※ 引述《bigblack0921 (owen)》之銘言： : 最近看到許多國際一線公司打著Agentic AI大旗行裁員之實，我屬於悲觀派，覺得配套沒 : 有準備好的話未來沒有新人可以銜接工作會有斷層，老人以前有團隊一起打拼/背鍋現在 : 只剩自己扛責（AI產生垃圾但是你沒review好），而且如果公司深度綁定Agentic AI，未 : 來這些框架或模型的維護/升級的費用不就是賣家市場，你不給錢直接斷炊回到石器時代 : 而且團隊人數早被優化… : 除了既得利益者（CEO高管團隊跟公司內做Agentic AI的團隊） 沒有人會私下反抗嗎？ : 還是我眼光太短淺誤會了第四次工業革命？ 我覺得你說的事情不會發生，但我不是樂觀派。 除非未來發展出真正的智慧， 而非像現在這樣拿本來用來解決翻譯問題的程式 （LLM）餵一堆資料， 然後再一廂情願的把它基層工人來用， 否則幾年後他們可能會驚訝發現大費周章搞這些花裏胡哨的東西， 整體綜效竟然沒有顯著提高太多，現在裁掉的也只是過去超徵的冗員， 或是一些工作模式本來就比較低效的單位，而非生產力過剩。 （你若拿這些裁員企業領導人對外的說法來辯駁也行，只能說這就人人看法不同） 依我所見，LLM 真正善長的東西始終是語言事務， 也就是──翻譯、換句話說、照樣造句， 頂多再加上輔助人類擴展知識範圍的能力。 目前那些令人興奮的使用體驗其實往往問的是常見或主流的概念， 其普遍到人類語言中已經有個名字或是簡潔的表達方式， 因此使用者能用較短的提示詞得到夠多有用的結果而不必再花一堆篇幅描述規格。 舉凡那些叫 LLM 重新發明某些輪子的實驗都是這種狀況。 然而，如果你要的東西很常見或很主流，那或許你根本不用或不該自己做。 至於其他好的體驗本質多半是語言事務，只是用的人自己沒意識到罷了。 例如：人類講簡單邏輯，機器生程式碼、機器升級框架的版本或換框架── 這些體驗其實沒超出翻譯的範疇，但是用的人往往相信是機器靠智慧做到的。 若我的判斷沒錯，那麼當這些公司發現上述狀況後， 會做的也就是在利率正常化的時代用更高昂的代價把人再找回來而已， 因此也不至於有過度依賴大廠的問題，反而是大廠可能陷入泥沼。 大廠會意識到因為人類的知識會不斷增加和變化， 所以這些模型的訓練和開發工作也要不斷加碼，否則使用者會不樂意花錢。 它難以跟其他人類發明的工具一樣研發到夠好用即可減緩投入並且開始獲利了結。 硬體和營運的成本可能越來越便宜，但請人撰寫有用的訓練資料卻可能越來越貴。 到時這些大廠真正得到的好處大概就是那些對話紀錄。 這些資料應該有利大廠發展更精準的廣告投放服務， 只是這涉及到資訊的理解和判斷力，因此要投入大量研發資源開採和分析， 最後大概又是一個研發資源的黑洞。 LLM 的研究能有這樣的發展實屬不易， 但僅憑目前這樣的設計以及樹立在這種不穩定基礎上的工具鍊恐怕不會形成工業革命。 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.227.226.109 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1776608636.A.815.html 沒有人說完全不會提升，只是可能不會有很多人想像的那麼多。 CRUD 在沒有生成式 AI 之前就進步很多了。 不只各熱門語言有一堆驗證過的現成範例可直接照抄，有高度抽象的套件可呼叫， Java Spring 等框架還可以只憑一個物件的 CRUD 介面就幫你在執行期生成實作， 其行為還比 AI 更稳定可預測，因此沒 AI 的時代真的沒有很多人想的落伍。 AI 把事情快速做完很不簡單，但能讓人直接不用做又更厲害。 這就是為什麼我說：「企業領導人可能會發現整體綜效提升的程度不如預期」。 生成式 AI 在語言事務以外能達到的境界不見得比暨有工具高太多。 即便能好不少，但如果從時間、金錢、 能源效率等角度衡量性價比可能又會發現結果不太理想。 更何況，開發 CRUD 費力的地方本來就不在具體的讀寫實作， 而是在規劃儲存方式、規劃緩衝空間及吞吐量、擬訂讀寫目標等事務上， 但生成式 AI 在這些要發揮智力的部分偏偏很被動且笨拙。 如果開發者自己本就沒主見也沒有常識可以餵給 AI， 那生成式 AI 大概也只會提供訓練資料中的基礎範例給你抄， 沒有辦法設身處地為使用者解決問題。 生成式 AI 的主場始終是語言事務。這才是它真正有填補市場空缺之處， 可惜卻偏偏是現在那些大搞 AI 工程的人不屑討論的議題。 是，這就是為什麼說那些真的要認知、要思考的問題反而並非 AI 所長。 這同時也是為什麼會說幾年後企業綜合所有使用情境評估效率提升的程度後， 可能會驚訝的發現沒有想像中那麼多，不是什麼工業革命等級。 現代人只要比以前多投入一點時間運用 AI 關聯知識的能力， 他就會更容易把過去不好完善的部分（例：某些設計細節）做到位， 讓事物變得更精緻，但做到這種程度終究要更多投入， 因此儘管效率有增加，過程卻不是像很多人想的那樣──把相同工作的時間砍半。 你這是擁護者之中最常見的幾種論調。 姑且不論從 LLM 供應商到你這端是不是每個環節都已損益兩平， 就當作廠商能永遠用現在的價格提供一樣水準，一樣額度的服務好了， 燒了一段時間做出東西後，你會自己再審核一次嗎？ 要是後來發現問題，或是測試情境不完善，你會介入嗎？ 如果會，那效能瓶頸還是卡在人這裡， 最後整體提高的效率未必如很多人想像中那麼高效，而且有很大機會更耗能。 如果不會，你想跟某些人主張的那樣──權限大開特開，寫完也不再審了， 相信它完全足以取代原本的菜鳥， 那你本質上就是在跟 LLM 的隨機性以及廠商包裹層的穩定度對賭， 但你要確定自己有賭贏喔！ 畢竟現在 AI 沒辦法替人負責，廠商最多就是給你免費使用， 而且它的認知和思考力還是有些問題。 本質依舊是根據時序或空間關係把人類文化產物拆碎， 然後再計算不同碎片之間的關聯度。 影片和圖片跟文字一樣是人類表達自我的素材。 ※ 編輯: dream1124 (36.227.240.234 臺灣), 04/21/2026 09:14:19