呢個訊號唔代表人人都要即刻轉做工程師。更貼地嘅解讀係：無論你做行政、營運、行銷、金融、教育定服務，未來都需要更懂 AI、數據同數碼流程。

2. 機會唔只喺工程崗位

WEF 同時指出，到 2030 年，前線角色以及照護、教育等基礎服務部門，預期會有最高嘅職位增長。 換句話講，職涯選擇唔係得「轉做 AI 工程師」一條路。

另一條更普遍嘅路，係喺你原本行業入面，變成更識用 AI 同數碼工具嘅人：例如用 AI 減少文書時間、整理資料、準備溝通材料，將更多精力放喺專業判斷同服務質素上。

3. 風險要睇任務，唔好淨睇職稱

ILO 2025 更新強調，用任務層級資料、專家輸入同 AI 預測，去評估生成式 AI 對職業嘅暴露程度。 呢點好重要：同一個職稱入面，可能同時有 AI 好容易加速嘅摘要、分類、整理任務，亦有仍然需要人負責嘅判斷、溝通同情境理解。

WEF 亦指出，AI 同其他技術變化正在重塑市場，推高好多技術或專業職位需求，同時令部分職位下滑，例子包括 graphic designers（平面設計師）。 呢點唔等於所有設計工作都會消失，而係提醒：如果角色太依賴標準化產出，就要升級到策略、品牌判斷、情境理解同質素把關。

先做自我盤點：你份工邊啲環節最容易被改寫？

以下唔係精密預測，而係將 ILO 嘅任務層級思路，變成個人檢查表。

2025 最值得先學嘅 5 類技能

1. AI 與機器學習基本素養

AI 與機器學習專家係 WEF 列出按百分比增長最快嘅職位之一。 不過，對大多數非工程師嚟講，第一步唔係即刻訓練模型，而係理解 AI 做到咩、做唔到咩、咩情況一定要人手覆核，並將佢用喺研究、摘要、草稿、資料整理同初步分析。

實用目標唔係背熟一堆 AI 名詞，而係建立穩定工作流程：輸入要清楚、輸出格式要固定、檢查標準要明確，亦要知道邊啲資料唔應該隨便交畀外部工具。

2. 資料分析與 Big Data

大數據專家同樣被 WEF 列為按百分比增長最快嘅職位之一。 ARISA 對 WEF 報告嘅整理亦指出，AI and Big Data 係最突出嘅技能組合之一。

如果你只能先補一個硬技能，可以由試算表分析、SQL、資料視覺化或者基礎 Python 揀一樣開始。重點唔係工具清單越長越好，而係你能夠將資料整理成可檢查、可解釋、可以支持決策嘅證據。

3. 軟件、應用開發與自動化思維

ARISA 嘅整理將 Software and Application Development 列為需求明顯嘅專業方向之一。 就算你唔打算全職寫程式，都值得理解產品流程、資料流、應用程式介面（API）、腳本或者低程式碼工具。

AI 真正創造價值，好多時唔係一次過生成一段文字，而係被接入一個可重複、可追蹤、可維護嘅流程。懂少少開發同自動化，會令你更容易將想法變成真正可用嘅工作系統。

4. 網絡與資安基礎

ARISA 對 WEF 報告嘅整理指出，Networks and Cybersecurity 係緊接 AI and Big Data 之後嘅重要技能組合。 當工作流程越嚟越數碼化，資安就唔再只係 IT 部門嘅事。

跨職能工作者至少要識基本權限管理、判斷資料可唔可以上傳、知道敏感資訊點樣處理，以及輸出內容點樣留痕。識用工具只係第一層；識得安全咁用工具，先係更長線嘅競爭力。

5. 一般科技素養

ARISA 亦將 general technological literacy 列為重要技能方向。 呢項能力好容易被非工程背景嘅人低估：你未必要寫好多程式，但要知道工具點樣串接、資料由邊度嚟、輸出點樣驗證、幾時應該搵專家幫手。

