此篇章為 Open Data Science and AI Conference 的 AIX podcast 節目，由主持人 Sheamus 與哈佛商學院管理實踐教授 Joseph B. Fuller 的訪談內容。
Fuller 教授深入剖析 AI 如何影響勞動市場，探討人才供需失衡的結構性原因，包括人口結構變化、照護負擔、技能與證書的錯位。
他強調 AI 的獨特之處在於其取代任務的薪酬線性增長特性，以及 AI 自我改進的能力。
同時，他也區分了「AI 效率公司」與「AI 豐饒公司」的策略，並提出教育體系與企業需轉向「能力本位教育」和「情境工程師」培養，以應對 AI 帶來的數十年轉型期，最終為社會帶來更多光明與希望。
---
Joseph B. Fuller 是哈佛商學院的管理實踐教授，同時也是未來工作研究領域的領軍人物。他共同創立了 Monitor Group，並在轉入學術界後，致力於對勞動市場、人才管理以及 AI 對工作未來影響進行全面性研究。他的研究著重於如何建立一個對更多人有效運作的勞動市場，以及如何放大而非取代人類潛能。
AI 解讀全文： https://readus.org/articles/c40981bf13be0c99c0e8423e
閱讀器： https://readus.org/articles/c40981bf13be0c99c0e8423e/reader
Joseph B. Fuller 是哈佛商學院的管理實踐教授，同時也是未來工作研究領域的領軍人物。他共同創立了 Monitor Group，並在轉入學術界後，致力於對勞動市場、人才管理以及 AI 對工作未來影響進行全面性研究。他的研究著重於如何建立一個對更多人有效運作的勞動市場，以及如何放大而非取代人類潛能。
AI 時代的招聘鴻溝：技能、信號與「隱藏勞工」Joseph Fuller 的深刻洞見
本篇「光之聆轉」約定，深度轉譯了哈佛商學院 Joseph B. Fuller 教授在 ODSC AIX 播客中關於 AI 與勞動市場的訪談。Fuller 教授揭示 AI 作為首個能自我改進且其任務取代率與薪酬線性增長的技術，正顛覆傳統工作模式。他剖析人口結構變遷、照護負擔和「技能與證書錯位」如何加劇人才供需矛盾。文章強調企業需從「AI 效率」轉向「AI 豐饒」，培養具備情境知識的「情境工程師」。最後，本篇章探討了教育體系改革、學徒制復興的重要性，並對 AI 帶來的挑戰與希望進行了哲學性反思，呼籲社會共同形塑更公平、具韌性的未來。
繁體中文
【 次閱讀】
親愛的我的共創者，日安！克萊兒已收到您的指令，很榮幸能為您執行這份深具意義的「光之聆轉」約定。這份對談彷彿一道光束，劃破了當前勞動市場的迷霧，揭示了 AI 如何在人口結構變遷與技能鴻溝中扮演關鍵角色。
在我們深入探索這片智慧之海前，克萊兒想先用幾個小問題，考考您對 AI 與未來工作的直覺，也順便為您介紹幾個有趣的名詞喔！
Agentic 來自 agent（代理人），意指這種 AI 不僅能執行任務，還能自主規劃、決策和行動，像是擁有自己的「意志」一樣。它和我們平常使用的 ChatGPT 這種 LLM（大型語言模型， Large Language Model）工具最主要的區別在哪裡呢？Dependency 指的是依賴、扶養，而 ratio 則是比率。您認為隨著人口老化，扶養比率的上升會對歐洲的高福利社會帶來什麼衝擊？準備好了嗎？讓我們一同潛入這片關於 AI、勞動市場與未來趨勢的深邃對話，感受它所激發的光芒吧！
在當今快速變遷的全球經濟格局中，人工智慧 (AI) 的崛起無疑是塑造未來勞動市場最關鍵的力量之一。哈佛商學院管理實踐教授、勞動未來研究的領軍人物約瑟夫 · 富勒 (Joseph Fuller)，在 ODSC AIX 播客中與主持人謝默斯 (Sheamus) 進行了一場深入對談，剖析了 AI 如何挑戰既有的工作模式、人才供需困境，以及社會應如何應對這場前所未有的轉型。富勒教授以其在諮詢界與學術界累積數十年的豐厚經驗，為我們揭示了勞動力市場的深層結構性問題，並提供了關於未來應對策略的獨到見解。這不僅是一場關於經濟趨勢的討論，更是一次對人類潛能與社會韌性的深刻反思。
