以前，我很容易把「整理知識」本身當成一種成果。
讀完一篇文章，寫下摘要；看完一本書，把重點整理成筆記；遇到一個新主題，蒐集更多資料、建立更完整的架構。這些事情當然還是有用，但 AI 出現之後，整理資訊本身已經不再那麼稀缺。只要提供足夠資料，它很快就能歸納重點、比較不同觀點，甚至寫出一篇看起來很完整的文章。
真正困難的問題慢慢變成：這些資訊裡，什麼對我重要？
AI 可以從我的資料和對話中推測偏好，卻不會自然知道哪一段經驗和我現在的處境有關、哪個觀點改變了我的想法，以及我願意為什麼選擇負責。除非把這些判斷說出來，整理得再完整的內容，仍然可能只是平均地保留了所有重點。
知識仍然重要，但它需要人的判斷
強調觀點，不代表只要有意見就夠了。
沒有知識、證據與真實經驗支持的觀點，很容易變得空泛。問題也不是知識失去價值，而是單純搬運或重新排列知識，越來越難構成一個人獨特的貢獻。
真正產生差異的，通常是我們如何選擇、連結與使用這些知識：為什麼保留這個觀點，而不是另一個？它和哪段經驗產生連結？它改變了什麼判斷？最後又讓我們做了什麼？
我現在會用一個更具體的方式檢查自己的內容：這篇文章裡，有哪些判斷只有放回我的經歷和取捨中才成立？如果刪掉這些部分，文章是不是只剩下一份任何人或 AI 都能整理出的摘要？
這不是要證明誰不可取代，而是檢查自己有沒有只在轉述資料。例如，一篇文章如果只列出五個生產力方法，作者換成誰可能差異不大；但如果它說明哪個方法在什麼情境失效、自己如何選擇，以及結果如何改變後續判斷，讀者得到的就不只是資料整理。
觀點形成在一次次選擇裡
觀點也不是憑空出現的。它常常從一些很小的反應開始：這裡說得很好、這裡我不太同意、這讓我想到一段經驗，或這個概念可能改變我正在做的事。
AI 可以協助摘要、比較、追問和整理，但我仍然需要把這些反應放進過程裡。每一次保留、捨棄、修正或連結，都在讓原本只是外部資訊的東西，逐漸變成自己的理解。
如果判斷還很模糊，可以讓 AI 反過來提問，幫助不同選項浮現。如果方向已經清楚，下一步則是把理解轉成一個可以被檢查、使用或分享的具體成果。這兩件事都比繼續收集更多資料，更能看出一個觀點是否真的屬於自己。
專業不會消失，但只有專業看起來越來越不夠
我以前會把這個問題推到一個很遠的假設：如果 AI 持續進步，最後「專業」是不是會消失，只剩下興趣？
現在我覺得，比較準確的說法是：專業能力仍然重要，但取得專業知識與做出專業外觀成果的門檻正在降低。會寫、會設計、會做出原型，仍然有價值；只是這些能力不一定足以回答，什麼值得做、什麼品質才算足夠，以及結果會對誰產生影響。
這時，興趣、好奇心、經歷和責任感會變得更明顯。不是因為它們能取代專業，而是它們決定了我們會長期探索什麼、如何使用能力，以及願意把時間投入在哪裡。
所以當知識不再稀缺，剩下的不是一個可以和知識分開的新答案，而是一個更完整的組合：知識提供基礎，經歷提供脈絡，判斷決定方向，行動則讓觀點接受現實的檢驗。
AI 可以協助我處理更多資訊，但它也讓一個問題變得更難逃避：
在這麼多可能性裡，什麼對我來說真的重要？
答案不一定能一次想清楚，但需要由我開始回答。
如果判斷還沒有形成，可以接著讀〈不要只問 AI，也讓 AI 反過來問你〉。
如果已經知道什麼重要，下一步可以讀〈從輸入到具體成果，是一種可以訓練的能力〉。