Kemahiran Pelengkap AI: Apa yang Perlu Diambil Bekerja dan Dibangunkan Sekarang

Oleh Victor Hoang · Dikemas kini 22 September 2026

Kemahiran pelengkap AI ialah keupayaan manusia yang menjadi lebih bernilai, bukan kurang, apabila AI menghasilkan lebih banyak draf pertama: membingkai masalah yang betul sebelum sesiapa mula menjana jawapan, menggunakan pertimbangan apabila bukti tidak lengkap, mengesahkan dan menangkap output yang kedengaran meyakinkan tetapi salah, menggunakan kedalaman domain yang cukup untuk tahu bila sesuatu tidak kena, menetapkan konteks dan mendelegasikan tugas kepada ejen AI sebagaimana anda mendelegasikannya kepada pekerja baharu, serta melakukan kerja hubungan yang menentukan sama ada semua perkara di atas diterima pakai.

"Kemahiran insaniah semakin penting sekarang" memang benar, tetapi hampir tidak berguna sebagai arahan pengambilan pekerja. Ia tidak memberitahu perekrut apa yang perlu disaring, tidak memberitahu pengurus apa yang perlu dibangunkan dalam diri ahli pasukan, dan tidak membezakan calon yang benar-benar baik dalam pertimbangan daripada calon yang sekadar yakin diri. Artikel ini cuba menjadi lebih khusus: rupa sebenar kemahiran ini dalam praktik, apa yang ditunjukkan bukti tentang perubahan yang berlaku, apa yang perlu diminta semasa mengambil pekerja, dan satu contoh jujur tentang kemahiran yang dihebohkan sebagai tahan lama tetapi sebenarnya tidak (prompt engineering).

Fakta Utama

• Pemikiran analitikal ialah kemahiran teras yang paling dicari majikan pada 2025, dengan kira-kira tujuh daripada sepuluh syarikat menyebutnya penting, manakala AI dan big data mendahului senarai kemahiran yang paling pesat berkembang yang dijangka diperlukan majikan sehingga 2030. Sumber: World Economic Forum, Future of Jobs Report 2025
• Majikan menjangkakan 39% kemahiran teras yang diperlukan dalam pasaran pekerjaan akan berubah menjelang 2030, bukti bahawa set kemahiran itu sendiri sedang beralih, bukan lenyap ke dalam satu kategori "kemahiran AI". Sumber: World Economic Forum, Future of Jobs Report 2025
• Apabila ditanya kemahiran manusia yang paling penting apabila AI mengambil alih lebih banyak kerja, pekerja meletakkan kawalan kualiti output AI di tempat pertama (50%) dan pemikiran kritis, iaitu menaakul maklumat dan membentuk pertimbangan, di tempat kedua (46%). Sumber: Microsoft Work Trend Index 2026
• 86% pekerja berkata mereka menganggap output AI sebagai titik permulaan, bukan jawapan muktamad, dan mereka kekal bertanggungjawab ke atas pemikiran di sebaliknya, perkara yang paling hampir dengan norma pengesahan yang berfungsi dalam data hari ini. Sumber: Microsoft Work Trend Index 2026
• Data Skills on the Rise 2026 LinkedIn menunjukkan kemahiran teknikal AI dan kemahiran insani yang berasaskan hubungan (kerjasama merentas fungsi, kepimpinan, komunikasi eksekutif) meningkat permintaannya pada kadar yang hampir sama, bukan yang satu menggantikan yang lain. Sumber: LinkedIn, Skills on the Rise 2026
• Kajian Stanford RegLab 2024/2025 mendapati alat penyelidikan undang-undang AI komersial terkemuka, yang dipasarkan sebagai bebas halusinasi, masih mereka atau menyalahtafsirkan petikan dalam 17% hingga 33% pertanyaan yang diuji, peringatan konkrit bahawa kedalaman domain ialah perkara yang menangkap ralat yang terlepas daripada pandangan seorang generalis. Sumber: Stanford RegLab, "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools"
• Kajian rawak 2026 ke atas 1,339 guru Greece mendapati mereka jauh lebih cenderung menerima gred yang tidak adil dan keterlaluan apabila diberitahu ia datang daripada algoritma berbanding apabila diberitahu gred keterlaluan yang sama datang daripada rakan sekerja manusia, sekali gus melebarkan jurang keadilan sebanyak kira-kira 22%, bukti bahawa profesional terlatih pun menunjukkan bias automasi terhadap output yang dilabel AI. Sumber: PNAS Nexus, Goulas, Megalokonomou & Sotirakopoulos, 2026

