AI 時代，非工程師的工作會如何被重組？

hi 大家今天 AI 用得開心嗎？有玩了什麼新花樣，有什麼新的賺錢方式嗎？

過去 18 個月我們看過很多 AI 大佬的訪談，有些令人印象深刻，有些聽起來厲害，但暫時還不知道跟自己有什麼直接關係。

我想到近期看到不少 Anthropic 公司員工、高管的受訪，不管是設計流程已死，或是產品人要有品味，工程師說他從去年 11 月後就沒有寫 Code，都給我一種看到未來的真正緊張感：

有人在那邊了，我還不是，但在那邊的人讓我看到一些片段。

我想看更多，更全的未來，所以去挖了 Lenny's Podcast 的訪談 transcripts 庫，去翻了中國的各種討論、知識部落格，乃至 GitHub。

如果很多人想看（例如這篇有 500 個人的閱讀量），那我試著再多寫幾篇，預計總共有 3-5 篇跟工作方法論有關的文章。總之，每個人紓解焦慮的方法不同，有人隨手轉發文章，有人動手做 Agent。我是查完資料，試著想清楚，然後寫下來，邀請你一起思考。

把工作方法本身做成資產

前兩個月我看到 Anthropic 設計主管 Jenny Wen 講「設計流程死了」（the design process is dead）的時候，我第一個反應是好奇：為什麼要講這麼引起爭議的話？

每次 AI 有新發展，外行人開開心心地說：我們不再需要設計師了。總是馬上引起設計圈內人的反擊。現在居然是 AI 公司的人自己跑出來說，設計流程已死。

講這麼爭議的話還不只 Jenny 一個人。這一年來，Anthropic 公司不同職位的人輪流在 Lenny's Podcast（矽谷最具影響力的產品 podcast）受訪。每一個都帶著自己的職位跟具體話題：

每段都曾在我的臉書牆引起一陣漣漪，每段都像在炫技。但仔細想想會發現，他們其實在做同一件事。其實是七個人，除了上面提到的，還有產品長、離職研究員、共同創辦人。

為什麼一家年輕公司要這樣做？

這是個有意思的問題。一家年輕公司，不用執行長高調曝光、不做大型技術推廣，要怎麼跟手上握著現成入口的玩家競爭：Google 有搜尋、Microsoft 有 Office、Meta 有 FB 跟 IG，這些公司新產品塞進去就有用戶。連 OpenAI 都有 Sam Altman 的高調曝光。

Anthropic 沒有這個東西，你甚至想不起來他們創辦人叫什麼名字（7 個從 OpenAI 出走的員工，其中兩個是雙 D 兄妹，Dario Amodei 和 Daniela Amodei）。

他們的答案是把自家的工作方法本身做成品牌：讓業界覺得「想學 AI 怎麼做產品就要看 Anthropic」的位置。當你沒有通路、創辦人光環也還沒有跨出業界小圈圈的時候，把工作方法做成可被別人抄的資產，是一條慢但走得遠的路。

對照組：DeepSeek 走的是同一條路，但用不同貨幣

中國這邊有一家公司在做幾乎一樣的事，但用不同方式：DeepSeek。

一家來自杭州的中國 AI 公司，2025 年初因為用矽谷十分之一的成本訓練出能對打 GPT-4 的模型，讓 NVIDIA 股價單日下跌 17%，市值蒸發近 6,000 億美元，是美國企業史上最大單日市值損失紀錄。

DeepSeek 的執行長梁文鋒很少公開受訪。整家公司的對外資產是模型、論文、GitHub、API 文檔，它不發 PR、不開大會、不做 launch event，它發 paper、開 source、把 API 寫得乾淨。

聽起來跟 Anthropic 完全相反，但其實是同一個邏輯的兩種表達：

兩家都選擇把「研究 / 工作本身」當對外溝通。差別是 Anthropic 把工作敘事人格化、DeepSeek 把工程作品開源化。

那我呢？

其實我一直在問自己：怎樣把自己的工作判斷力，變成可複製的東西？

我做了多年 BI（商業分析），累積了一些「怎樣的分析夠好」的內在標準。這些標準長在我身上，走進我對同事的每次指導、影響我跟業務單位的每次對話。但這些標準如果只長在我身上，它就跟著我下班、跟著我老去。

最近我開始把這些資產寫成教材，也許不久將來還公開跟大家分享？這就是 craft（工藝）的另一面。craft 累積到一個程度，會變成你的競爭優勢。但 craft 如果只留在你身上，它也會變成你的天花板。

把直覺判斷拆成可測試的指標

OpenAI 產品長 Kevin Weil 在 Lenny's Podcast 上講：「Writing evals is going to become a core skill for product managers. It's like unit tests for models.」（寫 evals 會變成 PM 的核心技能，就像給模型的單元測試。）

