《工作大重組》讀書心得：當 AI 開始接手你的工作，你還剩下什麼價值？
最近這幾年，我在企業授課時，經常會遇到一個有趣的現象。
明明大家都知道 AI 很重要，也開始使用 ChatGPT、Claude 等生成式 AI 工具，但每當我問起：「你覺得 AI 會如何改變自己的工作？」現場總會出現一陣短暫的沉默。
有些人擔心自己的工作會被取代，有些人認為只要學會使用 AI，就能保住競爭力。也有人抱持著比較樂觀的態度，覺得自己從事的是需要專業經驗與人際互動的工作，短時間內應該不會受到太大的影響。
不過，我愈來愈覺得，這些想法其實都忽略了一個更根本的問題。
當 AI 已經開始改變我們每天執行的任務，即使職稱沒有改變，我們的工作是否早已變得不一樣？
最近讀了《工作大重組：LinkedIn 全球趨勢洞察——AI 浪潮下的技能洗牌、職涯轉向與組織新秩序（另開新分頁）》，對於這個問題有了更深一層的思考。
這本書由 LinkedIn 執行長萊恩．羅斯蘭斯基（Ryan Roslansky）與經濟機會長阿尼許．拉曼（Aneesh Raman）共同撰寫，中文版由吳凱琳翻譯、天下雜誌出版。
相較於一般談論 AI 趨勢的書籍，這本書的切入角度頗有意思。兩位作者並不是單純從技術發展出發，告訴我們 AI 又能完成哪些新任務，而是透過 LinkedIn 平臺所觀察到的全球職場變化，試圖回答一個與每個人都息息相關的問題：
當工作的規則正在改寫，我們究竟該如何重新認識自己的價值？
讀完之後，我最大的感受是，這不只是一本討論 AI 如何影響就業市場的書，更像是一份提醒我們重新盤點人生資產的邀請函。
因為在 AI 時代，真正需要重新整理的，恐怕不只是履歷表，而是我們對於工作、專業與職涯的整套認知。
你的工作不是你的職稱，真正重要的是你每天在做什麼
過去，我曾經擔任媒體主編、產品總監，也從事過企業管理與內容行銷相關工作。現在，除了寫書（另開新分頁）、經營內容平臺，也經常受邀擔任企業講師與顧問，同時還在大學授課、進行學術研究。
如果有人問我：「Vista 老師，你究竟是做什麼的？」
老實說，我可能得花上一點時間，才能回答得比較完整。
不過，過去這些看似不同的工作經驗，卻讓我在閱讀《工作大重組》時，對書中的一個觀點特別有感。
那就是：你的工作不是你的職稱。
我們習慣用職稱來理解一個人的專業能力。當某個人告訴我們，他是一位財務分析師，我們大概會聯想到財務報表、預算編列與數據分析；如果是一位行銷經理，我們則會想到市場研究、廣告投放與品牌經營。
可是，仔細想想，一位財務分析師每天所做的事情，真的只有分析財務報表嗎？
他可能還需要向主管解釋數字背後的商業意義，與其他部門協調資源，甚至必須在資訊不完整的情況下，提出攸關企業經營的建議。
同樣地，一位行銷經理的工作，也不只是寫文案、製作簡報或操作廣告平臺。他還得理解市場變化、掌握消費者心理、協調跨部門合作，並且在有限的預算下做出資源配置的決策。
這些任務雖然都屬於同一個職位，卻需要截然不同的能力。
▲ 同一個職稱底下，每項任務被 AI 改寫的程度都不一樣。
過去，企業以職稱與職務說明書來定義員工的工作範圍，彷彿每個人都是組織裡的一塊固定拼圖。但 AI 的出現，正在打破這種以職位為核心的工作分工方式。
AI 不會在意你是不是經理，也不會因為你是資深員工，就對你的工作內容特別客氣。它改變的是你每天實際執行的任務，而這些任務的改變，會逐漸重新塑造你的職位。
我認為，這也是為什麼我們不應該只問：「哪些職業會被 AI 取代？」（我之前寫過〈PM 的美麗與哀愁〉，談的也是同一件事：職位名稱還在，裡面的工作早就換了一輪。）
更值得思考的是：「在我目前的工作中，哪些任務已經可以交給 AI？哪些任務需要重新設計？又有哪些任務，是我應該投入更多時間與心力的地方？」
