研究與觀察AI 人文省思
AI HUMANITIES / ARTICLE 07
AI 時代的人文省思 · 正式發表

當 AI 比我更能幹，人的價值還剩下什麼？

當 AI 能完成愈來愈多專業工作，技術人的成就感與職業認同如何改變？從台灣 HIS 的領域知識、職場心理與人的尊嚴出發，辨認市場價值與生命價值的界線。

作者 Luke Hou 發布： 研究資料查核： AI 時代的人文省思

TL;DR

當 AI 能更快完成我們熟悉的工作，專業成就感可能受到動搖，薪資和職涯機會也可能改變。台灣醫療資訊系統等專業領域提醒我們：多年維運累積的現場脈絡與判斷，無法指望通用模型在缺少資料時自行掌握；這些知識也可以逐步整理，讓 AI 成為更有用的協作者。心理學研究讓我們理解，人需要感到自己有能力、有選擇，也能與他人建立連結；職業認同在新工具加入後，可以重新調整。至於一個人值不值得受到尊重，則是另一個更深的問題。市場會替技能標價，卻不應以那個價格決定一個人的尊嚴。承認技術帶來的損失，才能認真討論新的工作安排與人生選擇。

Takeaways｜重點整理

  • 工作的變化已有證據，全面替代仍非既定結局。 AI 在特定任務上的效率進步，不能直接換算為整個職業的消失或所有人的所得變化。
  • 能力受到威脅，會牽動自我認同。 一個人過去賴以建立成就感的技能改變時，失落與不安是可以理解的心理反應，無須將它簡化成抗拒科技。
  • 領域知識仍然重要。 像台灣 HIS 這樣結合在地制度、跨系統關係與長期維運經驗的工作，需要專業人士補足通用 AI 不知道的脈絡；經驗也能逐步轉成可查驗的資料，讓團隊與 AI 一起使用。
  • 保留判斷能力需要練習。 使用 AI 協作時，親自理解需求、驗證結果並持續學習，能幫助我們維持參與工作的能力，但不能保證永遠不受市場變動影響。
  • 人的尊嚴有其獨立的倫理地位。 我們仍須面對收入、訓練與制度分配的現實問題；對人的尊重不宜以生產效率作為唯一條件。

有一天，熟悉的工作只需要幾分鐘

想像一位做了十多年軟體工程的工作者。

過去遇到一個複雜問題，他會先翻文件、查原始碼、重現錯誤，再反覆修改和測試。有些經驗很難寫成教材，因為它們來自許多次失敗：知道哪條線索值得追，知道什麼地方最容易出事，也知道何時應該停下來問別人。

有一天，他把相同的問題交給 AI。幾分鐘後，畫面上已經出現一份相當完整的分析，還附上可以開始驗證的修改建議。這份結果並不保證正確，卻足以讓他意識到：自己過去引以為傲的工作方式，正在被改寫。

他理應高興。工具替他省去繁瑣的步驟，手上或許能多留一點時間。可是心裡也可能浮現另一個念頭：如果多年累積的熟練，如今變得這麼容易取得，我還有什麼值得被需要？

這是用來引出問題的假設情境，並非某位工程師的實測或自述。它觸及的心情卻有現實背景。AI 不斷進入原本需要專業訓練的工作，連人的角色認同也跟著鬆動。

技術正在改變工作，但改變的速度並不一致

2026 年 6 月，國際勞工組織（ILO）回顧生成式 AI 對就業、生產力與工作組織的實證研究。報告指出，部分情境確實出現生產力改善，幅度及衡量方式卻很不均勻。大規模的職位替代目前仍有限，工作流程、年輕人的就業機會，以及員工的自主性，已經是更具體的觀察重點。ILO 2026 研究摘要。

這項研究提醒我們留意兩條速度不同的時間線。AI 可以在某個任務中迅速展現優勢；企業要重新安排權責、修改流程、承擔風險，卻需要較長的時間。一份工作往往由許多任務組成，其中包含明確可測的操作，也有協調、現場處置和難以預先定義的例外。

因此，當一套工具能夠寫出可用的程式、草擬合約或整理病歷時，我們有理由認真評估哪些任務會減少，仍不能逕自宣稱相關職業都將消失。個人承受的衝擊，也會因產業、年資、薪資結構及公司採用方式而不同。

對正在被迫轉型的人，這種區分不會立刻解決焦慮；它至少能讓討論離開「AI 一定搶走所有工作」和「只要努力就不會被取代」的兩個極端。

當擅長的事情不再稀缺，職業認同會動搖

許多人介紹自己時，會先說職業。那是一個簡短的身分，也裝著多年練習的時間：我是工程師、設計師、會計師，或一位能夠獨立處理難題的資深同事。

2026 年刊於《Information and Organization》的一項研究，訪談某家專利法律事務所的 42 位專利律師及專業工作人員，觀察 AI 導入後，他們如何看待原有的專業身分。研究整理出抗辯、妥協與重新連結等回應策略，指出專業人士可能在不同策略間反覆擺盪，形成職業認同的拉扯。原始研究。