Kemahiran yang Benar-Benar Bertahan

Enam kemahiran ini muncul dalam pelbagai bentuk merentasi bukti di atas. Tiada satu pun ialah sifat baharu yang dicipta untuk era AI. Yang baharu ialah betapa lebih tinggi nilainya sekarang kerana menjana draf pertama yang kelihatan meyakinkan sudah murah.

Pembingkaian Masalah: Memutuskan Soalan Mana yang Perlu Dijawab

AI sangat pandai menghasilkan jawapan kepada soalan yang anda tanyakan. Ia jauh lebih lemah dalam memberitahu anda bahawa anda bertanya soalan yang salah. Seseorang meminta sistem AI untuk "mengurangkan churn" lalu mendapat senarai taktik pengekalan, sedangkan masalah sebenarnya ialah peringkat harga yang tersalah harga dan tidak sepatutnya dijual kepada segmen itu sejak awal lagi. Model itu menjawab dengan setia; orang yang membingkai permintaan telah mengarahkannya ke sasaran yang salah.

Inilah sebabnya pemikiran sistem semakin bernilai dan bukan sebaliknya. Pembingkaian yang baik bermakna memahami bagaimana sesuatu masalah berkait dengan sistem di sekelilingnya: apa yang berada di hulu, apa yang gejala berbanding punca, dan apa yang perlu ada dalam "jawapan yang baik" supaya ia berguna. AI boleh melaksanakan tugas di dalam sesuatu bingkai. Ia tidak boleh memberitahu anda dengan boleh dipercayai bahawa bingkai itu salah, kerana ia tiada cara bebas untuk mengetahui masalah apa yang sebenarnya ingin anda selesaikan.

Pertimbangan dalam Ketidakpastian: Memutuskan Apabila Bukti Tidak Jelas

Model AI yakin secara lalai. Ia akan menghasilkan jawapan yang lancar dan tersusun baik sama ada bukti di sebaliknya kuat, nipis atau bercanggah, dan kelancaran output tidak memberi isyarat yang mana satu. Ramalan yang dibina atas data bising tiga bulan kelihatan sama kemas dengan ramalan yang dibina atas aliran stabil tiga tahun.

Pembuatan keputusan dalam ketidakpastian sebenar, apabila jawapan jujurnya ialah "kita tidak tahu sepenuhnya, dan inilah cara saya menimbangnya", ialah kemahiran yang berbeza daripada membuat keputusan apabila data bersih. Ia juga satu daripada dua kemahiran yang diberi kedudukan tertinggi oleh pekerja apabila AI mengambil alih lebih banyak pelaksanaan, menurut Work Trend Index 2026 Microsoft yang disebut di atas. Orang yang boleh berkata "cadangan ini mengandaikan X, dan X itu goyah" sedang melakukan kerja yang secara struktur tidak mampu dilakukan sistem AI untuk dirinya sendiri, kerana ia tidak tahu apa yang ia tidak tahu.

Pengesahan dan Pengesanan Ralat: Menangkap Jawapan Salah yang Kedengaran Meyakinkan

Inilah kemahiran yang paling terus tersirat daripada "AI melakukan lebih banyak pelaksanaan": seseorang perlu menyemak pelaksanaan itu. Tetapi menyemak bukan sama dengan membaca sekali lalu. Kajian Stanford RegLab dalam kotak Fakta Utama mendapati alat AI undang-undang yang dipasarkan sebagai bebas halusinasi masih mereka atau memutarbelitkan petikan dalam 17% hingga 33% pertanyaan yang diuji. Ralat itu bukan jelas salah. Ia cukup meyakinkan untuk lepas bacaan pantas, dan itulah sebabnya ia sampai ke dalam dokumen mahkamah sebelum sesiapa menangkapnya.

