AI 時代的焦慮 | 與其追逐工具迭代，不如用 AI 加深專業
編譯摘要：AI 時代的焦慮
第一步：濃縮
核心結論 1：AI 焦慮的根源是把「跟上 AI」當目標，解法是把它當工具當「電腦」用
- 蘋果發表會一年一次，新功能 70% 用不到，沒人焦慮；AI 只是頻率變成一個月一輪，本質結構相同
- 剃刀法則應用：80% 的 AI 資訊對個人是雜訊（不是不重要，是現階段用不到）
- AI 搜尋功能本身強到可以在「真的需要時」回頭查，不必預先囤積工具知識
核心結論 2：學 AI 的部分學一件事就好——挑一套 AI Agent 工具用熟 30% 基礎
- Agent ≠ ChatGPT 那種純聊天工具，是真的能控制電腦執行任務的助理
- 工具學習階梯：Claude work / Codex Desktop（入門）→ Cursor / Windsurf（進階 AI 編輯器）→ Claude Code / Codex CLI（最進階命令列）
- 30% 基礎操作就足以日常用，剩下 70% 進階用法需要時再查
核心結論 3：把「學 AI」反向成「用 AI 學」，AI 是學習槓桿不是學習對象
- 社群貼文與 YouTube 教學的共同問題：片面、單點、沒有脈絡
- AI Agent 的真正價值是「給程度、給目標、給問題，產出有脈絡的客製學習路徑」
- 分工原則：AI 規劃整理，人驗證校準（透過跟真人交流、實戰使用修正方向）
- 工程師使用 AI 的最佳場景反而不是寫程式，是學「工程以外」的領域（行銷、使用者研究、定價、商業模型）——因為 AI 把工程門檻拉到零，差異化發生在工程之外
第二步：質疑
對「不用追逐 AI」的質疑
- 前提：「真的需要時」回頭查得到。 但有些情境（即時決策、無網路、需深度整合既有系統）無法 just-in-time 學習，剃刀法則在這些情境失效。
- 前提：使用者已具備「這跟我有沒有關係」的判斷力。 對完全沒接觸過 AI 的人，可能需要先廣泛接觸才能知道哪些是雜訊——這跟「年輕時亂讀書」有同構結構。
- 未處理：AI 工具有 platform shift 風險。 如果你的「一套」工具突然消失或大幅退化（如某 SaaS 倒閉、訂閱漲價），把所有時間 lock-in 在它上面是負債。
對「用 AI 學」的質疑
- 前提：使用者能驗證 AI 規劃的正確性。 但若連基礎都不會，連 AI 在唬人都分辨不出（Dunning-Kruger 邊界）——AI 課程在初學者身上的「保真度」最低。
- AI 給結構，給不了血淚教訓。 規劃路徑跟實際操作之間的落差需要實戰補齊；AI 規劃可能過度線性，不會處理「卡住三天才突破」的真實學習節奏。
- 「AI 規劃 + 人驗證」對社交圈窄的人不友善。 沒有真人可交流的初學者，這個分工會塌縮成「只剩 AI」，無法閉環。
對「工程不再是差異化」的質疑
- 適用條件：消費級或輕量 SaaS。 對深度技術產品（晶片、生醫、嵌入式）、高監管產業（醫療、金融、航太），工程護城河仍是核心，「差異化在工程外」這個論點不成立。
- 「人人都能用 AI 做出產品」掩蓋了「能維運」的差距。 做出來容易，撐住長期使用、處理邊界 case、合規性、安全更新仍然需要工程深度——這跟AI 是放大器的 9 分 vs 2 分公式相呼應。
對「三類人」分類的質疑
- 遺漏第四類：完全沒接觸過 AI 的群體（年長者、傳統產業基層員工）——分類隱含「至少聽過 AI」的前提
- 三類之間的人會流動。 例如某人從第二類（選擇障礙）跳到第三類（用上癮）通常不是因為解法對，是因為換了個焦慮對象——分類描述了狀態但沒有處理動態
第三步：對標
跨域類比 1：科技焦慮的歷史重演
每一輪平台轉移（1995 Web、2007 iPhone、2017 雲端、2023+ AI）都伴隨「不學就被淘汰」的論述，但實際存活下來的人多半不是「最早學的」，而是「找到應用場景的」。本文的「用 AI 學專業」對應到歷次轉移時的「在自己的領域用新技術」存活策略——技術變但策略結構不變。
跨域類比 2：健身領域的 80/20
健身器材推陳出新但 90% 的人只需要 deadlift / squat / bench / pull-up 四個動作；AI 工具也是同樣結構——「新工具」的邊際效用對非專業使用者趨近於零，掌握基礎複合動作就能覆蓋絕大多數場景。「30% 基礎」這個說法在健身語言中就是「複合動作優先於孤立動作」。
跨域類比 3：語言學習的「課程」 vs 「沉浸」
傳統語言課給你結構但不會說話，沉浸式（沒有結構但大量輸入輸出）會說但不一定正確。本文的「AI 規劃 + 人驗證」對應到語言學習的「課程 + 沉浸」混合模式——AI 提供脈絡（教科書角色），真人交流提供回饋（沉浸角色）。最有效的語言學習者是兩者並用的人，而非單押一邊。
跨域類比 4：藥廠的 build-or-buy
新藥研發從不從零做小分子合成，而是買成熟管線（CRO/CMO 提供）再加自己的差異化。本文「把 AI 當原料、把精力放在差異化」直接對應到製藥業的策略——把標準化部分外包給市場（AI），自己集中在 IP 與商業化（領域知識、行銷、合規）。這也跟 AI 產品原料模型 同構。
跨域類比 5：數位轉型的 pilot-first 模式
企業 AI 焦慮對應到數位轉型典型的「知道要做但不知從何下手」。傳統 IT 顧問的解法是 pilot-first（從一個具體場景開始，做出來、驗證、再擴大），本文的企業段落直接套用這個模式。把「AI 導入」從技術問題重新框定為組織學習問題，跟 80 年代 ERP 導入、90 年代 CRM 導入是同構的議題。