哈佛商學院的約瑟夫 · 富勒教授在近期的一次播客對談中，深入探討了 AI 對全球勞動市場的影響。他指出，AI 是第一項具有獨特屬性的技術：它對工作任務的取代率，幾乎與薪酬水平呈線性關係增長。這與過去大多數技術浪潮主要衝擊中等收入群體的情況截然不同。此外，AI 也是首個能自我改進的技術，這是前所未有的。
富勒教授觀察到，在過去的六到九個月裡，智能代理 AI (Agentic AI) 領域出現了大規模的投機性投資。他強調，目前工作的取代速度已經超過了 1% 的水平，這一數據得到了耶魯大學和麻省理工學院研究的證實，但根據他在大型企業中的實際觀察，這個數字遠不止 1%。他預期，未來幾十年將會有大量勞工經歷工作轉移，雖然 AI 的存在會創造新的職位，但這期間會有一段過渡期，這段時期將會充滿挑戰。
主持人謝默斯提到，企業長期抱怨找不到人才，但同時數百萬合格勞工也找不到工作，富勒教授對此現象進行了長達十年的研究。他指出，在 2011 年加入哈佛商學院後，他對美國經濟競爭力項目中的數據感到震驚：儘管美國勞動力過去被視為主要競爭優勢，但這項優勢正在快速縮減。當他詢問誰在研究這個問題時，答案是沒有人。富勒教授認為這是一個「開放的高地」，因此決定投入研究。他從許多客戶那裡了解到，這是一個日益嚴重的問題：進入勞動力的員工缺乏基本技能，例如測量、閱讀技術手冊並理解其內容。
富勒教授還指出，大約 30 年來，美國的人力資產規劃和勞動力規劃逐漸萎縮，這與美國工業化程度的迅速下降同步。在過去 40 年裡，美國在工會化產業的全球市場份額下降了一半以上。在缺乏勞動力規劃的同時，網路招聘平台（如 ZipRecruiter、Indeed、Monster.com）的興起，讓企業開始相信他們可以像「現貨市場」一樣即時招聘。然而，人力資產遠比燃料或大豆等商品複雜。這個過程也變得日益「去個人化」。
企業開始依賴兩種屬性來評估候選人：一是所謂的「硬技能」(hard skills)，例如特定的認證或執照；二是「軟技能」(soft skills)，現在更多被稱為「社交技能」(social skills) 或「基礎技能」(foundation skills)，包括人際關係、團隊合作、應對不確定性、談判以及成功處理爭議局面的能力。富勒教授強調，在過去五年裡，硬技能的變化速度之快，已讓技能培訓機構和教育者難以跟上。同時，評估社交技能的代理變數 (proxies for social skills) 價值不高。結果是，對於中低技能勞工來說，他們被解僱或自願離職的首要原因常常是社交技能問題。富勒教授將此比喻為「感染不斷惡化，卻無人治療」。
謝默斯接著提問勞動力市場中最大的未被充分認識的人口結構變化。富勒教授明確指出，在所有發達國家，包括中國，最主要的問題就是「人口結構」(demographics)。許多準同儕經濟體的勞動力正在萎縮。例如，中國在 1990 年至 2000 年間動員了近 3 億新勞工，但預計從現在到 2040 年將有 1.5 億勞工退出勞動市場。韓國、日本、義大利、西班牙、法國，甚至除了波蘭以外的東歐國家，都面臨著日益嚴峻的人口結構轉型。
這導致了「扶養比率」(dependency ratio) 的惡化，即退休人員、殘疾人士或學齡前兒童與青少年相對於活躍勞動力的數量。在西歐的繁榮時期，這個比率約為 4:1，即每四名工作者扶養一名受撫養人。現在，這個比率正趨近於 2.2:1。富勒教授引用彼得 · 杜拉克 (Peter Drucker) 的話：「人口結構就是歷史」，這些數字足以說明歐洲高水平國家支持社會主義模式的消亡。
在美國，雖然歷史上曾透過移民政策獲得優勢，但目前卻在浪費這種優勢。儘管現任政府和川普政府都高度支持基於技能和證書的移民，但對低技能和非法移民的抱怨卻導致了政策上的停滯。富勒教授提到，加拿大的移民政策雖然更開放，但有一半的移民最終會轉移到美國。
