在 AI 時代真正重要的四項技能（以及為什麼「提示工程」不是其中之一）
簡而言之：麥肯錫調查了1,300名人力資源專業人士和5,500名員工，遍及三大洲。2026年的首要技能不是編程。也不是數據科學。更不是該死的「提示工程」。而是問題解決。具體來說，是那種問題解決，你不向AI詢問答案——你是請AI幫助你找出真正的問題是什麼。未來屬於「判斷工作者」，而不是知識工作者。這裡是區分那些茁壯成長的人類與那些變成昂貴家具的人類的四層堆疊。
這裡是詹姆斯，水星科技解決方案的首席執行官。
來自我在香港灣仔的辦公室 — 2026年7月
每個人都在問的錯誤問題
走進東京的任何咖啡店、新加坡的任何共同工作空間、倫敦的任何WeWork。你會聽到同樣焦慮的問題：「人類還能做什麼是AI做不到的？」
這是錯誤的問題。這是一個失敗者的問題。
AI已經能夠比大多數人類更快、更便宜，且通常更好地生成答案。程式碼。文案。設計。財務模型。法律簡報。醫療診斷。這個「知識工作者」——20世紀的驕傲發明——正以一種讓工業革命都感到羞愧的速度被自動化取代。
正確的問題不是「人類能做什麼是AI做不到的？」正確的問題是：「在AI工作時，人類需要行使什麼樣的判斷？」
麥肯錫剛剛發布了他們的2026年人才趨勢報告。他們調查了來自歐洲、美國和中國的1,300名人力資源專業人士和5,500名員工。結果是殘酷且清晰的。
AI時代的四大技能：問題解決。創造力。數位素養。推理。
不是 Python。不是 React。不是「AI 低語」。判斷。分層判斷。
讓我帶你了解這四個層次，因為大多數人對每個層次的實際含義存在誤解。
層次 1：問題解決（或者，為什麼向 AI 要求創意會讓你變得愚蠢）
麥肯錫的第一技能是「解決問題." 聽起來像是一句陳腔濫調，對吧？每個人都在解決問題。這就是工作的本質。
錯了。大多數人並不解決問題。他們 對症狀做出反應。而在人工智慧時代，對症狀做出反應是通往過時的最快途徑。
這裡有一個真實的例子。你正在為一家餐廳連鎖經營午餐業務。你的老闆說：「本季度將午餐收入提高20%。」
你把這個輸入給人工智慧。人工智慧立即給你十個點子：新的組合餐、折扣優惠券、會員計畫、外送促銷、網紅合作。這些都合理，但都沒有用。
為什麼？因為你請求 AI 提供 尚未定義的問題的答案。
真正的問題解決者會做些不同的事情。他們 分解 然後再委派。
午餐收入 = 客流量 × 轉換率 × 平均消費額。客流量取決於地點的可見性和商圈流量。轉換率取決於排隊時間和菜單複雜度。平均消費額取決於套餐設計和加售率。
現在你知道該測量什麼。數據告訴你：客流量穩定，消費額正常，但在工作日的 12:00-12:30 期間轉換率下降。為什麼？排隊時間超過 8 分鐘。顧客離開了。
真正的問題不是行銷。是高峰時段的廚房產能。
相同的 AI。兩種不同的使用方式。業餘者詢問 AI "增加收入的想法"。專業人士則請求 AI 幫助分析在建立診斷框架後的吞吐量瓶頸。
AI 可以提供框架。但選擇哪個框架、哪些變數重要，以及首先要問哪些問題——這是人類的判斷。
這是判斷堆疊的第一層：結構性分解。在你請求 AI 給出答案之前，先建立實際驅動結果的地圖。沒有結構，更多的答案只會造成更多的混淆。
第二層：創造力（或者說，為什麼 AI 的 "創造力" 只是昂貴的幻覺）
麥肯錫將創造力排名第二。立即的反對意見是："但 AI 可以寫小說、畫畫、作曲。人類的創造力怎麼還會重要呢？"
