做出一個網站，就說工程師要失業；生成幾張畫面，就說設計師可以退場。再喊一句「AGI 已經來了」，好像所有公司從此都能自己做系統，誰還在談專業，誰就是跟不上時代。
AI 很強，這件事不需要靠貶低別人的專業來證明。有些行銷號用過幾個工具，就急著替整個行業下結論。他們最大的問題，是連自己還不懂什麼都不知道，卻已經開始教大家哪些人不值得花錢請。
你看到的，只是工作的一部分
如果以為工程師只是寫程式，設計師只是畫畫面，看到 AI 能生成，當然很容易覺得這些人快沒用了。問題是，專業工作從來就不只有最後產出的那個東西。
使用者說不好用，究竟是哪裡不好用？客戶想加的功能，真的能解決問題嗎？兩個部門的做法互相衝突，系統該怎麼安排？這些都需要理解情況、溝通和判斷。最後可能只改了一個畫面，背後卻做了很多選擇。
AI 可以協助思考，也可以提出做法。但要問出關鍵問題、判斷答案是否合適，仍然需要對這件事有足夠的了解。不能因為那些工作沒有出現在展示影片裡，就當它們不存在。
已經在公司用了，然後呢？
有人會說：「我做的系統已經在公司用了，也沒出事。」這當然值得肯定。能解決眼前的問題，就是有價值的成果。
但你熟悉自己公司的流程，可能也花了不少時間調整、測試，這些理解和判斷，本來就是成果的一部分。把它全部算成 AI 的功勞，再說人的專業已經不需要，反而漏掉了你自己做過的工作。
做成一套系統，證明你解決了這個問題。它沒有順便證明，你已經了解所有公司的需求，更沒有證明整個行業的人都可以被取代。拿一個成功經驗，直接跳到「大家都不用請工程師了」，話說得太滿。
沒出過事，不代表問題不存在
假設你用 AI 做了一個申請系統。自己測試時，按下送出，資料存好了，通知也寄出去了。一切正常，看起來可以用了。
但如果系統得等通知寄完才回應，碰上寄信服務變慢，使用者就可能一直等不到結果。以為沒送成功，又按了一次；如果系統沒防止重複處理，同一筆申請就可能多出一份。
有經驗的人會先想到：通知能不能稍後再寄？重複送出怎麼辦？中途失敗要怎麼處理？這涉及非同步處理、重試等設計，做法要看實際需求，並不是全部改成非同步就沒事。
一般使用者不需要懂這些名詞，系統也應該能正常運作。但做系統的人如果連這些情況都沒想過，就很容易把「我試過能用」當成「沒有問題」。AI 給的答案看起來越完整，反而越不容易察覺自己漏了什麼。
AI 放大能力，判斷還是要靠自己
把 AI 想成認知放大器，就比較容易理解這個差別。你對問題了解得越多，越知道該追問什麼、哪些答案要查證，也越能讓 AI 幫上忙。反過來說，錯誤的假設也可能被它一路延伸，最後變成一套看起來很完整的做法。
這不代表初學者不能用 AI。AI 很適合拿來學習，讓人有機會接觸原本不會的事。願意追問、查證、測試，專業就能慢慢累積；職稱不是門檻，肯不肯把不懂的地方弄清楚才重要。
我們自己也使用 AI 協助開發。正因為它能很快做出很多東西，才更需要有人判斷哪些能用、哪些要改，哪些根本不符合需求。產出變快，不代表理解會自動跟上。
別把自己的無知，說成別人的專業沒用
最讓人反感的，是那些只摸到一點皮毛，就開始喊 AGI、喊失業的行銷號。別人提醒還有哪些問題沒處理，就被說成守舊、怕被取代。只要不認同他的結論，好像就是不懂 AI。
如果一套說法只能靠「你再不學就完了」讓人追蹤、買課，卻說不清楚工具做到了什麼、還沒做到什麼，那就是拿別人的焦慮做生意。用的人很興奮，不等於他講的每件事都有根據。
AI 的能力值得期待，人的專業也值得被認真理解。你可以分享自己做到了什麼，但別拿自己還沒看懂的工作，當成已經不需要的工作。