生產力

不是工程師也想學 AI？用 3 步銜接你原本專業，別急著否定自己！

林停雲 2026年6月25日 9 分鐘閱讀

2 次瀏覽

非工程師學 AI，重點從來不是把自己變成工程師，而是把你原本就懂的工作場景，接上 AI 的工具、流程、資料判讀與成果證明；你缺的多半不是寫程式的能力，而是一張把現有職能升級成「AI 應用能力」的地圖；這篇不保證你學了就轉職成功，但會給你四種非工程師也能建立、而且能被工作看見的能力。

曉芸的手機上是一則 AI 行銷職缺，標題那行「不限科系、歡迎跨領域」她讀了第三遍，往下滑到技能需求，手指卻在「打開履歷」那顆按鈕前面懸著。她做了好幾年行銷企劃，會寫提案、會把客戶含糊的需求問清楚、會在活動結束後做復盤檢討。可是現在打開求職網站，卻發現眼花撩亂都可能得跟「AI」對得上……

本文適合這些人看

文組、行政、行銷或 PM 背景，想學 AI 卻覺得自己沒有技術資格的上班族
看到「不限科系」職缺很心動，又怕投了被刷的人
怕學了 AI 也只能在旁邊做雜事，沒辦法變成真正能力的人
想轉職、但不想放棄原本累積的專業的工作者

