* 本文譯自日文原稿，可能會有部分表達不甚自然之處。

1. LLM與波動

大規模語言模型（LLM）的急速進化，正在對社會中「知識」的生產結構帶來不可逆的改變。在掌握這種變化本質的過程中，一個重要的概念便是回答的「波動的收斂與發散」。

隨著LLM性能的提升，對於定型化的問題（例如「1+1=2」這類的事實確認或基礎邏輯推演），回答的波動會急速收斂，變得總是輸出同一個最佳解。另一方面，對於需要創造力或深刻理解複雜脈絡的問題，它則變得能產生出各式各樣、豐富多元的回答。

這個現象直觀地表現了當前LLM所具備的「透過機率計算進行最佳化」的過程，也是理解當今AI行為與提示工程（Prompt Engineering）的重要前提。本文將探討在一個因AI進化而使產生「結果（產出）」的成本趨近於零的社會中，過去一直被忽視的人類勞動價值的本質究竟何在，並考察其在實務上的未來走向。

2. 產出至上主義與斷糧戰術

許多商務人士認為，像是經營策略或程式設計這類高度專業的業務「沒有標準答案，且存在著多樣的意見（波動）」。然而，AI的進化正從根本上顛覆這個前提。許多過去人類覺得複雜且沒有標準答案的業務，其實只不過是因為人類認知能力與處理能力的極限（或者是難以用固定的步調產出），而導致「局部最佳解」充斥的結果罷了。

超高性能的AI能在瞬間計算無數的變數，並將這些視為「單純的計算題」來處理。其結果是，它能發現唯一一個「最佳解（完美的普遍論）」，而所有的回答都會向其收斂。這個法則不僅限於語言空間，也適用於物理空間。自動駕駛或機器人所執行的高度物理作業，也是透過計算使現實世界雜訊所產生的波動收斂，進而作為終極的最佳化任務來完成。

這裡重要的是，AI得出完美正解的過程，與人類所具備的「意義理解」或「邏輯推論」截然不同。它終究只不過是「基於過去數據的機率計算」。只要立足於這個前提，我們就能冷靜地將「AI將達到與人類同等甚至具備更高意識的超級智能」這類科幻且哲學式的跳躍思維切割開來。

然而，即使過程完全不同，在現實社會中我們仍得面對一個冷酷的事實：「只要產出（結果）是完美的，實務工作就會被取代」。過去的社會總是將產出的品質作為信任與評價他人的標準。但是，在AI讓生成「完美且漂亮的產出」成本歸零（商品化、大眾化）的現在，這個系統正逐漸陷入機能失靈。特殊詐欺的高級化、招募與教育中評價的空洞化、以及虛假專業性造成的市場混亂等，都是「產出至上主義」所衍生出的系統錯誤的典型例子。

世俗所謂「在AI時代能生存下來的工作」這種輕率的標籤是一個危險的陷阱。它令人無法消除一種疑慮，那就是並未充分將AI高性能化的潛力考量進去。這意味著，就連那些被點名的角色，也將變得不再需要，或者只剩下極少數。無論是哪種職位，只要是把產出「漂亮的圖片或文章」當作目的的勞動者，都將自動被捲入椅子越來越少的「搶椅子遊戲」中。若不對AI這個事物進行根本性的理解與深刻的考察，就真的會陷入被「圍困斷糧」的絕境。

3. 實用性與波及效應

當高度專業的職位因AI高性能化帶來的「波動收斂」而面臨被取代的危機時，工廠、物流配送、窗口業務等單純的現場勞動，卻被視為更容易被AI取代的代表性工作。在這裡，我們刻意將焦點放在後者。這些作業，真的只是毫無意義的單純作業嗎？

在這裡，「產出（結果）」的概念同樣變得重要。就如同AI的運算一樣，如果只把焦點放在「最終產出的效率」來評價勞動，那麼這些工作確實可以說是應該被機器取代的冗餘工作。然而，如果我們脫離「產出至上主義」的視角，試圖深刻理解這些業務流程在現實社會中扮演著什麼樣的角色時，就會發現其中存在著確實被發揮、並且不斷累積的「實用性」。

不過，這裡所說的「實用性」，就其性質而言，是很難作為客觀指標在即時呈現的。它在無意識的層面上融入了日常的業務流程或是當事人之中，而其真正的價值，總是只能在事後「穩定的產出確定之後」才能被客觀地捕捉到。雖然聽起來有些矛盾，但如果只依賴對「產出（結果）」的最佳化思維，可以說永遠無法獲得這種根本的實用性。

