黃仁勳談 AI 取代工作：消失的不是職業，是職業裡的「第一階」

黃仁勳（Jensen Huang，NVIDIA 創辦人暨執行長）最近在 Y Combinator 的 Startup School 2026 跟 Garry Tan 對談，講了一句這幾週被瘋狂轉貼的話：

AI 自動化掉的是「任務」，不是「職業」。

他還給了數字。軟體工程師的職缺這些年成長了 10%，放射科醫師的職缺成長了 20%，法務助理不但沒消失還在增加。他的結論很直白：生產力提高會釋放更多需求，需求會長出新的工作。

這句話一出來，我看到台灣的社群轉了一輪又一輪，底下留言幾乎清一色是「終於有人講句人話」。

我花了兩天去查他講的那幾組數字。

結論有點尷尬：其中一組，站得住腳，而且站得非常穩。另一組，是真的，但只講了一半。

而那沒講的一半，剛好就是你公司三年後最痛的地方。

（來源：Y Combinator, Jensen Huang: The Mindset That Built NVIDIA，Startup School 2026）

先講他說對的那一半：放射科

2016 年，被叫做「AI 教父」的 Geoffrey Hinton 講過一句非常有名的話：不用再訓練放射科醫師了，五年內，最多十年，AI 判讀影像一定比人強。

十年過去了。

2025 年初，美國還有超過 4,000 個放射科職缺長期補不滿，一個缺要找好幾個月。美國勞工統計局推估 2024 到 2034 年放射相關就業會成長 5%，高於所有職業平均的 3%。Mayo Clinic 的放射科醫師人數比 Hinton 講那句話的時候多了 55%。平均年薪衝到大約 57 萬美元。

Hinton 本人後來也收回了，說他當年講的只是「影像判讀」這件事，不是整個職業。

（來源：CNN Business、Fortune）

你知道為什麼嗎？

因為 AI 確實把「看片子」這個任務做掉了一大半，但放射科醫師的工作從來不只是看片子。他要跟臨床醫師討論、要決定要不要再拍一次、要對報告負法律責任、要在模稜兩可的時候賭一把。更關鍵的是：判讀變快變便宜之後，醫院開始拍更多片。需求被放出來了。

這就是黃仁勳的邏輯，而且在這個案例上，他完全正確。

再講他沒講完的那一半：軟體工程師

軟體工程師這組數字，就沒那麼乾淨了。

先講對的部分。根據 Indeed Hiring Lab 2026 年 7 月的分析，美國軟體開發職缺從 2025 年 2 月底（也就是 Claude Code 上線那個時間點）算起，回升了將近 15%，而同一段期間整體職缺是下跌 7% 的。看起來很爽，對吧？寫程式被自動化了，工程師職缺反而逆勢成長。

先講清楚，Indeed 標出來的是時間點，不是因果關係。別急著說「都是 AI 害的」，也別急著說「都是 AI 的功勞」。

現在把這個數字拆開。

Indeed 把 2025 年 5 月到 2026 年 5 月的成長攤開來看，發現這波成長裡面，有 71% 來自資深職缺，37% 來自標題直接寫著 AI 的職缺。而且就算回升了，整體軟體職缺還是比疫情前低 27.5%。

Indeed 自己給這個現象取了名字，叫 seniority-biased technological change，偏向資深的技術變遷。

（來源：Indeed Hiring Lab, AI and Job Postings: From Destruction to Creation?）

而且這件事不只發生在職缺公告上。

史丹佛 Digital Economy Lab 的 Erik Brynjolfsson、Bharat Chandar、Ruyu Chen 在 2025 年 11 月發表了一份研究，用美國最大薪資系統業者的實際發薪資料去追。他們發現：在 AI 暴露程度最高的那批職業裡，22 到 25 歲的年輕工作者，就業出現了 16% 的相對下滑。

同一批職業裡，比較資深的工作者呢？

持平，或是繼續成長。

這份研究還講了兩件我覺得更關鍵的事。第一，調整主要發生在「少招人」，不是「減薪」，所以你從薪資水準完全看不出來。第二，下滑集中在「AI 是去取代工作」的那些角色，而不是「AI 是去輔助工作」的角色。

（來源：Stanford Digital Economy Lab, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence）