同一段時間，Anthropic 產品主管 Cat Wu 接受訪問時說：「我們這裡的 PM 不寫 PRD（產品需求文件），改寫 evals。」

兩家在 AI 產品上最受關注的公司，幾乎同一時間，一個用實踐的語氣、一個用專業描述的語氣，在講同一件事。

什麼是 evals？

然後讓 AI 跑一百次。每次都用這幾個打勾問題去檢查。一百次裡面有幾次通過？這個比例就是這個 AI 在這個任務上的 evals 成績。

這個方法論在外溢

我查到甚至還有 evals 的線上課，是 Hamel Husain 跟 Shreya Shankar 在線上課程平台 Maven 開的，學員來自 OpenAI、Anthropic、Google 大量團隊。一年下來，evals 已經從少數公司的內部術語，變成整個 AI 產業共用的工作方法。

那我呢？

我看自己的資深屬下每天每週打開看儀表板，幾秒就能感覺出「這個圖表方向不對」。但如果同事或 PM 問他們「為什麼不對？」，得花幾分鐘才能講清楚。如果是新人或剛調職的同事問，可能要花一小時，而且不見得講得完整。

這個落差就是他們的隱藏 evals。它存在，它在影響我團隊每一次工作判斷的效能，但它沒有被寫下來。

對非工程師來說，evals 思維的入門版本不需要寫程式。它只需要問三個問題：

• 我做這份東西的時候，腦子裡在打勾哪幾件事？（把感覺拆成檢查項）
• 這幾件事，AI 或同事能不能照著打勾？（測試這份標準能不能被複製）
• 這個月跑了 10 份產出，幾份過了我的標準？（建立持續追蹤）

用工具堆疊取代等更強的模型

每次 Claude 或 ChatGPT 出新版本，社群上總有兩種人。一種人興奮地說「終於可以做 X 了」，另一種人冷靜地說「還是不行，AI 還沒有取代人」。看似不同，但其實都在等。等模型變強。

但我整理這份素材發現，所有第一線的團隊，都不等了。他們在做另一件事：用工具堆疊，讓現有模型更有效地解更複雜的問題。

Google DeepMind 的官方文件裡有個概念叫 product scaffolding（產品鷹架）。意思是不只訓練更強的模型，還在模型周圍堆檢索、工具調用、grounding（資料接地，讓 AI 回答前先去查可信來源避免亂編）這些工具。

Kimi 的 Formula 是同一個邏輯的另一種長相

我比較不熟悉的 Kimi（Moonshot 月之暗面，中國公司）做了一個概念叫 Formula。Kimi 是去年靠著「能讀超長文件」（百萬字級）紅起來的 AI 助理，台灣知名度很低，但在中國白領圈是僅次於豆包的第二大 AI 應用。

它讓開發者把一段 Python 程式碼包成一個「可被 AI 一鍵觸發的瞬態工具」。AI 工作中遇到需要算數、查資料、跑分析的時候，可以直接調用這個工具，不用自己硬算。算完工具會自動回收，不佔資源。

DeepMind 講的是「在模型周圍堆機制」，Kimi 講的是「給模型一個工具櫃」。兩家都在說：與其讓單一模型扛所有事，不如讓模型學會使用工具。

那我呢？

這個方法論對非工程師最直接的啟示是：你不需要等更強的 AI，也不需要寫程式。你需要的是停止「給 AI 一個大任務、期待它一次完成」，改成「給 AI 一個小任務、配上對應的工具、然後組合起來」。

我自己在做產業研究時的調整方式：

• 第一步，跟 AI 討論問題，對焦目的、框架、目標客群、一般的猜想與假設等等。
• 第二步，讓 AI 去找資料驗證或否證假設，資料有時候支持有時候打臉，總之是調整一下。
• 第三步，開始試著草擬結論與論證，還有根據資料支持點。
• 第四步，草擬大綱後開始撰寫第一版。
• 第五步，找另一個 AI 檢驗以上的討論有沒有任何邏輯矛盾。修改。

設計 group work 而不是 solo work

去年 Anthropic 工程師 Boris Cherny 講過當時我很疑惑的話：「我同時跑 5 個 agents（AI 代理人），有時候他們互相吵架，但都在替我幹活。」

那時候我覺得這聽起來像未來感的炫耀。直到我看到月之暗面 Kimi 的數據，才意識到這已經不是未來感。

Kimi K2.6 的 Agent Swarm（代理群）功能可以把一個複雜任務分解成 300 個 sub-agents（子代理）並行，端到端延遲降 80%。Boris Cherny 跑 5 個已經算激進，Kimi 直接拉到 300。

這數字一開始看是工程奇觀，但回頭想想，它說的其實是工作的形狀變了。過去一個工作流要一個人從頭做到尾。現在一個工作流可以由多個 agent 分工，人類只在關鍵節點介入。

字節 Seed 官方博客把這件事講得直白：

翻譯成職場語言是：以前你問 AI「幫我查」，現在你叫 AI「幫我做」。

那我呢？

這個轉變對非工程師最關鍵的影響，是你的工作會從 solo work 變成 group work，而你變成 group 的設計者，AI Agents 就是那個 group。

