AI 讓技能重新定價：裁員潮下真正需要補的那一包能力

最近看到一個很常見的敘事：科技業裁員是「AI 換血」，裁掉舊人、換懂 AI 的新人。

我比較在意的是另一個訊號：如果真的是換血，你會同時看到大規模招募回補。現實常常相反，裁完之後招募沒打開，甚至整體職缺還在縮。

TL;DR：AI 正在重新定價技能。市場還在買人，但買的那包能力換了。

裁員背後常見的是「技能組改寫」
我不否認 AI/ML 職位在成長，但它往往伴隨其他職能需求收斂。公司要的是能把 AI 放進流程的人、能把交付變快又可控的人。

這會造成一個很現實的落差：市場看起來有缺口，缺的卻是另一套技能組。很多人被裁不是沒能力，而是技能組跟需求轉向的方向對不上。

我在意的不是你用哪個模型，而是你能不能改寫工作型態
「會用 AI」很快會變成跟「我會用 Excel」一樣：不加分，也不足以構成定位。

真正會被買單的是你能不能回答這些問題：

• 你怎麼把 AI 放進日常交付？
• 你怎麼讓它可驗證、可回歸、可控？
• 你怎麼把原本靠個人能力撐住的品質，變成流程能複製的品質？

到最後，公司在找的不是工具熟練工，而是能把「人機協作」落地成產線的人。

我的做法：把自己往「決策品質」移
我會先把工作拆成三層：內容、流程、決策。

內容層（寫、整理、摘要）最容易被生成工具吃掉；流程層（報表、追蹤、串接）很快被自動化；長期值錢的是決策層：問題定義、取捨、規格、風險控制、落地節奏。

我一直覺得：你越早把自己放到決策品質的位置，你越不需要跟工具比速度。

一份我自己會照著做的轉型清單

• 把你目前的工作流畫出來：輸入、輸出、中間檢查點
• 挑一個最耗時、最常重複的環節，改成「AI 介入 + 可驗證」：例如資料整理、需求澄清、PRD 初稿、回歸檢查
• 做出可展示的技能證據：repo / demo / 技術筆記都可以，但要一眼看得出前後差異
• 把履歷改寫成結果語言：問題、方法、指標（時間/成本/品質）怎麼變
• 最後才談工具：模型與框架是手段，不是定位

一句可以引用的結論

這波更像是技能重新定價，而不是單純的取代。越早做出可展示、可驗證的轉型證據，就越不需要把時間押在公司身上。

#AgenticWorkflow #AI落地實務 #人機協作 #ProductTechBridge #職涯 #AIInternalAssistant

我是江中喬（Cypher），AI / Agentic PM + Tech Lead。更多 AI 協作實戰紀錄在這個 blog，也歡迎到 card.chiba.tw 看我的其他作品。