一輪招募收到滿手履歷，每個人最愛的電影都是同三部
TL;DR
- Syntax.fm 這集丟出一個很少被認真問的問題：不寫程式的一般人，到底拿 AI 在做什麼？
- 答案幾乎清一色是雜事：找汽車零件、修印表機、填政府表格、更新家裡的 NAS、整理學校寄來的一堆 PDF
- 最有趣的一類是「把電子垃圾救回來」，一台 Wi-Fi 壞掉的日曆平板被 agent 刷成一台免費的 Android 觸控螢幕
- 反例也很清楚：房仲用 AI 生的假裝潢照比例全錯、Facebook Marketplace 的 AI 描述只會複述照片看得到的東西
- 一位主持人的朋友做了一輪招募，發現所有人的 AI 答案長得一模一樣，牛津逗號那題每個人都寫「減少列表歧義」
- 最後那個問題最扎：這些用途都便宜得要命，撐不起那些公司的估值
先說這集的來頭。Syntax.fm 是 Wes Bos 跟 Scott Tolinski 主持的網頁開發 podcast，這集在二〇二六年九月二十三日上線，編號一〇四一，是純雙主持的閒聊型節目，沒有來賓。Wes Bos 是加拿大的線上課程作者，靠一系列 JavaScript 教學在開發者圈子累積出名氣；Scott Tolinski 是 Level Up Tutorials 的創辦人，每個月出一套付費教學影片，順帶一提他 breakdance 跳了十五年還替 NFL 跟 NBA 球隊表演過。節目的長期贊助商是錯誤追蹤工具 Sentry。
兩個人都是資深前端工程師，但這集他們刻意不談工程師怎麼用 AI。Wes 在 X 上問了一輪「你生活裡那些不寫程式的人拿 AI 在幹嘛」，然後把答案攤開來聊。
招募那一段，是整集最冷的一盆水
先講最刺的。
一位叫 Matt Stouffer 的聽眾剛跑完一輪招募，職缺開在網路上，全世界都能投。他們設計了一份問卷，裡面故意塞了幾個沒有標準答案的問題。
結果呢。問「你怎麼看牛津逗號」，幾乎每一份 AI 生成的答案都提到「減少列表中的歧義」。一模一樣的措辭。問「gif 怎麼念」，AI 全都拿 gift 這個字來解釋，只是有的說硬音有的說軟音。問「你最愛的電影是什麼」，答案高度集中在《當幸福來敲門》《全面啟動》《火星任務》這三部。
Wes 在節目上講了一句很狠的話：最愛的電影這種題目，有難到需要外包給 AI 嗎？
這裡面有個很多人沒想通的誤會。大家都覺得 AI 的輸出「很隨機、很難預測」，實際上剛好相反。它本質上就是數學，隨機性是後來刻意加進去的。你拿同一個問題去問一百個人的 ChatGPT，得到的會是一百份高度相似的答案。
我覺得這件事的啟示不只在求職。任何一個「大家都開始用 AI 自動化」的動作，只要普及率過了某個點，它就從優勢變成基本門檻，然後再變成負分。Wes 舉了自己收到的冷啟動信當例子：以前有人會拿 Syntax 最新一集的內容來破冰，現在這招失效了，於是對方改成翻出幾個月前的舊集數，再配上他某則推文，拼成一封「我真的關注你很久了」的信。他的反應是眼睛直接失焦。
你想從一堆自動化裡被看見，最省力的方法就是不要自動化。
這點跟之前寫過的 Grokbot 那集是同一條線：當一個能力人人都有，稀缺的就不是能力本身了。
一般人真正在用的，全是雜事
聊完反例，來看實際在發生的。