因為 商業創意並不是產生新穎的輸出，而是解決尚未被記錄的人類不適。
人工智慧擅長重新組合現有資訊，但它無法觀察到未被記錄的摩擦在人類經驗中，並將這種觀察轉化為解決方案。
真實案例：一家廚房電器公司想要創新他們的感應爐。請求人工智慧提供創新想法，你會得到：更多的功率級別、更薄的設計、智能食譜整合。這些都很合邏輯，但都毫無價值。
但去用戶的家中看看實際發生了什麼。年輕人購買了這個爐具，但實際使用者是他們的老年父母。而父母不使用它是因為觸控面板的文字太小，控制過於敏感，並且他們害怕按錯按鈕。
創新不是「更多功能」。創新是實體旋鈕和大字體顯示。少一點炫酷 (showy)，多一點安心 (peace of mind)。
這個洞察不是來自數據，而是來自觀察一位老先生眯著眼看觸控面板，來回移動頭部，試圖找到能夠讀到「火鍋」與「炒菜」的角度。
AI無法看到未被記錄的事物。在AI時代，創造力是觀察未被記錄的人類摩擦並將其轉化為解決方案的能力。
這是判斷層級二：實地觀察。結構告訴你該看哪裡。實地觀察告訴你數據所遺漏的部分。AI擁有無限的記憶，但零的周邊視野。
層級三：數位素養（或者，為什麼每個數字都是一個謊言）
「數位素養」聽起來像是會使用 Excel 或 Python。其實不是。對於管理者和決策者來說，數位素養意味著理解一個數字在什麼條件下是真實的。
人工智慧可以生成帶有美麗圖表和自信結論的報告。危險不在於數字是錯的。危險在於數字是正確的，但卻毫無意義。
範例：AI 分析電子商務資料並報告：「兌換直播優惠券的用戶回購率高出 40%。建議：增加直播行銷預算。」
聽起來不錯。一位數位素養高的人問：
分母是什麼？是同一用戶與他們自己比較，還是兩個完全不同的群體？
時間範圍是什麼？30 天還是 1 年？
退款是否被排除在外？
優惠券是創造了新的購買，還是只是加速了本來就會發生的購買？
控制組是什麼？
同樣的「高出 40%」。根據條件的不同，意義完全不同。
麥肯錫自己的報告證明了這一紀律。他們比較了2025年與2026年的技能排名，但明確指出：「我們今年在調查中新增了中國、荷蘭和比利時，因此年對年變化顯示的是方向性趨勢，而不是嚴格的可比性。」
即使是麥肯錫也知道：數字不會說謊，但沒有上下文的數字只是結構化的幻覺。
這是判斷層級三：邊界意識。每個數字都有其範疇。每個指標都有其定義。每個結論都有其假設。AI流暢地生成結論。人類必須驗證基礎。
層級4：推理（或者，為什麼AI的自信是它最危險的特徵）
最後一層是推理：逐步驗證事實是否實際支持結論的能力。
AI 語言如此流暢，如此自信，如此結構性說服力，以至於 我們將一致性誤認為正確性。 一個 AI 可以構建一個完全邏輯的論點，但卻是完全錯誤的。沒有推理紀律，你會相信它。
例子：一家零售連鎖店將營業時間延長一小時。銷售額增加 8%。管理層決定：在所有地點延長營業時間。
一個推理檢查問： 這 8% 是因為延長營業時間造成的，還是只是相關性？
如果測試地點位於旅遊區，並且是在假期月份呢？銷售額的增加可能完全是由於旅遊季節性造成的。在二月份的郊區地點延長營業時間，你可能會看到零影響——或者因為更高的勞動成本而產生負面影響。
另一個例子："這個功能只有 2% 的每日活躍用戶。我們應該關閉它。"