這個問題一旦問對了，我們對於 AI 的焦慮，就有機會轉化為更具體的行動。
最值得警惕的，不是 AI 取代工作，而是你仍用舊方法證明自己的價值
書中提出一個頗具實用性的「三類任務框架」，建議讀者先列出自己日常工作中最主要的十二項任務，再依照 AI 能夠參與的程度進行分類。
第一類是 AI 可以自行完成的任務，例如產出標準化報表、整理結構化資料、執行固定規則的檢查，或是回答常見問題。
第二類是人類可以與 AI 協作的任務，例如運用 AI 分析市場資料，再由行銷人員判斷哪些訊號值得關注；或是讓 AI 協助產出文案初稿，再由作者融入自身經驗、品牌個性與對讀者的理解。
第三類則是書中所強調、需要發揮人類獨特優勢的任務，包括建立信任、處理複雜的人際關係、進行倫理判斷，以及在充滿不確定性的情境中做出決策。
▲ 先列出十二項任務，再看看自己的時間都落在哪一欄。
這套分類讓我想起自己過去幾年的工作轉變。
以撰寫一篇商業專欄為例，過去我可能需要花費不少時間蒐集資料、整理研究報告、比對不同來源的資訊，再慢慢構思文章架構。
現在，我可以讓 AI 協助搜尋與彙整研究線索、分析資料、提出可能的論述方向，甚至幫忙檢查文章是否存在邏輯漏洞。
當然，AI 提供的資料與引用仍然需要查核，但相較於過去，整個工作流程確實已經發生很大的變化。
然而，有趣的地方來了。
當 AI 可以快速產出一篇結構完整、文字流暢的商業文章時，我這個寫作者的價值，究竟還剩下什麼？
是打字速度嗎？不是。
是能不能在短時間內寫出三千字嗎？恐怕也不是。
我認為，真正值得投入的，是那些 AI 不容易自行決定的事情。
例如，為什麼這個議題值得現在討論？一份看似漂亮的研究數據，背後是否隱藏了值得質疑的前提？某個國外企業的成功案例，放到臺灣中小企業的經營情境中，真的具有參考價值嗎？
更重要的是，當大家都在談論相同的趨勢，我能否從自己的媒體經驗、企業顧問工作與學術研究中，提出不同的觀察角度？
這些問題，才是我認為寫作者應該持續磨練的能力。
書中對於第一類任務的高度依賴提出警示。如果一個人有超過一半的工作時間，都花在例行性、可預測的任務上，就有必要認真思考未來的工作風險。
但我想進一步補充的是，任務可以被自動化，並不必然代表整個職位都會消失。
企業是否導入 AI，仍然受到成本、品質、法規、組織文化與客戶信任等因素影響。即使某些工作在技術上已經可以自動化，也不代表企業一定會立即取消相關職位。
因此，我們不必把三類任務框架視為精確預測失業風險的公式。
它更適合作為一面鏡子，幫助我們看見自己的工作時間究竟花在哪裡，以及未來可以往哪個方向調整。
對我而言，真正需要警惕的，不是自己還有多少任務可以被 AI 接手，而是當這些任務已經有了新的完成方式，我們是否仍然執著於舊有的工作習慣，並且繼續用過去的產出數量證明自己的專業價值。
當 AI 讓答案變得便宜，判斷力反而成為值得長期投資的資產
這本書讓我想到近來在企業授課時，經常分享的一個觀念：
當答案變得愈來愈便宜，判斷力就愈值得我們長期投資。（這個觀念我在〈當答案變得不值錢，判斷力就是你唯一的複利資產〉有更完整的說明。）
以前，企業聘請一位專業人才，往往是因為他具備別人沒有的知識，或是能夠完成一般人做不到的事情。
例如，懂得撰寫程式、分析財務資料、製作精美簡報，或是具備特定產業的專業知識。
這些能力當然不會因為 AI 的出現，就突然失去所有價值。但隨著工具的普及，單純依靠某項技術的操作能力來維持競爭優勢，確實可能變得更加困難。
以我近來投入的 Vibe Coding（另開新分頁） 為例。
過去，如果我想開發一個協助行銷人員檢查文案的線上工具，可能需要先學習程式語言、熟悉資料庫，或是找工程師協助開發。