這份研究的對象來自一家事務所，無法代表每個國家的所有工作者。它仍說明了一件容易被技術討論略過的事：工作任務改變時，人的感受也與「我一直以來是怎樣的人」有關。

另一篇刊於 2026 年《International Journal of Information Management》的研究，提出工作者在 AI 環境中調整職業認同的三種方向：角色、任務與技能。研究透過兩項預先註冊的研究探討不同 AI 角色定位與員工調整行為的關係。這些發現提供理解職涯調整的線索，但也不能拿來保證任何個人一定能成功轉型。原始研究。

一名習慣親手解決問題的人，現在可能需要帶領 AI、提出驗收標準，或花更多時間處理例外情況。這些工作確實需要能力。只是「我做得好」的感覺，未必能在職務改變的當下立即跟上。

失落值得被好好承認。人花在某項技術上的年月，以及其中培養的耐心、判斷和自信，不會因為工具變快就變成毫無意義的過去。

多年維運累積的領域知識仍有分量

想像某間醫院提出一項門診流程調整。AI 讀取程式碼後，可能很快找到對應功能、提出修改，連測試草稿都一併準備好。對長年參與醫療資訊系統維運的人來說，這時往往還有許多問題值得追問：這項改動會不會牽動藥局、檢驗或費用作業？哪些情境曾經出錯？某段看起來多餘的檢查，當初為什麼會留下來？

這是用來說明工作差異的假設情境，並非特定醫院的需求或事故。它讓人看見領域知識（domain knowledge）的重量。除了懂得使用何種程式語言，也要理解業務規則從何而來、使用者如何工作，以及一處修改可能影響哪些環節。

台灣的醫療資訊系統（Hospital Information System，HIS）有國際醫療標準，也有本地制度。衛生福利部的臺灣核心實作指引（TW Core IG）依 HL7 FHIR 建立台灣健康照護資料交換的共同規範，並說明實務專案還需要依自身需求訂定資料交換格式。健保署的基礎實作指引則為特定健保業務所需的資料結構與用語提供共同基礎。這些公開標準可以查詢、學習；至於某家醫院實際採用的版本、例外流程、跨系統依賴與歷史設計理由，還需要回到該院的文件、程式、測試與現場人員才能釐清。

尤其難得的是多年維運累積的隱性知識（tacit knowledge）。熟悉系統的人可能記得某次修復留下的限制，也知道一項業務看似相同，換了院區或使用情境，驗收時就必須多留意哪些條件。部分經驗可以從原始碼、歷史紀錄與設計文件重建；仍有許多理解散落在溝通和實際協作之中。美國國家標準暨技術研究院（NIST）的 AI 風險管理架構因此將領域專家列為 AI 設計、部署、驗證與影響評估的重要參與者。對缺乏院內脈絡的通用 AI，不能因為它能生成一段合理的程式，就相信它已經掌握整套醫療作業。

領域知識也有機會與 AI 一起發揮作用。2026 年刊於《Journal of Medical Internet Research》的台灣三家醫院護理交班研究，由護理及資訊專業人員協助把大型語言模型接進既有護理資訊系統，研究期間觀察到交班文件完成時間縮短。團隊仍要求護理人員審閱，對模型曾經產生不當生命徵象推算的部分，則改由系統直接呈現。研究限於同一醫療體系，前期比較資料也有限，不能外推到所有醫院資訊業務；它清楚展示了專業脈絡、資料整合和人工驗證如何支持 AI 發揮效用。

隨著文件、測試案例、異動紀錄與驗收理由逐步整理，AI 可能學會處理更多原先倚賴資深人員的工作。當知識可以傳承，專業人士也有機會把心力移往更複雜的問題，並協助下一代同事建立判斷。這種轉變未必保證每個職位都能保持原樣，卻說明多年經驗仍可以持續創造價值。

醫療資訊領域的處境，在其他受法規、現場流程或長期系統演進影響的專業工作裡，也可能找到相似之處。究竟哪些能力能由 AI 接手，仍須逐一看任務、資料可得性、風險與驗證結果。

一份工作帶給人的，遠超過薪水

心理學的自我決定理論（Self-Determination Theory）提出三種重要的基本心理需求：自主感、勝任感與關係感。當生活環境能支持這些需求，人比較有機會維持良好的動機與心理狀態；需求長期受挫則可能產生不利影響。自我決定理論官方介紹。

這三種需求放到 AI 職場，各有不同的遭遇。

熟悉的工作被自動化，可能傷及勝任感：以前遇到難題會有人來問你，如今大家先去問 AI。新系統由上而下強制導入、未給員工參與設計的機會，也可能削弱自主感。團隊如果只剩下個人和機器之間的交付，原本透過討論、指導與共同完成工作建立的關係感，便需要新的維繫方式。

這是將既有心理理論用於 AI 職場的分析框架，不能當成某項實驗已證實所有員工都會有相同反應。重要的是，它讓我們理解：薪水以外，人也可能失去對自己有意義的工作經驗。