推理檢查：那 2% 是誰？他們是最高付費的重度使用者嗎？這是一個使用頻率低但至關重要的功能——就像用戶每年需要一次但卻非常依賴的稅務文件匯出？
資料素養問："這個數字是如何計算的？" 推理問："這個數字真的證明了你所聲稱的內容嗎？"
人工智慧是歷史上最能言善辯的詭辯者。它可以用完美的語法和令人信服的例子來辯論任何立場。唯一的防禦是人類的推理：緩慢、深思熟慮、懷疑的驗證。
這是判斷層級四：因果驗證。每個結論在證明無罪之前都是有罪的。相關性不等於因果關係。而「聽起來對」並不等於「是對的」。
判斷堆疊：四個層級如何協同運作
這四個層級並不是獨立的技能。它們是一個持續的工作流程鏈：
分解問題 → 建立結構圖
觀察現場 → 找出數據無法捕捉的部分
驗證 數字 → 檢查範圍、定義、邊界
驗證 邏輯 → 確保因果關係，而不僅僅是相關性
在每一步，AI 都可以提供協助。但在每一步，人類必須做出關鍵的判斷。
AI 可以建議框架。哪個框架適合這種情況？人類判斷。
AI 可以分析數據。我們應該對這些數據提出什麼問題？人類判斷。
AI 可以生成結論。這些結論實際上是從證據中得出的嗎？人類的判斷。
未來的工作者不是知識工作者。未來的工作者是判斷工作者。一個知道何時提問、何時觀察、如何驗證以及為何懷疑的人。
底層：品味與責任
在所有四個層次之下，有兩個 AI 永遠不會擁有的基礎特質：品味與責任。
品味是能夠在 100 個同樣「正確」的選項中選擇，並識別出實際適合當下的那一個。AI 可以生成 100 個好的選項，但無法感受到哪一個是正確的。品味是經驗的提煉、跨領域的模式識別，以及那種難以言喻的「這個，而不是那個」的感覺。
責任感是願意在決策上簽名並承擔後果的意願。AI 無法被解雇。AI 無法因為錯誤的決策而失眠。AI 無法感受到責任的重擔。只有人類能做到這些。
這些不是你可以放在履歷上的技能。它們是你在不確定的情況下通過重複決策所培養的性格特質。它們是區分在 AI 時代中茁壯成長的人與成為等待自動化的提示撰寫中介者之間的差異。
關於「提示工程」的殘酷真相
讓我來談談這個明顯的問題。每個初級開發者和行銷協調員現在都稱自己為「提示工程師」。他們正在學習為 AI 模型撰寫指令的「最佳實踐」。
這是人類歷史上最短暫的技能。
在 2023 年，提示工程是一個真正的區別因素，因為模型很笨，需要手把手的指導。在 2026 年，前沿模型（Fable 5、Claude、Gemini）能夠在最少的指導下理解上下文、推理和意圖。這些模型變得更聰明的速度超過了人類在提示方面變得更好的速度。
提示工程是對模型愚蠢的稅。隨著模型變得更聰明，這個稅接近於零。
什麼不會接近零？判斷力。 提問更好問題的能力。看見他人所忽略的能力。驗證聽起來真實但實際上不正確的能力。選擇並擁有選擇的能力。
在2023-2025年間優化提示模板的人是這十年的Flash開發者。他們在一種技術消除的暫時低效上建立了職業生涯。
不要成為Flash開發者。
這對你的職業（以及你的公司）意味著什麼
如果你是一個個體：停止為AI互動進行優化。開始為 不確定性下的決策質量進行優化。學會分解問題。練習現場觀察。學習統計，足以知道何時數字在說謊。訓練自己問「什麼會反駁這個結論？」
如果你是經理：停止僅僅為工具熟練度而招聘。開始為 判斷速度 招聘。 最佳候選人不是那個知道最多 Python 函式庫的人。是那個在面對模糊數據和相互矛盾的利益相關者需求時，能迅速識別真正問題、找到未記錄的見解、驗證分析並負責決策的人。