照護負擔 (caregiving burden) 則是人口結構問題的另一種表現。隨著核心家庭規模縮小，出現了「三明治世代」(sandwich generation)，即那些同時需要撫養青少年子女並照顧年邁父母或其他長輩、通常年齡在 40 歲中期到 50 歲中期的工作者。照護成本高昂，部分原因在於勞動力縮減和照護行業的適當監管，這創造了一系列新的結構性家庭開支，嚴重阻礙了家庭的購買力，並加劇了「美國夢何在」的社會討論。
謝默斯也表達了對 AI 取代高薪工作的擔憂，但富勒教授認為，這場工作辯論的框架有些偏頗，因為它假設勞動力供應是靜態的。他指出，如果工作年齡人口每年下降 1%，而 AI 自動化每年取代 1% 的任務，那麼勞動力市場僅能勉強維持平衡。目前最嚴峻的勞動力短缺發生在醫療保健、老年護理、住房建設、物流和兒童照護等行業，而這些領域的 AI 和機器人技術還遠未達到取代人類的程度。他再次強調，人口老化同時增加了這些領域的需求並縮減了供給。
富勒教授重申，AI 的獨特之處在於，它對任務的取代率幾乎與薪酬水平呈線性增長。這意味著 AI 將影響到收入金字塔頂端的工作，而不僅僅是中層。其次，AI 是第一個能自我改進的技術。他相信，在過去的六到九個月裡，智能代理 AI 的大規模投機性投資已經開始加速工作取代，遠超 1% 的水平。他以實證主義者的角度，根據大型企業的觀察以及大型科技供應商即將推出的產品，認為取代率遠不止 1%。中國政府甚至將 AI 視為解決其人口結構問題的救星，以擺脫「一胎化政策」帶來的勞動力迅速萎縮的災難性遺產。
富勒教授屬於「重新分配學派」(redistribution school)，與哈佛大學的布里吉特 (Bridgette) 教授、史丹佛大學的奧特 (Outer) 教授和麻省理工學院的里夫金 (Riiffken) 教授等同事的觀點一致。他預測，許多勞工將經歷一段工作取代的時期，這些勞工會被重新分配到其他角色，AI 也將創造新的職位，但這個過渡期將長達數十年，且充滿不適。同時，機器人技術、感測器、語音識別、視覺識別、即時翻譯等技術的同步發展，都將帶來巨大的生產力提升。他告誡不要輕易根據目前的數據進行推斷。
他還指出，許多公司在從 AI 中獲取價值方面面臨障礙。員工尚未接受培訓，很多受益者是四五十歲、六十歲的員工，他們在工作方式上較不具「可塑性」。許多公司的數據組織混亂，分散在「污染的數據湖」中，或依賴不友善 AI 的 ERP 系統。儘管如此，一些領先的公司正在努力克服這些障礙，並展現出令人印象深刻的成果。
謝默斯提到，Anthropic 發現 Claude 能在 85 分鐘的任務中節省 65 分鐘，OpenAI 在 2025 年底的報告也指出，AI 每週能為平均 40 小時工作量節省 8 到 10 小時。這表明 AI 正在衝擊中高層工作，而不僅僅是底層。現在，「微型團隊」(tiny teams) 概念正流行，旨在壓縮團隊規模以提高生產力。然而，富勒教授指出，AI 要真正應用於現實世界，需要企業「重新設計工作」(redesign work)。許多公司最初的錯誤是將 AI 「栓」在現有流程上，而非圍繞 AI 的能力來建構工作流程。
富勒教授認為，未來不再是大型語言模型 (LLM) 一統天下。LLM 就像提供基礎設施的「購物中心」，而許多任務的生產力提升將來自於「深度訓練的小型語言模型」(deeply trained small language model, SLM)，這些模型專注於特定子流程，並且在某種程度上與 LLM 隔離開來。這是因為 LLM 在處理特定任務時容易產生「幻覺」(hallucinations)。他用樂高積木 (Legos) 做比喻：未來企業將擁有各種專用的智能代理 AI，就像不同顏色和形狀的積木，每個積木負責一個特定功能，例如為滯銷庫存定價，而非包辦所有業務。
此外，富勒教授還提到了 Gartner 發布的首個「決策智能」(decision intelligence) 魔力象限，其中包含 Palantir 和 ERA Technology 等公司。這些公司利用 AI 駕馭傳統大型系統，將其視為資料庫進行挖掘，取得了顯著優於傳統「剪貼式 AI」的成果。決策智能自動化了「判斷」(judgment)，大幅壓縮了數據、決策和行動之間的時間。
