最近很多知識工作者會有一種很微妙的感覺：自己好像越來越不像在做一個明確職位上的工作，而是越來越像打雜工。

一早可能在定義資料要怎麼清洗，中午開始規劃架構，下午畫架構圖和流程圖，接著跟同事討論資料管理、權限、治理規則，晚上再把這些規則整理成文件、測試案例、驗收條件，交給 AI agent 去寫程式、補測試、跑 CI，最後再反覆 review。

從外面看，這些事情很零碎。從裡面看，這些事情其實都在處理同一個問題：把混亂的工作，整理成可以被別人理解、可以被系統執行、可以被驗收的形式。

這可能就是 AI 時代打雜的藝術。

打雜這個詞聽起來很低階，像是誰都不想做的瑣事集合。但在 AI agent 開始進入工作流程後，打雜反而變成一個很值得重新理解的角色。

因為真正能被清楚定義、標準化、重複執行的工作，正在快速變成 agent 的工作。只要一件事能寫成 SOP、能列出輸入輸出、能描述成功條件、能補上測試案例，它就有機會被寫成 skill、workflow、script，或交給一個有工具權限的 agent 去做。

人留下來的部分，往往不是某個單一動作，而是動作之前那一整層判斷。

資料清洗不是只在改欄位名稱，而是在決定什麼資料可以信、什麼資料應該被排除、異常值要用業務規則還是統計規則處理。架構規劃不是只在畫框框和箭頭，而是在決定責任邊界、資料流向、失敗時怎麼回復。流程圖不是裝飾，而是在逼團隊把「大家以為自己懂」的事情講到同一張圖上。

這些工作看起來像打雜，是因為它們不總是有漂亮的產物。它們常常是一堆會議、一堆文件、一堆圖、一堆規則、一堆看起來很煩的確認。但沒有這些東西，agent 也只能拿著模糊指令亂衝。

很多人期待 AI 幫自己做事，但忽略了一點：AI 最怕的不是工作多，而是工作沒被定義。

如果任務是「幫我把這個系統做得更穩」，agent 可能會產出一堆看似合理、但很難驗收的東西。可是如果任務被拆成：

• 哪些資料要先清洗
• 哪些邊界條件一定要測
• 哪些 API 行為不能改
• 哪些錯誤要回傳可讀訊息
• 哪些流程必須留下 log
• 哪些變更要通過 smoke test、unit test、integration test
• 哪些情境要人工再測一次

那 agent 的能力就會突然變得很實用。

差別不在 agent 變聰明，而在工作被整理到它能接手。

所以，所謂打雜工的價值，不是「什麼都做一點」，而是「把還不能交出去的事情，整理到可以交出去」。

這裡面有幾層工作。

第一層是定義規則。資料怎麼清、欄位怎麼命名、權限怎麼分、流程誰負責、什麼狀態算完成、什麼狀態要退回。規則不是為了讓組織變僵硬，而是為了讓溝通成本下降。沒有規則，每次都要靠人情、默契和記憶補洞；有了規則，事情才有機會被交給工具。

第二層是建立共識。規則寫出來不等於團隊會用。很多治理文件失敗，不是因為內容錯，而是因為沒有人真的理解它要解決什麼問題。這時候 AI 可以幫忙把訊息改寫成不同版本：給工程師看的、給 PM 看的、給主管看的、給資料使用者看的。人的工作則是判斷哪種說法能讓同事接受，哪裡需要讓步，哪裡不能模糊。

第三層是設計驗收。這一層會越來越重要。AI 很會產出，但產出不等於可用。真正能讓 agent 變成生產力的，不是「請它幫忙寫」，而是「告訴它什麼叫寫對」。smoke test、unit test、integration test、edge case、rollback plan、CI gate、測試環境人工驗收，這些看起來很麻煩的東西，其實都是把主觀信任改成客觀檢查。

第四層是反覆挑錯。這一步有時候真的很像在對 agent 進行職場霸凌：用非常吹毛求疵的角度一直質疑它，問它有沒有漏邊界、有沒有破壞既有行為、有沒有假設不存在的資料、有沒有把錯誤吞掉、有沒有過度設計。幸好它不是人，不然每天被這樣 review，應該早就去找 HR。

但這個過程很有價值。因為人不是在找碴，而是在訓練系統接近可靠。

過去很多職場價值來自「我會做這件事」。會寫某種報表、會改某段程式、會整理某份資料、會跑某個流程。接下來，這種價值會被壓縮。只要能被穩定描述，agent 就會越來越有能力接手。

比較不容易被壓縮的，是另一種能力：知道事情該怎麼被描述。

這聽起來很抽象，但在實務上非常具體。誰能把需求講清楚，誰能把例外列出來，誰能把風險說成人聽得懂的語言，誰能讓不同部門對同一件事有共同理解，誰能把驗收條件寫到 agent 和人都看得懂，誰就還有很強的價值。

這不是管理學空話，而是 AI 協作的前置工程。

未來很多工作會變成這樣：人負責把問題整理到足夠清楚，agent 負責把可執行的部分大量完成。人再回來驗收、修規則、補邊界、調流程，直到這件事可以變成下一個 skill 或自動化節點。

這時候，打雜工其實更像流程建築師。

不是因為名片變好聽，而是因為他的工作不是搬東西，而是把一堆還沒有形狀的東西整理成可搬、可交付、可維護的結構。

當然，這不代表所有打雜都值得浪漫化。有些打雜只是組織懶得設計流程，把責任丟給某個人補洞；有些打雜只是資訊不透明，讓人每天在追資料、追人、追狀態。這種打雜不是藝術，是組織債。

真正有價值的打雜，應該會讓下一次更不需要打雜。

如果今天整理了一套資料清洗規則，下次就能變成檢查腳本。如果今天把流程圖畫清楚，下次就能變成 onboarding 文件。如果今天把測試案例討論完整，下次就能變成 agent 可重複使用的測試生成 skill。如果今天把 review 問題整理好，下次就能變成預設檢查清單。

這才是關鍵：打雜不是永遠手動補洞，而是每次補洞時，都順手把洞的形狀記下來。

AI 時代比較殘酷的地方是，很多人過去以為自己在做高價值工作，其實只是在重複執行一套尚未自動化的流程。當那套流程被寫成 skill，被接上 CLI、MCP、內部資料權限和 CI/CD 後，人就會突然發現，原來自己真正不可替代的部分沒有想像中多。

但這也不是壞事。

能當打雜工，某種程度上應該慶幸。因為代表你還站在混亂的前線，還有機會看見規則尚未成形的地方。等一件事完全能被定義、完全能被標準化、完全能被驗收，它就會變成 agent 的工作。人真正該珍惜的，不是永遠守住某個手動任務，而是有能力把任務推向不再需要自己手動做。

結論很簡單：AI 時代的打雜，不是低階工作，而是一種過渡中的高價值工作。它站在混亂和自動化中間，負責把模糊變清楚，把默契變規則，把規則變流程，把流程變測試，把測試變部署，把部署後的洞再補回系統。

真正危險的不是覺得自己像打雜工。

真正危險的是，打了很多雜，卻沒有讓任何事情變得更可定義、更可交付、更可自動化。

如果每天的雜事最後都能變成規則、文件、測試、skill 或 agent workflow，那它就不是雜事。那是在替未來的自己減少工作，也是在替團隊建立新的生產力底座。