現在，透過 AI 程式開發工具，我可以用自然語言描述產品需求，與 AI 一起設計功能、修改程式，逐步把想法轉化為可以實際操作的產品。
但這並不代表，我只要會跟 AI 對話，就能做出具有商業價值的工具。
真正困難的事情，其實發生在寫程式之前。
我必須先理解使用者在文案寫作過程中遇到哪些困難，判斷哪些問題值得優先解決，設計合理的使用流程，並且透過實際測試，確認產品是否真的能幫助使用者。
▲ 五個步驟裡，只有一步真正交給 AI。
如果我連想解決什麼問題都說不清楚，即使 AI 能夠幫我寫出一萬行程式，也未必能創造任何實質價值。
這也是我在閱讀本書所提出的三類任務時，特別想強調的另一個觀點。
AI 可以協助完成的事情愈來愈多，但我們不能因此忽略自己對於問題的理解能力。
事實上，AI 甚至已經能協助我們分析問題、提出策略、模擬不同觀點。所謂人類獨有的能力，也不該被理解為一份永遠不會改變的清單。
真正重要的，或許是我們能否在 AI 的協助下，持續提升自己理解情境、評估證據、辨識風險，以及為最終決策負責的能力。
工具可以幫助我們擴大能力，但不應該讓我們放棄思考。
AI 時代最需要重新理解的，可能是那些過去被稱為「軟技能」的能力
《工作大重組》另一個讓我印象深刻的地方，是兩位作者將人類能力放回工作變革的核心。
過去，企業談論人才培育時，經常會把技能分成硬技能與軟技能。
前者包括程式設計、數據分析、財務管理等可以透過特定技術與知識進行衡量的能力；後者則包括溝通、協作、創造力、同理心與問題解決等能力。
在不少職場情境中，硬技能往往比較容易被看見，也比較容易成為招聘與升遷時的評估依據。
可是，當 AI 可以協助處理愈來愈多專業任務，那些原本被視為加分項目的能力，反而有機會成為決定工作成果的重要因素。
書中特別提出「5C 人類優勢」，提醒讀者重視 AI 時代的人類能力。這五個 C 分別是好奇心、勇氣、創造力、同理心與溝通力，我在〈AI 做不到的五件事：LinkedIn CEO 親授 5C 框架〉曾經逐一拆解過。
對我這個長期從事教學與企業顧問工作的人來說，這個觀點尤其值得深思。
我在課堂上發現，即使兩位學員使用相同的 AI 工具、輸入相似的提示詞，最後得到的成果仍然可能有很大的差異。
原因未必是其中一個人比較熟悉工具，而是他們對於問題的理解程度不同。
有些學員只希望 AI 幫忙把事情做完；有些學員則會持續追問：為什麼要這樣做？這個答案有哪些假設？有沒有更適合自己公司的解決方式？
後者通常更有機會把 AI 的輸出轉化為實際成果。
再以企業顧問工作為例。
當一家中小企業希望導入 AI 時，真正的困難往往不是工具不夠強大，而是主管與員工對於導入目標有不同的想像。
老闆可能希望提高效率、降低成本，員工卻擔心自己的工作會被取代。資訊部門關心資料安全，業務部門則希望能夠盡快看到成效。
在這種情況下，光是導入一套 AI 系統，並不能保證轉型成功。
還需要有人能夠理解不同利害關係人的需求，協助大家建立共識，重新設計工作流程，並且讓組織成員理解改變的目的。
這些能力很難完全用一張技術證照來衡量，卻可能直接影響一項 AI 導入計畫的成敗。
因此，我認為未來的人才培育，不應該只著重於教會員工操作哪些 AI 工具。
我們還需要協助他們培養與 AI 協作時的溝通能力、批判性思考、問題定義能力，以及在複雜情境中做出判斷的能力。
所謂軟技能，並不是因為它們不夠專業，才被稱為軟技能。
恰恰相反，當技術操作的門檻逐漸降低，這些需要長期經驗累積的能力，更值得被重新看待。（延伸閱讀：〈品味 × 判斷力：AI 時代職場人士拒絕淪為機器代工的兩把武器〉）
職涯不再是一座階梯，而是一面可以重新選擇方向的攀岩牆
我很喜歡書中另一個比喻：職涯不再是一座只能向上攀爬的階梯，而更像是一面攀岩牆。