一般科技素養會影響你能唔能夠同工程、資料、產品、資安團隊有效合作。佢亦係將 AI 應用由「玩工具」推進到「改善工作成果」嘅基礎。

唔同角色，學習優先次序可以點排？

將學習變成睇得見嘅成果

1. 先盤點任務，唔好淨係焦慮職稱。 寫低你一星期最常做嘅任務，標出邊啲係重複、格式固定、主要用文字或表格交付。呢個方向同 ILO 由任務層級評估生成式 AI 影響嘅方法一致。
2. 揀一個場景做成流程。 例如會議紀錄、客戶回覆、資料清理、競品研究或者週報產出，將輸入資料、提示詞、輸出格式同人手覆核標準固定落嚟。
3. 補一個同本業貼地嘅硬技能。 可以由 SQL、Python、資料視覺化、自動化工具或者資安基礎揀一樣。唔好離開工作場景空學；最好一邊學，一邊改善你每日真係會做嘅任務。
4. 留低作品集同證據。 唔好只係話自己識用 AI，而係展示你設計咗咩流程、點樣檢查輸出、前後有咩分別、實際工作成果點樣改善。
5. 保留人嘅最後判斷。 AI 可以協助整理同生成，但目標設定、風險取捨、溝通責任同最終決策，仍然應該由人承擔。

結語：唔好只追 AI 名詞，要將 AI 接到工作成果

從 WEF 同 ILO 嘅 2025 訊號睇，AI 對工作嘅影響更似係技能重組同任務再分配，而唔係簡單講成「所有工作都會消失」。WEF 同時見到新工作機會同提升技能壓力，ILO 則將生成式 AI 嘅影響放到任務層級分析。

如果你份工偏向重複、標準化輸出，就先學 AI 工具、資料整理同自動化；如果你份工依賴專業判斷、人際互動同情境理解，就學識用 AI 放大研究、分析、溝通同交付能力。未來更有競爭力嘅人，未必係最熟 AI 術語嗰個，而係最能夠將 AI 變成可驗證工作成果嗰個。

呢個訊號唔代表人人都要即刻轉做工程師。更貼地嘅解讀係：無論你做行政、營運、行銷、金融、教育定服務，未來都需要更懂 AI、數據同數碼流程。

2. 機會唔只喺工程崗位

WEF 同時指出，到 2030 年，前線角色以及照護、教育等基礎服務部門，預期會有最高嘅職位增長。 換句話講，職涯選擇唔係得「轉做 AI 工程師」一條路。

另一條更普遍嘅路，係喺你原本行業入面，變成更識用 AI 同數碼工具嘅人：例如用 AI 減少文書時間、整理資料、準備溝通材料，將更多精力放喺專業判斷同服務質素上。

3. 風險要睇任務，唔好淨睇職稱

ILO 2025 更新強調，用任務層級資料、專家輸入同 AI 預測，去評估生成式 AI 對職業嘅暴露程度。 呢點好重要：同一個職稱入面，可能同時有 AI 好容易加速嘅摘要、分類、整理任務，亦有仍然需要人負責嘅判斷、溝通同情境理解。

WEF 亦指出，AI 同其他技術變化正在重塑市場，推高好多技術或專業職位需求，同時令部分職位下滑，例子包括 graphic designers（平面設計師）。 呢點唔等於所有設計工作都會消失，而係提醒：如果角色太依賴標準化產出，就要升級到策略、品牌判斷、情境理解同質素把關。

先做自我盤點：你份工邊啲環節最容易被改寫？

以下唔係精密預測，而係將 ILO 嘅任務層級思路，變成個人檢查表。

2025 最值得先學嘅 5 類技能

1. AI 與機器學習基本素養

AI 與機器學習專家係 WEF 列出按百分比增長最快嘅職位之一。 不過，對大多數非工程師嚟講，第一步唔係即刻訓練模型，而係理解 AI 做到咩、做唔到咩、咩情況一定要人手覆核，並將佢用喺研究、摘要、草稿、資料整理同初步分析。

