自我成長

非理工背景想進 AI 產業可能嗎？從 5 種職缺入門！

林停雲 2026年6月25日 10 分鐘閱讀

3 次瀏覽

非理工新鮮人不必把第一份 AI 相關工作想成工程師職缺。更可行的入口，是資料整理、內容生成、行銷營運、客服流程與專案助理這幾種「懂場景就能切入」的職務。要提醒的是：不限科系不等於低門檻，這些職務仍需要基礎的工具操作與學習能力；這篇也不保證投了就上，但會給你一條能準備、能產出證據的起步路線。

校園徵才那天，予晴把列印好的履歷拿在手上，站在一家科技公司的攤位前，看了很久，卻沒有走過去排隊。攤位上的職缺看板寫著好幾個「不限科系」的 AI 相關職務，旁邊排隊的同學一個接一個遞出履歷。她是商管背景，這幾個月用過 ChatGPT 寫報告、用 AI 整理過社團活動的問卷。可是一想到對方可能會問模型、問程式、問資料庫，她的腳就停住了。

不限科系，是不是其實不包括我這種什麼都只會一點點的人？

本文適合這些人看

剛畢業或快畢業、非理工背景，想進 AI 相關職場卻覺得自己沒資格的新鮮人
看到「不限科系」職缺會心動，又怕被技術問題問倒不敢投履歷的人
用過 AI 工具寫報告、做專案，但不知道這些算不算「能寫進履歷」的人
正在做職涯輔導，想幫非理工學生找到第一個可行入口的人

為什麼你卡住的不是科系，而是不知道從哪個職缺開始

予晴的困境，很多非理工新鮮人都有：

把「AI 工作」整個想成一道牆，牆的另一邊是會寫程式、懂模型的人，而自己連門在哪都找不到。

但問題其實不在科系，而在於沒有人幫她把「AI 相關工作」拆開來看。

它其實是一整條產業鏈：

有人訓練模型，也有人要把模型接進客服、接進行銷、接進日常流程，讓它對真實使用者有用。

後面這段路需要的不是寫程式，而是懂業務、懂內容、懂資料怎麼整理。

所以真正該問的第一個問題，不是「我不是資工系能不能做 AI」，而是：

在 AI 落地的這條鏈上，哪一個環節剛好用得到我已經會、或學得起來的能力？

把問題從「資格」換成「入口」，焦慮就會收斂成一個可以動手的起點。

技能導向招募：企業看的是任務訊號，不是你的系所

要理解為什麼非理工也有入口，得先看懂近幾年招募邏輯的一個轉變，從「學歷導向」走向「技能導向」（skill-based hiring）。

傳統招募用系所和文憑當作篩選的第一道門，機器學習職缺先看資工、統計系。

但生成式 AI 普及後，大量需要被填補的職缺，其實是「把 AI 用在某個場景裡」的應用型工作。

這類工作真正要驗證的，不是你修過幾門演算法，而是一組可以被觀察的任務訊號：你能不能把一份雜亂資料整理成可用格式？能不能寫出讓 AI 產出穩定的提示？能不能判斷 AI 給的答案哪裡不能直接用？

世界經濟論壇的《Future of Jobs Report 2025》也指向同一個方向：分析思考、AI 與資料素養、彈性與自學能力，被列為未來幾年最被看重的核心技能，而這些都不是某個科系的專利。

國內人力平台的觀察也顯示，標示「不限科系」的 AI 相關職缺占了相當高的比例，原因正是企業缺的是「能讓 AI 在業務裡跑起來的人」。

這個轉變為什麼對你重要？因為它把判斷標準從「你是什麼系」換成「你能產出什麼訊號」。

系所是你改不了的過去，但任務訊號是你這個月就能開始累積的東西。

企業真正想看到的任務訊號	它對應的入門能力	非理工也能怎麼證明
能把雜亂資料整理成可用格式	資料清洗、分類、摘要	整理過社團問卷、活動報名表並做成圖表
能讓 AI 穩定產出想要的內容	提示設計、版本比較	用同一主題寫出 3 版提示，比較產出差異
能判斷 AI 答案哪裡不可信	查證、來源確認	標出 AI 報告裡需要人工核對的段落
能把成果講成別人聽得懂的話	溝通、成果呈現	把專案成效寫成一頁能被追問的說明

