拆成兩個維度。

Specification skill——需求定義能力

聽起來像廢話，但這是 AI 時代最被低估的能力。當 AI 可以做任何事，你問它什麼、給它什麼方向、設什麼限制，這變成決定產出價值的核心。

管理學者 Clayton Christensen 提出的「待辦任務」（Jobs to be Done）框架，講的是使用者買一個產品，不是因為產品本身，是因為要「完成某件事」。這個框架放到 AI 協作上一樣成立：AI 給的答案好不好，不取決於它有沒有把你問的問題答漂亮，取決於你有沒有先搞清楚使用者真正要完成的任務是什麼。

常見的失敗模式是這樣：team 把問題含糊地丟給 AI——例如「幫我設計一個更好用的 onboarding」。AI 會給你一個視覺精緻、流程順暢的 5 步驟方案——但完全錯，因為 AI 不知道你的 User Persona、商業限制、產品脈絡。比如目標族群是 50 歲以上的金融從業者、他們在意的是「不要多做動作」而不是「步驟好看」。AI 不會問這些；它只會把你問的問題答得很漂亮。給含糊的問題，得到的就是精緻的廢物——這正是待辦任務框架沒被套用的結果：你優化的是「onboarding 好不好看」，不是「使用者真正要完成什麼任務」。

需求定義能力包含幾件事：把模糊的商業目標翻譯成具體的設計問題；識別這個問題裡哪些限制不能動、哪些可以妥協；知道什麼是「夠好」、什麼是「過度設計」；預判利害關係人真正在意的是什麼，而不是他口頭說的什麼。

這些能力沒辦法靠看教學影片學會。它需要的是十年踩坑累積出來的判斷力。

Evaluation skill——評估判斷力

AI 給你一個答案，你怎麼知道它對不對？

如果你只能看「看起來像不像」，那你會被表面的精緻騙。如果你能看到問題的下一層，你的價值就放大了。

哲學家 Hubert Dreyfus 與其兄弟 Stuart Dreyfus 提出的技能習得模型（Dreyfus Model of Skill Acquisition），描述一個人從新手到專家要經過五個階段：新手依賴明確規則、勝任者開始掌握情境判斷、精熟者能整體感知問題、專家則能不假思索地做出正確判斷，甚至說不出理由。evaluation skill 幾乎就是這個模型的頂端——它需要走過所有前面的階段、累積足夠的失敗經驗，才能在幾秒內直覺判斷出哪裡不對。

舉一個典型情境。team 用 AI agent 重構一段傳統授權系統（Legacy Auth Flow），agent 給出的方案很乾淨、test 全綠、Code Review 三個 IC 看了都說沒問題。但有人看 30 秒就攔下來——因為它把 Session 的過期處理移到 Client side。技術上沒錯，但這個 product 兩年前因為類似的 Client side Session 出過合規風險，被法務 ban 掉那條路；agent 不知道這段歷史，新進的 IC 也不知道。如果 ship 出去，三天內審計會抓到，整 quarter 的工作要回滾。

評估判斷力是判斷力的展現。它需要你對使用者、業務、技術、團隊、合規都有夠深的理解，才能在五秒內看出 AI 產出的問題。

護城河本質 這種判斷力，AI 沒辦法替代。因為 AI 不知道你公司的歷史包袱、你 user 的真實使用脈絡、你下個 quarter 老闆要什麼方向、上一次類似的決定為什麼被推翻。這些默會知識是你的護城河。

這個推論最大的隱憂：新手要去哪裡練

這裡有一個必須誠實面對的問題：如果 Dreyfus 模型是對的，專家判斷力是走過新手、勝任者、精熟者三個階段練出來的——那當 AI 把新手能做的執行工作都吃掉之後，下一代的專家要去哪裡練這幾千個小時？

這是這個分析裡最大的邊界，也是我這兩年招人時最直接感受到的矛盾：company 越來越不需要 junior 設計師做 Mockup，但沒有人在 Mockup 裡跌倒過幾百次，就長不出後面判斷「這個方案哪裡不對」的直覺。過去的職涯階梯，是先用兩三年時間把「會做」練扎實，再慢慢長出「會想」；如果第一階段的練習場消失了，第二階段的能力可能也不會自動長出來，只是換了一批人在更晚才發現自己缺這塊。

我目前沒有一個乾淨的答案，但至少有一個可操作的方向：如果你是主管，讓 junior 做的事不該是「產出 Mockup」，該是「先自己判斷 AI 產出的 Mockup 哪裡有問題，再說明為什麼」。練習的重心要從「動手做」搬到「動手評估」，因為那才是接下來真正稀缺的階段。這個轉移能不能撐起完整的職涯階梯，還需要更長時間才看得出來——這是我現在會標成「未知」而不是硬套答案的地方。