「不會寫程式就不算會 AI」這句話錯在哪裡

曉芸的卡關，來自一個沒說出口的假設：AI 是工程師的領域，不會寫程式的人最多只能旁觀。

這個假設有它合理的地方，理解技術邏輯，確實會影響你能做到多深、上限在哪裡。

它有個致命的盲點：它把「打造 AI」和「應用 AI」當成同一件事。

打造模型需要工程能力，這沒錯；可是讓 AI 真的在一間公司裡產生價值，需要的人比想像中多得多。

誰來判斷這個 AI 生出來的文案符不符合品牌調性？

誰知道客戶真正在意的是什麼、AI 答非所問時要怎麼修？

誰能看出一份 AI 整理的報告漏了關鍵脈絡？

這些都不是寫程式的工作，卻是 AI 能不能落地的關鍵。

曉芸不是沒有資格進場，她只是把門檻搞錯了。

為什麼 AI 落地反而更需要懂業務的人：互補技能的邏輯

為什麼「非工程師也有 AI 的位置」這件事，不是安慰，而是有結構性原因？

關鍵在「互補性技能」（complementary skills）這個概念。

經濟學在討論一項新技術時，會把人的技能分成兩種：

一種會被技術「替代」，一種會被技術「放大」。

當一項通用技術變得便宜又好用時，真正變稀缺、變值錢的，往往是那些能把技術接到真實情境裡的互補能力。

OECD 在討論 AI 對技能需求的影響時就指出，AI 普及不只是抬高技術職的需求，也同時拉高了對判斷、溝通與跨領域整合能力的需求。

把這個邏輯講白：當「生成一段文案」變得幾乎免費，瓶頸就從「會不會生」移到「生出來之後，誰判斷得了好壞、接得回業務」。

曉芸會問清楚客戶需求、會做活動復盤，這些正是把 AI 輸出轉成可用成果的互補能力。

從台灣的職缺資料也能看到呼應，104 觀察到大量 AI 相關職缺標示不限科系、歡迎新鮮人，反映企業要的不只是會寫模型的人，更是能把 AI 用進業務的人。

所以這不是說非工程師「也勉強有機會」，而是：當 AI 把技術門檻拉低，懂業務、懂內容、懂流程的人反而站到了更靠近價值的位置。

非工程師讀者與工作設計者，差在從哪裡找入口

曉芸面前其實有兩種思路。

第一種是非工程師讀者的思路：不會寫程式，就不算會 AI，所以要嘛去補一個程式班從零開始，要嘛乾脆放棄。

這個思路的合理處是它沒有低估技術，願意理解 AI 的運作原理，確實會讓你用得更深。

它的盲點是把「入口」設在錯的地方：它要曉芸丟掉幾年的行銷專業，去和理工背景的人在最不擅長的賽道上競爭。

第二種是工作設計者的思路：不從零開始，而是回到現有的工作任務，找出哪一塊可以被 AI 放大。

曉芸的提案、需求釐清、活動復盤，每一項都能接上 AI，用 AI 加速資料蒐集、用 AI 出文案初稿再由她判斷、用 AI 整理復盤數據。

這個思路能讓學習很快變成作品和履歷證據。

它的盲點是：如果完全不補基本的 AI 概念（像是知道模型會幻覺、知道哪些資料不能餵進去），就容易卡在「只會操作」的淺層。

兩種思路接起來，就是那道轉向的問題：

你要補的，不是「工程師」這個身份，而是哪一種能被工作看見的 AI 能力？

非工程師 AI 四種能力：一張可以對照自己缺哪塊的表

把「AI 能力」這個模糊的詞拆成四塊，你就能對照出自己已經有什麼、還缺什麼。

這四塊由淺到深，缺哪塊就補哪塊。

能力	具體做得到什麼	對曉芸的具體範例	下一步怎麼補
工具操作	用 AI 完成摘要、草稿、翻譯、資料整理	用 AI 把客戶訪談逐字稿整理成需求重點	挑一個工具，把本週一項雜務練到熟
流程改善	找出工作中可以被 AI 省時間的節點	發現提案前的競品蒐集最耗時，導入 AI 初篩	畫出一個任務的流程，圈出可外包給 AI 的步驟
資料判讀	檢查 AI 輸出的來源、邏輯與風險	核對 AI 生的市場數據有沒有出處、會不會過期	替每次 AI 輸出建立一個查核清單
成果呈現	說清楚用 AI 前後的效率、品質或成果差異	把競品整理從 4 小時縮到 1 小時記錄下來	用「任務、做法、成果」三句寫成一段經歷

曉芸對照下來發現：工具操作她其實已經會了，流程改善是強項，真正缺的是「資料判讀」和「成果呈現」，她常常用了 AI，卻說不清楚自己做了什麼、省了多少。

這正是非工程師最容易忽略、卻最能拉開差距的兩塊。

把第一個作品做出來：用一個任務證明你會應用 AI

能力表填完，下一步不是去報課程，而是用一個真實任務，做出第一個作品證據。

方法很簡單：選一件你目前工作裡的具體任務，做一份「使用 AI 前後的流程對照」。

曉芸選的是競品蒐集，左邊寫原本怎麼做（手動翻十幾個網站、四小時）、用了哪些工具、設計了什麼查核步驟確保資料沒過期，右邊寫改用 AI 之後的流程與時間。

這份對照表同時證明了四種能力：你會操作工具、看得出可改善的流程節點、懂得查核 AI 的輸出、也能把成果差異說清楚。

它比任何「我熟悉 ChatGPT」都有說服力，因為它能被追問、有細節可講。

這裡要誠實：做出一個作品不等於保證錄取，職缺競爭還牽涉到很多因素。

沒有作品的人只能空口說自己會 AI，有作品的人能讓對方看見你怎麼用 AI 解決真實問題，這就是門檻內外的差別。

常見問題

Q1：我真的完全不用學寫程式嗎？

看你的目標。如果你要做的是 AI 應用、把工具接進業務流程，那麼比起寫程式，先補工具操作、資料判讀更實際。但「不用寫程式」不等於「不用懂技術」，至少要知道模型會出錯、會編造資訊，以及哪些機密資料不能餵進去，這些基本概念能避免你出大錯。

Q2：那些「不限科系」的 AI 職缺，是不是其實偷偷要求技術？

有些會、有些不會，要看職缺實際內容而不是標題。比較穩的做法是看技能需求那一欄：如果寫的是溝通、內容、專案、資料整理，那就是在找懂業務的人；如果寫的是特定框架或語言，門檻才偏技術。不要被標題嚇退，也不要只看標題就投。

Q3：我原本的行銷／行政經驗，學 AI 之後還算數嗎？

不只算數，而且是你的優勢。AI 把生成這件事變便宜，反而讓「判斷好壞、接回業務」的能力更稀缺，而那正是你過去累積的東西。重點是把舊經驗和 AI 接起來，而不是丟掉舊經驗從零開始。

Q4：我該先學哪一種能力？

先用第四節那張表對照，找出自己最弱、又最常被工作用到的那一塊先補。多數非工程師會操作工具，卻卡在「資料判讀」和「成果呈現」，所以這兩塊通常是投報率最高的起點。

最後提醒：回到那份履歷，補上原本職能的 AI 證據

曉芸後來沒有去報程式班。

她把那份競品蒐集的「AI 前後對照」做完，附上自己設計的資料查核清單，當成第一個作品放進履歷。

她履歷上那段「行銷企劃」沒有被刪掉，反而多了一行：用 AI 把競品研究的前置時間縮短、並設計查核流程確保數據可信。

原本的職能還在，只是被 AI 放大了。

「不限科系是真的，還是只是我看不懂門檻？」門檻一直都在，只是它要的不是工程師身份，而是你能不能把原本會的事，接上 AI 做出看得見的成果。

回到你的履歷，挑一段原本的經歷，想想它可以怎麼接上 AI，那就是你的入口。