Wes 家的休旅車安全帶扣壞了。買汽車零件這件事對一般人有多痛，做過的人都知道：先選年份、選車型、選配備等級，然後還要分七人座跟八人座，下拉選單一層疊一層。他現在的做法是直接口述：「我有一台二〇一五年灰色的 Toyota Sienna，我需要換掉我後面那個座位的安全帶扣。」注意那句「我後面那個」，因為駕駛座在左在右各國不同，零件目錄根本不用這種說法，但 AI 聽得懂。它找到零件編號、草擬信件、寄給 Toyota 經銷商，他只要付錢。
後來業務回信要 VIN 碼（車輛識別碼）。他人在廚房煮飯，懶得去翻密碼管理器，直接叫 agent 去信箱裡找出來回覆。
另一類是螺絲、軸承、滾輪這種要對三個尺寸的零件。這些零售網站的資料一向亂七八糟，因為賣家上架時亂填。淘寶新加了一個 AI 按鈕，按下去會自動把雜亂的商品標題拆成長、寬、高三欄。理想狀況當然是資料本來就該是結構化的，但現實不是，所以 AI 在這裡做的事其實是「幫爛資料擦屁股」。
再往下是最不性感但最有共鳴的一類：官僚文書。學校寄來的 Google 表單、政府的 PDF 申請書、護照更新。Wes 說加拿大郵遞區號的格式規定亂得離譜，有時要全大寫、有時中間要空格、有時不能空格。他的解法是把自己所有資料一次丟給 agent，讓它去煩惱怎麼塞進那些欄位。英國那邊有聽眾說自己的承包商朋友拿來處理施工許可跟各種法規文件，送件前先讓 AI 檢查一遍。
還有印表機。Scott 家的印表機在網路上顯示連著，但印什麼都失敗。他的原話是：「要我去 HP 官網找驅動程式，我寧可把手夾在門裡。」Wes 接了一句，AI 最大的應用場景搞不好就是讓你再也不用跟印表機搏鬥。
這些例子攤開來看，共同點很清楚。不是創造力，不是專業判斷，是那種你本來就會做、只是不想做、做起來很煩的事。工程師圈子裡管這叫 busy work。
把電子垃圾救回來，這一段最好看
Scott 的姐姐送他一台 Skylight 日曆，就是那種貼在廚房牆上、會顯示行程跟照片的螢幕。Wi-Fi 壞了，怎麼樣都連不上，原廠又寄了一台新的給她，所以舊的就變成垃圾。
他拆開來看，發現裡面本質上是一台 Android 平板。於是他直接把 Codex 掛上去，讓它 root 整台機器、刷了客製韌體、跑完一輪測試。Wi-Fi 最後還是沒修好（他懷疑晶片本身燒了），但 agent 想出了另一條路：從 MacBook 橋接網路過去，先繞過驗證流程。
結果是，一台本來要進垃圾掩埋場的東西，變成一台免費的大尺寸觸控螢幕，接個 USB 網卡大概就能用。
他自己也說，他確實有點技術底子，這件事幫了忙。但他認為一般人插一條 USB 線、然後說「幫我看看這要按哪些按鈕」，是做得到的。
接下來這段更妙。因為 Android 刷機常常需要按實體按鍵進入特定模式，Scott 說他認真想過乾脆在板子上焊幾條線，讓 AI 自己去按按鈕。Wes 也玩過類似的：他把攝影機對著辦公室的燈，跟 AI 說「試著把它打開」，然後讓它自己看結果、自己調整。還有人在修 MacBook 顯卡驅動時，把電腦擺在鏡子前面，讓 webcam 透過鏡子觀察螢幕上的狀況。
這類做法非常吃 token，因為每一張圖都要處理。但它打開的東西很值錢：讓 AI 擁有一個觀察物理世界的回饋迴路，它就能自己一輪一輪試錯，不用你在旁邊當手指頭。
家裡那堆會自己爛掉的東西
再往技術一點走，但這塊的受眾比想像中大。
很多人不是工程師，但架得起一台 Plex 或 Jellyfin 來放自己的影片。問題從來不在架起來，而在維護。Scott 有一堆 DVD 的完整光碟備份，這種檔案 Plex 放不了，他就叫 agent 寫一套流程定期掃資料夾、把花絮拆出來、轉成兩套軟體都認得的目錄結構。Wes 則是更新 NAS 上的自架相簿容器，官方的升級步驟長得嚇人，他直接一句「SSH 進去、備份、更新」，十五秒後搞定。