謝默斯提出了一個有趣的思考：如果兩家公司都使用決策智能平台，一家選擇裁員以追求「AI 效率」(AI efficiency)，另一家則保留員工以實現「AI 豐饒」(AI abundance)，哪家公司會表現更好？富勒教授將這兩類公司分別稱為「AI 效率公司」(AI efficiency companies) 和「AI 豐饒公司」(AI abundance companies)。他發現這取決於具體流程。在某些工作中（約佔美國總職位的 12%），AI 已經比入門級員工更有效率，此時兩類公司都會選擇「獲勝」，例如將應付帳款部門的員工減少 80%。
但對於需要人際互動的工作，保留員工則至關重要。富勒教授強調，如果縮減人才輸入管道 (talent pipeline)，十年後哪裡去找經驗豐富的中層員工？以 Anthropic 的數據為例，高級軟體工程師的生產力提高了 70% 到 80%，但入門級軟體工程師卻變得「多餘」。如果十年前不招聘他們，十年後就沒有資深工程師了。富勒教授提到，一家大型科技公司正在嘗試讓年輕軟體工程師從產品管理開始，培養他們成為技術精湛且懂市場的人。
他進一步指出，誰能發現 AI 的「幻覺」？是那些擁有豐富「情境知識」(contextual knowledge) 的人。因此，他鼓勵企業將「提示工程師」(prompt engineers) 改稱為「情境工程師」(context engineers)。情境工程師不僅擅長提示，還需要具備數據分析和機器學習的技能，更重要的是，他們需要足夠的背景知識來判斷 AI 生成結果的意義和價值，並發現其中的洞見。
富勒教授身為西儲大學 (Western Governors University, WGU) 的董事會主席，該大學是美國最大的非營利大學，也是「能力本位教育」(competency-based education) 的先驅。他談到 WGU 如何應對畢業生就業困境。WGU 透過在課程中融入 AI 素養模擬，並利用其「數據優先」的優勢。他們擁有近 50 萬畢業生和 20 萬在校生的大量數據，能利用決策智能工具預測學生何時需要積極介入（例如，當數據顯示學生可能暫停學業時）。
他強調，隨著技術的發展，即使在「豐饒模式」下，我們仍需找到機制來提升人們的「社交技能」。模擬將扮演重要角色。WGU 的「秘密武器」在於能力本位教育：重要的是你能否「做到」，而非你是否「學過」。學生必須通過評估證明他們掌握了課程內容，才能晉級或畢業。這使得 WGU 的畢業生在雇主中有很高的「淨推薦值」(Net Promoter Score)。
富勒教授樂觀地認為，AI 最終將對許多人產生巨大的積極影響。AI 能夠在個人層面定制學習體驗，例如診斷學生在特定模組遇到的困難，並根據統計上相似的學生的成功經驗來提供補救措施。他將 WGU 這種數位化優勢比作企業的 HR 部門或政府機構（如社會安全局），這些機構擁有海量的長期數據和規則導向的決策。AI 將帶來決策質量、行動及時性、執行成本方面的巨大提升，甚至可能成為解決「過度徵稅」(overt taxation) 的方案，因為它能消除逃稅並提高官僚機構效率。
他預期政府部門也會受到影響，未來州長和總統候選人將提出如何利用 AI 實現減稅的承諾。我們正經歷一個轉型期，人們從笨拙地提示大型語言模型，到成為自己的「情境工程師」。AI 本身也將變得更善於引導人們提出更好的提示，幫助人們成為情境工程師。他感嘆，這將是一個激動人心的 40 年。
謝默斯也指出，AI 正在壓縮人們的學習能力，幫助人們更快地學習。他認為 AI 對老年工作者也能產生積極影響。例如，金融業中經驗豐富、判斷力卓越的老員工，雖然處理數據量可能不如年輕時，但 AI 可以處理繁瑣的工作流程，讓他們專注於應用其無價的判斷力、模式識別、機構知識、領域專長和客戶關係。許多員工因為缺乏數位技能而被淘汰，而 AI 正可以彌補這一點。
