有一次跑步跑到一半,我想到:经历过这段AI实作的Paul,和没有经历过的Paul,会有什么不同?

差很多。没经历过的那个我,大概很难理解,为什么要花钱做专用软件,为什么愿意反复开终端机、设定权限、串API、验结果,再进入修bug的轮回。

这种改变很真实。但它属于我的经验,不能因为感受强烈,就拿来排列所有人的能力。

一张在朋友圈转了几轮的AI使用分布图,曾让我把这两件事混在一起。图上从未使用、免费聊天、付费订阅、程序开发工具一路排下去,我也顺着它写:这是一张能力地图。

现在回看,我想先把这句话改掉。

图上量到的,和我想说的能力

我沿原文连结回查了John Crowley在2026年2月23日发表的〈There Are Levels to This〉。他引用一张社群流传的采用图,提醒整天使用AI的人,别忘记其他人的位置。

这是有启发的提醒,但我核对到的公开内文,没有提供足以让我重建全球比例的抽样与去重方法。我不该把转述的数字,进一步当成量过每个人能力的结果。

使用过、经常使用、自己付费、使用公司帐号、拿来写程序,也不是自然互斥的身分。一个人可以同时落在好几类;若图表要依「最深入的使用方式」分类,就得先定义深到哪里,以及怎么处理重叠。

这还只是在谈使用,没有回答能力。付费可能换来适合某项工作的功能,却不会自动证明用户能判断输出。没有自己订阅的人,也可能在公司提供的环境中完成扎实的工作。

程序开发工具有自己的用途,但一位能用AI找出合约疑点、核对来源并交给专业者确认的人,也在做有价值的事。是否写程序,不能单独替所有专业工作排高低。

两个Paul的差别,留在经验里才有用

2022年11月,我和伙伴决定投入大语言模型的产业应用。后来在产线与业界接触下,我发现愿不愿意学新工具,没有照我原先想像的年龄界线分布。

真正改变我的,是持续碰到具体问题:一个需求要怎么说清楚,工具为什么做错,结果看起来合理时又该查哪里。这些事情不是多买一个帐号就会发生,也不能用每天花几小时互动来保证学会。

我在〈从AI风暴中突围:个人优势策略图〉谈过,关键在用工具放大什么。回到自己的工作,我能提出案例、说明哪些做法改变了,却没有一个足以证明「所有人的能力差距都在加速扩大」的长期比较。

因此,我仍然担心学习机会与工作条件造成差距,但会把这份担心写成需要观察的问题。K型分化可以提醒我留意分配,不能拿来预先判定谁必然上升、谁注定追不上。

台湾的比例,不能从开发者人数补出来

原文曾用产业就业与开发者人数估算AI程序工具的使用量,再推出台湾免费、付费与未用户的比例。这个推论中间缺了一座桥。

即使知道开发者有多少,也还需要知道其中多少人在指定期间、以指定方式使用哪类工具。采用率如果只是我设定的假设,乘出来的数字就仍是情境试算。

例如,假设有二十万名开发者,再假设其中一成采用某类工具,就会得到两万人。算式没有问题,但两个假设不会因为被相乘,就变成实际调查。更不能由这两万人,推回所有居民使用免费聊天或付费服务的比例。

不同产业的从业人数还可能重叠,产业职务也不全是开发工作。若母群、期间与定义没有对齐,数字加得再仔细,仍可能算出一张无法解释的图。

所以,我撤回原文自行推算的台湾全民分布,不再保留那张比例图。要谈实际采用率,应另找有清楚母群、时间、题目与方法的调查;资料不足的地方,先留白。

台湾产业条件值得研究,但「值得研究」和「已经知道比例」之间,还有工作要做。

面试时,我现在更想看什么

同事曾问我,面试资讯主管要问哪些问题。我当时建议问他是否付费使用AI、用哪些工具,再请他展示项目。这里真正有价值的,是最后那一步,以及展示后的追问。

付费状态可以了解背景,不能作为能力门槛。更有帮助的,是选一个候选人能公开分享、又与职务相关的案例,请他把工作过程说清楚。

我会想知道:原本要解决什么问题,哪部分交给AI,哪部分由他决定;如何查出错误,又怎么确认最后的成果可以交付。如果只剩一张漂亮画面,他能不能指出限制、说明失败时的替代做法?

这些问题不只适用于写程序。研究、营销、营运也都可以用自己的作品回答。展示需要顾及机密,不必为了证明能力而公开客户资料;也可以用可分享的材料示范同一种判断。

能解释取舍的人,会让我更容易判断他实际贡献了什么。这比帐单金额更接近我想找的能力。

四格漫画:AI能力落差,不能只看你付了多少订阅费,一个人可以同时落在好几类,两个假设不会因为被相乘,就变成实际调查。付费状态可以了解背景,不能作为能力门槛。我想先请他打开一件做过的工作,说说他在哪里改变了判断。说说他在哪里改变了判断,

企业可以从一件工作开始观察

对主管来说,与其急着把同事放进几种颜色,不如先挑一项有明确交付的工作。

例如一份定期产业摘要,可以先写清楚读者、资料范围、查核要求和交付时间。记录原本怎么做,再观察加入AI后的时间、修正次数与错误;期间和工作难度也要尽量可比,别拿粗稿速度对照完整交付。

接着请用户说明,哪些判断是自己做的。工具答错时,他能不能找出来?需要换一份资料时,他能否把方法移过去?这些观察不能一次替人打终身分数,却能帮团队决定下一步要补资料、补训练,还是改验收。

如果最后只剩少数人能用,还要问其他人缺的是什么:接触机会、时间、任务脉络,还是资料权限。不能把所有落差都解释成个人不愿学习。

我仍然相信亲自做过会改变理解。但下一次有人问我,他在AI时代的哪一层,我想先请他打开一件做过的工作,说说他在哪里改变了判断。