Semakan human-in-the-loop hanya berkesan jika manusia dalam gelung itu benar-benar berada pada kedudukan untuk menangkap jenis kesilapan tertentu yang mungkin dihasilkan oleh halusinasi AI, bukan sekadar meninjau format dan nada. Perbezaan itu, antara semakan yang menangkap ralat dengan semakan yang hanya menambah kelewatan, ialah seluruh beza antara kemahiran ini benar-benar wujud dengan sekadar sandiwara.

Kedalaman Domain: Mengapa Kepakaran Membolehkan Anda Menangkap Ralat

Pengesahan hanya berkesan jika anda cukup tahu untuk mengenali yang salah. Seorang generalis yang membaca klausa kontrak, model kewangan atau ringkasan klinikal yang dijana AI boleh menyemak sama ada ia konsisten dan ditulis dengan baik. Hanya orang yang mempunyai kedalaman sebenar dalam domain itu dapat menangkap klausa yang konsisten, ditulis dengan baik, namun tetap salah, kerana ralat itu terletak pada pengetahuan domain yang model itu silap sedikit, bukan pada persembahan permukaan.

Inilah hujah paling kukuh terhadap anggapan bahawa AI meratakan nilai kepakaran. Ia berlaku sebaliknya bagi bahagian kepakaran yang berkaitan dengan memadankan corak terhadap "adakah ini kelihatan betul di dunia sebenar", berbanding bahagian yang kebanyakannya tentang kepantasan menaip atau mengingat perkara yang boleh dicari semula. Kepekaan perniagaan, yang dibina selama bertahun-tahun melihat bagaimana sesuatu industri atau fungsi sebenarnya berfungsi, ialah perkara yang memberitahu anda bahawa unjuran yang dijana AI tersasar sepuluh kali ganda sebelum ia sampai kepada pelanggan. Bagi ramai pakar, kedalaman itu juga sebahagian daripada cara mereka melihat diri mereka di tempat kerja, itulah sebabnya makna, identiti dan kraf dalam era AI menganggap kehilangan peluang membinanya sebagai lebih daripada sekadar jurang kemahiran.

Penetapan Konteks dan Pendelegasian: Mengurus Ejen Seperti Anda Mengurus Pekerja Baharu

Apabila sistem AI beralih daripada menjawab soalan tunggal kepada bertindak sebagai ejen AI yang merancang dan melaksanakan kerja berbilang langkah, satu kemahiran baharu menjadi penting: menetapkan sempadan, matlamat dan peraturan eskalasi sebelum kerja bermula, kerana anda selalunya tidak berada di situ semasa ejen melakukannya. Itu kemahiran pendelegasian, bukan kemahiran prompt. Ia lebih menyerupai menulis huraian tugas dan set pagar pelindung untuk pekerja baharu berbanding merumuskan pertanyaan carian dengan baik.

Syarikat yang sudah menjalankan pasukan manusia-ejen mendapati kualiti hasil sangat bergantung pada betapa baiknya seseorang menetapkan skop awal, apa yang ejen dibenarkan putuskan sendiri, dan bila ia dikehendaki menyemak semula. Jika silap, anda sama ada menyekat ejen dengan kelulusan remeh atau membiarkannya berjalan tanpa penyeliaan hingga membuat kesilapan yang tiada siapa tangkap sehingga ia mahal.

Kerja Hubungan: Penentu Sama Ada Semua Ini Diterima Pakai

Tiada satu pun daripada lima kemahiran pertama bermakna jika tiada siapa mempercayai orang yang menggunakannya, atau cadangan itu mati dalam mesyuarat kerana tidak disampaikan dengan cara yang boleh ditindak oleh pihak berkepentingan. Pembinaan hubungan, iaitu keupayaan memperoleh kepercayaan, membaca suasana bilik dan merundingkan persetujuan merentas fungsi, tidak pernah diancam penggantian oleh AI, dan peralihan ke arah lebih banyak output yang dijana AI menjadikannya lebih ketara, bukan kurang. Seseorang perlu menjadi orang yang dipercayai oleh seorang VP yang skeptikal apabila dia berkata "saya sudah semak ini, dan ia betul." Kepercayaan itu diperoleh dari masa ke masa, secara bersemuka, dan ia tidak berpindah kepada model, itulah logik di sebalik premium manusia: sesetengah titik sentuh kekal dikendalikan oleh manusia kerana bukti menunjukkan manusia menang di situ, bukan kerana kebiasaan.

