學 AI 是假議題？該練的不是工具，是判斷力

提示詞工程（Prompt Engineering）大概是這兩年最被推崇的新技能。線上課程、專門的職缺、甚至「提示詞工程師」這個頭銜都出現過。

然後 2026 年的產業討論變成這樣：CIO Taiwan 的專文標題直接是〈提示工程已死！情境工程成為 GenAI 新顯學〉；Anthropic 負責 Claude Code 的工程主管公開表示，他不再對 AI 下提示詞，而是寫「循環」，由循環去對 AI 下指令。討論的重心從「怎麼把一句話問得更好」轉到「怎麼設計一個會自己跑的系統」。

這裡要說句公道話：也有一派認為提示工程不是死了而是演化——在能接受無限上下文的模型出現之前，把需求講清楚這件事仍然有價值。我同意後者。但不管是「死了」還是「演化」，結論一樣：你兩年前學的那套具體技巧，現在已經不是重點了。

而且這不是第一次。學 Excel 巨集、學特定的行銷投放後台、學某個版本的設計軟體，每一輪都有人押錯。差別只在於這一輪的速度快得多。

工具的迭代速度已經超過一般人學習的速度。你花三個月熟悉一套流程，中間可能就出了兩個版本、換了一次互動方式。

更關鍵的是，工具的門檻正在往下掉。三年前要寫 API 才能做到的事，現在有現成介面；今年還要下精準指令的事，明年可能一句白話就會。也就是說，你辛苦練起來的操作優勢，正在被廠商主動抹平——那是他們的產品目標。

所以把力氣放在「比別人早熟悉某個工具」，報酬率其實很低。它的保值期是幾個月，不是幾年。

這不是在說完全不用碰工具。你當然要用，而且要用得夠多才知道它的邊界在哪。但那是「用」，不是「學」——用是為了累積判斷，學是為了考試，這兩件事的心態完全不同。

第一，把模糊的需求講成具體的要求。這是最被低估的能力。多數人給 AI 的指令之所以得到爛結果，不是提示詞技巧不夠，是他自己也還沒想清楚要什麼。「幫我寫一篇文章」跟「幫我寫一篇給中小企業老闆看的、目的是讓他願意先做 PoC 而不是直接發包、不要用 AI 賦能這種詞」——後者拿到的東西會好非常多，而那個差別跟提示詞技巧無關，跟你想清楚了沒有關。

第二，看得出產出哪裡錯了。AI 現在寫得出一份看起來很完整的市場分析、一段能跑的程式、一份格式漂亮的合約摘要。問題是你敢不敢交出去。敢或不敢，取決於你有沒有能力驗證它。沒有驗證能力的人，用 AI 只是把錯誤產出的速度變快。

第三，判斷這件事值不值得做。AI 讓執行成本趨近於零，於是「該做什麼」的重要性反而被放大了。以前選錯方向要付出三個月，現在三天就做完了，然後你發現方向是錯的——你省下的時間並沒有變成價值。

這三件事的共同點是：它們都不是關於工具，而是關於你腦袋裡有沒有東西。而且它們不會因為模型換代而歸零。

有個現象跟直覺相反，但我在實務上一再看到，公開的教學觀察也提到同一件事：四十歲以上的學員做出成果的速度，常常比年輕學員快。

原因不是他們工具學得比較好——通常正好相反。是因為他們的需求非常清楚。做過十五年業務的人，知道一份提案要打中哪一點；帶過團隊的人，知道一份會議紀錄真正要留下什麼。他們給 AI 的指令天生就比較精準，因為他們心裡有一個「對的樣子」可以對照。

年輕學員反過來：工具上手快，但因為缺少那個對照，產出好不好自己判斷不出來，只能一直換提示詞、一直重生成。

所以「我年紀大了學不動」這個焦慮，方向可能是反的。你累積的那些領域經驗，在 AI 之前是難以規模化的資產，在 AI 之後正好變成最好的輸入。真正該擔心的不是學不動，是從來沒累積過判斷。

關於取代，市面上的說法通常太粗糙——「不會用 AI 的人會被會用 AI 的人取代」聽起來很順，但它沒告訴你該做什麼。

看實際的資料會清楚得多。公開分析指出，社群小編這類職務（月薪約 2.8 萬到 3.5 萬）的 AI 可取代比例達六到八成；法律秘書、行政助理被列為下降最快的職位類別，被壓縮的主要是找判例、整理引述、整合附件這些初階工作；數位行銷裡被壓縮的是執行型角色（小編、投手、寫手），策略型行銷人則保留。金融業的例子更直接：有大型銀行導入 AI 客服後，客服部門從 120 人縮減到 35 人。

把這些放在一起看，被壓縮的共同特徵不是「不會用 AI」，是工作內容可以被完整描述、產出不需要人來判斷對錯。整理附件可以被完整描述，所以它會消失；判斷這份合約的風險在哪不行，所以它留著。

順帶一提，整體不是萎縮而是重分配。世界經濟論壇估計到 2030 年全球有 9,200 萬個職位會因自動化與 AI 消失，但同期 AI 相關職缺在 2025 年 11 月達到 9.9 萬個，較前一年同期成長 38%。工作總量沒有不見，是換了位置。

如果你認同前面的推論，接下來的做法其實很單純，而且不需要報名任何課就能開始。

一、每次用 AI 之前，先花三十秒把「我要什麼、給誰看、什麼算好」寫下來。不用寫得漂亮，寫給自己看。你會發現有一半的時候，你其實還沒想清楚——那才是產出爛的真正原因。

二、每次拿到 AI 的產出，強迫自己找出一個錯或一個不夠好的地方。找不到就代表你在那個領域還沒有判斷力，那正是你該補的地方，而不是換一個更厲害的模型。

三、挑一件你本來就懂的事開始，不要挑你不懂的。用 AI 做你熟的領域，你才驗得出來；用 AI 做你不熟的領域，你只是在賭。

四、把重複做第三次以上的事寫成流程。這是從「用 AI」進到「駕馭 AI」的分界——前者是每次重新想一遍，後者是設計一次、之後都照跑。

這四件事沒有一件跟特定工具綁定。換模型、換平台、換介面，它們都還在。