香港政府最近透露，適合大學畢業生的全職職位空缺，由 2022 年的約八萬個跌至 2025 年的約三萬一千個，跌幅逾六成。其中行政類初階職位空缺跌近九成，資訊科技及程式相關的初階空缺亦大減近八成。面對這幅景象，專家和官員給畢業生的建議幾乎如出一轍：要學習駕馭 AI、適應 AI 浪潮。
但叫畢業生學好 AI，真的是應對衝擊的解方嗎？
是，也不是，取決於「學好 AI」的定義。如果定義停留在會下指令指揮 AI 執行單一任務的層次，那這個建議恐怕幫不了太多忙；但如果是在流程層及系統層「學好 AI」，這條路當下可說前景廣闊。
先說「不是」的那面。
坊間絕大多數 AI 培訓課程教的內容，大多聚焦於跟 AI 下指令，讓它們完成單一任務的層級。主要包括教授提示詞技巧及不同工具，讓 AI 幫忙寫文章、做摘要、整理表格、產生圖片。這就是目前多數人心目中懂用 AI 的定義。
這套能力在 2023 年確實稀缺。ChatGPT 剛爆紅的那段時間，AI 沒有今天這麼聰明。用戶得用特定的格式和措辭把需求翻譯成它聽得懂的語言。當時能掌握這門翻譯術的人不多，所以提示工程一度被視為一項專門技能，提示詞工程師這個崗位一度炙手可熱。
但情況已明顯轉變。AI 模型進步得非常快，今天你跟 AI 講話，不再需要那些精心雕琢的提示公式，用正常的人話說，它大致上就能理解你要什麼。跟 AI 溝通這件事本身的門檻已經大幅降低了。
這意味著指揮 AI 做好一個任務所需要的能力，其實跟指揮一個人越來越接近，需要的是行業專業知識、實戰經驗、把一個大任務拆解成步驟的判斷力、清楚準確的表達，以及知道該提供哪些資料和權限。正所謂，沒做過士兵，難做好將軍，以上每一項都不是學生上幾堂 AI 課就能補上的。
這是新人面臨的困境：AI 模型能力越強、工具越容易上手，在職的資深專業人士就學得越快。一個有十年法律經驗的律師，花一個下午熟悉 AI 工具，就能讓它產出高品質的合約初稿；一個做了二十年財務的會計師，稍加練習就能用 AI 完成過去要花兩天的報表分析。學生學得快的優勢，在工具門檻不斷降低的趨勢下，正被迅速抵銷。
如果單純學會下指令讓 AI 執行任務幫助有限，那學甚麼才有用？
這裡要把兩件事情分清楚。跟 AI 來回對話讓它執行單一任務、寫文章、整理表格、生成圖片，是一回事；讓建立系統，一群 AI Agent 可靠地替一間公司自動完成複雜工作流程，直接交付結果，是完全不同的另一回事。前者像是你走進餐廳點一道菜，後者像是你要開餐廳，要設計菜單、訓練員工、管理供應鏈，到確保每一道菜每天都能穩定出品。兩者的層次完全不同。
AI 技術今天已經推進到了「Agent 集群」的階段。企業可以設置和指揮一整群 AI Agent 互相協作，讓它們自動執行任務、直接交付成果，中間不需要人類一步一步地盯著、一句一句地下指令。但要做到這一點，難度遠遠超過在聊天視窗裡跟 AI 對話。因為過程不再是一來一回的互動，沒辦法每一步都高強度介入。指揮者必須事先規劃好整套系統，設定好規則，為這群 Agent 接通所需的資料庫和工具，設定好不同的存取權限，給它們一個可以自主運作的框架。
而且在系統運作之前，還要先進行大量數據清洗，把一間公司內部那堆亂七八糟的資料整理乾淨。每間有歷史的企業，內部都堆積了大量模糊不清、過時失效、互相矛盾的資料和數據，不把這些東西梳理清楚，Agent 就算能力再強，也無法做出可靠的判斷。因此不管模型能力如何提升，總是需要人類去做這些任務，這些能力不會像提示詞工程能力那樣貶值得那麼快。
這類結合系統工程與資料科學的能力，在非科技產業中仍然相當稀缺，在全球企業競相推動 AI 轉型的今天，相關需求卻急速擴大；同時，這並不是一項可以透過零碎學習迅速掌握的技能。要能在實際工作上可靠應用，需要一定時間的系統化訓練及大量練習，並不是週末工作坊能掌握的能力。
這種學習成本，是大部分企業裡的資深員工不願意投入的。他們有繁重的日常工作，有家庭要照顧，每天能擠出學習的時間非常有限。要他們花很多時間從頭學一套新的技能，對多數人來說既不現實也缺乏動力。相比之下，學生雖然缺乏職場經驗，卻擁有較充裕的時間，在掌握這類有一定門檻的新興技能上具備天然優勢。
回到最初的問題：叫學生學好 AI，是否提升就業競爭力的良方？
AI 越來越好溝通，如果學好 AI 的意思是掌握幾套提示技巧、熟練操作幾個工具，這些能力人人都能很快學會，給不了明顯的求職優勢。
如果學好 AI 的意思是具備系統級和工作流級的 AI 部署能力，能協助企業梳理數據、設計流程、管理 AI 代理人集群，讓 AI 自動連續執行長程任務，那麼是的，這確實是一個值得全力投入的方向。
同學以學好 AI 為目標時，務必先認清這個分別，別只停留在使用 AI 完成單一任務的層次。