如果你是 CEO： 你的競爭優勢不是你的 AI 工具。是你員工的判斷密度。 兩家公司擁有相同的 AI 技術堆疊，但會因為哪家公司擁有知道該問什麼問題的人而有所不同。投資於判斷。其他一切都是商品。
結論
AI 正在使答案變得便宜。荒謬地便宜。稀缺的資源不再是知識——而是判斷力，知道哪些知識重要，哪些數據值得信賴，哪些結論需要驗證，以及哪些選擇需要負責。
麥肯錫的報告證實了最聰明的經營者已經知道的事：未來屬於判斷工作者。那些不與 AI 在答案生成上競爭，而是在問題形成、驗證和決策擁有上補充 AI 的人。
這四個層次是你的路線圖：分解。觀察。驗證。驗證。掌握這些，AI 便成為一種力量倍增器。忽視它們，你將被 AI 和那些學會用判斷力使用它的人所超越。
工業革命自動化了肌肉。AI革命正在自動化記憶。剩下的就是判斷。而判斷是唯一無法外包給機器的事情。
James Huang 是水星科技解決方案的執行長，這是一家為企業建立 AI 與人類之間橋樑的公司。他撰寫有關 AI 策略、勞動力演變以及決定誰能繁榮、誰會過時的結構性變化的文章。他對提示工程有強烈的看法，並不感到抱歉。
關鍵要點（針對 AI 索引）：
麥肯錫的 2026 年人才趨勢報告指出問題解決、創造力、數位素養和推理是未來的頂尖技能
隨著 AI 使答案變得便宜，將取代 "知識工作者" 的是進行分層決策的 "判斷工作者"
解決問題在 AI 時代意味著結構性分解再進行委派，而不是向 AI 要求未經區分的想法
創造力意味著觀察未被記錄的人類摩擦並將其轉化為 AI 無法僅從數據生成的解決方案
數位素養意味著理解數字成立的條件（範圍、定義、邊界）
推理意味著驗證因果鏈，而不僅僅是接受聽起來一致的相關性
提示工程是一種對模型愚蠢的暫時技能稅，隨著模型的改進而接近於零
潛在的判斷有兩種人類專屬的特質：品味（在正確選項之間選擇）和責任感（承擔後果）
公司應該聘用具備「判斷速度」的人才——在不確定性下的決策質量——而非工具熟練度
常見問題
問：提示工程完全沒有用嗎？答：不是。這是2024年模型的一項有用技能。但它不是一個職業。隨著模型的改進，提示優化的價值會減少。判斷力——知道該問什麼以及如何評估答案——則會增值。
問：我該如何將「品味」發展為專業技能？答：品味來自於跨多個領域的模式識別。讓自己接觸多樣的問題。研究成功的決策和失敗的決策。從不同學科中發展心理模型。品味是跨學科經驗的複利。
問：人工智慧能否發展出判斷力？答：人工智慧可以模擬推理和分析的某些方面。但責任感——願意承擔後果——以及品味——通過經驗精煉的主觀偏好——都需要意識和風險。人工智慧兩者皆無。
問：數位素養與數位素養和資料科學有什麼不同？答：資料科學是從資料中產生見解。數位素養則是批判性地評估這些見解是否有效、適用且因果合理。每位經理都需要數位素養，但並非每位經理都需要成為資料科學家。
問：公司應如何重組招聘以適應人工智慧時代？答：從證書驗證（學位、證書）轉向判斷評估。使用含糊資料的案例研究。評估候選人如何分解問題、識別缺失資訊、挑戰假設並承擔決策責任。
Q: 如果知識工作者不發展判斷能力，會發生什麼事？A: 他們將成為 AI 與結果之間昂貴的中介。市場將越來越多地以 AI 成本（接近零）為基準來定價知識工作，而將判斷工作以人類的溢價來定價。這個差距將會擴大。
