
封面圖:一人面對 Agent 審閱收件匣——樽頸係注意力,唔係工具速度。
你係咪都試過:Agent 交齊五份草稿,你仲喺度逐字校對到凌晨?
工具愈快,收件匣、Review 清單、例外處理就愈多。執行被自動化咗,真正卡住進度嘅,變成你自己嘅注意力——讀輸出、判對錯、改規格、決定下一步。以為慳返嘅時間,變成另一種更密集嘅勞動。
如果你正在計劃一人公司/一人團隊,或者作為中年白領正面對自動化改寫職責,記住呢兩句:樽頸唔再係「會唔會用最新工具」,而係「點樣設計注意力同 Agent workflow」;而未來可以唔「落手」做嘢——改為拆問題、寫規格、設計流程——先係人才。 下文用 Anthropic 公開數據、一張【對比表】,同四樣可遷移基本功,講清楚點贏、點輸。
一、盲點拆解:2023 講「邊份工會被改寫」——2026 卡喺邊?
2023 年,我們 Venturenix 在《Hong Kong Salary Guide》中提出:到 2028 年,約 80 萬名港人(約佔勞動人口 四分之一)可能失業或需要轉換工作。數據輸入、行政、客戶服務首當其衝;律師、翻譯、插畫等傳統高薪或專業崗位亦受影響。南華早報當時亦以此為題報道。
三年後回望,這並非危言聳聽,而是路徑愈來愈清晰:
- 執行層工作——起草文件、整理數據、跟進客戶、寫第一版程式——正被 Grokbot、Cursor、Copilot 一類工具大量承接。
- 白領的「動手做」門檻下降,但「決定做什麼、做得對不對」的責任並沒有消失;相反,輸出量上升後,這層責任更重。
- 市場上仍有人以為答案是「再學一個新工具、再考一張證書」。我們作為同時做獵頭與培訓的機構,看到的是另一條線:僱主開始更看重判斷力與自主性——換句話說,未來可以唔「落手」執行、而係設計同審核 Agent 做嘢嘅人,先係人才;單純執行熟練度嘅權重正在下降。
創辦人袁益霆(Dicky Yuen)多年來對香港 HR 與職涯市場的判斷亦相當一致:分水嶺不是「有沒有聽過 AI」,而是能不能把行業知識變成可自動化的流程與可交付的項目。工具會換代;可以唔「落手」死做、而係拆問題、寫規格、設計 workflow 的人,才有議價力——呢啲先係下一波人才定義。
換句話說:2023 年講的是「誰的職位會被改寫」;2026 年要面對的是「改寫之後,人到底卡在哪裡」。對一人公司而言,這個「卡點」幾乎總是同一樣東西——唯一那個人類的注意力。
二、【數據】Anthropic:讀輸出可佔半工——人先係樽頸
2026 年 10 月 16 日,Anthropic 發表研究報告 How employment is changing at Anthropic。作為高度採用 AI Agent 的機構,他們的內部數據,對一人公司與中層白領都有直接參考價值——不是因為每個人都在 Anthropic 上班,而是因為它提前展示了「Agent 工時遠超人類」之後,組織會出現什麼瓶頸。
幾個你應該記住的事實(我們只引用報告公開重點,不作延伸臆測):
- 即使非技術員工,若要把自己 Claude Agent 的輸出全部讀完,大約已佔半個工作週的閱讀量。
- 在互動式 session 裡,Agent 約有 八成時間在等人類輸入——人先係瓶頸,不是模型算力。
- Meta-work(建立可見度工具、監察 Agent pipeline、寫規格與做 review)佔互動式 Claude session 的比重,由約 2025 年秋季的 10%,升至約 2026 年春季的 22%。
- 到八月,員工主導的互動式 Agent 工時,約為其人類負責人的 六倍(背景數字;真正要關注的仍是注意力與 meta-work,而非把倍率當成標題故事)。
- 招聘經理愈來愈強調自主性與判斷力;相對而言,純粹執行與狹窄領域專長的權重下降。

Anthropic 2026-10-16 公開重點:半週閱讀量、~80% 等人類、meta-work 10%→22%、Agent 工時約 6×。
這組數字拆解了一個迷思:Agent 並沒有把你「解放」成無所事事,而是把你推到審核官、規格設計師、例外處理人的位置。輸出愈多,你愈要學會「唔好全部親手讀」——否則半個工作天只夠做閱讀,真正創造收入的工作反而被擠走。
報告亦反映一種工作性質的轉移:愈來愈多時間不是「做本來那份工」,而是「管理 Agent 怎樣做那份工」。對大公司,這叫組織重構;對一人公司,這幾乎就是公司全部的管理層。

