AI技術近年來突飛猛進，從文書處理到寫程式等眾多任務都被AI代勞，那麼人類工作者的價值究竟在哪？曾在OpenAI、Google及Scale歷練過的研究員Phil Chen近日分享職涯建議，未來人類的競爭力將轉移到無法簡單被分數、成敗定義的能力上。
Phil Chen在文章開篇便點出，只要一件事可以定義成功與失敗，可以被評分，模型就會持續進步。這代表著在這些任務上，人類終究會被AI超越。因此，未來真正稀缺的能力，將逐漸轉向選擇哪些任務值得完成——包括如何定義問題、配置資源、判斷方向，以及做出正確的職涯選擇。
選擇哪些任務聽起來很籠統，因為這遍布了工作的各個流程與前置作業上，包括要投資什麼資源、選擇解什麼問題、把時間花在哪些細節等，都是Phil Chen提到的各種選擇。
1.錢越來越好借，「人脈」與「名聲」才是搶不到的資產
例如在寫程式變得容易、取得資金挹注門檻更低的當下，他認為人脈與個人名聲是更值得投資的資源、稀缺的資產。Phil Chen回憶自己職涯早期曾放棄現金報酬更高的量化基金機會，毅然加入Scale AI。
這項決定為他帶來了價值長久的收穫，不僅結識了一群充滿抱負的同儕，如今更形成強大的創業家網路。他直言，當前科技圈充斥著利用AI工具快速變現的Vibe Coding短線機會，但真正的龐大回報，往往只屬於堅持追求實質價值的人。
他個人的專業名聲，便曾為他贏得Anthropic與Cursor等頂尖團隊的早期邀約。在AI時代，將自己安置在能看見機會的正確位置，第一步依然取決於個人的專業與聲譽。
2.會解題不稀奇，會挑題才值錢
並且在AI時代，重要的除了解決問題，或許更要懂得「發現問題」。Phil Chen指出，他發現很多人因為AI代理可以解決各種問題而有些喪氣，但實務上每個人透過AI解決問題花費的時間與token有著很大的差別。
這些能有效率運用AI解決問題的人，往往更懂得如何發現問題，他們通常待過高速發展的公司或者自行創業過，這些經歷會讓他們接觸過大量有意義的問題。
3.選公司看「敢不敢碰最難的題」
而影響成敗的選擇，還包括決定求職的企業上。Phil Chen引用了科研強化學習先驅理查．薩頓（Richard Sutton）的「苦澀的教訓」（The Bitter Lesson）：利用大規模計算能力和通用學習演算法，最終遠比依賴人類專家知識來設計特定規則有效。
他認為這種「選擇大於努力」也體現在職涯上。真正長久的價值，只會誕生在專心致志於宏大問題的團隊中，求職者應評估企業是否正在面對該領域最難的挑戰，以及個人職位是否能接觸到公司解決問題的最前線。
4.最後一哩路，可能貢獻90%價值
此外，AI也加速了職涯成果的兩極化。當前任何人都能透過粗糙提示詞產出平庸成果，這意味著價值將高度集中於那關鍵的「最後一哩路」。在產品開發中，最後的10%往往代表了90%的工作量，但也帶來90%的回報。
要在最後一哩路突圍，依賴的是對細節的極致追求與獨特創意。Phil Chen建議，即便不在頂尖實驗室，工程師也能利用如Modal等雲端平台驗證想法並持續迭代，跨越AI劃出的平庸線。
5.真正有價值的工作，無法再被傳統測驗定義
值得一提的是，由於未來十年真正有價值的工作，必然是那些無法在模型訓練週期內被評分的複雜任務，這也改變了如何定義人才價值。
以他創立的AI代理新創為例，由於團隊高度仰賴智慧代理人編寫程式碼，員工不需手動撰寫程式。在此背景下，傳統的LeetCode刷題或系統設計問答，已與實際表現失去關聯。
他因此調整了考核內容，檢驗人才能否在陌生環境中快速釐清現況、識別出「真正值得解決的問題」並彈性執行。只有具備高階直覺與相關知識、懂得有效分配運算資源與時間的工程師，才能創造最高產值。
延伸閱讀：
提示詞越寫越長反而害了你！Anthropic工程師：Claude Code團隊砍掉8成系統提示，模型才真正發揮
矽谷看台海：《納瓦爾寶典》Naval認為台灣走向「香港模式」，Anduril共同創辦人估現狀撐不過十年
資料來源：X、Business Insider
本文初稿為AI編撰，整理．編輯/陳建鈞