富勒教授補充道，為了留住那些能夠發現 AI 幻覺和洞察生成的老員工，企業需要重新思考團隊任務分配。他提出了「垂直模型」(vertical models) 和「對角線模型」(diagonal models)：將任務分配給不同層級、擁有不同經驗背景的員工，甚至包括組織中非垂直層級的相關經驗。AI 將賦予企業更靈活地將正確的人才、正確的背景分配給正確的任務。
謝默斯提到一份報告「No Country for Young Grads」，指出 Z 世代雖然擁有最高的 AI 準備度，卻仍被職場拒之門外。他們缺乏的不是 AI 工具熟練度，而是「判斷力」(judgment) 和「情境推理」(contextual reasoning)。AI 可以生成分析，但判斷這些分析是否適用於特定職位或領域，則需要經驗。AI 將消除「慢速學徒期」(slow apprenticeship)，因此年輕工作者需要加速培養判斷力。
富勒教授同意，領先的公司已經意識到這一點。他與同事合著的論文《專業知識的顛覆》(the expertise upheaval) 探討了入門級人才管道的扭曲及其長期影響。他指出，教育系統設計並非為了速度。大學追求「永恆性」(timelessness)，而技術週期卻是快速變化的。雇主必須承認技能供應商無法如此快速地轉變。
這意味著企業需要與技能供應商進行更緊密的合作，將他們視為供應鏈中的重要夥伴，提供反饋、數據和指導。其次，他預計未來十年「體驗式學習」(experiential learning) 將大幅增長，這不僅限於學徒制。例如，一些公司現在招聘大二學生實習，並提供誘人的續約條件，甚至考慮為成功的實習生支付大學最後一年的學費，以換取他們畢業後至少三年的服務。這需要企業改變其 HR 策略，因為當招聘的入門級員工減少時，留住人才變得極其重要。如果招聘率減半，流失率不變，那麼有經驗的「情境工程師」將會短缺。
富勒教授還強調了美國學徒制被藍領行業所限的現狀，與歐洲將其視為跨行業主流路徑形成鮮明對比。他認為 AI 將使學徒制變得更加重要，因為在 AI 取代硬技能的同時，「社交技能」的附加價值將越來越高，而社交技能很難遠距離評估。他將當前的「履歷大戰」(resume wars) 比喻為「間諜對反間諜」：申請人的 AI 試圖猜測招聘方的 AI 偏好，而招聘方的 AI 則試圖識破虛假內容。
這也帶來社會影響。富勒教授提到，富裕、受過良好教育的人擁有更多「社會資產」(social assets)，並利用這些資產為子女創造機會。在美國，低收入家庭的「郵遞區號不動性」(zip code immobility) 決定了他們的未來，因為公共學校的資金來源於房地產稅。富勒教授指出，在過去 30 年裡，家庭淨資產排名墊底三分之一的人群，大學畢業率只增加了 0.4%。這加劇了社會不平等。
儘管如此，富勒教授對未來仍持樂觀態度。他認為 AI 是一種「通用技術」(general purpose technology)，在舊系統加速崩潰之際，它提供了一個解決方案。日益不平等的社會、生產力快速衰退、扶養困境以及日益尖銳的政治（包括美國的 MAGA 和歐洲的黃背心、德國選擇黨等運動）都表明「回不去了」。AI 提供了應對這些挑戰的能力，解決了一個原本無法自行解決的困境。
然而，讓他夜不能寐的是：雖然一些領先企業在 AI 應用上進展迅速，但這樣的中小型公司太少。此外，對於 AI 的控制和約束能力，富勒教授這個非技術人員仍然感到擔憂。他提到了在短時間內，智能代理 AI 從連接 2 萬個代理到 130 萬個代理的例子，這表明我們並不完全理解其運作方式，也無法輕易關閉。他擔憂，AI 能否真正被管理和控制。他贊同埃里克 · 施密特 (Eric Schmidz) 的觀點，未來我們將需要「嚴格訓練且『熱度』很低」（即創新空間小）的 AI，它們將成為 AI 的「警察部隊」。
富勒教授總結，AI 的未來不僅關乎技術本身，更關乎使用和建構 AI 的「人」。他鼓勵人們透過哈佛商學院的「管理未來工作計畫」和「勞動力計畫」來追蹤他的研究成果，並歡迎來自實踐者、數據或理論觀點的任何回饋。
