把問題從「AI 會不會搶走我的工作」改成「我的哪些任務會先被 AI 改寫」，更接近 2025 年資料給出的訊號。世界經濟論壇（WEF）在 Future of Jobs Report 2025 相關發布中指出，到 2030 年約有 7,800 萬個新工作機會，但同時強調急需提升技能；國際勞工組織（ILO）的 2025 更新則以任務層級資料、專家輸入與 AI 預測來分析生成式 AI 對職業的暴露程度。[10][
5]
所以，答案不是簡單的會或不會。對多數工作者來說，更實際的策略是：先找出工作中哪些任務重複、標準化、以文字或表格產出為主，再學會用 AI、資料與自動化工具改善這些任務；同時保留人類在判斷、溝通、取捨與責任承擔上的角色。
2025 年的 3 個就業訊號
1. 技術、資料與金融科技需求明確上升
WEF 指出，按百分比成長來看，成長最快的三類職位是大數據專家、金融科技工程師，以及 AI 與機器學習專家。[9] ARISA 對 WEF 報告的整理也指出，Big Data、Fintech、AI and Machine Learning、Software and Application Development 都是需求明顯的專業方向；技能面則以 AI and Big Data 最突出，其後包括 Networks and Cybersecurity 與 general technological literacy。[
3]
這不代表每個人都要轉職成工程師，但代表幾乎所有職能都需要更懂 AI、資料與數位流程。
2. 不是只有工程師有機會
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的工作成長。[10] 這讓職涯選擇不只剩下「轉 AI 工程師」一條路。另一條更普遍的路，是在教育、照護、服務、營運、行銷、金融或行政等原本領域中，成為更會使用 AI 與數位工具的人。
3. 風險要看任務，不只看職稱
ILO 的 2025 更新強調用任務層級資料、專家輸入與 AI 預測，來評估生成式 AI 對職業的暴露程度。[5] 這一點很關鍵：同一個職稱裡，可能同時包含可被 AI 加速的摘要、分類、整理任務，也包含仍需要人類負責的判斷、溝通與情境理解。
WEF 也指出，AI 與其他技術變化正在重塑市場，推升許多技術或專業職位需求，同時也可能讓部分職位下滑，例如 graphic designers。[10] 這不等於所有設計工作都會消失，而是提醒依賴標準化產出的角色，必須往策略、品牌、情境判斷與品質控管升級。
先自評：你的工作哪些部分最容易被改寫？
以下不是精密預測，而是把 ILO 的任務層級思路轉成個人檢查表。[5]
| 任務型態 | 代表訊號 | 優先補強方向 |
|---|---|---|
| 大量重複、格式固定、可流程化 | 適合先測試 AI 輔助與流程自動化 | AI 工具、SOP 設計、品質檢查、流程自動化 |
| 常處理文字、表格、摘要、報告、標準回覆 | 產出可被工具加速，但需要人工覆核 | 提示設計、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 可協助準備資料，但最後責任仍在人 | 問題拆解、商業寫作、AI 輔助分析、決策框架 |
| 價值來自本業專業與情境理解 | 不一定要轉行，但要把 AI 接進工作流程 | 本業深度、科技素養、可重複的交付流程 |
2025 最值得先學的 5 類技能
1. AI 與機器學習基本素養
AI 與機器學習專家是 WEF 列出的百分比成長最快職位之一。[9] 但對多數非工程師來說，第一步不是立刻訓練模型，而是理解 AI 能做什麼、不能做什麼、什麼情況需要人工覆核，並把它用在研究、摘要、草稿、資料整理與初步分析。
實用目標不是背 AI 名詞，而是建立穩定工作流程：有清楚輸入、有固定輸出格式、有檢查標準，也知道哪些資料不應該隨意交給外部工具。
2. 資料分析與 Big Data
大數據專家同樣被 WEF 列為百分比成長最快職位之一。[9] ARISA 對 WEF 報告的整理也指出，AI and Big Data 是最突出的技能組合之一。[