「我不是資工系」與「我懂這個場景」，兩種念頭的拉扯

站在攤位前的予晴，腦中其實有兩個聲音在拉扯。

一個聲音說：AI 工作需要技術背景，我不是資工系，這條路先放棄比較不會丟臉。

這個想法不是全錯，深度技術職，例如訓練模型、調效能，確實需要硬底子，硬投只會被刷掉。

它的合理之處在於認清自己的限制。

但它的盲點是，把「整個 AI 產業」都當成深度技術職，於是連那些其實不碰程式、只需要懂場景的應用型入口，也一起放棄了。

另一個聲音說：

我先從可以學、可以做、可以證明的入門任務開始就好。

這個想法的好處是，新鮮人第一份工作最缺的本來就是「實戰證據」，先卡進一個入口、做出一兩個能展示的成果，比空等自己「準備好」更實際。

但它也有盲點：

如果只滿足於用工具、完全不補底層概念，半年後遇到要判斷資料品質、要跟工程同事溝通時，就會卡住、難以往上走。

所以這不是二選一，而是有順序：

先用「我懂這個場景」找到入口、卡進去產出證據，再回頭補基礎，讓自己能走得更遠。

於是真正的轉折問題是：你的第一份 AI 工作，不一定要證明你會寫模型，而是先證明你能讓 AI 在一個具體場景裡真的有用，這件事，你現在能從哪裡開始？

非理工新鮮人的 5 種 AI 工作入口與作品準備表

把上面的判斷收成一張可以直接照著做的表。

你不用五個入口都準備，只要選一個最貼近自己經驗的，先做出一份兩頁的作品。

入口職務	主要任務	可準備的作品（具體範例）	下一步
資料整理	標註、清洗、摘要、分類，建立資料敏感度	把一份 200 筆的活動報名表，清成可分析格式並做出 3 張摘要圖	寫下你怎麼判斷哪些資料要保留、哪些要剔除
內容營運	用 AI 輔助文案、社群、素材與成效整理	用 AI 產出一週社群貼文，附上你的修改前後對照	記錄哪些是 AI 寫的、哪些是你判斷後改的
行銷業務	用 AI 做名單、腳本、提案與客戶資料準備	針對一個假想客戶，用 AI 整理產業背景並擬一份提案大綱	標出哪些數據你親自查證過來源
客服流程	整理常見問題、測試回覆品質、改善知識庫	把一個產品的 FAQ 整理成知識庫，測試 AI 回覆並標出錯誤	列出 AI 答錯的 3 種情況與你的修正方式
專案助理	協助導入工具、紀錄流程、追蹤前後差異	把一個重複流程改成 AI 輔助版，記錄耗時前後差異	把流程畫成一張前後對照圖

注意每個入口的「作品」都有同一個結構：任務、AI 做法、人工檢查、成果差異。

這正是面試官最想追問、也最能看出你不只會「點開 ChatGPT」的地方。

怎麼把校內專案改寫成一份能被追問的 AI 應用證據

予晴後來回去翻了自己的大學經歷，發現她並不是「什麼都沒有」。

她大三辦過一場跨校活動，當時用 AI 整理了報名資料、寫過好幾版宣傳文案、還做過活動後的問卷分析。

問題只是，她從來沒把這些寫成「AI 應用證據」，只在履歷上寫了「熟悉 ChatGPT」。

「熟悉某工具」這種寫法幾乎沒有作用，因為它無法被追問。

真正有說服力的，是一句經得起對方多問三層的話：你處理了什麼任務、用了什麼做法、做了哪些人工檢查、帶來什麼差異。

把每段經歷整理成這四層，履歷就會立刻不一樣：

任務：我負責的具體工作是什麼（不是「會用 AI」，而是「整理 300 份跨校活動報名資料」）。
做法：我用什麼工具、設計了什麼步驟讓 AI 產出可用。
人工檢查：我怎麼判斷 AI 哪裡不能直接用、做了什麼把關。
成果差異：時間、品質或產出有什麼可以講出來的變化。

這裡也要誠實：把履歷寫好不保證你一定錄取，新鮮人面對的競爭仍然真實存在。

但當你能拿出這種證據，你就從「不敢投履歷的旁觀者」，變成「有一個具體案例可以聊」的應徵者，而這，往往就是攤位前那段距離真正的差別。

常見問題

Q1：「不限科系」是不是代表這份工作很簡單、誰都能做？

不是。不限科系通常代表企業不再用系所篩人，但仍會看你的工具操作、學習速度與場景理解。它降低的是「科系門檻」，不是「能力門檻」。把它理解成「歡迎你用其他方式證明自己」，會比理解成「很好混」來得準確。

Q2：我完全不會寫程式，會不會進去之後就卡住？

應用型入口（資料整理、內容、客服、行銷、專案助理）大多不要求寫程式，但建議你進去後補一點資料概念與基本邏輯，例如看得懂簡單的表格運算、知道資料怎麼分類。這不是要你變工程師，而是讓你能跟技術同事溝通、判斷 AI 產出的品質，避免半年後成長受限。

Q3：我只用過 ChatGPT 寫作業，這樣也能寫進履歷嗎？

可以，但要改寫法。不要寫「熟悉 ChatGPT」，而是把某一次具體經驗拆成任務、做法、人工檢查、成果四層。重點不是你用得多熟，而是你能不能說清楚「在一個真實情境裡，AI 幫你做到了什麼、你又把關了什麼」。

Q4：這五個入口，我應該先選哪一個？

選你過去經驗最貼近的那一個。常整理資料、辦活動，選資料整理或專案助理；寫過文案、經營過社群，選內容營運；做過業務、接觸過客戶，選行銷業務。先做出一份作品，再決定要不要嘗試第二個入口，比五個都淺嚐一口更有用。

最後提醒：把履歷裡的舊經驗，翻成 AI 應用的證據

予晴最後沒有在那天投出履歷。

她回家做的第一件事，是把那場跨校活動的經歷，按任務、做法、人工檢查、成果差異重新寫了一遍。

寫完她才發現，原來自己不是「什麼都只會一點點」，而是「做過一件能講清楚的事，只是一直沒講清楚」。

下一次再站到攤位前，她要遞出去的，不再只是一張寫著科系的履歷，而是一個可以被追問的案例。

非理工新鮮人的第一份 AI 工作，從來不是從「證明你會寫模型」開始，而是從第一次把自己懂的場景，翻譯成 AI 能在裡面派上用場的證據開始。

入口找到了，下一步就不再模糊。