AI 取代入門職缺後，社會新鮮人還能怎麼累積工作經驗？

這半年我最常被問的問題是：「AI 會不會讓社會新鮮人找不到工作？」我自己每天用 Claude Code 做知識管理和開發，一邊看著入門職缺一個個消失，我的答案是：威脅不在「失業」，而在把 AI 用好的前提，是讓 AI 在你原有的工作經驗上加速；而新鮮人正在被剝奪累積那段經驗的機會。 所以「AI 時代社會新鮮人如何累積工作經驗」這個問題，遠比「會不會被取代」重要。這篇用三份研究和一個真實案例，說說經驗為什麼珍貴、社會新鮮人又該怎麼突破難關。

• AI 沒有取代新鮮人的工作，它取代的是新鮮人「累積經驗的那段過程」。
• Anthropic 用近 40 萬次 Claude Code 的真實數據證明：決定 AI 用得好不好的是領域經驗，不是會不會下指令。
• 一個不會寫程式的房仲，用 AI 做出整間公司天天在用的系統，反過來證明同一件事：是「工作經驗」讓 AI 工具變好用，不是 AI 讓沒經驗的人變強。
• 沒人付錢讓你累積經驗，就自己製造；學習門檻最低的現在，反而是拉開差距的最好時機。

AI 到底有沒有要取代新鮮人的工作？

沒有「取代」那麼乾脆。AI 真正拿走的，是新鮮人「累積經驗的那個位置」，不是職缺本身。

公司養新人一直是「投資」邏輯：提供新人在犯錯中成長的機會，慢慢培養成戰力。這個邏輯能成立，靠的是「junior 做的初階工作有人願意付錢」。但現在那些工作，AI 兩分鐘就生出來了，企業的選擇也變了：既然 junior 能做的 AI 都能做，為什麼要花薪水、花教育的時間，去養一個三年後才回本的人？

這不是猜測。Anthropic 執行長 Dario Amodei 在 2025 年 5 月警告，AI 可能在五年內砍掉半數的入門白領職缺。攤開就業數據也足以證實：22 到 25 歲開發者的就業人數，比 2022 年底的高峰掉了將近兩成；軟體開發職缺從高點掉了 53%；2025 年資工應屆畢業生的失業率來到 6.1%，幾乎是哲學系的兩倍。史丹佛數位經濟實驗室也發現，最容易被 AI 影響的職類，入門級招聘掉了 13%。

所以新鮮人真正要注意的不是「會不會被取代」，而是一個更根本的問題：這個時代，還有沒有地方讓我安全地犯錯、培養判斷力，最後能獨當一面？

為什麼「會下指令」不等於用得好 AI？

因為決定 AI 用得好不好的，是你的領域經驗，不是你的指令技巧。AI 普及不會拉平經驗差距，反而把它放大。

這裡有個反直覺的事實：AI 把「會做」的門檻拉低了，卻把「做得對」的門檻偷偷拉高。沒有領域經驗的人，連 AI 給的答案對不對都判斷不出來——AI 不會告訴你它在亂編，它只會很有自信地給你一個看起來很對的東西。資深的人一眼看出哪裡怪、知道該追問哪一句；新手只會點頭收下，越用越錯還不自知。

Anthropic 在 2026 年 6 月發了一份報告《Agentic coding and persistent returns to expertise》，分析了近 40 萬次真實的 Claude Code 使用紀錄。結論一句話：「Coding agents are not substituting for domain expertise」——程式代理不會取代領域專業。報告裡最令人印象深刻的一組對照是：被判讀為新手的使用者，任務「真正完成又驗證成功」的比例只有 15%，中階以上是 28 到 33%；至於做到一半就放棄的比例，新手 19%，其他人只有 5 到 7%。同一個模型、同一個工具，差距全卡在「經驗」身上。

報告還舉了一個例子：一個從沒寫過 Python 的會計師，照樣用 AI 做出能用的工具——因為他懂會計，講得出每一條對帳規則，也抓得到月結時 AI 漏掉的例外狀況。決定產出品質的是他的領域知識，不是他的程式能力。

這跟我自己的體感完全一樣。同樣用 Claude Code，碰到我熟的領域，我幾乎能放手讓它做、又看得出它哪一步偏離了我的需求；碰到我不熟的領域，我連它做錯了都不知道，只能跟它一起瞎猜，只能靠原先設定好的驗證機制讓它不斷試錯，花時間又花 token。我後來想通一件事：真正稀缺的從來不是工程技巧，而是「把 AI 接進自己日常運作系統的能力」，而那個能力是靠經驗累積來的。

