# 當作業可以被生成，真實任務為什麼更重要 > 生成式 AI 讓論文、作業、報告都能一鍵生成，「書面成品反映個人能力」這個評量假設悄悄崩塌。2022 年〈大學論文已死〉開了第一槍，2025 年 WEF 指出 39% 核心技能將在 2030 年前改變。這篇談：當作業可以被生成，唯一無法被生成的真實任務，為什麼從教育理念變成了剛需。 - Author: Paul Kuo（郭曜郎） - Date: 2026-07-07 - Pillar: 沉思與記憶 / Reflections & Memory - Tags: AI 與教育, 真實任務, 評量改革, 專案式學習, 未來技能, productive struggle - Series: 從翻轉到翻越 (part 20 of 26): https://paulkuo.tw/series/flip-to-climb/ - Canonical: https://paulkuo.tw/articles/real-tasks-when-work-can-be-generated/ - Site index for LLMs: https://paulkuo.tw/llms.txt --- > **TL;DR** — 生成式 AI 讓論文、作業、報告都能一鍵生成，「書面成品等於個人能力」這個用了幾百年的評量假設悄悄崩塌。2022 年〈大學論文已死〉開了第一槍。這篇想說的是：當作業可以被生成，唯一無法被生成的，是真的在真實情境裡把事情做出來的過程。我 2018 年帶孩子做真實任務時，這還是教育偏好；AI 之後，它變成剛需。
▶ 聽摘要
AI 合成語音・作者本人聲線克隆
一位在大學任教的朋友跟我說過一個場景，我一直記得。他班上有個學生，作業繳得又快又漂亮，句句通順、結構完整。可是同一個學生，一到需要當場說明自己寫了什麼的口試，就整個垮掉，講不出所以然。這不是單一個案。AI 普及之後，很多老師都觀察到同一種雙峰現象：一群學生用 AI 秒殺書面作業、繳出完美成品，然後在面對面的場合徹底露餡。 這個場景揭穿的，不只是作弊。還有一個我們用了幾百年、卻很少正式說出口的假設。 ## 崩塌的，是一個沒說出口的假設 那個假設是：一份書面成品的品質，反映寫它的人的能力。 一直以來，我們的教育評量體系就建立在這句話上。我們用論文判斷大學生，用報告判斷職場工作者，用一份寫得好不好的文件，推斷背後那個人懂不懂、想清楚了沒。這個推斷曾經成立，因為過去要寫出一篇像樣的東西，你確實得先想清楚。 生成式 AI 一來，這句話就斷了。現在一份漂亮的成品，可能背後根本沒有那個「想清楚」的人。2022 年底，《大西洋月刊》登了一篇文章，標題很直接：[〈大學論文已死〉](https://www.theatlantic.com/technology/archive/2022/12/chatgpt-ai-writing-college-student-essays/672371/)。作者 Stephen Marche 的問題很簡單：當人文學科用論文評判學生、用論文品質授予學位，而這整個過程現在都能被自動化，會發生什麼事？ 三年過去，答案越來越清楚。問題從「學生會不會作弊」的誠信問題，深化成一個更根本的命題：當書面成品不再說明能力，我們到底該拿什麼來證明一個人真的學會了？ ## 唯一生成不了的東西 AI 能生成一篇談「如何做一個電商網站」的文章，寫得比多數人好。但它生成不了另一件事。 它生成不了四個國中生，真的一起面對一張空白頁面、卡在「我們到底要做什麼」、吵過架、重新分工、然後在一個月後把網站做出來的那整段過程，歷史無法複製。我在〈[四個孩子，一個暑假，一個要上線的網站](/articles/four-kids-summer-website/)〉裡寫過這個真實任務。它的價值不在最後那份成品有多漂亮，而在成品長出來之前，那些人真的經歷過的判斷、協作、挫折與修正。 這就是真實任務和書面作業的根本差異。書面作業的產物是一份文件，而文件可以被生成。真實任務的產物是一段發生在真實情境裡、有對象、有期限、有失敗風險的經歷，而這段經歷，生成式 AI 替代不了。你可以請 AI 幫你寫一份旅行計畫，但它沒辦法替你走一趟熊野古道、在預算和路線之間做真實的取捨。