順著這個脈絡，或許很多人會將這裡所獲得的實用性，想像成人情、道德，或是「人類獨有的溫度」之類的東西。然而，事情未必總是如此。這裡我們意識到的是，為了讓組織或整體社會系統順暢運作的「實務價值」。而其中最為顯著的，便是會向周遭連鎖反應的「波及效應（經濟外部性）」。

舉例來說，假設有一家「氣氛很差的店鋪（A）」。來到這裡的顧客，會因為店員冷漠的態度或對錯誤的置之不理，而在心中埋下「不滿的火種（壓力）」。這位顧客離開後，可能會在家庭或職場將這個不滿的火種發洩在他人身上，導致被發洩的人又產生了新的不滿。這乍看之下只是單純的人際或情感循環，但從實務的宏觀角度來看，這無非是「在一個現場發生的錯誤（雜訊），連鎖反應到整個社會，進而破壞各處生產力與人際關係的過程」。

反之，假設社會中某個懷抱著「不滿火種」的人，造訪了一家不僅看重數字、且「氣氛很好的店鋪（B）」。這家店的員工，當場靈活地吸收了顧客那些無法被收編進手冊（1+1=2）的壞心情或是不合常規的要求等「雜訊」，並展現出圓滑的應對。結果，顧客所懷抱的不滿火種在當下就被撲滅，帶著平靜的心情前往下一個目的地（家庭或職場）。

看到這兩種模式，你也許會覺得這終究只是老生常談。但是，如果我們放大規模來思考，例如比較A的周邊區域與B的周邊區域，或是比較A類組織較多的區域與B類組織較多的區域，你的印象就會改變。往來人潮的數量與氛圍、隨之而來的治安好壞、將這些視為數據而進行進駐或撤退的商業決策、以及這些連鎖反應所引起的地價或房地產評價變動，這些正是波及效應的具體展現。

只能計算局部「產出（數字與處理速度）」最佳化的AI，是不可能計算出這種廣泛且抽象的波及效應的。一味推動只專注於產出的AI最佳化，並盲目地從現場排除這些作為「雜訊吸收與波及震央」的人類流程，可能會招致本末倒置的結果。

對於一開始的問題：「工廠、物流配送、窗口業務等單純的現場勞動，被視為更容易被AI取代的代表性工作。這些作業真的只是毫無意義的單純作業嗎？」，答案已經很明確了。從宏觀的角度來看，這是減少社會摩擦、產生無形波及效應所不可或缺的過程。此外，即使從微觀（勞動者個人）的角度來看，擔負起「AI無法理解的整體流程」的一環這件事本身，只要當事人有意識，也能成為培養自身基礎實力的寶貴啟發。反之，如果過度執著於產出，就意味著主動走向「AI能100%理解並取代的領域」。

4. 導入AI的悖論

在確認了現場人類「流程」的重要性之後，目前在那些已經導入AI的先進職場中，實際上正在發生什麼事呢？ 我們或許會推測「因為導入了AI，職場中抽象的元素（氛圍與人際關係）提升了」。

然而，這並非因為AI自發性地創造了正向的氣氛。其真正的原因在於，AI作為一個毫無感情的過濾器，吸收並阻擋了「抽象的人為錯誤（情感摩擦與負面因素）」。

當AI承擔了「1+1=2」的定型化作業，以及伴隨情感摩擦的資訊傳遞樞紐時，人類的認知負荷就會大幅減少。結果，人類擁有了「餘裕（留白）」，能夠提升對問題的包容力、耐受力、認知力與判斷力。特別是在像日本這樣，對文化背景隱形負擔要求極高的社會中，AI作為大幅緩解由這些因素引起的問題的高級工具而發揮作用。我認為這對打造平等的環境做出了巨大的貢獻。

現在可以說正處於一個理想且最強的混合狀態（過渡期）：AI負責完美的「產出」，而人類則利用隨之產生的餘裕專注於「異常檢測」。

然而，這個大成功的階段卻孕育著最大的陷阱。「數字（產出）與氛圍（流程）都獲得戲劇性提升」的鮮明成功體驗，最終會對經營層與整個社會引發一種致命的錯覺：「因為AI極度優秀，所以所有的問題都解決了。那些在充滿雜訊的現場工作的人類已經不再被需要」。