Home Assistant（開源的智慧家庭中控）那段特別真實。Scott 說他接了二十五個不同廠商的整合，平均每週至少壞一個，通常要重新授權。多數人的結局都一樣：一開始調得很漂亮，然後東西慢慢壞掉，壞到某個程度就不用了，整套系統就這樣腐爛。現在他的解法是設一個每日自動檢查，壞了就試著修，修不掉就通知他。
另外就是那種「多一顆燈泡，多六百個感測器」的荒謬。你只想要開跟關，系統卻給你一千個可能的狀態跟服務。加上儀表板要手刻 YAML，還要在手機上打字對齊版面。這種事丟給 agent 剛剛好。
Scott 現在整套 home lab 是透過 Tailscale 組網、全部開 SSH，agent 可以走進任何一台機器修東西。他還在 3D 列印一個十吋的 mini rack，等新的 Mac Studio 到貨就裝上去。
順著 3D 列印講下去，他提到一個工具叫 nurb.dev，差別在於它不只生成外觀，還會檢查公差跟接合處對不對得上。他用它做了一個 Warhammer 40K 模型的階梯展示架，因為每個角色的底座尺寸都不一樣，做完就不用再把一堆漆好的小人留在廚房檯面上惹老婆生氣。後來他 3D 列印的裝置架散熱不好，他跟工具說「這些東西疊起來太燙了」，它就重新設計了氣流結構。
同樣的邏輯延伸到 Fusion 360 這類軟體。它有個概念叫 constraints（約束條件），一旦某個約束衝突了你就沒辦法縮放物件，而新手根本看不懂哪裡出錯。現在你可以直接用英文問「為什麼這個縮不了」，這對業餘玩家來說是實打實的門檻下降。
收件匣那條線最有用，也最危險
Scott 有四個小孩。四個人的老師都會寄信，每人還有幾項課外活動，所有資訊都散在 email 跟 PDF 裡。
他的做法是每兩小時掃一次信箱，把該記的事抓出來（哪天要帶運動服、哪天要校外教學），把附件裡的照片下載下來，然後寫進行事曆、邀請他太太。整理完的資料再推到一台電子紙顯示器上，掛在家裡看。他現在想換成彩色的那種。
這條線的價值很明顯：學校寄來的那些 PDF 排版有多爛，當過家長的都懂。
但 Wes 在這裡踩了煞車。他說他不敢讓 agent 碰自己的行事曆，因為任何人都可以往你的行事曆塞一則邀請，那就是一個 prompt injection（提示詞注入，把惡意指令藏在資料裡騙 AI 執行）的入口。他的做法是只開放家庭行事曆，裡面只有小孩的事情，即使被注入了也沒什麼好偷。
這個取捨很值得學。不要用「要不要給 agent 權限」的二分法思考，要問的是「這個信箱、這個行事曆被騙了，最壞會怎樣」。同樣是讀信箱，讀出 VIN 碼跟讀出你的公司合約，風險完全不同。
至於幻覺的問題，兩個人的態度都變了。Wes 說他叫 AI 從信箱裡撈 VIN 碼，撈出來他看都沒看就直接寄出去了。他特別補一句：別把我當成那種覺得 AI 什麼都很神的人，我們有一長串它爛到不行的清單。但從一封購車信裡用正規表示式的邏輯抓出一組車身編號，這件事它做不錯。
什麼行不通
節目後半整理了幾個他們認為撐不久的用法，我覺得比前半更有參考價值。