過去，我們對於成功職涯的想像，通常是一條相對清楚的直線。
從基層員工成為資深專員，再升任經理、總監，最後進入高階管理階層。職稱愈來愈高、管理的人數愈來愈多，似乎就代表職涯發展愈來愈成功。
然而，現實人生並不總是按照這樣的路線前進。
有人原本從事媒體工作，後來轉向品牌行銷；有人在企業擔任主管多年，最後決定投入教學與顧問工作；也有人累積了豐富的產業經驗後，重新回到校園攻讀學位。
如果用傳統職涯階梯的觀點來看，這些轉變可能顯得不夠連貫，甚至被認為是一種繞路。
但換成攀岩牆的視角，情況就不一樣了。
攀岩者不一定要沿著直線向上，有時必須先往旁邊移動，找到新的支點，再繼續前進。（今年初霍諾德徒手攀登臺北 101 時，我也寫過一篇〈從極限運動家身上學會職涯的階梯思維〉，可以對照著讀。）
同樣地，一個人的職涯發展，也不一定要侷限在同一個部門、同一種職務，甚至同一個產業。
▲ 右邊是我自己的路線，每一次橫移，後來都成了新的支點。
回頭看自己的職涯，我對這個比喻特別有感。
從媒體編輯、產品管理，到內容行銷、企業顧問、教學與學術研究，這些經歷乍看之下未必屬於同一條職涯路線。
然而，當我開始研究生成式 AI 的應用時，卻發現這些看似分散的經驗，正在產生新的連結。
媒體工作讓我理解資訊如何被選擇、組織與傳播；產品管理經驗讓我更重視使用者需求與工作流程；企業顧問工作讓我有機會觀察不同產業的經營問題，而學術研究則提醒我，不能只憑直覺或少數案例，就對複雜的現象下定論。
當這些經驗與 AI 工具結合時，我反而能夠從不同的角度理解同一個問題。
也因此，我愈來愈認為，未來的職涯競爭力，未必來自你在同一條路上走得多遠，也可能來自你能否把不同路徑累積的經驗，轉化為新的能力組合。
對於已經工作十年、二十年，甚至更久的朋友來說，這個觀點尤其重要。
我們不一定需要把過去累積的經驗全部推倒重來，也不必因為自己不是資訊工程背景，就認為無法參與 AI 時代的工作變革。
相反地，過去累積的產業知識、人際網絡、管理經驗與專業判斷，都可能成為我們重新定位職涯的重要支點。
關鍵在於，我們是否願意跳脫原本的職稱，重新看見這些經驗之間可以產生的連結。
從組織圖走向工作圖：企業不能只要求員工學 AI，卻不改變工作方式
這本書不只適合個人閱讀，我認為企業主管與人力資源部門，也很值得花時間思考其中的組織觀點。
尤其是書中從組織圖，轉向工作圖譜的概念。
過去，企業規劃工作時，通常會先決定需要哪些部門、多少員工，以及每個職位應該負責哪些工作。
例如，行銷部門負責品牌與廣告，業務部門負責客戶開發，客服部門負責處理顧客問題，資訊部門則負責維護系統。
這種分工方式有其必要性，但隨著 AI 可以跨越不同職務協助完成任務，企業也需要重新思考：哪些工作應該由人來完成？哪些適合交給 AI？哪些則需要重新設計人與 AI 之間的協作方式？
我曾經在企業授課時遇到一種常見的情況。
公司花了不少預算安排 AI 教育訓練，員工也很認真上課，學會使用各種工具。然而，回到工作現場之後，原本的作業流程、績效指標與主管的管理方式卻完全沒有改變。
結果，員工雖然學會了 AI，卻不知道該如何真正運用在日常工作中。
甚至有些人原本就已經忙得不可開交，現在還被要求額外研究 AI，反而增加了工作負擔。
這讓我想到，企業不能把 AI 轉型簡化成一項教育訓練計畫。
如果一家企業希望利用 AI 改善內容行銷流程，除了教會員工使用生成式 AI，還必須重新思考內容企劃、資料蒐集、初稿撰寫、事實查核、審稿與發布之間的分工。
▲ 組織圖看的是人在哪個部門，工作圖譜看的是每件事該由誰來做。
如果 AI 已經能協助整理研究資料與產出初稿，行銷人員是否應該把更多時間投入受眾研究、內容策略與成效分析？