3]
如果只能先補一個硬技能，可以從表格分析、SQL、資料視覺化或基礎 Python 擇一開始。重點不是工具清單越長越好，而是能把資料整理成可檢查、可解釋、能支持決策的證據。
3. 軟體、應用開發與自動化思維
ARISA 的整理把 Software and Application Development 列為需求明顯的專業方向之一。[3] 即使你不打算成為全職工程師，也值得理解產品流程、資料流、API、腳本或低程式碼工具。
AI 真正創造價值時，通常不是單次產出一段文字，而是被接進一個可重複、可追蹤、可維護的流程。懂一點開發與自動化，會讓你更容易把想法變成可用的工作系統。
4. 網路與資安基礎
ARISA 對 WEF 報告的整理指出，Networks and Cybersecurity 是緊跟 AI and Big Data 之後的重要技能組合。[3] 當工作流程越來越數位化，資安也不再只是 IT 部門的事。
跨職能工作者至少要懂基本權限管理、資料能否上傳、敏感資訊如何處理、輸出內容如何留痕。會操作工具只是第一層；知道怎麼安全地使用工具，才是更長期的競爭力。
5. 一般科技素養
ARISA 也把 general technological literacy 列為重要技能方向。[3] 這是非工程師最容易低估的一項能力：你不一定要寫很多程式，但要知道工具如何串接、資料從哪裡來、輸出怎麼驗證、何時需要找專家協助。
一般科技素養會決定你能不能和工程、資料、產品、資安團隊有效合作。它也是把 AI 應用從「玩工具」推進到「改善工作成果」的基礎。
不同角色怎麼排優先順序？
| 目前角色 | 最值得先學什麼 |
|---|---|
| 行政、營運、客服、專案協調 | AI 文件處理、會議摘要、資料清理、SOP 與流程自動化 |
| 行銷、內容、設計 | AI 輔助研究與草稿、品牌判斷、內容品質控管、數據分析；若工作高度依賴標準化視覺產出，更要往策略、品牌與情境判斷升級，因為 WEF 已把 graphic designers 列為可能下滑的職位例子之一。[ |
| 工程、產品、資料 | AI／ML、Big Data、軟體與應用開發、網路與資安。[ |
| 教育、照護、服務 | 先強化本業專業與人際互動，再用 AI 減少文書、整理資訊、改善服務交付；WEF 指出照護與教育等基礎服務部門到 2030 年預期有較高工作成長。[ |
| 金融、商務、營運分析 | 資料分析、自動化、產品理解與金融科技；WEF 把 fintech engineers 列入百分比成長最快的三類職位之一。[ |
把學習變成可被看見的成果
- 先盤點任務，而不是先焦慮職稱。 寫下你一週內最常做的任務，標出哪些是重複、格式固定、以文字或表格為主。這和 ILO 從任務層級評估生成式 AI 影響的方向一致。[
5]
- 挑一個場景做成流程。 例如會議摘要、客戶回覆、資料清理、競品研究或週報產出，把輸入資料、提示、輸出格式與人工覆核標準固定下來。
- 補一個能和本業結合的硬技能。 可以從 SQL、Python、資料視覺化、自動化工具或資安基礎中選一項，不要脫離你的工作場景空學。
- 留下作品與證據。 不只說自己會用 AI，而是展示流程、檢查標準、前後差異與實際成果。
- 保留人的最後判斷。 AI 可以協助整理與生成，但目標設定、風險取捨、溝通責任與最終決策，仍應由人來承擔。
結論：不要只學 AI 名詞，要把 AI 接進你的成果
從 WEF 與 ILO 的 2025 訊號來看，AI 對工作的影響更像是技能重組與任務重分配，而不是單純的所有工作都會消失。WEF 同時看見新工作機會與提升技能壓力，ILO 則把生成式 AI 的影響放到任務層級來分析。[10][
5]
如果你的工作偏向重複、標準化輸出，先學 AI 工具、資料整理與自動化；如果你的工作依賴專業判斷、人際互動與情境理解，就學會用 AI 放大研究、分析、溝通與交付能力。未來更有競爭力的人，不一定是最會背 AI 名詞的人，而是最能把 AI 轉成可驗證工作成果的人。