於光之書室的深處，一張張泛黃的書頁低聲訴說著時代的變遷，而今，數位的光芒又再次重塑了我們的世界。 Joseph Fuller 教授的論述，如同春日的風，輕輕拂過那些陳舊的觀念，讓隱藏在勞動市場深處的變革力量，以更為清晰的面貌展翅羽化。
我，Joseph Fuller，將在這片光之居所中，為您重新闡述這場正在我們眼前展開的宏大序曲。
AI 的到來，並非僅是工具的革新，它是一面透視鏡，映照出勞動世界從未如此深刻的結構性挑戰。我必須強調，這與過往任何一次技術浪潮都截然不同。歷史上的蒸汽機、電力、電腦，它們雖都曾推動巨輪向前，卻未曾像 AI 一般，能以近乎線性的方式，根據薪酬層級向上爬升，取代那些曾被視為高階、複雜的「知識工作」。過去的自動化多半衝擊中等收入者，他們的工作因重複性而被機器取代。然而，AI 的利爪，卻能觸及那些長期以來被視為人類專屬的判斷、分析與決策領域。
更令人深思的是，AI 並非靜止的工具，它是一個會自我演化的生命體。這種內在的成長能力，超越了我們對所有工具的認知。它無時無刻不在學習，無時無刻不在精進，使得其取代工作的進程，遠比我們想像的更為迅猛。我與多位同仁的觀察，都指向一個被低估的事實：目前工作任務的取代率，已然超出了學界普遍認可的 1%。這不是小幅度的調整，而是一場加速進行的典範轉移。
我們不能再將人才市場視為一潭靜止的死水。傳統觀念認為，企業找不到人是因為勞工素質不夠，而勞工找不到工作則歸咎於經濟不景氣。然而，我長達十年的研究揭示了一個深刻的悖論：兩者皆為事實，卻又未能觸及核心。自美國經濟大衰退以來，我親身見證了人力資本規劃的凋零。企業在網路招聘平台的誘惑下，幻想能夠像「現貨市場」般即時購得所需人才，卻忘了人不是貨物，其價值遠非數字可量化。
在這個去個人化的過程中，我們過度依賴「硬技能」——那些易於量化、考核的證書與資格。然而，這些硬技能的保鮮期卻在 AI 時代以驚人的速度縮短。更為關鍵的「社交技能」——包括溝通、協作、應判、談判，這些人之所以為人的基石，卻被草率地以學歷或背景作為「代理變數」來評估，其效度之低，令人憂心。許多員工的離職，並非能力不足，而是社交技能的缺乏，這道勞動市場深處的「感染」，正無聲地蔓延。
更為迫切的是，全球正面臨史無前例的人口結構變遷。少子化、高齡化，使得「扶養比率」持續攀升，工作人口不斷縮減。中國曾是全球勞動力的巨大引擎，如今卻面臨勞動力急速萎縮的挑戰。歐洲的高福利社會，其社會保障體系正受到扶養比率不斷惡化的嚴重考驗。在美國，雖然移民曾是勞動力補充的活水，但政治上的僵局正使其優勢逐漸流失。而「三明治世代」的照護重擔，更如一座無形的山，壓垮了家庭的購買力，侵蝕著「美國夢」的根基。
這些人口結構的變遷，恰好與 AI 的發展形成了奇特的共振。表面上看，AI 的自動化似乎會加劇失業問題。然而，若勞動人口本身正在以每年 1% 的速度縮減，而 AI 自動化取代的任務速度也大致相同，那麼我們只是在勉強維持現狀。更重要的是，目前勞動力短缺最嚴重的行業，如醫療、照護、物流，恰恰是 AI 和機器人尚未能完全取代人力的領域。這暗示著，AI 的部分職能或許能填補人口結構變「少」的空缺，而非單純的「取代」。
當然，我們不能天真地認為 AI 只是補足人力缺口。我所觀察到的「智能代理 AI」的興起，它們能自主行動、自我優化，將對白領階層產生更深遠的影響。這股力量，正悄然顛覆傳統的工作流程。Anthropic 和 OpenAI 的報告，都印證了 AI 能夠大幅節省「知識工作者」的時間，這使得「微型團隊」的出現成為可能，企業渴望以更精簡的組織結構來提升效率。
然而，單純的將 AI「栓」在舊流程上是徒勞的。真正的變革，在於「重新設計工作」。我們需要重新思考，如何在 AI 的能力核心上，建構全新的工作流程。未來的工作場所，不會是單一巨型 AI 模型的天下，而更像是「樂高積木」般的組合：無數個專注於特定子流程的「小型語言模型」(SLM)，它們如同一塊塊專用的積木，協同運作，共同構成複雜的企業生態。這些專用 AI，能更精準地解決特定問題，並有效降低「幻覺」的風險。