Ada juga versi yang lebih halus: kajian tentang kepercayaan apabila rakan sepasukan anda ialah AI menunjukkan bahawa orang memberi atau menahan kepercayaan terhadap kerja yang disentuh AI sebahagiannya berdasarkan siapa yang menjamin kerja itu. Kemahiran hubungan dan kemahiran pengesahan saling menguatkan. Pengesahan tanpa kredibiliti untuk dipercayai tidak mengubah sesuatu keputusan.

Apa yang Tidak Bertahan: Prompt Engineering sebagai Kajian Kes

Prompt engineering wajar disebut dengan jujur kerana ia contoh paling jelas bagi kemahiran yang dijual sebagai pertaruhan kerjaya yang tahan lama tetapi ternyata hanya peralihan. Pada awal 2023, belajar menyusun arahan dengan teliti untuk model bahasa kelihatan seperti kepakaran yang benar-benar jarang dan bergaji lumayan. Menjelang 2026, kemahiran khusus itu, iaitu merangka perkataan yang tepat untuk mengimbangi sifat model yang terlalu literal, sebahagian besarnya telah dilebur ke dalam peranan lain dan tidak bertahan sebagai gelaran jawatan tersendiri. Sebab asasnya mudah: apabila model menjadi lebih baik dalam mengendalikan arahan yang mudah dan tidak tepat serta bertanya soalan penjelasan sendiri, nilai menjadi "penterjemah" pakar antara manusia dengan model mengecil. Apa yang kekal berguna, iaitu memahami apa yang diperlukan sistem AI untuk melakukan sesuatu tugas dengan baik, menstruktur konteks, memberinya contoh yang betul, tidak hilang. Ia cuma tidak lagi menjadi pekerjaan berasingan dan bertukar menjadi jangkaan asas yang dilebur ke dalam peranan seperti pengurusan produk AI, kejuruteraan AI gunaan, dan jawatan pakar domain yang menggunakan AI secara intensif.

Pengajaran ini terpakai melangkaui prompt engineering itu sendiri: mana-mana kemahiran yang seluruh nilainya bergantung pada mengimbangi had semasa yang khusus pada perkakas AI berisiko sebaik sahaja had itu diselesaikan secara kejuruteraan. Itu penapis yang berguna untuk menilai dakwaan "kemahiran AI yang penting" seterusnya yang muncul dalam iklan jawatan. Tanya sama ada kemahiran itu masih penting jika model asas menjadi jauh lebih baik dalam perkara yang diimbangi oleh kemahiran itu. Pembingkaian masalah, pertimbangan, pengesahan, kedalaman domain, pendelegasian dan kerja hubungan semuanya lulus ujian itu. Penyelesaian sementara perkakas yang sempit biasanya tidak.

Kemahiran, Pemacu Nilai dan Isyarat Pengambilan Pekerja

Apa yang Perlu Diminta Semasa Mengambil Pekerja

Huraian tugas yang menyenaraikan "kemahiran komunikasi yang kukuh" dan "selesa dengan alat AI" hampir tidak menapis apa-apa. Pendekatan yang lebih baik ialah meminta bukti yang dikaitkan dengan kemahiran tertentu, menggunakan kerja sebenar dan bukannya penerangan diri.

Soalan yang Benar-Benar Menguji Perkara Ini

Daripada bertanya "adakah anda pandai berfikir secara kritis", minta calon menceritakan satu ketika mereka tidak bersetuju dengan sesuatu cadangan, dijana AI atau tidak, dan perlu memutuskan sama ada untuk mengatasinya. Daripada bertanya "sejauh mana anda selesa dengan AI", minta mereka menyemak output AI yang cacat secara langsung dan menerangkan apa yang mereka akan semak dahulu dan mengapa. Daripada bertanya "adakah anda mempunyai kemahiran kepimpinan", tanya tentang satu contoh khusus apabila mereka perlu membuat khalayak skeptikal bertindak atas sesuatu yang mereka tahu betul.

Pola merentasi semua ini: tingkah laku lampau yang spesifik mengatasi penilaian kendiri, dan latihan langsung mengatasi soalan tingkah laku lampau apabila anda boleh mengaturkannya, kerana jauh lebih sukar untuk berpura-pura pengesahan yang cekap di dalam bilik berbanding menerangkannya dengan meyakinkan selepas itu.