不會寫程式的人，怎麼用 AI 做出真的好用的工具？

關鍵從來不是程式能力，是他原本的工作經驗。美國有個房仲公司老闆 Marcus Rush，不是工程師，卻用 Claude 搭自動化工具做出一個叫「Russ」的 AI 助手，幫他打理整間公司每天的庶務：從一萬一千多筆客戶名單裡判斷哪些值得追、每天早上幫旗下每個業務寫好當天的跟進計畫、還幫他管行程。這是公司天天在用的系統，不是玩票的 demo。

它好用的關鍵不在 prompt 寫得多漂亮，在於 Marcus 講得出「哪種客戶值得追、跟進要踩什麼節奏、什麼時候該收手」這套藏在腦子裡、賣了多年房子才有的判斷，再讓 AI 照著做。換一個沒做過這行的人，連「要做什麼」都講不清楚——他分不出哪個客戶是真有意願、哪一步只是形式、哪個環節最容易掉單。沒有那段經驗，你連需求都描述不出來，AI 再強也只能陪你一起猜。

這正好對上 Anthropic 那句話：領域經驗才是引擎，AI 只是放大器。把一個高手的經驗放大，會得到一個更猛的高手；把一個空白放大，得到的還是空白。AI 是放大器，不是平等器，它擴大的是本來就存在的差距。所以你需要的不是更會寫 prompt，而是先有一段「分解得出判斷點」的真實工作流經驗。

為什麼連資深的人用 AI 都可能變慢？

因為 AI 從來不是「按一下就有成果」的萬靈丹；真正值錢的是那個「看得出該改哪裡」的判斷力，而判斷需要花時間。

研究機構 METR 在 2025 年做過一個隨機對照實驗，找資深開發者在他們熟悉的開源專案上工作。結果很反直覺：用 AI 時，他們完成任務的時間反而多了約 19%，因為得花時間檢查、修正 AI 的產出。更有意思的是感知落差——這些開發者事前預期 AI 會讓他們快 24%，做完之後即使實際變慢，他們仍然以為 AI 幫自己快了 20%。連資深的人都會高估 AI、低估自己花在「把關」上的力氣。

把入門職缺消失和這件事接起來，會看到一個自我加速的迴圈：入門職缺消失 → 新人沒地方累積經驗 → 沒經驗時使用 AI 的產出也沒競爭力 → 更沒有公司願意雇 junior。企業為了省成本，把新人練功的回合全外包給 AI，是短期理性、長期自毀，也許三五年後，中階人才會出現一個沒人補得上的斷層。

判斷力只能從一回合一回合的實作裡磨出來，這件事不能外包。對新鮮人來說，這句話聽起來殘酷，但它同時也是你唯一、而且完全握在自己手上的施力點。

AI 時代，社會新鮮人怎麼自己累積工作經驗？

如果沒有公司付錢讓你累積經驗，那就自己製造機會。把 AI 當成「壓縮練習回合」的陪練，不是「跳過經驗」的捷徑。我會從三個方向切入，前兩個是做法，第三個是心態。

第一，用 AI 加速，也用 AI 反向萃取經驗。 多數人只用 AI 把工作做快，更值錢的是多走一步：做完讓它回頭分析這次的產出，流程哪裡有風險、有哪些技巧該注意、下次能怎麼做更好。這份反向分析，就是你這一回合真正賺到的經驗，帶進下一次產出，慢慢變成一個越跑越快的循環。

第二，主動分解你手上任何一段真實工作流，哪怕只是個人專案。 現在最珍貴的能力，是流程分析、引導 AI、在對的時機問 AI 對的問題，而這些都建立在你對底層邏輯的理解上。能被你講清楚判斷點的工作流，就是你餵給 AI 的燃料；分解得越細，工具越好用，這個過程也逼你把講不出來的隱性知識，變成講得出來的能力。把一次次的分解累積起來、組成自己的 AI 系統，會是你最大的一筆智慧資產。關於建立自己的AI系統我寫過一些文章，第一篇是「AI 資料庫建好了，你的 AI 才真的好用」。

第三，換個角度想，這其實是對新人最友善的學習時代。 判斷力還是得你自己一回合一回合磨出來，這點沒變；但學一個新領域的門檻，從沒像現在這麼低。AI 能把一個領域的知識系統化地整理出來，自己驗證來源，再依你的程度濃縮成你學得進去的版本；前人踩過的坑，現在都能變成提醒新人別犯錯的警示。你甚至可以請它替你排一條個人化的學習路徑。門檻低了，真正把握機會的人反而更拉得開差距。每個年代，金子都會發光。如果你連 AI 到底能做什麼都還不知道，可以先從2026 生成式 AI 入門指南開始。

AI 沒有要取代你，它給的是一條和以往求職者不一樣的發展路線。在這個時代，想方設法讓 AI 幫你成長的人，才不會被洪流拋在後頭。