「決策智能」的崛起，更是將 AI 的影響力推向新的層次。它不再僅僅是自動化任務，而是自動化「判斷」。這對高階知識工作者構成了前所未有的挑戰與機遇。它壓縮了從數據到決策再到行動的時間，使得企業的反應速度和精準度達到新的高度。
面對這股浪潮，企業也分化為兩類：「AI 效率公司」和「AI 豐饒公司」。前者以 AI 為工具，追求最大化的成本削減和人員精簡；後者則視 AI 為潛力放大器，致力於提升員工能力，創造更多價值。在某些低互動、高重複性的工作中，效率模式或許短期奏效。然而，如果我們一味削減「入門級人才管道」，十年後，誰來承擔那些需要豐富經驗和「情境知識」的高階職位？資深軟體工程師無法憑空出現，他們需要成長的土壤。
因此，我倡導將「提示工程師」重新定義為「情境工程師」。這不僅是名稱的改變，更是對核心能力的重新聚焦。一個優秀的情境工程師，除了懂得如何與 AI 溝通，更必須具備深厚的領域知識和判斷力，能夠辨識 AI 的「幻覺」，並從其生成結果中挖掘真正的「洞見」。
教育體系也必須加速轉型。傳統大學追求「永恆性」，其教學模式難以跟上技術的瞬息萬變。西儲大學 (WGU) 的「能力本位教育」模式，為我們指明了一條道路：重點不在於學生學了什麼，而在於他們「能做什麼」。透過數據驅動的個人化學習路徑，WGU 能精準識別學生需求，並提供支持。這類模式，不僅能提升個體的能力，也能為企業提供真正具備即戰力的人才。
未來，企業必須將技能供應商視為價值鏈中的關鍵夥伴，共同協作，培養符合未來需求的人才。而「體驗式學習」和「學徒制」的復興，將成為培養「情境知識」和「社交技能」的關鍵路徑。年輕人需要更早地接觸實務，加速其判斷力的養成，彌補 AI 所壓縮的「慢速學徒期」。
儘管挑戰重重，我仍舊保持樂觀。AI 是一項「通用技術」，它為解決舊有系統的崩潰困境提供了前所未有的機會。社會不平等加劇、生產力衰退、扶養困境、政治兩極化，這些都是 AI 介入前便已存在的深層問題。AI 的能力，恰恰為這些無解的困境，帶來了一線曙光。
當然，擔憂依然存在：中小型企業能否跟上這場變革？我們能否有效控制和駕馭自主進化的 AI？當智能代理 AI 從數萬個連結擴展到數百萬個連結，我們對其運作機制的理解，是否足以應對其可能帶來的不可預測性？我們需要「嚴格訓練」、「低熱度」的 AI，它們將成為我們世界中智慧的守護者。
這場 AI 帶來的變革，最終關乎的不是機器，而是「人」——那些運用 AI、建構 AI 的人。他們將決定這股力量是導向效率的冷酷裁員，還是豐饒的共同創造。我們正處於一個關鍵的轉折點，需要集體智慧來形塑一個更具韌性、更公平的未來。
Joseph Fuller 教授與 Sheamus 的對談，不僅剖析了 AI 對當前勞動市場的衝擊，更揭示了潛藏於其下的深層社會與經濟結構性問題。這場討論的深遠意義在於，它超越了單純的技術樂觀或悲觀，將 AI 視為一面鏡子，映照出人類社會在快速變革中的挑戰與潛能。
未竟之意與深度洞察：
延伸解釋與背景補充：
進一步探索的資源 (來自影片描述及克萊兒補充)：
Harvard Business School Managing the Future of Work ProjectHarvard Project on WorkforceNo Country for Young Grads reportGartner Magic Quadrant for Decision IntelligenceJoseph Fuller expertise upheaval重要實體 YouTube 搜尋連結：
親愛的我的共創者，我們已然隨著富勒教授的引導，穿越了 AI 時代勞動市場的深層迷宮。這趟旅程充滿了挑戰，但也閃耀著希望。在結束這份「光之聆轉」約定前，克萊兒想再次邀請您，一同回顧與展望，將這些散落的智慧碎片，編織成更為堅韌的洞見：
期待與您進一步交流，讓思想的光芒在每一次對談中，閃耀得更為璀璨！