所以黃仁勳說「職缺沒少」，這句話沒有說謊。

只是那個「沒少」，是加總出來的。

加總會蓋掉分布

我做行銷這麼多年，最怕的就是老闆只看總數。

整體轉換率沒掉，但你把裝置拆開，手機掉了三成、桌機漲了三成，剛好互相抵消。你看到的是一條很平穩的線，實際上底下已經換了一批人。這種平穩最可怕，因為它讓你完全沒有動機去看第二層。

黃仁勳給的就是那條很平穩的線。

AI 沒有吃掉整個職業，它吃掉的是職業裡的第一階。

這句話你要慢慢讀。你想想，什麼樣的任務最容易被自動化？答案永遠是最標準化、最重複、規則最清楚、錯了最好修的那一批。而那批任務，在絕大多數行業裡，剛好就是新人在做的事。

這就像一棟樓的樓梯，你把最下面那三階拆掉，二樓還在，三樓還在，整棟樓的樓層數一層都沒少。你去問住戶，大家都說「沒事啊，我家好好的」。

但從今天開始，沒有人上得去。

樓上的人會越來越貴，因為進不了新的。三年、五年之後，你才會發現一件事：你不是缺人，你是缺一個能接班的人。而這件事，今年的財報上一個字都看不出來。

台灣的版本，其實更危險

我在雨傘產業待了七年，從工廠業務做到百貨專櫃當櫃哥，再到品牌、產品開發、通路、行銷企劃。回頭看，我真正學到判斷力的地方，沒有一個是在會議室裡。

是在跟客戶對規格對到第四次、被念到臭頭的時候。是在櫃上被客人問一個我答不出來的問題、然後回去翻資料翻到半夜的時候。是在做一份根本沒人看的報表、做到第三次才發現欄位定義從頭就錯的時候。

那些事，用現在的話講，全部都是「低價值任務」。

以前，新人是靠做這些低價值任務，偷偷把判斷力學走的。現在，這些任務被 AI 三秒鐘做完，新人第一天上班就直接被要求「你來驗收 AI 的產出」。

問題是：他憑什麼驗收？他連錯的長什麼樣子都沒看過。

台灣的狀況比美國還危險，原因有兩個。

一來，我這些年進出的台灣中小企業，絕大多數沒有正規的訓練體系。新人養成基本上就是「跟著做、自己看」。這套方法有它的問題，但它至少能運作。AI 把「跟著做」的那些事收走之後，這套唯一在運作的機制就沒了，而且大部分公司根本沒發現。

二來是缺工。你缺人缺到快發瘋，突然有個工具告訴你「這些初階的事我來就好」，你的第一反應絕對是鬆一口氣。今年的人事費會變好看，主管會很開心，年終檢討的時候這還會被當成一個成功案例。

三年後你要找一個組長，你會發現公司裡沒有人可以升。而外面那些資深的，已經因為每家公司都缺，貴到你請不起。

如果你問我，這才是「AI 取代工作」在台灣真正的樣子。不是有人被裁，是沒有人長大。

黃仁勳自己的故事，剛好提醒了另一件事

有意思的是，同一場對談裡，黃仁勳講了三段他自己的故事。每一段都在打他自己那句樂觀結論的臉。

第一段：NVIDIA 剛創立的時候，他們選的技術方向是錯的。不是有點偏，是他自己講的「絕對錯了，演算法完全錯」。那他怎麼補的？他跑去 Fry's 電子賣場，用有限的錢買了三本教科書，關於 OpenGL pipeline 的，然後發給工程師，大家一起從教科書把它學回來。

第二段：他跟 Sega 有一份價值 1,200 萬美元的合約，要做 Dreamcast 的晶片。技術做不出來。他飛去日本，當面跟 Sega 社長入交昭一郎坦承做不出來，然後開口說：那筆錢還是請你付給我們，不然我們活不下去。對方付了。NVIDIA 才撐到下一輪。

第三段：2012 年 AlexNet 出現的時候，全世界看到的是一個很厲害的影像分類器。他看到的是一個 universal function approximator（通用函數近似器），然後花了十五年重寫整個運算堆疊。