對個人職涯的意涵

如果這個分析是對的——會做變廉價、會想變珍貴——那對個人職涯有幾個推論。

第一，累積需求定義能力與評估判斷力比累積技能樹重要。過去你會說我要學 React、學 Figma、學 design system；這些技能本身的市場價值會持續下滑。真正該累積的是：在不同產業領域解決過幾種類型的問題、踩過幾種類型的坑、做過幾次失敗的判斷後修正回來。技能是水位線，判斷力是地基。

第二，換 domain 比升 title 重要。如果你的能力是 specification + evaluation，那把這個能力套到不同 domain，你的價值會放大——一個從電商換到金融科技的 Senior PM，比一個在同一個 e-commerce 升到 director 的 PM，在 AI 時代更值錢。因為前者的判斷力跨 domain validate 過，後者只在一個 domain 裡 validate 過。如果你只在同一個 domain 升 title，你會卡在「越資深越貴、但 AI 取代越多」的困境。

第三，練習被質疑比展示成果重要。成果可以被 AI 模仿，但「為什麼這樣做」的論證沒辦法。每次有人質疑你的決定，那就是你練習 articulate 自己 judgment 的機會。把它記下來、想清楚、表達出來。這些是會累積的，而且很難被偷走。

個人職涯策略

1. 判斷力 > 工具熟練度：聚焦於真實決策與修正經驗。
2. 跨領域驗證 > 單一路徑晉升：讓判斷力在不同產業場景中接受挑戰。
3. 辯證過程 > 交付成果：將被質疑的論證轉為可複用的思維資產。

對主管的意涵

如果你是帶 team 的人，這個觀察的影響更大。

招人的標準要重新校準。過去看「他能做什麼」、「他會什麼工具」、「他的作品集多漂亮」。現在要看「他怎麼想問題」、「他怎麼判斷這個方向對不對」、「他被質疑時怎麼回應」。一個值得加進面試流程的環節：給候選人一個 AI 產出的方案，請他在 5 分鐘內找出 3 個問題、說明為什麼那是問題。會做的人很多；會看出問題的人，少得多。

評估表現的方式也要變。如果你還在用「產出量」當 KPI，你會選錯人。經濟學家 Charles Goodhart 那句話這裡特別適用：「當一個指標變成目標，它就不再是好指標。」（Goodhart's Law）產出量一旦被當成核心 KPI，team 會很快學會如何刷高產出量而不必真的做出更好的判斷——因為 AI 可以幫任何人增加產出量，這個指標的訊號含量正在快速歸零。要看的是「他做的決定平均對的比例」、「他幫 team 避開了哪些坑」、「他的 PR 被程式碼回滾（Revert）的次數」——這些指標比較難刷，因為它們量的是判斷的命中率，不是動作的數量。

最重要的是，team 文化要從「比誰執行快」變成「比誰想得清楚」。這個文化轉變不容易，因為前者有畫面、後者很內隱；但這是 AI 時代 team 的差異化來源。

管理思維轉換

• 招聘：從「作品集視覺」轉向「5 分鐘找出 AI 方案盲點」的實測。
• 考核：從「產出量」轉向「決策正確率」與「避坑貢獻」，警惕 Goodhart's Law 讓產出量指標失真。
• 文化：從「速度導向」轉向「深度思考導向」。

結語

我那份十年前的履歷沒有要丟掉，但我會在最上面加一句話：

「過去十年，我學會了怎麼做。接下來十年，我要證明的是怎麼想。」

「會做」的時代不是即將結束，是已經結束了。如果你還在靠「會用什麼工具」、「會做出什麼東西」當作專業價值，那你正站在融化的冰山上。

「會想」的時代剛開始。培養判斷力沒有 6 個月速成班可以報，只有用真實的決定、真實的後果、真實的反思去長出來。這條路慢，但走的人會累積出別人偷不走的東西——前提是，我們得先想清楚怎麼幫下一代人找到練習的機會，不然這條路會斷在起點。

你今天多練了哪一條？

參考來源

• PwC：2025 Global AI Jobs Barometer（具備 AI 技能的工作者平均薪資溢價 56%，前一年為 25%）
• Dallas Fed：AI is simultaneously aiding and replacing workers, wage data suggest（跨職業經驗溢價中位數約 40%，部分專業職業超過 100%）
• Zen van Riel：Senior Software Engineer Guide to AI Tools for Career Growth
• daily.dev：Vibe Coding in 2026: How AI Is Changing the Way Developers Write Code