當 AI 把工作做完了，誰來教我們品味？

這週有兩則新聞剛好在同一時間出現，我一直忍不住把它們放在一起讀。

第一則是一個數字。Scale Labs 與 CAIS 的 Remote Labor Index 專門測試 AI 代理人能不能以專業水準完成真實、有酬的接案專案，而 Anthropic 的 Fable 5.2 完成了其中 41.3%。一年前，這個指標的最高分只有 2.5%。這些是來自 Upwork 專業工作者的 240 個專案，涵蓋音訊、建築、3D 等領域，不是玩具題目。

第二則是一個診斷。Ethan Mollick 實際用了同一個模型，稱它為「參差不齊的 AGI」（Jagged AGI），在多數以電腦完成的工作上，已經接近多數人類專家的水準。有意思的是他說它還會在哪裡失手。不是事實錯誤，而是判斷力和品味。它幫他做了一門技術上完整、卻毫無樂趣的課程。它為一個 3D 世界寫的規則書膨脹到 204 個章節、約 87,500 字，卻從沒發現自己做過頭了。模型把工作做完了，只是看不出這份工作哪裡不對。

身為在學習領域工作十多年的人，第二點才是我最在意的。因為人的品味，也正是這樣失靈的。

品味是在基層座位上學會的

沒有人天生就知道一門課很無聊、一份文件太臃腫。我們是慢慢學會的。你交出初稿，資深的人看了說「這段拖太長」或「這一節不需要」，這樣的時刻累積夠多，你就會在對方開口之前，先在腦中聽到他的聲音。那個腦中的聲音，就是我們後來說的判斷力。

這個循環的原料，一直都是基層工作。第一版分析、簡報、會議紀錄、修一個小 bug。不光鮮，但那是練習場，有人能看著你、修正你。

這個練習場正在縮小。Robert Szczerba 在 Forbes 的文章 AI Is Taking Entry-Level Jobs. Who’s Training Your Next CEO? 把這件事量化了。史丹佛的研究發現，在最容易受 AI 影響的職業中，22 到 25 歲的就業人數明顯低於預期，而高曝險科系的應屆畢業生起薪也在下降。他擔心的是人才管道。如果沒有人做基層工作，五年後誰會成為那個資深的人？

把這兩則新聞放在一起，問題比「AI 搶工作」更尖銳。AI 現在很擅長我們過去拿來學習的那些任務，卻仍然不擅長那些任務暗中教會我們的事。

為什麼「加上 AI 教練」不是答案

教練產業已經在回應了。這週的 Coaching Brief 報導 AceUp 為 NTT DATA 的員工搭配人類教練與 AI 工具，廠商自述在處理困難對話上提升了 22%。同一期也提到一項研究，讓教練課程的學生和扮演個案的 ChatGPT 練習。

這兩個實驗我都喜歡。AI 是很有耐心的陪練對象，練習量也確實重要。但請注意這份週報自己附上的提醒，那 22% 沒有公開方法。也請注意 AI 在這兩個例子裡做的事，它給人更多的練習次數。練習次數是必要的，但單靠次數長不出品味。品味來自練習，加上一位好的評論者，再加上一個你把自己的判斷和對方相比的時刻。

如果 Mollick 說得沒錯，模型看不出自己的作品哪裡不對，那麼讓它單獨當學習者的評論者就有風險。它可以告訴你有沒有照著框架做，但要它告訴你「這東西很無聊」，就沒那麼可靠了。

mentoring 必須成為課程本身

這是我從產品與學習設計角度提出的論點。在我大部分的職涯裡，mentoring 被當作一種福利。一個不錯的計畫、一筆喝咖啡的預算、人資拿來報告的項目。它之所以行得通，是因為真正的學習本來就會發生在基層工作裡，mentoring 只是推它一把。

這個前提正在瓦解。如果基層工作移交給 AI，學習就不會再自然發生。所以，那些由更有經驗的人幫你看出哪裡不對的時刻，需要像工作中其他核心環節一樣，被設計、被排進行程、被衡量。

實際上會是什麼樣子？我會從三個設計動作開始。

先批改 AI 的草稿，再對照筆記
給資淺的人一份真實的 AI 草稿，請他標出哪裡弱、為什麼弱，同時請資深的人各自做一遍。然後把兩份批改並排，一起討論它們哪裡不同。

假設資淺的人標出了一個錯字、一句模糊的句子、一個缺少的資料來源。資深的人也標了這些，但還發現整個後半段在回答一個客戶根本沒問的問題。這第二份清單，也就是只有資深的人看出來的東西，正是資淺的人目前還看不見的。這是他下一步最值得學的，所以討論的大部分時間應該花在這裡，聊資深的人為什麼會注意到、是哪些線索讓他察覺。

每隔幾週做一次，並且把清單留下來。隨著時間過去，只有資深的人才看得出的問題應該會變少、也變得更細微。這份逐漸變短的清單，是我所知少數能具體看見品味在成長的方法。它也讓 AI 的產出從取代練習的東西，變成練習的教材。

讓資深的人把沒說出口的理由說出來
專家常常直接修掉問題，卻不解釋。「我就把那段刪了。」請他們把理由說出來，哪怕很短。「它跟第二點重複，而且拖慢讀者。」這句話才是能傳承的部分，也是學習者日後會在自己腦中聽到的聲音。

檢驗判斷力，而不只是產出
在給一個人更多責任之前，先測試他能不能在沒有 AI 的情況下看出問題，而不只是能不能靠 AI 交出成果。一個只能靠工具做出好作品、卻分辨不出好壞的人，並沒有學到品味，只是借來了品味。

我留下的問題

紐約州正在成立一個州級中心，獨立測試 AI 系統，並培養新一代的 AI 安全專家。不論你怎麼看這項政策，它的直覺是對的。系統越強大，我們需要越多受過訓練、具備判斷力的人，而不是越少。

每個團隊內部也是如此。AI 現在能完成相當驚人比例的工作。它還做不到的，是察覺工作哪裡不對，而這份察覺，正是我們一直以來在人與人之間傳下去的東西。