Bunyi Jawapan yang Baik Berbanding Jawapan yang Dilatih

Jawapan yang dilatih kepada "bagaimana anda menggunakan AI" kedengaran seperti senarai ciri: alat mana, prompt mana, pintasan mana. Jawapan yang tulen kedengaran seperti proses membuat keputusan: apa yang mereka jana dengan AI, apa yang mereka tidak pernah percayai tanpa semakan kedua, dan secara khusus mengapa sempadan itu terletak di situ untuk jenis kerja mereka. Jawapan kedua mendedahkan pemikiran kritis dengan cara yang tidak dilakukan oleh jawapan pertama, kerana ia menunjukkan calon benar-benar telah memikirkan di mana pertimbangan mereka sendiri menambah nilai berbanding di mana ia berlebihan.

Literasi AI sebagai isyarat pengambilan pekerja bukanlah "adakah mereka pernah guna ChatGPT". Ia ialah sama ada mereka boleh menyatakan secara khusus di mana mereka akan mempercayai output sistem AI tanpa semakan dan di mana tidak, untuk kerja sebenar yang akan mereka lakukan. Semangat yang samar dan kecurigaan yang samar kedua-duanya isyarat yang lebih lemah berbanding sempadan yang khusus dan boleh dipertahankan.

Membangunkan Kemahiran Ini dalam Pasukan yang Sudah Anda Miliki

Kebanyakan organisasi tidak mengambil pekerja baharu untuk setiap kemahiran ini; mereka cuba membangunkannya dalam orang yang sudah ada dalam pasukan. Versi praktikal kerja itu biasanya bermula dengan menjadikan pengesahan sebahagian yang dinamakan dan kelihatan daripada sesuatu peranan, bukan tugas latar belakang yang diandaikan. Jika tiada tugas sesiapa yang secara jelas merangkumi "tangkap kesilapan AI dalam aliran kerja ini", ia cenderung tidak berlaku secara konsisten, kerana ia bersaing dengan kerja yang lebih pantas dan lebih ketara.

Ia juga bermakna memberi orang ulangan domain yang membina pemadanan corak yang diterangkan sebelum ini. Seseorang tidak boleh membangunkan naluri untuk "nombor yang dijana AI ini nampak tidak kena" tanpa terlebih dahulu terdedah secukupnya kepada rupa yang betul, yang bertentangan dengan menyerahkan kerja yang paling berat pelaksanaan dan paling kurang pertimbangan sepenuhnya kepada AI sementara kakitangan junior tidak pernah membina asas pengalaman yang mereka perlukan untuk menyelia AI kelak. Pertukaran itu, antara kepantasan hari ini dengan kepakaran lima tahun lagi, ialah sesuatu yang patut diputuskan oleh pemimpin dengan sengaja dan bukan secara lalai.

Dari sudut operasi, di sinilah data tenaga kerja membuktikan nilainya. Aplikasi People Rework wujud sebahagiannya untuk ini: menggandingkan penjejakan kemahiran dan kompetensi dengan data aliran kerja yang menunjukkan siapa yang benar-benar membina pertimbangan di tempat kerja, bukan sekadar siapa yang menamatkan modul latihan. Ia sekeping kecil daripada persoalan yang jauh lebih besar, tetapi ia tempat permulaan yang berguna jika anda belum mempunyai gambaran jelas tentang siapa dalam pasukan anda yang memiliki kemahiran yang diterangkan dalam artikel ini.

Semua ini tidak berhujah bahawa AI menjadikan manusia kurang berupaya. Ia melukis semula keupayaan mana yang memikul beban. Pasukan yang menghabiskan dekad lalu mengoptimumkan siapa yang boleh menghasilkan output paling banyak paling pantas kini perlu mengoptimumkan siapa yang boleh membingkai masalah yang betul, mempertahankan keputusan pertimbangan yang kukuh, dan menangkap kesilapan yang tiada orang lain dalam bilik akan nampak. Itu lebih sukar untuk disaring berbanding kepantasan menaip dahulu, dan itulah sebabnya organisasi yang mahir dalam hal ini lebih awal akan beroperasi dengan kelebihan yang nyata dan terkumpul berbanding yang masih menulis huraian tugas untuk tenaga kerja yang sudah tidak wujud.