AI 能加快例行工作的處理速度，但那些看似初階、重複的任務，往往也是新人熟悉流程、辨認模式、逐步建立判斷力的起點。若這些工作改由 AI 承接，新人可能還沒累積足夠經驗，就得面對資訊不完整、情況特殊或需要人為判斷的難題。

問題不在於每項舊工作都必須原封不動保留下來，而是企業是否仍提供一條有練習、有回饋、有資深同事帶領的學習路徑。

有上課，不等於練得會

在《富比士》專欄中，Instructure 客戶長 Rachel Orston 質疑，企業是否真的有在訓練員工。她描述一種常見做法：新人聽簡報、了解產品、閱讀政策、完成測驗，接著就被期待能上手工作。1

這種方式可以讓新人知道規則，卻不一定能訓練他們在實際工作中運用規則。當資訊有缺漏、個案不符合標準流程，或客戶需要額外協助時，單靠記住答案可能不夠。重複處理常見任務，則能讓新人練習辨認情況、選擇下一步；若這些任務逐漸自動化，新人累積經驗的機會也可能減少。

這不代表每一項被自動化的工作都曾是有價值的訓練，而是提醒雇主：工作流程改變時，培訓設計也需要跟著調整。

把練習與回饋，重新放進新人工作裡

若 AI 承接適合自動化的例行工作，企業仍可安排新人循序練習，而不是讓他們只在遇到棘手問題時才第一次實戰。可考慮的做法包括：

1. 先練基本功。 讓新人親自熟悉核心任務與流程，理解工作的原理，而不是只照著 AI 提供的答案執行。
2. 演練真實情境。 透過模擬或角色扮演，練習處理例外狀況、互相矛盾的資訊，以及何時應該升級請示。
3. 檢視判斷過程。 討論員工參考了哪些證據、為何接受或拒絕 AI 的建議，以及何時需要人為介入。
4. 循序增加責任。 新人展現準備度後，再逐步承接較複雜的工作；同時確保有資深同事能提供回饋與協助。

這是一種補足自動化可能帶走的「做中學」機會的實務方向，並非表示模擬訓練或教練式指導單獨就已被證明能解決問題。關鍵在於，讓練習與回饋成為日常工作的一部分。

初階職位不只是產出，也是人才培育的入口

Vanessa Tang 在《海峽時報》的評論指出，即使初階工作逐漸自動化，企業仍需要培養新人，讓他們未來能承擔資深職務。36 換句話說，初階職位除了現在的工作產出，也肩負累積經驗、培養未來專業人才的功能。

因此，判斷一個早期職涯計畫是否有價值，不能只看它叫實習還是學徒制；更重要的是，工作是否有實質內容、是否有人指導，以及新人能否隨著能力成長逐步承擔更多責任。當例行任務減少，剩下的工作就更需要被有意識地設計成學習路徑。

新加坡近期的例子呈現了兩種調整方向。《海峽時報》報導，初階軟體開發者的工作正從撰寫例行程式碼，轉向檢視 AI 產出的草稿，評估其安全性、邏輯與商業適用性。18 另一方面，Channel NewsAsia 報導，未來三年將提供約 3,000 個為期一年的實習機會，讓大專院校學生累積職場經驗。17 前者是重新設計新人要做的工作，後者則是提供較長時間的職場歷練；兩者都是在 AI 改變初階工作之際，思考如何保留學習機會。

就業數據顯示風險不平均，但不能直接推論因果

史丹佛大學的研究指出，在 AI 暴露程度最高的職業中，22 至 25 歲工作者的就業呈現較明顯下滑；隨著年齡增加，這種差異減弱，並在較年長工作者身上消失。49 一項史丹佛相關研究則估計，在控制企業層級衝擊後，AI 暴露程度最高職業的早期職涯工作者，就業相對減少 13%。52 這是相對比較，不代表所有初階職缺有 13% 消失。

因果關係仍須謹慎看待。史丹佛也說明，其 Canaries Dashboard 衡量的是職業 AI 暴露程度與就業趨勢之間的相關性，而非兩者之間的因果關係。51 因此，數據指出某些年輕工作者面臨值得關注的變化，但不能據此斷定 AI 是唯一原因。

另一篇《富比士》報導轉述美國人口普查局研究人員的分析：AI 暴露程度較高科系的畢業生，起始季度薪資約比低暴露科系的同儕低 13%。58 薪資與就業人數是不同指標，這項估計不能直接當作職缺減少的幅度。史丹佛整理的其他研究則發現，AI 暴露職務的招聘變化至多幅度不大，也提醒讀者不宜把不同研究結果簡化成單一結論。54

更務實的結論，不是「AI 一定會消滅初階工作」，也不是「招聘數字沒有大變，所以一切照舊」。早期職涯的就業風險可能集中在特定年齡與職業，而初階工作的內容也正在改變。企業需要同時留意兩件事：新人是否仍有機會被聘用，以及入職後是否有受支持的方式，培養資深職位所需的技能與判斷力。

