他說針對辨識類的工作，電腦終究是靠人類教它學習，靠資料庫與運算能力仍有極限，因此人類可以做「人工智慧辨識結果的校正員」。他舉自己的例子：AI 會把「陳寗」的寗打錯、把 NAS 聽成中文「納斯」；現在幫他做字幕的夥伴已經不是聽打，而是校正——由平台先產出，人再對著聽、把錯的地方改掉。圖像辨識也一樣，他手機裡真的有朋友的照片被辨識成狗。
實證查核
這個轉型路徑是真的，而且他在 2021 年就實際跑起來了，這比預測更有說服力。人在 AI 產出上做審核與修正（human-in-the-loop）確實成為新的工作型態，涵蓋字幕校對、資料標註、模型輸出審查等。他點出的失效模式也很準確：專有名詞、跨語言夾雜、以及低頻詞彙正是辨識系統最容易出錯的地方，因為訓練資料中的出現頻率低。
查證來源
human-in-the-loop 審核成為 AI 產業鏈的固定環節
專有名詞與跨語言夾雜為語音辨識的主要失效模式
校正工序的效率提升使同產量所需人力下降
要補一句
但五年後回頭看，這個答案給得太樂觀，而樂觀的來源是他把校正當成一個穩定的落點。實際發生的是：校正的單位時間產值提高，於是同樣的產量需要的人變少——一個人校對 AI 草稿的速度遠高於聽打，這意味著職缺總數是收縮的，不是平移的。他描述的是自己團隊的個案（原本的人留下來換工作內容），但整體市場上更常見的結果是外包單價下降。「轉去做校正」對個人是可行建議，對整個職業群體不是解方。
可帶走的做法
如果你的轉型方向是「幫 AI 收尾」，先算一件事：同樣的產量，現在需要幾個人？答案如果是變少，那就不是終點站。
這一題答錯了，而且錯在框架不在細節。他把 AI 的能力邊界定義在「辨識」——判斷這是什麼——並據此推論可被取代的工作範圍。實際發展走的是另一條路：2022 年 11 月 ChatGPT 發布，生成式大型語言模型把「產出內容」而非「辨識內容」變成主戰場，受影響的職業從聽打、標註擴散到文案、翻譯、客服、程式撰寫、初階法務與行政。這些在他的框架裡完全沒有位置——不是他低估了進度，是他預設的座標軸上沒有這個方向。
查證來源
ChatGPT 於 2022 年 11 月發布，距本片約 18 個月
生成式模型使主戰場由辨識轉向內容產出
GPT-3 於 2020 年發布但當時尚未展現通用性
要補一句
但要非常明確地說：這不是眼光差，2021 年初幾乎沒有人預見到這件事。GPT-3 當時已經存在（2020 年 6 月），但仍屬研究與 API 圈的話題，尚未展示出後來那種通用性；把 AI 理解成辨識工具，是當年主流的、合理的理解。這一點真正的價值不在指出他錯了，而在於它示範了一種特定的預測失敗——不是把時間估錯，是把可能的方向漏掉。對讀者更有用的教訓是：任何「五年內大概就這樣」的判斷，最脆弱的地方永遠是它沒有列舉的那一欄。
這個提醒在當年成立，在今天更成立。2021 年的「AI 洗白」（AI-washing）主要是把規則引擎與統計方法貼上 AI 標籤；2023 年之後，隨著生成式模型 API 化，在任何產品裡接一個 API 就宣稱「AI 驅動」的門檻更低了，而多數消費品上的 AI 標示與實際功能差距擴大。他當年給的解法（用判準去檢查而不是看標籤）在今天完全可以直接沿用。
查證來源
AI-washing 指以行銷標籤包裝非機器學習的既有技術
生成式模型 API 化降低宣稱 AI 功能的技術門檻
功能實質性應以無 AI 時能否達成為判準
要補一句
但這句話今天有一個當年沒有的反向風險：把真的當成假的。2021 年時「宣稱有 AI 的多半沒有」是可靠的先驗，今天則有大量產品確實接上了語言模型，功能是真的。更麻煩的是，接上模型也不保證有用——差別不再是有沒有 AI，而是那個 AI 在這個場景裡有沒有解決問題。判準要從「是不是真 AI」升級成「這個功能沒有 AI 做不做得到」：做得到，那 AI 就是包裝；做不到，才是實質。
可帶走的做法
看到標榜 AI 的產品，問一句：這個功能拿掉 AI 還做得到嗎？做得到的，那個 AI 是印在盒子上的。
有朋友問他為什麼 Siri 的辨識越來越好、聲音越來越自然，他的回答是蘋果請了很多員工在做這件事。他舉了一個具體的事例：蘋果不久前開了職缺，徵求會講英文、中文、日文與台語的人到日本橫濱的蘋果公司上班，用途可以想像，就是要開發台語版的 Siri。他還細講了這些人實際在做什麼——區分台灣人講話的發語詞「齁」，以及台南、中部各地不同的說法，靠人不斷去校正。
但「開了職缺」與「產品有沒有落地」是兩回事，這一點本站不做結論。招募一個團隊只代表投入，不代表功能會推出、或以什麼形式推出；跨國科技公司的語言支援計畫延後或取消都不罕見。要對這一題的答案，請直接查 Apple 官方的 Siri 語言支援清單，而不是引用當年的招募新聞。另外要注意他的推論是「可以想像嘛」——職缺用途是他的合理推測，不是蘋果的公開說明。
可帶走的做法
下次覺得某個 AI 突然變聰明，想一下這批標註是誰做的。這個問題的答案，往往就是那個產業下一批要消失的職位。