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。 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。 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。 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。

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。 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。 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。

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。 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。 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。 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？

把學習變成可被看見的成果

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。

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。

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。 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。 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。 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。

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。 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。 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。

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。 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。 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。 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？

把學習變成可被看見的成果

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。

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。