AI 能加快例行工作的處理速度，但那些看似初階、重複的任務，往往也是新人熟悉流程、辨認模式、逐步建立判斷力的起點。若這些工作改由 AI 承接，新人可能還沒累積足夠經驗，就得面對資訊不完整、情況特殊或需要人為判斷的難題。

問題不在於每項舊工作都必須原封不動保留下來，而是企業是否仍提供一條有練習、有回饋、有資深同事帶領的學習路徑。

有上課，不等於練得會

在《富比士》專欄中，Instructure 客戶長 Rachel Orston 質疑，企業是否真的有在訓練員工。她描述一種常見做法：新人聽簡報、了解產品、閱讀政策、完成測驗，接著就被期待能上手工作。1

這種方式可以讓新人知道規則，卻不一定能訓練他們在實際工作中運用規則。當資訊有缺漏、個案不符合標準流程，或客戶需要額外協助時，單靠記住答案可能不夠。重複處理常見任務，則能讓新人練習辨認情況、選擇下一步；若這些任務逐漸自動化，新人累積經驗的機會也可能減少。

這不代表每一項被自動化的工作都曾是有價值的訓練，而是提醒雇主：工作流程改變時，培訓設計也需要跟著調整。

把練習與回饋，重新放進新人工作裡

若 AI 承接適合自動化的例行工作，企業仍可安排新人循序練習，而不是讓他們只在遇到棘手問題時才第一次實戰。可考慮的做法包括：

1. 先練基本功。 讓新人親自熟悉核心任務與流程，理解工作的原理，而不是只照著 AI 提供的答案執行。
2. 演練真實情境。 透過模擬或角色扮演，練習處理例外狀況、互相矛盾的資訊，以及何時應該升級請示。
3. 檢視判斷過程。 討論員工參考了哪些證據、為何接受或拒絕 AI 的建議，以及何時需要人為介入。
4. 循序增加責任。 新人展現準備度後，再逐步承接較複雜的工作；同時確保有資深同事能提供回饋與協助。

這是一種補足自動化可能帶走的「做中學」機會的實務方向，並非表示模擬訓練或教練式指導單獨就已被證明能解決問題。關鍵在於，讓練習與回饋成為日常工作的一部分。

初階職位不只是產出，也是人才培育的入口

Vanessa Tang 在《海峽時報》的評論指出，即使初階工作逐漸自動化，企業仍需要培養新人，讓他們未來能承擔資深職務。36 換句話說，初階職位除了現在的工作產出，也肩負累積經驗、培養未來專業人才的功能。

因此，判斷一個早期職涯計畫是否有價值，不能只看它叫實習還是學徒制；更重要的是，工作是否有實質內容、是否有人指導，以及新人能否隨著能力成長逐步承擔更多責任。當例行任務減少，剩下的工作就更需要被有意識地設計成學習路徑。

新加坡近期的例子呈現了兩種調整方向。《海峽時報》報導，初階軟體開發者的工作正從撰寫例行程式碼，轉向檢視 AI 產出的草稿，評估其安全性、邏輯與商業適用性。18 另一方面，Channel NewsAsia 報導，未來三年將提供約 3,000 個為期一年的實習機會，讓大專院校學生累積職場經驗。17 前者是重新設計新人要做的工作，後者則是提供較長時間的職場歷練；兩者都是在 AI 改變初階工作之際，思考如何保留學習機會。

就業數據顯示風險不平均，但不能直接推論因果

史丹佛大學的研究指出，在 AI 暴露程度最高的職業中，22 至 25 歲工作者的就業呈現較明顯下滑；隨著年齡增加，這種差異減弱，並在較年長工作者身上消失。49 一項史丹佛相關研究則估計，在控制企業層級衝擊後，AI 暴露程度最高職業的早期職涯工作者，就業相對減少 13%。52 這是相對比較，不代表所有初階職缺有 13% 消失。

因果關係仍須謹慎看待。史丹佛也說明，其 Canaries Dashboard 衡量的是職業 AI 暴露程度與就業趨勢之間的相關性，而非兩者之間的因果關係。51 因此，數據指出某些年輕工作者面臨值得關注的變化，但不能據此斷定 AI 是唯一原因。

另一篇《富比士》報導轉述美國人口普查局研究人員的分析：AI 暴露程度較高科系的畢業生，起始季度薪資約比低暴露科系的同儕低 13%。58 薪資與就業人數是不同指標，這項估計不能直接當作職缺減少的幅度。史丹佛整理的其他研究則發現，AI 暴露職務的招聘變化至多幅度不大，也提醒讀者不宜把不同研究結果簡化成單一結論。54

更務實的結論，不是「AI 一定會消滅初階工作」，也不是「招聘數字沒有大變，所以一切照舊」。早期職涯的就業風險可能集中在特定年齡與職業，而初階工作的內容也正在改變。企業需要同時留意兩件事：新人是否仍有機會被聘用，以及入職後是否有受支持的方式，培養資深職位所需的技能與判斷力。