房地產的 AI 虛擬裝潢照。 加拿大的 realtor.ca 上現在滿滿都是這種圖。留言區很多人說「我覺得還不錯啊，比例抓得挺準」，但 Scott 住過那種美式工藝風的老房子，一眼就看出比例全錯。Wes 指著其中一張說，如果我坐在那張長椅上，我的膝蓋會直接頂到壁爐。這跟以前房仲用魚眼鏡頭把房間拍大是同一件事，只是換了工具。他的判斷是大家很快就會膩，回頭要求看原始照片。
有趣的是，他們對承包商用同樣技術做提案圖就沒意見。有人在聖誕燈飾的社團裡用 AI 合成「你家掛上燈會長怎樣」，雖然順便把車道拓寬了兩公尺，但那是提案，不是成交依據。差別在於你是在幫人想像，還是在誤導交易。
Facebook Marketplace 的 AI 自動列表。 按下去它會生一段描述：「一台綠色的腳踏車，有輪胎，狀況還可以。」Wes 的反應是我看得到照片，我知道它是綠的。他要的是照片看不出來的資訊，而 AI 手上只有照片，所以它給不了。
不過同一個場景換個用法就成立。Wes 自己是拍完照之後，讓 agent 去查同款商品的行情、從 Amazon 抓一段中規中矩的規格描述，不要修飾。這樣他終於把地下室那些懶得上架的東西賣掉了。這裡的分界線很清楚：AI 拿來壓縮跟查找資訊有價值，拿來膨脹資訊就是製造垃圾。
同一條線上的還有那種「幫我把這封 email 寫得更長更正式」的用法。Wes 說，你膨脹完寄給我，我只會拿 AI 再壓縮回去。兩邊都在燒 token，中間什麼都沒發生。
旅遊推薦。 行程資料整理是真有用，Scott 在瑞士要從飯店去 Piz Gloria（《女王密使》的拍攝地）的纜車站，路線複雜到 Google 查不出來，AI 給了一條可行又合理的路。翻譯也是，AI 翻譯會把整段上下文一起考慮，比逐字翻好太多。但「我要去某個城市，告訴我該玩什麼」這種問題，全世界拿到的答案一樣，結果就是那幾個景點排隊排爆。Wes 說得直接：自己有點品味吧。
這件事其實跟Shopify 那集講的 AI 代理購物剛好是一體兩面。AI 很擅長把你從沒聽過的長尾選項挖出來，但它預設會往分布中間跑。你得自己知道要什麼，它才有辦法幫你去偏門找。
最後那筆帳
節目結尾 Wes 問了整集最重要的問題：這整串用途，撐得起那些兆元估值嗎？
他自己的答案是看不出來。上面講的每一件事，token 用量都很小，而且便宜的模型大多做得動。真正燒錢的只有那種「持續掃描信箱、持續解析」的長時間任務，而那正是他們認為 OpenClaw 暴起暴落的原因：一開始所有人覺得很神，用了一陣子發現帳單貴到不合理。
我自己的判斷是，這集其實把 AI 的商業困境攤得很白。一般人願意用的地方，恰好是模型最便宜就能完成的地方；模型最貴的地方，恰好是一般人一年用不到幾次的地方。這中間的錯位，不是靠使用者數量成長就能填平的。
反過來說，對個人來講這是好消息。你不需要最貴的模型，也不需要會寫程式，就能把生活裡那些煩死人的雜事削掉一大塊。修印表機、填表格、找零件、把一台快進垃圾場的平板救回來，這些事情加起來一年可能幫你省下幾十個小時，成本卻是幾杯咖啡。
真正要小心的只有兩件事。第一，凡是把資訊壓縮的用法幾乎都成立，凡是把資訊膨脹的用法幾乎都在製造噪音。第二，當某個自動化變成人人都在做，它的效果就歸零，而且開始扣分。那些一模一樣的求職答案就是現成的證據。
自行斟酌，共勉之。
這類把 podcast 拆開重寫的筆記我會持續更新，訂閱 wilsonhuang.xyz 就不會漏掉。
Sources:
推薦閱讀
喜歡這篇文章嗎？
訂閱電子報，每週收到精選技術文章與產業洞察，直送你的信箱。
💌 隨時可以取消訂閱，不會收到垃圾郵件