這種錯覺會放大對「產出至上主義的過度自信」，促使經營者做出捨棄支撐組織的無形基礎設施的決定。只評價AI的產出，卻輕視了在背後吸收雜訊的流程，其結果將成為引發組織整體陷入運作停擺的「斷糧戰術」的導火線。當產出越是完美，我們就越會面臨一個矛盾：我們必須正確評價那些將這些產出維繫在一起的「人類流程」的存立意義。

5. AI時代的控制能力

在「產出」完美收斂的AI社會中，人類應當扮演的真正角色是什麼？ 一般社會大眾傾向於追捧「輸入巧妙的提示詞（指令），並從AI那裡引導出漂亮的產出」為精通AI的技能。然而，在一個產出本身變得商品化（無價值化）的未來，這類小聰明的技術將不再具備任何優勢。

真正意義上的「精通AI」，意味著從一個產出者轉變為「負責人／編輯者」。也就是將AI透過機率計算所彈出的無數局部最佳解，或是完美工整的普遍論，純粹視為「起跑線」，並最大限度地發揮人類的直覺判斷去進行試錯。這意味著產出的成果並非直接的終點。在創造性的任務中，面對AI所散佈的無數點子的汪洋，我們需要具備高度的控制力，透過人類的情感與脈絡去挑選（策展）出哪種組合能真正創造出新的價值。

假設眼前有100道計算題。如果目的是為了獲得「明天經營會議上報告用的正確結果（產出）」，那麼毫不猶豫地交給AI就是正解。然而，如果目的是為了「教育孩子」或是「自我訓練」，那麼即使無視效率，也應該親自拿起紙筆，在試錯中解題。因為，在這裡，「伴隨摩擦的過程」本身就具有價值。

只有具備能看透「我們需要的是產出，還是流程」的後設認知（Meta-cognition）能力，並且能夠斷絕效率化的誘惑，做出「刻意不使用AI，故意選擇不方便的流程」這種高度決策能力的人，才能避開產出至上主義帶來的斷糧危機。

持續放棄流程的人，在未來AI產出超高階的經營策略或企劃時，將無法憑藉直覺來異常檢測這些數字或邏輯是否妥當，或者是否包含了致命的幻覺（似是而非的謊言）或過度迎合（阿諛奉承）。重視流程，正是培養用以控制AI產出的「對事物合理性的直覺（基礎體力）」不可或缺的行為。

當目睹AI完美的產出（普遍論的極致）時，人類往往會產生錯覺，將其擬人化地認為「AI是經過了高度的流程才理解其意義的（達到了超級智能）」。然而，逃遁到這種科幻且哲學式的解釋中是危險的。這會使人將目光從迫在眉睫的「僅依賴產出的人類需求將會減少」的危機中移開，阻礙了我們主動轉向承擔流程與責任的一方。

6. 社會落實的障礙

前面我們論述了產出至上主義的崩壞以及人類「流程」的價值，然而要將其落實在現實的社會系統中，還存在著幾個客觀的障礙（課題）。

第一道障礙是「過渡期（時間差）的泥濘」。在邏輯上，「產出的價值歸零」是不可避免的未來，但在現實社會中，依然根深蒂固地存在著複雜的法律規範、既有的商業習慣，以及抱持舊有評價標準的組織體制。要填補這個理論與現實之間的落差，可能會產生10年到20年為單位的時間差。在實務上，如何在這個「新舊體制與AI基礎設施混雜的泥濘過渡期」中生存下來，將是一個極為現實的課題。

第二道障礙是「AI『完美產出』本身的崩潰風險」。本文雖然假設AI的產出將成為完美的基礎設施，但在目前的AI研究中，人們擔憂一種名為「模型崩潰（Model Collapse）」的現象，亦即AI若持續學習由AI自身生成的數據，會導致模型劣化。如果本應成為基礎設施的AI本身受到了污染，該如何應對這種風險，也是下一代負責人所需具備的能力。

第三道障礙，也是最大的課題，在於「缺乏評價『流程』的全新社會指標」。現代的資本主義社會，是透過測量營業額、粉絲數、考試分數等「產出」的定量系統來進行最佳化的。在AI時代，即使「人類的流程（所培養的實用性與異常檢測能力）」再怎麼重要，又要如何將其定量評價，並轉換為薪資這樣的報酬呢？ 「評價系統的設計」，正是下一個必須解決的最困難的主題。