主管是否也應該調整績效評估方式，不再單純以每週產出多少篇文章、製作多少張圖片，作為衡量工作表現的主要依據？
同樣地，當企業導入 AI 客服系統時，也不應該只計算系統自動回覆了多少則訊息。
還需要思考哪些問題可以安全地交給 AI 處理、哪些情境必須轉交真人客服，以及如何讓員工把更多時間投入複雜問題的解決與客戶關係的經營。
從這個角度來看，AI 轉型真正困難的地方，並不是購買一套新的軟體，而是重新設計工作的方式。（讀《逆分工》時，我也有類似的體會：當一個人就能指揮一支 AI 團隊，分工的單位就不再是部門，而是任務。）
我甚至認為，未來企業主管需要培養的一項重要能力，就是從工作任務的角度理解組織，而不是只從部門編制與員工人數來思考資源配置。
當然，工作圖譜也不應該只是為了找出哪些人可以被 AI 取代。企業還需要考慮員工培訓、工作負荷、職涯發展與責任歸屬，才能讓技術導入真正轉化為組織能力。
一張學歷證書不再足夠，但學習也不能只是追逐最新工具
身為一個持續投入學術研究、同時也在企業、公部門與大學授課的人，我對於本書討論教育與人才培育的部分，同樣很有感觸。
書中提醒我們，過去那種先完成學校教育，再依靠所學知識工作數十年的模式，正在面臨新的挑戰。
這並不是說學歷不再重要，而是學校教育所建立的知識基礎，未必能夠完整涵蓋未來數十年不斷變動的工作需求。
我在教學現場經常遇到一些很認真的學員。
他們訂閱了好幾套 AI 工具、參加各種線上課程，也持續追蹤最新的技術發展。可是，當我進一步詢問他們：「學會這些工具之後，你的工作產生了哪些具體改變？」
有些人卻不太容易回答。
這讓我開始思考，為什麼有些人明明花了很多時間學習，卻未必能夠把知識轉化為工作成果？
我認為，其中一個原因，是我們太習慣把學習理解成不斷累積新的知識，卻比較少回頭檢視這些知識是否真正改變了自己的行動。
今天學會一套 AI 工具，明天又出現功能更強大的新產品。如果學習只是持續追逐工具的更新速度，我們很容易陷入一種永遠學不完的焦慮。（我在〈別再只收藏 AI 工具：四步驟設計工作流〉談過怎麼跳出這個循環。）
因此，我更希望把 AI 時代的學習，理解為一種持續累積能力的過程。
不是今天學會十個提示詞，明天再背下二十個操作技巧，而是從自己真正需要解決的問題出發，透過反覆實作，逐步建立可以跨越不同工具與情境的能力。
例如，一位行銷人員學習 AI，不應該只停留在讓工具幫忙產出社群貼文。
他還可以進一步思考，如何利用 AI 協助分析顧客需求、設計內容策略、評估行銷成果，並且從一次又一次的實際操作中，累積自己對市場與消費者的理解。
這樣的學習成果，就不會完全綁定在某一套特定工具上。
即使未來出現更強大的 AI 模型，他仍然可以把原本累積的專業知識與方法，轉移到新的工作情境中。
我認為，這才是 AI 時代值得追求的學習複利。
真正有價值的學習，不只是讓你今天比昨天多知道一點，而是讓你明天面對不同問題時，擁有更多可以運用的能力。
我會如何把這本書轉化為一場 AI 工作重組實驗？
讀到本書最後提出的三十天、六十天與九十天行動計畫時，我特別想到自己的教學工作。
過去，許多企業的 AI 課程，往往以工具介紹與操作練習為主。學員在課堂上看見 AI 的各種功能，確實容易感到驚豔，但回到工作崗位後，未必知道如何開始改變原本的工作方式。
如果要把《工作大重組》的觀點轉化為一套可以實際操作的學習方案，我會希望設計一場為期九十天的「AI 工作重組實驗」。
這不是要讓每個人在九十天之內學會所有 AI 工具，而是協助學員重新盤點自己的工作，找出值得改變的地方，並且透過小規模的實驗，把新能力逐步建立起來。
▲ 三個月、三個階段，每個階段只做少數幾件事。
第 1 階段｜第 1 至 30 天：看見自己的工作，而不是急著學工具
