AI時代的職場問題：真正被重組的不是工作，是「證明能力的方式」
我們為什麼開始覺得自己的能力不值錢？
「AI 做得比我快，那我還剩下什麼？」
這句話最近很常聽到。有人發現，原本要花半天整理的資料，AI 幾分鐘就能生出一份格式完整的初稿；有人開始懷疑，自己過去引以為傲的產出速度，是不是已經不算什麼了。
這種不安很真實。但如果問題一直停留在「AI 會不會取代我」，其實很難找到答案。真正值得問的，是另一個問題：當 AI 也能做到你過去用來證明能力的事情，企業還能從哪裡看出你的差異？
這篇文章想談的不是要不要焦慮，也不是每個人都得趕快學會哪一個 AI 工具，而是當工作方式正在改變，我們過去習慣用來證明「我有能力」的方法，是不是也該跟著調整。
我們過去一直用「容易衡量的東西」代表能力
在 AI 大量進入工作之前，職場一直習慣用幾件事情來代表一個人的能力：速度、數量、完成率、KPI。
這也是為什麼很多履歷會寫成：
- 負責社群經營，每月產出 20 篇貼文
- 完成 XX 專案，準時交付
- 每月處理 XX 件客戶服務案件
這些寫法沒有錯。問題在於，這些資訊之所以被大量使用，很大一部分是因為容易衡量、也容易比較。「一個月完成 20 篇」很好理解，但「這個人能不能在資訊不完整的情況下做出好的判斷」，就很難用一個數字說清楚。所以我們很容易把「容易衡量」和「能代表能力」畫上等號。這在過去沒有太大的問題，因為執行本身就是能力的一部分，但現在，情況開始不一樣了。
這個問題其實不只發生在職場。舉個容易理解的例子，《灌籃高手》裡，如果只看得分，流川楓的數字當然比櫻木花道好看。但真正看過比賽的人都知道，一場比賽的價值從來不只寫在得分板上。
櫻木可能不是得分最多的人，但他在關鍵時刻做出的判斷、為了球隊做出的選擇，以及一個看似不起眼、卻改變比賽走向的動作，都可能成為勝負的關鍵。問題不是籃板、防守或其他貢獻「不能被量化」。真正的問題是：這些數字，能不能完整告訴你一個人的價值？
如果只看得分，你會得到一個很清楚的答案：流川楓比較突出。但如果問的是「這個人為這場比賽帶來了什麼」，答案就複雜得多。
職場其實也是如此。產出量、完成速度、KPI 都是很容易看見的數字，但容易衡量，不代表它們就能完整代表一個人的能力。而 AI 正在放大這些問題。
當 AI 可以幫你寫更多、做更快、處理更多資料時，過去那些很好用的數字，會越來越難區分「誰真的比較有能力」。
真正需要被看見的，可能反而是數字背後的東西：你怎麼判斷、怎麼取捨，以及你在關鍵時刻為什麼做了那個選擇。
AI 正在讓這些指標失去辨識力
內容工作者過去一天穩定產出三篇文章，是很扎實的能力累積。現在 AI 一個下午就能產出十篇初稿，「一天三篇」仍然有價值，但已經很難單靠這個數字看出兩個人的能力差異。工程師過去寫程式快是很明顯的優勢，現在 AI 可以協助產生大量程式碼，單純比較誰寫得快，也越來越難代表完整的工程能力。HR 過去一天篩一百份履歷是體力活，現在 AI 可以先協助處理大量履歷,單純比較「一天看了多少份」，也不再像以前那麼有意義。
這不代表速度和數量突然變得不重要，它們只是越來越不足以單獨證明一個人的能力。如果你的履歷寫的正好都是這些正在失去辨識力的資訊——產出多少篇、完成多少件、多快交付——企業要怎麼從中看出你跟另一個候選人的差別？尤其當所有人的履歷都可以透過 AI 變得更完整、更流暢，光是「看起來很厲害」，也越來越難成為差異。
真正需要重新被看見的能力是什麼？
如果速度和數量不再足以區分一個人，企業真正需要看見的，可能是那些過去容易被產出數字蓋掉的能力。
定義問題
很多工作看起來是在「完成任務」，但真正困難的部分，其實是先判斷這件事情到底是不是現在最值得解決的問題。
做取捨
資源永遠有限，能不能判斷什麼事情值得做、什麼事情可以先不做，甚至知道什麼事情根本不值得投入時間，是執行速度以外的另一種能力。
理解情境
能不能把 AI 看不到的現場狀況、脈絡和限制放進判斷裡——例如客戶當面表達的猶豫、團隊內部沒有寫進文件的共識、業務端才剛收到的市場反應。這些資訊未必會出現在 AI 可以取得的資料裡，卻可能直接影響一個決策。