我想找時間做的實驗：把固定要寫的業務週報拆成幾個 agent，撈數據、找差異、寫分析。我只做兩件事：在每個 agent 的 prompt 裡定義清楚標準（這就是上面講的 evals 思維），然後最後檢查草稿。

最主要的目的不是效率，而是標準化作業。這些 agent 的 prompt 寫下來之後，新人接手就有東西可以看。我的「怎麼寫這份週報」從綁在我或資深同事身上的隱藏資產，變成了團隊都能用的工具。

寫了很多，其實是同一件事的不同層次：「把判斷力變成可被複製的東西」是 Why，「用 evals 把判斷力拆成可測試的指標」是 How，「用 group work 把標準執行起來」是 What。三件事連在一起，才是一個完整的動作。

原生 AI 世代的年輕人，比你想像中更值得信任

除了跟 AI 協作外，我們這些前 AI 時代長大的人還有個功課：跟原生 AI 世代的年輕人協作。

字節 Seed 的官方招募頁面寫得很具體：員工 C、員工 Z、實習生 R 各自參與了哪些核心專案，預訓練架構、後訓練資料、評測閉環、HybridFlow / COMET 這些字節對外開源的關鍵基礎設施，都有他們的署名。實習生 R 做的事，是 HybridFlow 的核心開發。這在傳統大廠是不會發生的。

DeepSeek 走得更極端

DeepSeek 全公司約 140 人，以年輕研究員為主力，幾乎全是清華北大博士。梁文鋒講過：「對於顯卡和人的調動是不設上限的，每個人隨時可以調用訓練集群的顯卡無需審批。」

GPU 一張一個月幾千美金。一家公司願意讓年輕研究員無審批調用，意思是這家公司的年輕人的判斷力值得這個成本。

那我呢？

如果你是團隊主管，你可能正在猶豫要不要把某個重要案子交給比較年輕的同事。你的猶豫通常不是「他做不到」，是「他做不到的時候我兜不住」。

這個猶豫合理，但 AI 時代有個變數：年輕同事跟 AI 工具的協作能力，可能比你想的還強。他們不是用過去十年累積的判斷力做事，他們是用 AI 工具放大他們現有的判斷力做事。這兩件事的天花板不一樣。

如果你不是主管，是被觀察的那個年輕人：你能不能讓主管覺得「給你授權的成本是合理的」？這跟你會不會用 AI 工具有關，但更跟你的工作方法寫的多清楚有關。能寫清楚的人，主管才放心放手。

背景脈絡：他們各自在拼什麼

寫到這裡你可能隱隱有感覺：這 8 家公司的工作方法好像不太一樣？Anthropic 拚 craft、Google DeepMind 拼 AI 工具組、DeepSeek 拚開源、字節拚規模？還有來不及講到的三間公司：OpenAI 跟 xAI 拼速度，以及美團拚場景？

不是他們各自決定要長這樣，是他們各自在拼不同的未來。工作方法是拼法的結果。我把 8 家放在一起，隱約看出一個光譜：

「兩邊都要」還有人相信，是稀缺位置，不是常態。OpenAI 之所以被全產業關注，是因為 Sam Altman 能把「兩邊都要」這個極不穩定的策略撐住。其他試圖兩邊都要的公司，要嘛被資本市場逼著選邊，要嘛被組織內部撕裂。

王興（美團創辦人）全資收購 AI 新創光年之外、雷軍做小米汽車加端側 AI，這些都是押下個世代。但他們建過自己的金雞母，所以他們懂金雞母怎麼壞掉。他們對 AI 的押注永遠帶著「這是不是會幹掉我既有業務」的算計。

如果你對美團這條線有興趣，我寫了一篇番外篇詳細講這個對照：矽谷的願景在天邊的小店落地了嗎？吳恩達 2022 TED 與 2026 美團現實。

跨週期記憶 vs chat 模式

那我們呢？

我這代前 AI 時代長大的職場人，多了好幾個跨週期記憶。看過 PC 時代、互聯網時代、行動網路時代的工作流如何被重組、誰賭錯了、誰賭對了。這個記憶本身就是判斷力。

但我們也缺少原生世代的直覺與本能。我用 AI 的本能，還常停在 chat 模式，當自己還是個消費者，沒進到協作模式的工作者。

寫完這 5 個方法論章節，我自己拿到的是這個結構：

• 把判斷力變成資產（craft）
• 把標準寫清楚（evals）
• 用工具堆疊代替等更強的模型（scaffolding）
• 設計 group work 而不是 solo work（multi-agent）
• 信任年輕人（高授權）

如果這篇有 500 個人讀，我會繼續寫後面幾篇，可能是 Anthropic 七人組受訪精髓，也可能是「把這些方法直接拿到工作裡用」的實作篇，把每個方法的入門步驟、會遇到的卡關、卡關時怎麼解，寫成可以照著做的版本。

有些文章我寫起來只是為了自己，沒啥人看，就像石頭丟到深淵裡面。但我知道回音是有的：你在讀，就是那個回音。

---