【對比圖】純追工具 vs 設計注意力/Agent workflow。
【對比表】純追工具 vs 設計注意力/Agent workflow
| 維度 | 純追工具 | 設計注意力/Agent workflow |
|---|---|---|
| 學習焦點 | 每季換最新 App、最新模型、最新插件 | 問題拆解、規格、驗收標準、例外處理規則 |
| 日常節奏 | 開很多 Agent,產出很多草稿 | 少而清晰的任務;Agent 只做可驗收的單元 |
| Review 方式 | 逐字讀完所有輸出 | 例外審查(Exception-only review):只處理風險與異常 |
| Meta-work | 被動出現——突然要做 dashboard、對帳、重做 prompt | 刻意投資:可見度、監控、可重用的 agent spec |
| 成功指標 | 「我用咗未?追唔追得上熱潮?」 | 「同一流程能否在無人值守下跑完,並在例外時叫醒我?」 |
| 一人公司風險 | 工具愈多愈忙,自己變成全職校對 | 產能隨 Agent 擴張,人只守判斷與客戶關鍵節點 |
表格的重點不是否定工具——Grokbot、Cursor、Copilot 都很有用——而是指出:工具只解決執行;注意力與 workflow 才決定你能否規模化。 一人公司如果只會「開 Agent」,卻不會設計「何時需要人」,最終會變成一間產能很高、但老闆永遠在校對的微型血汗房。
表格講清楚方向——但一人公司冇大機構嗰層緩衝。當 Agent 工時係你嘅六倍,排隊等你回覆嘅,會變成點樣?
三、一人公司點贏、點輸:你係唯一人類時,注意力=成間公司樽頸
大機構可以把「讀輸出」分給多人,也可以設專責的 Agent ops、品質、合規。一人公司或一人團隊沒有這層緩衝。Anthropic 數據裡「Agent 等人類」的八成時間,放大到一人場景,意思更直白:成隊數位員工都在你一個收件匣前面排隊。
容易輸:四個把你鎖死喺校對枱嘅習慣
- 同時開太多 Agent:內容、客服、報價、開發一齊跑,全部等你回覆;你變成 24 小時值班的「人類 API」。
- 沒有驗收標準:Agent 交來三千字,你不知道「完成」的定義,只好全部精讀——剛好吻合「讀輸出佔半工」的陷阱。
- 把學習當成收集工具清單:週末學 A,下個月換 B,真正業務流程從來未穩定跑過一輪;一年後帳上有很多帳號,卻沒有可重複的 workflow 資產。
- 把所有例外都當特例人手處理:沒有把重複例外寫回規格,於是每週重複同一個救火,meta-work 永遠停留在救火態,升不到 22% 那種「有系統的管理」。
容易贏:四個把注意力留給判斷同收入嘅做法
- 先定義「人類必須出場」的節點:例如定價、合約、客戶承諾、對外品牌語氣、涉及金錢與合規的決定——其餘交給 Agent 與自動化。
- 把工作拆成可驗收單元:不是「幫我搞妥營銷」,而是「產出五條符合品牌調性的帖文草稿,每條附 CTA,禁用不實數字與未核實數據」。
- Exception-only review:正常路徑自動通過;只有信心不足、涉及金額、涉及法律或客戶投訴的輸出,才進你的收件匣。
- 把 meta-work 當產品投資:可見度工具、pipeline 監控、可重用的 agent spec,不是雜務,而是一人公司的「數位同事手冊」。當 meta-work 做得好,你才有資格讓 Agent 工時倍數成長,而不把自己累垮。
具體一點想像兩個同樣用 AI 的一人團隊:
A 型:每天開十個對話,叫 Agent 寫電郵、做簡報、改網站、回客訴。晚上花三小時逐份改。表面很「AI-native」,實際產能被注意力封頂。
B 型:只維護三條穩定流程——詢盤分流、內容初稿、週報彙整;每條都有規格與例外規則;人每天只處理例外清單與客戶關鍵通話。Agent 可能跑得一樣多,甚至更多,但人類工時花在判斷與收入相關動作上。

A 型:十個對話+三小時校對|B 型:三條穩定流程+例外清單。
差別不在模型版本,而在 workflow 有沒有把注意力設計進去。
這亦解釋為何招聘端開始更重視自主性與判斷——執行可以被工具放大,亂判斷會被工具放大得更快。一人公司沒有上司替你擋槍;你的判斷錯誤,會直接變成客戶看到的成品。
睇得出邊邊贏之後,下一個問題先係關鍵:唔追工具清單,到底要練邊四塊肌肉?
四、與其再追一個工具,不如學呢四樣基本功
市場上從來不缺「三小時學會某某 AI」的教學。對想做一人公司、或想在自動化浪潮中保住議價力的中年白領,更值得投資的是可遷移的基本功——不是下一個插件名稱,也不是永遠追不上的工具清單。

