有一次跑步跑到一半,我想到:經歷過這段AI實作的Paul,和沒有經歷過的Paul,會有什麼不同?

差很多。沒經歷過的那個我,大概很難理解,為什麼要花錢做專用軟體,為什麼願意反覆開終端機、設定權限、串API、驗結果,再進入修bug的輪迴。

這種改變很真實。但它屬於我的經驗,不能因為感受強烈,就拿來排列所有人的能力。

一張在朋友圈轉了幾輪的AI使用分布圖,曾讓我把這兩件事混在一起。圖上從未使用、免費聊天、付費訂閱、程式開發工具一路排下去,我也順著它寫:這是一張能力地圖。

現在回看,我想先把這句話改掉。

圖上量到的,和我想說的能力

我沿原文連結回查了John Crowley在2026年2月23日發表的〈There Are Levels to This〉。他引用一張社群流傳的採用圖,提醒整天使用AI的人,別忘記其他人的位置。

這是有啟發的提醒,但我核對到的公開內文,沒有提供足以讓我重建全球比例的抽樣與去重方法。我不該把轉述的數字,進一步當成量過每個人能力的結果。

使用過、經常使用、自己付費、使用公司帳號、拿來寫程式,也不是自然互斥的身分。一個人可以同時落在好幾類;若圖表要依「最深入的使用方式」分類,就得先定義深到哪裡,以及怎麼處理重疊。

這還只是在談使用,沒有回答能力。付費可能換來適合某項工作的功能,卻不會自動證明使用者能判斷輸出。沒有自己訂閱的人,也可能在公司提供的環境中完成扎實的工作。

程式開發工具有自己的用途,但一位能用AI找出合約疑點、核對來源並交給專業者確認的人,也在做有價值的事。是否寫程式,不能單獨替所有專業工作排高低。

兩個Paul的差別,留在經驗裡才有用

2022年11月,我和夥伴決定投入大語言模型的產業應用。後來在產線與業界接觸下,我發現願不願意學新工具,沒有照我原先想像的年齡界線分布。

真正改變我的,是持續碰到具體問題:一個需求要怎麼說清楚,工具為什麼做錯,結果看起來合理時又該查哪裡。這些事情不是多買一個帳號就會發生,也不能用每天花幾小時互動來保證學會。

我在〈從AI風暴中突圍:個人優勢策略圖〉談過,關鍵在用工具放大什麼。回到自己的工作,我能提出案例、說明哪些做法改變了,卻沒有一個足以證明「所有人的能力差距都在加速擴大」的長期比較。

因此,我仍然擔心學習機會與工作條件造成差距,但會把這份擔心寫成需要觀察的問題。K型分化可以提醒我留意分配,不能拿來預先判定誰必然上升、誰注定追不上。

台灣的比例,不能從開發者人數補出來

原文曾用產業就業與開發者人數估算AI程式工具的使用量,再推出台灣免費、付費與未使用者的比例。這個推論中間缺了一座橋。

即使知道開發者有多少,也還需要知道其中多少人在指定期間、以指定方式使用哪類工具。採用率如果只是我設定的假設,乘出來的數字就仍是情境試算。

例如,假設有二十萬名開發者,再假設其中一成採用某類工具,就會得到兩萬人。算式沒有問題,但兩個假設不會因為被相乘,就變成實際調查。更不能由這兩萬人,推回所有居民使用免費聊天或付費服務的比例。

不同產業的從業人數還可能重疊,產業職務也不全是開發工作。若母群、期間與定義沒有對齊,數字加得再仔細,仍可能算出一張無法解釋的圖。

所以,我撤回原文自行推算的台灣全民分布,不再保留那張比例圖。要談實際採用率,應另找有清楚母群、時間、題目與方法的調查;資料不足的地方,先留白。

台灣產業條件值得研究,但「值得研究」和「已經知道比例」之間,還有工作要做。

面試時,我現在更想看什麼

同事曾問我,面試資訊主管要問哪些問題。我當時建議問他是否付費使用AI、用哪些工具,再請他展示專案。這裡真正有價值的,是最後那一步,以及展示後的追問。

付費狀態可以了解背景,不能作為能力門檻。更有幫助的,是選一個候選人能公開分享、又與職務相關的案例,請他把工作過程說清楚。

我會想知道:原本要解決什麼問題,哪部分交給AI,哪部分由他決定;如何查出錯誤,又怎麼確認最後的成果可以交付。如果只剩一張漂亮畫面,他能不能指出限制、說明失敗時的替代做法?

這些問題不只適用於寫程式。研究、行銷、營運也都可以用自己的作品回答。展示需要顧及機密,不必為了證明能力而公開客戶資料;也可以用可分享的材料示範同一種判斷。

能解釋取捨的人,會讓我更容易判斷他實際貢獻了什麼。這比帳單金額更接近我想找的能力。

四格漫畫:AI能力落差,不能只看你付了多少訂閱費,一個人可以同時落在好幾類,兩個假設不會因為被相乘,就變成實際調查。付費狀態可以了解背景,不能作為能力門檻。我想先請他打開一件做過的工作,說說他在哪裡改變了判斷。說說他在哪裡改變了判斷,

企業可以從一件工作開始觀察

對主管來說,與其急著把同事放進幾種顏色,不如先挑一項有明確交付的工作。

例如一份定期產業摘要,可以先寫清楚讀者、資料範圍、查核要求和交付時間。記錄原本怎麼做,再觀察加入AI後的時間、修正次數與錯誤;期間和工作難度也要盡量可比,別拿粗稿速度對照完整交付。

接著請使用者說明,哪些判斷是自己做的。工具答錯時,他能不能找出來?需要換一份資料時,他能否把方法移過去?這些觀察不能一次替人打終身分數,卻能幫團隊決定下一步要補資料、補訓練,還是改驗收。

如果最後只剩少數人能用,還要問其他人缺的是什麼:接觸機會、時間、任務脈絡,還是資料權限。不能把所有落差都解釋成個人不願學習。

我仍然相信親自做過會改變理解。但下一次有人問我,他在AI時代的哪一層,我想先請他打開一件做過的工作,說說他在哪裡改變了判斷。