與其問「AI 會唔會搶走我份工」，2025 年更值得問：「我每日做緊邊啲任務，會先被 AI 改寫？」世界經濟論壇（WEF）在 Future of Jobs Report 2025 相關發布指出，到 2030 年約有 7,800 萬個新工作機會，但同時急需提升技能；國際勞工組織（ILO）2025 更新就用任務層級資料、專家輸入同 AI 預測，分析生成式 AI 對職業嘅暴露程度。[10][
5]
所以，答案唔係簡單一句「會」或者「唔會」。對大多數打工人嚟講，更實際嘅策略係：先拆開自己份工，睇吓邊啲環節重複、標準化、主要輸出文字或表格；再學識用 AI、數據同自動化工具去改善呢啲任務，同時保留人喺判斷、溝通、取捨同承擔責任上嘅角色。
先講清楚：WEF 同 ILO 講嘅係全球職場趨勢，唔等於你公司聽日就會大執位。但如果你要決定今年學咩、點樣令自己更難被取代，呢啲訊號值得認真睇。
2025 年職場有 3 個訊號
1. 技術、數據同金融科技需求明確上升
WEF 指出，按百分比增長計，增長最快嘅三類職位係 big data specialists（大數據專家）、fintech engineers（金融科技工程師），以及 AI and machine learning specialists（AI 與機器學習專家）。[9] ARISA 對 WEF 報告嘅整理亦指出，Big Data、Fintech、AI and Machine Learning、Software and Application Development 都係需求明顯嘅專業方向；技能方面，AI and Big Data 最突出，其後包括 Networks and Cybersecurity 同 general technological literacy。[
3]
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。[10] 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。[5] 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）。[10] 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。[5]
| 任務型態 | 代表訊號 | 優先補強方向 |
|---|---|---|
| 大量重複、格式固定、可以流程化 | 適合先試 AI 輔助同流程自動化 | AI 工具、SOP 設計、質素檢查、流程自動化 |
| 經常處理文字、表格、摘要、報告、標準回覆 | 產出速度可以被工具加快，但需要人手覆核 | 提示詞設計、資料整理、輸出驗證、文件自動化 |
| 常做跨部門協調、客戶溝通、取捨判斷 | AI 可以幫你準備資料，但最後責任仍然在人 | 問題拆解、商業寫作、AI 輔助分析、決策框架 |
| 價值主要來自本業專業、情境理解同信任 | 未必需要轉行，但要將 AI 接入工作流程 | 本業深度、科技素養、可重複嘅交付流程 |
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。[9] 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。[9] 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。[
3]
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。[3] 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。[3] 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。[3] 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？
| 目前角色 | 最值得先學咩 |
|---|---|
| 行政、營運、客服、專案協調 | AI 文件處理、會議紀錄、資料清理、SOP 同流程自動化 |
| 行銷、內容、設計 | AI 輔助研究同草稿、品牌判斷、內容質素把關、數據分析；如果工作高度依賴標準化視覺產出，更要升級到策略、品牌同情境判斷，因為 WEF 已將 graphic designers 列為可能下滑嘅職位例子之一。[ |
| 工程、產品、資料 | AI／ML、Big Data、軟件與應用開發、網絡與資安。[ |
| 教育、照護、服務 | 先強化本業專業同人際互動，再用 AI 減少文書、整理資訊、改善服務交付；WEF 指出照護同教育等基礎服務部門到 2030 年預期有較高職位增長。[ |
| 金融、商務、營運分析 | 資料分析、自動化、產品理解同金融科技；WEF 將 fintech engineers 列入按百分比增長最快嘅三類職位之一。[ |
將學習變成睇得見嘅成果
- 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。[
5]
- 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。
- 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。
- 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。
- 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。[10][
5]
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。