你可以請 AI 產出一份會議記錄，但它替代不了你在會議裡真的說服了一個不同意你的人。 當所有可以被生成的東西都貶值，那些無法被生成的過程，變成了最值錢的部分。 ## 從教育偏好，變成剛需 回首這段歷程，真的很有意思：2018 年我帶那個真實任務專案的時候，還沒有 ChatGPT。 那時候我主張真實任務比模擬作業好，是一種教育選擇、一種偏好。我相信孩子在真實壓力下學到的東西更扎實，要在實戰中學習，但我沒辦法說模擬作業「沒用」，它至少還能練基本功。AI 之後，情況變了。當一份模擬作業可以被一鍵生成、而且看不出破綻，它作為學習證明的效力就趨近於零。真實任務不再只是「比較好的選擇」，它變成少數還能可靠地長出、也能驗證能力的方式。 不是我的教育理念變厲害了。是潮流追上來，我也剛好站在一個位置。 世界經濟論壇 2025 年的《[未來就業報告](https://www.weforum.org/publications/the-future-of-jobs-report-2025/)》調查了超過一千家雇主、涵蓋一千四百萬名工作者，估計到 2030 年，39% 的核心技能將會改變。而雇主最需要的能力排在最前面的，是分析性思考，接著是韌性與敏捷、領導與社會影響力、創造性思考。這些能力有一個共同點：沒有一個是靠背答案得到的，全部都要在真實任務的摩擦裡才長得出來，也正好是 AI 目前最難替代的部分。 換句話說，AI 一邊讓標準答案變得不值錢，一邊把「能在混亂裡把事情整合出來」的能力，推到了更高的價格。這條線我在〈[煤礦坑裡的金絲雀](/articles/canary-in-coal-mine-ai-employment/)〉裡從就業的角度談過，教育這一端是同一件事的另一面。 ## 學習發生在掙扎裡 還有一層更深的東西，關於學習到底怎麼發生。 學習科學有一個概念叫「有生產力的掙扎」（productive struggle）：真正的理解，往往長在你卡住、困惑、必須自己想辦法穿過去的那段過程裡。答案來得太容易，那條神經迴路就沒有被鍛鍊到。寫作也是這樣。寫作不只是把已經想好的東西記下來，寫的過程本身就是在思考。學生用 AI 生成或潤稿，繞過的不是打字的辛苦，是思考本身。 AI 最擅長消除你的掙扎。它讓你幾秒鐘拿到一個看起來不錯的答案，省下所有卡關的痛苦，而且排版得漂漂亮亮的。這在很多場合是好事，但放在學習裡，它剛好抽掉了學習發生的地方。當獲得答案變得毫不費力，那個「有生產力的掙扎」不但沒有消失，反而變成一種需要刻意設計、刻意保留的稀缺品。 而真實任務，正是少數還能可靠地製造這種掙扎的東西。空白頁面的焦慮、團隊的衝突、模糊需求的折磨，這些「沒效率」的過程，就是認知真正被建構的地方。這也是為什麼我不擔心 AI 把孩子的思考外包掉，只要他還在做真實的事。背後的認知機制，我寫在〈[系統與直覺的對決](/articles/system-vs-intuition-planning/)〉。 ## 那我們該做什麼 方向很清楚：給孩子 AI 替他做不了的事。 一個有真實對象的任務，一個真的可能失敗的目標，一個需要跟別人協作才做得成的專案，一段會在他身上留下真實痕跡的經歷。這些東西 AI 生成不了，因為它們的價值不在最後的成品，而在成品長出來之前的那個人真的走過的路。 但我不想把這件事講得太輕。要讓一個真實任務真的運作起來，從來不只靠熱誠。它需要成人的時間，需要資源，也需要錢：找得到願意投入的老師與業師，排得出陪伴和追問的時間，撐得起場地、工具與交通的花費。而且不是每個老師、每個家庭，都有條件長期這樣投入。如果看完這篇的人以為「有熱情就夠了」，那反而是我最不願意留下的誤會。 〈[從翻轉到翻越](/articles/flip-to-climb-education/)〉裡我說，教育的核心是讓孩子與世界真實相遇。AI 沒有改變這句話，它只是讓這句話變得更急迫。當機器可以幫孩子生成幾乎所有的作業，唯一還能確定是他自己長出來的，就是那些他真的親手做過、親身撞過牆的事。 作業可以靠 AI 生成，但「撞牆」的經歷不行。人，正是從迎面撞牆的磨練中長大的。 孩子面臨的挫折、你與孩子一同流下的眼淚、那份困惑，以及在混亂中摸索的過程，全都是無比珍貴的資產。諷刺的是，我們過去的教育體制總極力幫孩子避開或拔除這些阻礙，卻又同時高喊著：不希望下一代被 AI 取代。