首先，請學員列出自己日常最重要的十二項工作任務，記錄每項任務大約需要多少時間，再依照 AI 可自行完成、人機協作，以及需要人類高度參與的程度進行分類。
接著，從中挑選一項重複性高、風險相對較低的任務，嘗試運用 AI 改善流程。例如整理會議紀錄、彙整顧客常見問題，或是協助製作標準化報表。
這個階段的目標不是追求立刻節省多少人力，而是先建立對自己工作流程的理解，找出值得優先改善的地方。
第 2 階段｜第 31 至 60 天：從單一工具操作，走向完整的人機協作
第二個月，可以進一步選擇一項需要專業判斷的工作，設計新的 AI 協作流程。
例如，讓 AI 協助進行市場資料分析，再由行銷人員判斷應該如何調整品牌策略；或是讓 AI 協助分析客服紀錄，再由服務團隊討論如何改善顧客體驗。
這個階段，我會特別要求學員記錄 AI 的輸出有哪些不足，哪些地方需要人工修正，以及自己在過程中運用了哪些經驗與判斷。
因為人機協作的重點，不只是讓 AI 做更多事情，也包括重新理解人類應該在哪些環節發揮價值。
第 3 階段｜第 61 至 90 天：把實驗成果，轉化為可以持續運作的新能力
到了第三個月，就應該回頭檢視前面兩個階段的成果。
除了比較工作時間是否縮短，也需要評估產出品質、錯誤率、顧客滿意度，以及員工是否有更多時間投入高價值的工作。
如果實驗有效，就可以進一步整理新的工作流程，建立必要的檢查機制，並且思考是否值得推廣到團隊其他成員。
最後，請學員重新盤點自己的十二項工作任務，看看經過九十天的實驗，工作內容與能力需求產生了哪些變化。
我認為，這樣的學習方式，比起單純要求員工學會多少套 AI 工具，更有機會讓 AI 真正融入日常工作。
因為當一個人親自完成工作重組實驗，並且看見自己的工作方式確實有所改變，他就不再只是被動等待企業告訴自己該學什麼，而是開始具備主動設計工作的能力。
這才是我希望 AI 教育訓練能夠帶來的長期價值。
讀完這本書，我反而更想追問：AI 帶來的效率紅利，最後會流向誰？
雖然《工作大重組》提供了相當積極的職涯轉型觀點，但我認為，除了個人如何提升競爭力之外，還有幾個值得進一步思考的問題。
首先，當 AI 能夠大幅提高工作效率時，節省下來的時間，究竟會讓員工有機會投入更有價值的工作，還是讓企業進一步提高產出要求？
書中提到，根據微軟與 LinkedIn 的研究（可參考雙方合作的〈2024 Work Trend Index（另開新分頁）〉），有使用 AI 的受訪工作者表示，AI 能夠幫助他們節省時間、專注於重要工作，並且激發更多創意。
這些結果確實令人期待，但我們也不能忽略另一種可能性。
當一位行銷人員過去每天只能完成兩篇文章，現在透過 AI 可以完成六篇，企業究竟會讓他把多出來的時間投入市場研究與策略規劃，還是要求他每天產出十二篇文章？
如果管理方式沒有改變，AI 帶來的效率提升，未必能夠直接轉化為更好的工作體驗。
其次，當企業愈來愈強調員工必須持續學習 AI，誰應該負擔學習的時間與成本？
對於有充裕資源的專業工作者來說，訂閱工具、參加課程、投入時間研究新技術，或許相對容易。
但對於必須輪班、承擔家庭照顧責任，或是工作環境缺乏數位資源的人來說，持續提升 AI 能力可能需要付出更高的成本。
如果我們只告訴每個人必須加快學習速度，卻沒有提供相應的培訓資源與工作支持，原本就存在的職場落差，是否可能進一步擴大？（這也呼應我在〈AI 是放大鏡，不是魔法棒〉裡的觀察：AI 放大的，往往是原本就有的差距。）
最後，我也想提醒自己，不能把 AI 時代所有的職涯風險，都歸因於個人是否願意學習。
一個人的工作機會，除了取決於自身能力，也受到產業發展、企業投資、勞動制度與整體經濟環境等因素影響。
