這兩年我最常被問到兩種焦慮，方向相反，卻同樣讓人睡不好：
一種是「我不會寫程式，AI 時代是不是要被淘汰了？」 另一種是「現在人人都能用 AI 寫程式，那我的專業還值錢嗎？」
最近 Anthropic 分析了 40 萬次真實的 AI 對話，結論很反直覺，剛好把這兩種焦慮一起解掉了：
會不會寫程式，其實沒你想的重要。真正決定你能不能駕馭 AI 的，是你懂不懂手上那件事。
真正的門檻，不是程式，是領域知識
報告裡有個例子我很喜歡：一個從沒碰過 Python 的會計，只要他能清楚說出對帳規則該怎麼設、還能在月結時抓出 AI 漏掉的邊界錯誤——在那個任務上，他就是專家。
他不需要會寫程式。他需要的是「知道什麼叫做對」，以及「有能力驗收」。程式，交給 AI。
換句話說，AI 時代的分工大概長這樣：
- 你負責大部分的「做什麼」（規劃、判斷、定義對錯）
- AI 負責大部分的「怎麼做」（執行、產出）
數據：內行人為什麼用 AI 用得更好
Anthropic 的數字很有意思。同樣一句指令，內行人平均會觸發 AI 約 12 個動作、產出 3,200 字；新手大概只有 5 個動作、600 字。
差別在哪？內行人敢放手把「更大塊」的工作交給 AI，因為他知道自己驗收得出來。新手不敢，因為他看不出哪裡錯了。
成功率也跟著拉開：
- 嚴格核實的成功率：新手約 15%，中階到專家約 28–33%
- 半途放棄率：新手約 19%，內行只有 5–7%
不是內行人比較會下指令，是他知道自己要什麼、也知道成果對不對。
最反直覺的一點：這跟你是不是工程師，關係不大
你可能以為軟體工程師用 AI 一定電爆其他人。結果呢？工程師的核實成功率約 34%，其他職業約 29%——只差 5 個百分點。
更妙的是，管理職的成功率甚至略高於工程師。原因很合理：他們每天在做的事，就是「定義任務、交辦、驗收」——這套能力，轉去指揮 AI 剛剛好。
所以「駕馭 AI」的核心能力，從來不是寫程式，是把問題想清楚、把「什麼叫做對」說明白、而且驗收得出來。這件事，各行各業的內行人都有機會做到。
這對你的意義：AI 讓領域知識的槓桿變更大了
很多人看到 AI 的第一反應是焦慮，急著去補一堆寫程式的課。但這份數據告訴你，更划算的投資其實是：
把你本來就在做的那個領域，弄得更透；把「什麼叫做對」，說得更清楚。
AI 越強，這件事的槓桿反而越大——因為執行變便宜了，「知道要做什麼、知道對不對」就變成最稀缺、也最值錢的能力。
給你兩個我自己也在用的務實心法：
- 先想清楚，再交給 AI 加速。 規劃和判斷是你的責任，別把它也外包給 AI。你把問題定義得越乾淨，AI 幫你做得越準。
- 先能驗收，再敢放手。 你要有能力抓出 AI 漏掉的邊界錯誤，才敢把大塊工作交出去。看不懂成果的人，不是在用 AI，是在賭運氣。
但有件事，領域知識補不了
這裡我要補一個工程師的角度。
領域知識負責「做什麼、做得對」，但一個東西要真的上得了線、撐得住、不出資安包，靠的是另一種判斷——穩定度、可維護性、資安、部署維運。這正是我之前那篇〈Vibe Coding 的四個隱形成本〉在講的事。
這兩件事不衝突，而是互補：
你顧好你的領域，AI 負責執行，而工程的地基有人幫你把關——這時候 AI 才真的變成生產力，而不是一個越改越糟的半成品。
所以我的建議很簡單：別焦慮去跟 AI 拼寫程式。把你的本業弄到別人取代不了的深度，學會把需求說清楚、把成果驗收好。剩下那塊「做得對、撐得住」的工程判斷，需要的時候，再找懂的人補上就好。
資料佐證來自 Anthropic 對 40 萬次真實 AI 對話的分析報告。