這三段有一個共通點：他每一次的躍升，都建立在他親手把一件很笨、很基礎、很痛的事做完的基礎上。

這三件事不是同一個層級，飛去日本認錯是創辦人的承擔，不是新人的練功。但它們有一個共通的質地：都是沒有人可以代勞的笨工。

而笨工這種東西，你不做完，是不會長出判斷力的。

他在台上勸大家「How hard can it be?」（這能有多難？），還說創業最重要的不是盲目樂觀，是承認錯誤、承受痛苦、一天一天熬過去。

這心態沒問題。問題是，這是一個「有人讓你去試錯」才成立的心態。

而你現在正在用 AI，把新人試錯的那個位置拆掉。

那你現在該做什麼

我不覺得答案是「別用 AI」，那太蠢了。也不是「多請幾個新人」，那是喊口號。

► 第一，盤任務，不要盤人頭。 把你團隊裡所有的工作攤在一張表上，逐條標「這件事 AI 現在能做幾成」。你會很快看到一個模式：能做到八成以上的那些，幾乎全是你原本給新人練手的。先把這張表做出來，你才知道你的第一階被拆掉了多少。這件事怎麼往下拆，我在怎麼拆任務給 agent 跟人那篇寫得更細。

► 第二，刻意保留幾件「笨工」。 不是全部，是挑那種做完會長判斷力的。例如讓新人先自己寫一版商品文案、自己拉一次報表、自己跑一次完整的客訴處理，做完再開 AI 對照。慢，很慢。但那個「我原本以為是這樣、結果不是」的落差，就是判斷力本身。這個成本你要主動編進預算，不然它一定會被效率吃掉。

► 第三，把「驗收」變成訓練場，不是垃圾桶。 現在很多公司把驗收 AI 產出丟給新人，還覺得這叫培養。錯了。驗收要能訓練人，前提是他知道好壞的標準在哪。做法是：資深的人先示範三次驗收，把每一次「我為什麼打回去」講出來，錄下來，變成團隊的判準文件。這跟設計驗收迴圈是同一件事，只是這次被訓練的是人。

► 第四，把人才梯隊變成一個你每季要看的數字。 「培養人才」講起來很虛，你要把它變成三個看得見的數：這一季有幾個人具備升一級的能力（每個職級先寫出一張「下一階能力清單」，不然沒人知道怎麼判定）、你刻意保留了幾件初階任務沒交給 AI、資深的人花了幾小時在示範與回饋。

第一個數字連兩季往下掉，而人事費也在往下掉，那不是效率變好。

那是你正在用未來換現在。

常見問題

Q：黃仁勳到底有沒有說 AI 會取代工作？ 他的原話是 AI 會先自動化職業裡的「任務」，而不是直接消滅整個職業，生產力提升通常會釋放更多需求、創造新的工作。他沒有說沒有人會受影響，他說的是總量層次的判斷。

Q：他講的那些數字可信嗎？ 放射科那組非常可信，而且有多家獨立來源佐證。軟體工程師那組是真的，但屬於加總數字：Indeed Hiring Lab 拆開後發現成長有 71% 集中在資深職缺，整體職缺仍比疫情前低 27.5%。

Q：為什麼放射科反而缺人？ 因為 AI 做掉的是影像判讀這個任務，而不是溝通、決策、承擔責任這些部分。同時判讀變便宜之後，檢查量上升，需求反而被放大了。

Q：那為什麼新鮮人這麼難找工作？ 因為初階任務標準化程度最高，最先被自動化。史丹佛 Digital Economy Lab 的研究顯示，在 AI 暴露程度最高的職業裡，22 到 25 歲工作者的就業有 16% 的相對下滑，同職業的資深工作者卻是持平或成長。職缺總數沒事，入口出事了。

Q：小公司沒資源做訓練體系怎麼辦？ 不用做體系，做一件事就好：每個月挑一個新人，讓他從頭到尾自己跑完一個完整任務，不准用 AI，做完再對照。一個月一次，成本極低，效果比任何教育訓練都好。

最後講一句

黃仁勳這場對談我建議你完整看一遍，尤其是他講第一性原理跟韌性的那段，含金量很高。他在另一場對談還講過模型是租來的、know-how 才是你的，那個角度我在黃仁勳談 know-how 護城河這篇拆過。至於個人層次要怎麼從「做事的人」升級成「判斷的人」，可以看你的價值從手搬到腦。

但這篇我想留給你的判斷只有一句：

當有人拿一個總數告訴你「大家都沒事」的時候，你要問的第一個問題永遠是，這個總數底下，誰上去了、誰下來了。

樓層數沒少，不代表樓梯還在。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。