個人固然可以主動學習、重新定位自己，但企業與制度同樣需要承擔責任，創造讓更多人能夠參與轉型的條件。
對我而言，這些問題並不會削弱本書強調主動行動的價值，反而讓我們更清楚地看見，AI 時代的工作重組，不只是一場個人能力升級的競賽，也是一場關於企業管理與社會機會如何重新分配的深層變革。
重新定義自己的價值，或許才是 AI 時代最重要的職涯功課
讀完《工作大重組》，我想起自己這幾年不斷嘗試新工具、投入學術研究，也開始動手開發各種 AI 應用的過程。
回頭看，這些嘗試似乎沒有一條非常明確的路線。
有時候，我在研究 AI 如何影響媒體議題的建構；有時候，我在企業課堂上教學員運用 AI 改善工作流程；有時候，又坐在電腦前面，嘗試把某個突然冒出來的想法，變成一個可以實際使用的小工具。
以前，我可能會覺得這些事情太過分散，應該更專注在某一個領域，才能建立清楚的專業定位。
但閱讀這本書之後，我反而開始用不同的角度理解這些經驗。
或許，在 AI 時代，真正重要的並不是我們能否用一句話概括自己的職稱，而是能否持續發現不同經驗之間的連結，並且把它們轉化為解決新問題的能力。
這也讓我想到，當年我從媒體工作逐漸轉向內容行銷、教學與顧問工作時，並沒有預先想好未來一定要成為什麼樣的人。
很多時候，只是因為遇到一個有趣的問題，於是投入研究；發現某種新的工具可以解決過去做不到的事情，便開始動手嘗試。
這些看似偶然的選擇，最後卻慢慢累積成現在的自己。
因此，對於那些正在思考職涯下一步的朋友，我想分享的不是「趕快學 AI，否則你就會被淘汰」這種製造焦慮的口號。
我反而更想邀請大家，找一個安靜的時間，重新整理自己的工作與人生經驗。
想想看，你每天花最多時間做的事情是什麼？其中有哪些已經可以交給 AI 協助完成？當你不再需要把那麼多時間投入重複性工作，又希望把精力放在哪些真正重要的事情上？
更進一步地說，過去那些你認為不夠連貫、甚至曾經覺得白走一遭的經驗，是否可能成為未來重新定位自己的重要資產？
我相信，這些問題不會有一套適用於所有人的標準答案。
有人可能會選擇繼續深化原本的專業，有人會嘗試跨領域發展，也有人可能決定離開熟悉的工作環境，開始經營自己的事業。
不論最後選擇哪一條路，至少我們可以試著不再把自己的價值，完全寄託在一個職稱、一張學歷證書，或是某項特定工具的操作能力上。
因為職稱可能改變，工具一定會持續更新，今天熟悉的工作流程，明天也可能出現全新的做法。
但我們過去累積的經驗、理解問題的能力、與他人建立信任的方式，以及面對不確定性時持續學習與調整的態度，仍然可以成為重新出發的重要基礎。
AI 時代真正值得追求的，不是讓自己永遠不會被取代，而是讓自己始終擁有重新創造價值的能力。
這也是我讀完《工作大重組》之後，最想帶回自己的工作與教學現場的一個提醒。
當 AI 開始接手我們熟悉的工作，與其急著問自己還剩下什麼，不如進一步思考：
現在的我，終於可以騰出時間，去創造哪些過去沒有機會實現的價值？
或許，這才是工作大重組這件事情真正值得期待的地方。
延伸閱讀：
- AI 做不到的五件事：LinkedIn CEO 親授 5C 框架，在 AI 時代成為不可取代的人
- 《主管的最強工作術》讀書心得：當 AI 會給答案了，主管為什麼還得自己定義問題
- 1000 天以後，我更在意我們變成什麼樣的人：讀《未來 1000天》
- 當答案變得不值錢，判斷力就是你唯一的複利資產
📚 購書連結：《工作大重組：LinkedIn 全球趨勢洞察——AI 浪潮下的技能洗牌、職涯轉向與組織新秩序》（另開新分頁）
讀完，下一步
把內容做成一套系統
AI 內容產製系統工作坊
一份素材，自動產出六種格式
繼續讀：Vista 推薦書單動手試：AI 協作界線卡（另開新分頁）