驗證結果
AI 給的答案可能漏了什麼，光憑感覺覺得「這答案怪怪的」還不夠，真正有用的驗證，是能具體說出 AI 的判斷依據是什麼、它少看到了哪一塊，而那一塊資訊為什麼會影響最後的決定。這也是專業經驗真正發揮作用的地方。
承擔結果
當一個決策出了問題，能不能說明自己當時為什麼做這個選擇，也願意面對它帶來的結果，是 AI 目前還很難替你完成的部分。
這些能力有一個共同點：它們很重要，卻不像「完成 10 個任務」那樣容易被一眼看懂，也很難直接塞進履歷上的一行字。
企業如果還是這樣評估人才，會發生什麼事？
這個問題不只發生在求職者身上。對企業來說，「速度快、產出多」一直都是很方便的管理指標。一個人一個月完成 50 個任務，另一個人完成 20 個，表面上看起來前者比較有效率。但如果前者的 50 個任務大部分都可以透過 AI 協助完成，而後者花時間處理的是複雜的判斷、資源取捨，甚至避免了一次代價很高的錯誤決策，單純比較任務數量，就不一定能反映兩個人真正的貢獻。
如果企業還是只比較誰完成的任務數量多，AI 只會讓這個比較本身失去意義——因為現在幾乎每個人都能靠 AI 把數量做上去。如果企業只看最後的成果，也可能忽略一個更重要的問題：這個好結果，是因為做出了好的判斷，還是只是剛好拿到 AI 給的正確答案。
AI 讓執行變快之後，企業需要多看一層：他解決的是什麼問題、為什麼選擇這個方向、如何處理資訊不足或彼此衝突的情況。
如果企業的判斷標準正在往這個方向移動——從「做了多少」移向「怎麼判斷、解決了什麼問題」——那你要準備的東西，可能也不再是過去那一套。
那你要怎麼證明這些能力？
如果企業越來越需要知道「你怎麼判斷」，那麼只寫「我負責什麼、完成多少」可能就不夠了。
「負責社群經營，每月產出 20 篇貼文。」跟：「當社群互動率連續下降時，我重新分析受眾與內容表現，調整內容策略，三個月後互動率提升 30%。」
前者告訴企業你做過什麼，後者讓企業開始看到你是怎麼思考的。
這也是為什麼 STAR 架構到現在依然有用。它的核心不是把履歷或面試回答寫得更長，而是把原本容易被省略的判斷過程補回來：
- 情境（Situation）：當時遇到了什麼問題，為什麼需要處理？
- 任務（Task）：需要負責解決哪一部分？
- 行動（Action）：具體做了什麼判斷，為什麼選這個方向，而不是其他做法？
- 結果（Result）：最後發生了什麼，這個結果怎麼被驗證？
同樣是寫「我負責社群經營」，真正有價值的差異不在於能不能把這句話改得更漂亮，而在於能不能說清楚當時發生了什麼、怎麼判斷、做了什麼選擇，以及最後承擔了什麼結果。
當所有人的履歷都能被 AI 修飾得一樣完整流暢，能不能具體說出自己怎麼想、怎麼選、怎麼承擔結果，會是接下來真正拉開差距的地方。
--------------------
真正需要準備的，不只是答案，而是你的經驗
當企業開始想知道「你怎麼判斷」，求職準備也需要跟著改變。
很多人不是沒有做過重要的事情，只是他們從來沒有真正整理過自己的經驗。當面試被問到「你遇過最困難的專案是什麼？」時，只能回想起：
- 「我之前負責過一個專案……」
- 「後來我們做了很多調整……」
- 「最後結果還不錯。」
事情可能真的做得很好，但如果說不清楚當時遇到什麼問題、自己負責什麼、為什麼選擇那個做法，以及最後結果如何，企業仍然很難從回答裡看見你的能力。
所以求職準備真正要整理的，不只是「我做過哪些事情」，是清楚地把以下資訊說清楚：
- 我遇到什麼問題？
- 我當時怎麼判斷？
- 我做了什麼選擇？
- 最後造成了什麼結果？
STAR 經驗整理不只是在包裝經歷，是讓你把那些原本藏在工作經驗裡的判斷與行動一層一層整理出來。
如果你也想重新整理自己的工作經驗，可以試試 HuntByte 的 STAR 經驗整理工具，從過去做過的事情開始，把那些真正能代表你能力的故事找出來。
因為 AI 可以幫你把履歷寫得更漂亮，但真正值得被看見的，還是你曾經怎麼思考、怎麼選擇，以及你做出的結果。
--------------------
延伸閱讀文章：