實用目標唔係背熟一堆 AI 名詞，而係建立穩定工作流程：輸入要清楚、輸出格式要固定、檢查標準要明確，亦要知道邊啲資料唔應該隨便交畀外部工具。

2. 資料分析與 Big Data

大數據專家同樣被 WEF 列為按百分比增長最快嘅職位之一。 ARISA 對 WEF 報告嘅整理亦指出，AI and Big Data 係最突出嘅技能組合之一。

如果你只能先補一個硬技能，可以由試算表分析、SQL、資料視覺化或者基礎 Python 揀一樣開始。重點唔係工具清單越長越好，而係你能夠將資料整理成可檢查、可解釋、可以支持決策嘅證據。

3. 軟件、應用開發與自動化思維

ARISA 嘅整理將 Software and Application Development 列為需求明顯嘅專業方向之一。 就算你唔打算全職寫程式，都值得理解產品流程、資料流、應用程式介面（API）、腳本或者低程式碼工具。

AI 真正創造價值，好多時唔係一次過生成一段文字，而係被接入一個可重複、可追蹤、可維護嘅流程。懂少少開發同自動化，會令你更容易將想法變成真正可用嘅工作系統。

4. 網絡與資安基礎

ARISA 對 WEF 報告嘅整理指出，Networks and Cybersecurity 係緊接 AI and Big Data 之後嘅重要技能組合。 當工作流程越嚟越數碼化，資安就唔再只係 IT 部門嘅事。

跨職能工作者至少要識基本權限管理、判斷資料可唔可以上傳、知道敏感資訊點樣處理，以及輸出內容點樣留痕。識用工具只係第一層；識得安全咁用工具，先係更長線嘅競爭力。

5. 一般科技素養

ARISA 亦將 general technological literacy 列為重要技能方向。 呢項能力好容易被非工程背景嘅人低估：你未必要寫好多程式，但要知道工具點樣串接、資料由邊度嚟、輸出點樣驗證、幾時應該搵專家幫手。

一般科技素養會影響你能唔能夠同工程、資料、產品、資安團隊有效合作。佢亦係將 AI 應用由「玩工具」推進到「改善工作成果」嘅基礎。

唔同角色，學習優先次序可以點排？

將學習變成睇得見嘅成果

1. 先盤點任務，唔好淨係焦慮職稱。 寫低你一星期最常做嘅任務，標出邊啲係重複、格式固定、主要用文字或表格交付。呢個方向同 ILO 由任務層級評估生成式 AI 影響嘅方法一致。
2. 揀一個場景做成流程。 例如會議紀錄、客戶回覆、資料清理、競品研究或者週報產出，將輸入資料、提示詞、輸出格式同人手覆核標準固定落嚟。
3. 補一個同本業貼地嘅硬技能。 可以由 SQL、Python、資料視覺化、自動化工具或者資安基礎揀一樣。唔好離開工作場景空學；最好一邊學，一邊改善你每日真係會做嘅任務。
4. 留低作品集同證據。 唔好只係話自己識用 AI，而係展示你設計咗咩流程、點樣檢查輸出、前後有咩分別、實際工作成果點樣改善。
5. 保留人嘅最後判斷。 AI 可以協助整理同生成，但目標設定、風險取捨、溝通責任同最終決策，仍然應該由人承擔。

結語：唔好只追 AI 名詞，要將 AI 接到工作成果

從 WEF 同 ILO 嘅 2025 訊號睇，AI 對工作嘅影響更似係技能重組同任務再分配，而唔係簡單講成「所有工作都會消失」。WEF 同時見到新工作機會同提升技能壓力，ILO 則將生成式 AI 嘅影響放到任務層級分析。

如果你份工偏向重複、標準化輸出，就先學 AI 工具、資料整理同自動化；如果你份工依賴專業判斷、人際互動同情境理解，就學識用 AI 放大研究、分析、溝通同交付能力。未來更有競爭力嘅人，未必係最熟 AI 術語嗰個，而係最能夠將 AI 變成可驗證工作成果嗰個。