問題拆解 → Agent 規格 → 例外審查 → 自動化工作流。
1. 問題拆解(Problem decomposition)
把「我想提升效率」拆成:輸入是什麼、輸出長什麼樣、誰負責驗收、失敗時怎麼辦、哪些步驟可以並行。Agent 擅長在清晰邊界內衝刺;邊界模糊時,它只會高速產出你要逐字改正的噪音。一人公司尤其要問:這一步是為收入、為交付,還是為「感覺自己好忙」?
2. Agent 規格(Agent specs)
寫清楚角色、可用工具、禁止事項、完成定義、輸出格式、引用來源規則。這與傳統 IT BA 寫 User Story/Acceptance Criteria 同一條肌肉——只是服務對象變成 Agent。規格愈穩,Review 愈短;規格愈模糊,你就愈接近「讀輸出半工」的狀態。可把規格當成可版本管理的資產,而不是每次對話即興口述。
3. 例外審查(Exception-only review)
預設信任自動流程,只審風險點。做法包括:抽樣、規則閘門、第二個 Agent 先做交叉檢查、人類只看差異報告與高風險標記。目標不是「零閱讀」,而是「閱讀時間不再隨輸出線性增長」。Anthropic 指出即使非技術崗位也可能面對半週閱讀量——例外審查,正是對抗這條曲線的方法。
4. 自動化工作流(Automation workflows)
把重複路徑串成可重跑的流程:觸發 → Agent 執行 → 檢查 → 寫回系統 → 例外升級給你。工具可以是 Cursor/Copilot 寫邏輯、Grokbot 類助手處理日常,再配合自動化平台;重點是流程資產屬於你,而不是綁死在單一 App。一人公司真正要累積的,不是截圖裡的「又學了一個工具」,而是一條條可以在你睡覺時仍跑得動的流程。
這四樣加起來,才是「一人公司 AI」真正要學的東西。有需要深入 Agent 編排或 Python 實作時,再走 AI Agent 相關課程是合理延伸;若你同時在考慮轉型 IT/開發路徑,Coding Bootcamp 一類基礎訓練亦可補強系統思維——但主線始終是:用基本功設計注意力,而不是用新工具掩蓋混亂的工作方式。
五、市場訊號:執行變便宜,判斷變昂貴——三條自測題
綜合 2023 年的香港勞動力預測與 2026 年 Anthropic 的前線數據,圖景相當一致:
- 數據輸入、行政、客服這類高重複執行,最先被自動化吃掉產能——這與當年 SCMP/Venturenix 報道的受影響工種高度重合。
- 專業崗位不是「完全安全」,而是職責重心上移:從親手做,變成設計與審核「誰/哪個 Agent 去做」。
- 個人層面,讀輸出與 meta-work 正在吃掉原本以為被「節省」的時間;Agent 等人類的八成時間,提醒我們瓶頸在人側。
- 組織與一人團隊若只會追工具,會愈跑愈喘;若會設計 workflow,才能把 Agent 工時真正轉成業務產出。
我們作為獵頭+培訓機構,日常同時看到企業招聘條件的變化,以及學員在真實項目裡卡住的位置。兩邊的結論很接近:市場缺的不是「聽過最多工具名稱的人」,而是能把業務變成可自動化系統、又守得住判斷節點的人——即係未來可以唔「落手」死做、改為設計同審核 Agent 產出嘅人才。 這亦呼應報告中招聘經理對自主性與判斷力的偏好——執行可以被代理,亂局中的決策不能。
對正在評估「轉行/副業/一人公司」的讀者,實用問題可以收斂成三句:

三條自測:讀輸出時間|可重跑流程|基本功 vs 工具清單。
- 我每週有多少小時花在「讀 AI 輸出」而不是「產生收入」?
- 我有沒有三條以上可以重跑的自動化流程,而不是三十個一次性對話?
- 我的學習計劃是在累積可遷移基本功,還是在收集會過期的工具教學?
答得出來,你就知道自己站在表格的左邊還是右邊。
六、下一步:把注意力設計成一人公司嘅核心能力
如果你已經覺得「Agent 愈快,自己愈忙」,通常唔係你唔夠勤力,而係系統仲停喺「人肉串聯工具」。讀輸出佔半工、Agent 多數時間喺等你、meta-work 比重上升——呢啲已經寫喺公開研究入面,唔係未來科幻。
Venturenix LAB 同時睇 AI 培訓同 AI 招聘:我哋關心嘅唔只係课堂上會唔會撳掣,而係你可唔可以將拆解、規格、例外審查同自動化流程,用落真實項目——練到可以唔「落手」都撐住產出,先係一人公司帶得走嘅人才資產。
若你希望系統學習點樣以一人撐起商業邏輯、開發同 Agent workflow,可了解一人公司及一人團隊訓練營:重點唔係追最新工具清單,而係建立可重用嘅拆解、規格、例外審查同自動化工作流。若痛點係「讀輸出已經半工」,優先練嘅,正正係注意力同 workflow 設計。
工具會繼續變快。問題係:你嘅注意力,仲會唔會繼續當全公司唯一嘅樽頸?