文：戴士翔 | Dennis 數據Dai
寫在前面：AI普及來得會很快，因此必須儘早思考
最近不管文章、科學影片、家談技短影音媒體都在風風火火傳著ChatGPT的對的影代應用 ，從去年開始自己就十分關注ChatGPT的工作應用與發展，該AI的響的信賴強大在使用過後實在讓我佩服，網路上不同領域（行銷、職業工程、愈需愈難財務）也有許多聲音在討論 ChatGPT對於不同行業的數據影響，因此今天這篇文章記錄下2023年初自己對於AI對數據行業的科學思考，更多是家談技個人對於未來的預測與想法
什麼是ChatGPT？
ChatGPT是由OpenAI開發的一個人工智慧聊天機器人程式，於2022年11月推出，對的影代因為對話與高度接近真人、工作摘要的響的信賴能力驚人，因此用戶快速增長，職業連帶讓許多人都意識到AI的發展速度有多麽驚人，根據報導，推出短短五天內，每天活躍用戶數就超過百萬人；兩個月後，突破每月活躍用戶數達一億人，隨著商用服務出現，AI的商業化進度將更迅速滲透到每個人的生活。
自從微軟火速開啟商業策略整合ChatGPT進自己的瀏覽器Bing，我們也可以注意到Google與微軟的AI大戰開打，這同時會讓我們更透明了解AI技術的發進度與增加前端研發者的開發速度壓力，兩兩都會推動AI的應用化更快速。
大綱：職業影響與個人專業能力啟示
本文分為以下兩個子節，先說明個人對職業影響的思考，尤其以數據分析行業為主，包括商業分析師、數據科學家、數據分析師、機器學習工程師、數據工程師，以及泛數據行業（如大量接觸數據的金融、行銷、供應鏈、生醫職能） ; 至於其他行業從業者可自動將本文的技術能力（Coding，算法）替換為從業的知識要求，而軟實力我想大部分行業都是共同的，因此也可以斟酌服用。
（一）職業影響
- 數量：開發需求減少、部署需求增加
- 質量：對於領域知識與問問題的要求更為重要
（二）個人專業能力啟示
- 學習：如何培養下一階段的AI技能
- 經驗：應累積何種技能因應AI浪潮
職業影響
首先是專業層面，我會從兩個方向切入，Quality & Quantity，我認為ChatGPT在未來會從這兩個層面對數據分析從業人員產生影響：
- 數量：工程、報表需求人員減少，交付、部署人員需求增加
- 質量：工作內容改變，會花更多時間在設計符合「Context」的算法與應用產品
預測一：多數職業的工作性質改變 → 人力需求減少 → 取代
首先是最多人擔心的取代問題：「AI到底會不會取代我的工作呢？」
我認為這取決於你的工作多標準化，其實絕大多數工作本質上都是相當標準化的，我相信每個工作流程都能通過流程圖、網路圖被描繪出來，只是過去因為流程過於複雜、判斷因素更多，因此難以用機械取代，但隨著AI從資料學習的能力越來越好，這些判斷因素將更容易被機器學習，因此複雜性顯然不是一個要素。
作者提供 從我過去參與的轉型經驗來看，我認為「人的信賴」是一個關鍵要素，你的職業有多麽「需要信賴」，就更難被取代。
信賴意味著要與人交流，因此在「雙向溝通」上，比如分析的交流、回應疑慮、做出診斷這些任務上，我認為還是需要人類的，而許多職業如律師、醫師都需要診斷，顧問需要針對客戶疑慮回答，醫生可能會花更多時間在病人諮詢與安撫上，診斷與評估會通過AI輔助更有效率。
但是「單向交流」諸如回應答案、分析報告，這些我認為AI都是相當好取代的，比方數據分析單方面報數、客服回應等可能就要小心，因此如果你的工作有高比例都是不需要交流、單純會報的，我會建議更專注在開發「交流」與「主動溝通」上，不要做個被動的回答者，而是多去發掘問題與考量對方處境做出應對。
在具體數據分析從業人員上，分析價值會提高，因為人們可以考慮更複雜的要素與其中的交互作用，而工程、數據基礎建設、演算法方面，交付、部署人員需求增加，比起參與端到端的自建複雜系統開發、開發報表、工程建置，人們應該會有更多機會接觸到大量的微服務與API建構的混合雲系統，這也是一種雙向交流，通過對於自身需求的理解來設計系統與分析關鍵零組件，以後會更偏向混合的專業分工模式。
第一個衝擊，就是多數職業的工作性質會改變，雙向交流、刺激思考，遠高於單方向給出答案/解決方案的工作。取代的核心在於「信賴」，因此要做到完全取代我認為不太可能，但因為生產力提高，人力需求減少是相當可能的
第二個衝擊，則是特定職能人力需求的減少。
上面這張圖可以大致看麥肯錫是怎麼想未來工作樣貌的，雖然忽略了很多細節，但還是可以看到生產、數量驅動為主的工作替代性的優先級更高一些。
我認為人力需求會減少是必然的（假設業務量不變），比方說我以前在管顧公司這種高密集知識、對資料收集整合與梳理需求高的工作，有了ChatGPT初步估計至少可以增加5到6倍的生產力，這意味著公司只需要原本20%左右的人就可以達到類似的效果，資深人員若不能發揮經驗優勢反而容易被取代
大量資訊收集助理人員——管顧、律師、證券分析師的助理們——的人數會減少，但高階人員的人數也可能受到負面影響，因為資深人員成本高，採用新進人員可大幅降低成本，結果不一定更差，可能以後的配置會更偏向一個經驗豐沛者與更多中階人員，而初階人員的需求將大幅減少，但高階人才在單一團隊的密度也會下滑。
或者走向另一種質量的改變，新進人員跳過助理階段，更多在協助驗證AI的資訊品質，包括違反基本邏輯、前提條件的資訊排查，以及為AI提供更清楚、具體的問題上，比如將大問題拆解，並通過人類語言與AI合作。
第三個衝擊：工作性質上Knowledge-based的價值減少，懂得問問題與拆解問題、足夠了解情境並能將這些轉換為問題的價值將大幅提高。