人工智能和人形機械人發展愈快，社會焦慮愈強。很多人擔心，不懂寫程式、不會訓練模型，便會被新一輪技術浪潮淘汰。但筆者認為當下最缺的未必是更多頂尖AI工程師，而是既理解實體行業痛點、又明白AI能力邊界的「科技翻譯官」。他們能把一句「我想提升效率」，拆解成可驗證的問題、可使用的數據、可改造的流程，以及由誰對結果負責。

科技翻譯官是AI落地的關鍵。模型再強，若不知道一家物流公司真正卡在哪個交接點、一間診所哪些資料不可外傳、一個零售團隊如何判斷客戶流失，便只會生成漂亮卻無用的答案。企業真正需要的，不是有人把聊天機械人接到網站上，而是有人能把行業問題、可信數據、流程改造和人在迴路接成閉環。這正是人機共創的起點。

從人形機械人和今日的軟件介面，可以看見這個過渡期的特徵。許多工廠、工具和工作間原本按人的手腳、身高和操作習慣而設計，人形機械人因此能較快進入既有環境，與人共用設備。這不代表人形設計沒有長遠價值，卻提醒我們：它的吸引力之一，在於不用先把整個世界重建一遍。相同道理，鍵盤、鼠標和複雜圖形介面，都是讓人以熟悉方式操作龐大系統的翻譯層。但技術成熟後，系統不會永遠遷就人的舊習慣。生產設備會把視覺、感測、機械臂和決策能力更深地整合；軟件也會由人逐頁點選，逐步轉向用自然語言提出目標，再由AI智能體協調後端工具完成工作。這不是說介面會消失，或人不再需要專業判斷，而是人的工作重心會由「怎樣按掣」轉為「要達成甚麼、可做甚麼、不可以做甚麼」。

所以，科技翻譯官的下一站，是AI智能體管理者。管理AI智能體，不是寫一句精巧提示詞，然後把結果照單全收；而是像管理一隊速度極快、但未必懂全盤語境的數碼同事。人要清楚分派任務、設定權限、提供合規可用的資料、定義成功標準和停止條件；AI完成後，還要有人核對結果、處理例外、保留紀錄，並為最終決定負責。換言之，AI智能體可以執行，但不能在高風險工作中自動取代責任。

這亦重新定義教育與人才培訓。不是每個學生都要恐慌式學習底層程式，也不是每名僱員都要成為模型專家；但每個人都應學會提問、判斷、查證、保護資料、理解偏差和承擔責任。專業能力仍是根本，AI能力則是放大器。一名懂醫療、工程、金融、教育或物流的人，若能把專業判斷轉為AI可執行的任務，再懂得監督結果，價值不是被AI稀釋，而是被放大。

對企業而言，部署AI智能體前亦不應先問「可否少請幾多人」，而要先問「哪一個問題值得交給它處理」。應由低風險、重複性高、成果可量度的工作開始，設立人工覆核與申訴機制，再逐步擴大範圍。成功指標不只是節省多少工時，更包括錯誤有否減少、客戶是否更滿意、前線是否更能處理例外，以及決策責任是否更清楚。若只看自動化率，往往把隱藏風險留給最終用戶和前線員工。

AI原生時代真正淘汰的，不是「不懂AI的人」，而是只懂重複操作、卻不願理解問題和承擔判斷的人。人不必與機器鬥記憶、鬥速度；更重要的是學會帶領智能體，把技術變成可交付、可信任、對社會有用的成果。未來最有價值的人，不是最會按掣的人，而是最知道應該叫AI做甚麼、何時叫它停下來的人。

撰文：陳迪源

香港創科發展協會創會主席