一個人希望繼續學會新技能、獲得同事信任、在團隊裡有貢獻，都有充分理由。企業若只計算節省多少工時，便可能漏看員工原本從工作中得到什麼。

能力的市場價格與人的尊嚴可以分開理解

工作能力有市場價格。某種技能稀缺時，願意付錢的人會比較多；當工具讓更多人能完成相似任務，市場評價就可能改變。這種變化可能傷及收入、升遷、職涯穩定，甚至一個家庭維持生活的能力。說它不重要，對當事人並不公平。

可是，人應受到怎樣的對待，不能完全交給市場決定。

哲學家康德在道德哲學中，將人視為應被當作目的而尊重的存在。史丹佛哲學百科對此的介紹指出，在這個倫理觀點中，人的尊嚴不依附於社會階級、個人成就或對他人的用途。這是一套有影響力、也持續受到討論的哲學立場，並非透過實驗測得的自然定律。史丹佛哲學百科〈Respect〉。

它替我們留下重要的思考位置：失去工作的人、剛進職場還不熟練的人、因疾病無法再工作的長者，都不會因此失去被尊重的資格。我們可以評估一個人的工作成果、決定職務分工，也可以要求專業責任；但不能讓績效成為判斷他是否值得被當作人的唯一標尺。

AI 的出現使這條界線更迫切。當機器的表現足以壓低某些專業工作的報酬，社會仍要決定，如何安排受衝擊者的教育、工作、收入與生活支持。哲學上的尊嚴無法代替薪水單，也不會自動替任何人找到下一份工作。

人仍需要保持理解與判斷的能力

有人可能會問：既然 AI 能完成工作，為什麼還要親自練習？

2025 年 Microsoft Research 與合作研究者發表一項針對 319 名知識工作者的問卷研究，蒐集了 936 個使用生成式 AI 的工作案例。研究發現，受訪者對 AI 越有信心，回報的批判思考參與程度往往越低；對自身執行任務越有信心，則與更多批判思考參與相關。研究亦觀察到，人們的注意力可能轉向資訊查核、整合和任務把關。CHI 2025 原始研究資訊。

這是自陳式研究，無法證明使用 AI 一段時間必然使人的能力退化。它提出一個值得留意的風險：我們可能越來越習慣查看完成的答案，卻逐漸減少親自推導、質疑和修正的機會。

對軟體工程而言，保留閱讀程式、重現問題、設計測試的能力，能幫助我們辨認 AI 何時越過證據界線。對其他職業也是如此：當工具失效、情境改變，或事情需要向他人交代時，能夠理解過程的人才有機會提出有效的質疑。

不過，這同樣不代表只要熟悉驗證方法，就能保住原本的職位。技能需要更新，企業也需要提供訓練、可參與的流程，以及合理的責任安排。

新的能力從哪裡開始累積

AI 進入工作後，一位年輕工程師可能還沒學會從零排查問題，就已經能藉助工具完成一份看起來成熟的成果。這有很大的學習潛力，也留下新的問題：如果基礎任務逐漸減少，新人要在哪裡累積判斷力？

企業不能一方面希望每個人都成為能監督 AI 的專家，另一方面卻取消讓新人練習、犯錯和獲得回饋的機會。讓新手接觸真實問題、在適當風險下驗證 AI 的推論，並由有經驗的人解釋判斷依據，會比單純要求員工「提升 AI 素養」更具體。這是工作設計上的建議，尚不能宣稱已經實證為所有職業的最佳方案。

同樣的責任也出現在組織分配上。假如某個人替團隊找到新的 AI 工作方式，接下來還需要教學、授權、維護與事故處理，這些工作都應有人負責、有時間可以完成。否則效率改善的好處可能留在報表上，新增的負擔卻落在少數人的日常生活裡。

對個人而言，重新安排自己的學習，並不必然是從頭追逐每一個模型版本。可以從一件熟悉的工作開始：先弄清 AI 能穩定處理哪部分，再決定哪些判斷自己仍要深入理解。深入熟悉所在領域的規則、使用者需求與系統歷史，並試著把自己的判斷理由整理成可供查證的材料，能讓多年經驗逐漸成為團隊可延續的知識。使用工具時，也保留沒有工具仍能釐清問題的路徑。

不需要在每一次比較中證明自己

或許有一天，AI 能完成的工作會比今天多得多。對不同職業的影響仍在變化，沒有人能憑一篇文章替所有人保證未來。

如果那一天來得很快，我們恐怕仍會難過。曾經花時間練成的本領，突然被更快、更便宜的方式追上，很難毫無感覺。人在工作裡追求成就，本來就值得珍惜。

面對這樣的變化，仍然可以問幾個平實的問題：我希望自己的時間花在哪裡？我願意為哪些決定負責？即使沒有職稱或績效評分，我還珍惜生活裡的哪些人和事情？

這些問題不會立即解決失業、薪資或競爭。它們讓人有機會在不得不改變工作方式的時候，仍留一點空間給自己。

當機器做得更好，我們可以承認它的能力，也承認自己的失落。然後繼續學習、與人合作，或在需要時尋求支援。生活裡仍有一些事，值得我們以自己的節奏慢慢完成。

主要參考資料