AI 不會讓專家變廉價，反而會讓他們更值錢

本文整理自 Palantir 官方頻道 2026 年 1 月發布的對談影片。

「學寫程式」曾經是過去十年最主流的職涯建議。然而諷刺的是，當 AI 真正大規模進入職場時，第一批受到衝擊的，恰恰是那些可以被符號化表達的工作。程式碼本身就是一種結構化的符號系統，這讓它成了 AI 自動化最容易下手的目標之一。

這個現象背後有一個更深層的邏輯，而 Palantir 首席架構師 Akshay Krishnaswamy 在最近一場與 Palantir 資深顧問 Jordan Hirsch 的對談中，把它說得很清楚。

可編碼的工作，終將被自動化

Krishnaswamy 回溯了一段不太常被提起的歷史。早在二戰之後的控制論（cybernetics）研究浪潮中，數學家諾伯特．維納（Norbert Wiener）和科學行政家萬尼瓦爾．布希（Vannevar Bush）就提出過一個基本判斷：任何能被編碼的工作，最終都有可能被自動化。如果一份工作的本質是在資訊空間裡做處理，那理論上一臺夠精密的機器就能取代它。

這個七十多年前的判斷，在大型語言模型時代被驗證得比任何人預期的還快。不過 Krishnaswamy 的重點不在於哪些工作會消失，而在於哪些工作不會消失，以及為什麼。

他的觀察是：真正有價值的專業工作，大部分並不只存在於資訊空間裡。它們扎根於真實世界的物理環境、組織脈絡和人際互動中。一個資深電網操作員對高壓線路在特定天候條件下行為模式的直覺、一個經驗豐富的護理排班人員對每位護士強項和限制的掌握、一個老手技師聽設備運轉聲音就能判斷磨損程度的能力，這些知識高度結構化，卻從來沒有被寫進任何文件、資料庫或訓練資料集裡。

這些知識無法被輕易編碼，所以模型學不到，所以自動化碰不到。在 AI 時代，這反而是最安全的位置。

從最低公約數到最高天花板

過去三十年的全球化浪潮，在勞動市場上造成了一個明顯的趨勢：工作往成本最低的地方流動。能外包的就外包，能標準化的就標準化，企業追求的是用最少的錢完成可接受品質的產出。這是一場「最低公約數」的競賽，而許多工作者在這場競賽中感受到的，是自己的專業被逐步壓縮成可以被量化比價的商品。

Krishnaswamy 認為 AI 有可能逆轉這個趨勢。他的邏輯是這樣的：如果 AI 能夠處理掉大量重複性的、可編碼的基礎工作，那企業之間的競爭差異就不再取決於誰能用更低的成本完成這些基礎任務，而取決於誰能在更高層次的決策和創新上做得更好。而高層次的決策和創新，恰恰是那些擁有深度領域專業知識的人最擅長的事。

這就像 Hirsch 在對談中提到的，過去三十年電腦革命的實際結果，跟賈伯斯（Steve Jobs）當年說的「心智的腳踏車」願景相差甚遠。電腦確實讓人類能處理更多資訊，但它也帶來了海量的電子郵件、試算表、行政系統和合規報告。很多高技能的工作者，像是醫生、工程師、操作員，花在處理後臺行政事務上的時間，遠多於他們真正發揮專業的時間。

AI 如果用對了，可以把這些人從行政泥沼中拉出來。不是取代他們，而是讓他們回到自己最擅長、最有價值的工作上。當這件事發生時，擁有深度專業知識的人不會貶值，反而會升值，因為他們終於有時間和空間去做那些只有他們能做的事。

小團隊、大野心：AI 降低的是創業門檻

這個邏輯延伸到組織層面，會產生一個更有意思的效應。Krishnaswamy 指出，過去要進入某些產業，光是組建處理各種基礎營運事務的團隊，就需要大量人力和資金。不是因為這些基礎事務有多難，而是因為量太大、環節太多，你必須養一群人來處理。

AI 正在改變這個等式。如果一個小團隊能借助 AI 工具處理掉過去需要幾十人才能完成的基礎營運工作，那進入這些產業的門檻就會大幅下降。Krishnaswamy 用「創造性破壞」來描述這個可能的未來：那些不願意擁抱 AI 的大型組織，可能會被更精簡、更靈活、更善用 AI 的新進者挑戰。

這不只是效率的問題，而是產業結構的重組。當你不再需要幾百人才能營運一家物流公司或能源供應商時，更多有專業知識、有產業洞察的人就能站上創業的起跑線。過去被規模門檻擋在外面的創新者，現在有了機會。

但 Krishnaswamy 也觀察到，這個轉變並非自動發生。他在實際部署中看到了兩種截然不同的組織反應：一種是把 AI 釋放出的人力和時間視為機會，主動去重新定義團隊角色、探索過去沒有資源做的事；另一種則是面對變化退縮，不願意重新想像工作者的定位。後者在競爭中會越來越吃虧，因為它放棄了 AI 帶來的最大紅利。

我的觀察：被低估的「現場智慧」

Palantir 是在賣自家平台，所以「AI 讓專家更有價值」這個論述對他們的商業利益有利，這點要先說清楚。但即使考慮到這層利益關係，我認為他們描述的趨勢在臺灣有很具體的對應場景。

臺灣過去二十年在全球化的「最低公約數」競賽中其實跑得不錯，靠的是高效率的製造體系和相對合理的人力成本。但這條路越走越窄。當東南亞的製造成本更低、中國的產能更大，單純比成本已經不是臺灣的優勢。臺灣真正的優勢，是在特定領域累積了幾十年的深度專業知識。半導體製程裡的良率優化經驗、精密機械加工的公差控制技巧、醫療器材組裝的品質判斷，這些知識不在任何教科書裡，也不在任何公開的訓練資料集中。

如果 Krishnaswamy 說的趨勢成真，如果 AI 真的能把競爭的重心從「誰的成本最低」轉移到「誰的專業知識最深」，那臺灣其實握了一手不錯的牌。問題是，我們有沒有意識到手上有這些牌，以及有沒有在 AI 時代來臨之前，把這些知識從少數人的腦袋裡轉移到整個組織可以使用的系統中。

這不是三五年後才要想的事。資深技師正在退休，知識斷層正在發生。AI 給了我們一個前所未有的機會，把這些即將流失的專業知識保存下來並且放大。但前提是，企業得先把「知識盤點」放到跟「AI 採購」同等重要的位置上。