生成式AI與低程式碼／無程式碼工具（Low-code／No-code, LCNC）正推動「科技民主化（Democratizing Technologies）」，使非技術背景的工作者也能快速生成想要的內容、製作應用程式、打造流程工具等等。經濟合作暨發展組織（Organisation for Economic Co-operation and Development, OECD）在探討生成式AI與中小企業的生產力關係報告中指出，三成以上的中小企業已導入AI工具，並普遍感受到生產效率的提升，然而OECD也強調，企業在導入AI時真正面臨的挑戰並非工具取得，而是員工欠缺資料素養、服務/營運的流程理解與風險判斷等關鍵能力。
技術能力提升與能力錯覺的後果
AI與LCNC的協作讓「內容生成」變得快速與平易近人，但快速產出的表象也導致人們容易高估自身能力，形成所謂的「能力錯覺（Illusion of Competence）」，以下從個人、企業與產業層次說明。
（1）個人層次：生成能力提升，但理解未跟上
根據Neil Perry, Yetistiren等研究者在AI協助開發的實驗研究中指出，AI能大幅增加產出速度，但若使用者欠缺城市邏輯基礎，便難以辨識AI生成內容中的錯誤、邏輯漏洞或架構問題，導致常出現「看起來正確的結果」，卻無法判斷其是否能應用於真實情境。
（2）企業層次：導入容易，治理困難
能力錯覺同樣影響企業端的策略判斷，根據Binzer,B等研究者指出，許多組織在推行LCNC或AI專案時，誤以為員工只要會使用AI工具即可執行自動化，但實際需要的能力還包括資料治理、流程定義、風險管理與跨部門協作。當企業低估治理需求時，往往產生大量品質不一致、無法擴充或缺乏維運規劃的工具，形成影子IT（Shadow IT），最終需由IT部門重新整合或補強，以維持組織運作的穩定性。
（3）產業層次：人才市場供需錯配加劇
在產業層次，科技民主化所帶來的能力錯覺表現在人才市場的結構性落差上。根據Binzer與Winkler（2023）透過LinkedIn大量職缺的分析，企業對LCNC相關人才的需求日益朝向跨領域整合，但市場上求職者的技能組合卻呈現高度集中於能操作平台元件與配置流程的「平台操作能力」。另一方面，OECD（2025）與Pluralsight（2025）的多份調查指出，企業普遍認為AI與數位工具的普及並未縮小技能落差，反而讓能力不足更快速地暴露，因為越來約多人能生成流程、自動化或應用，但能真實場景中處理例外、管理風險、判斷資料品質或IT協作的人才仍然不足。因此產業呈現出能力結構上的矛盾：具備工具操作能力的人愈來愈多，但能滿足企業整合性需求的人才仍然有限。
真正需要的能力：從生成能力走向理解與治理能力
在科技民主化的環境下，生成能力不再是稀缺能力，企業真正需要的是能讓系統「可用、可維運、可擴展」的能力。根據Binzer與Winkler（2023）的LCNC能力框架與多篇治理研究，可將未來的關鍵能力整理為三類：
（1）服務/營用的流程理解與問題定義能力
企業最重視的能力不是平台技術，而是能否準確拆解需求、理解限制、界定流程邊界。AI能生成流程，但無法取代人類判斷何者需要自動化、何者不該自動化，因此缺乏問題定義能力的人，即使能生成工具，也可能建立錯誤的解決方案。
（2）資料與系統素養能力
對資料模型的理解、掌握系統架構的運作方式以及熟悉API的流程與串接方式，是區分高成熟度與低成熟度使用者的關鍵能力。具備系統素養的人才能辨識AI生成內容的風險，做出正確的例外處理，並與IT團隊有效協作。生成能力可以讓人「做出東西」，但系統素養才能讓這些東西真正可靠且可實際使用。
（3）產品營運與持續改善能力
AI使「上線」變得容易，但「持續運作」仍需要人來管理，包括使用者採納、成效追蹤、版本管理與功能調整等能力，決定了工具是否能被真正採用，企業最需要的是具備開發、維運與改善能力的人，而非僅會建置原型的人。
圖１：AI時代企業所需之三大核心能力框架
資料來源：本文作者整理、繪製
FIND觀點
AI 與 LCNC 工具的普及，讓一般大眾具備前所未有的生成能力，但也使能力錯覺更容易發生。個人因能快速做出成果而高估自己能力；企業因誤判工具的易用性而低估治理成本；產業則因大量表層能力湧現而面臨人才供需錯配。未來的競爭力不在於誰能生成更多內容，而在於誰能更能清楚定義問題，並資料邏輯素養，生成能力是進入門檻，但真正決定個體與組織競爭力的，是理解、判斷與治理能力，能掌握這三類能力的人，才是AI時代真正的核心人才。
封面圖片來源：本文作者以AI生成
參考資料來源：
- OECD (2025). Generative AI and the SME Workforce.( https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en.html)
- Binzer, C., & Winkler, T. (2023). Low-Coders, No-Coders and Citizen Developers in Demand (https://www.researchgate.net/publication/371965523_Low-Coders_No-Coders_and_Citizen_Developers_in_Demand_Examining_Knowledge_Skills_and_Abilities_Through_a_Job_Market_Analysis)
- Neil Perry et al. (2022). Do Users Write More Insecure Code with AI Assistants?( https://consensus.app/papers/do-users-write-more-insecure-code-with-ai-assistants-perry-srivastava/00bbf3e853e3599fa27c8fb0f5a23ed5/?utm_source)
- Yetistiren et al., (2023)Evaluating the Code Quality of AI-Assisted Code Generation Tools.( https://consensus.app/papers/evaluating-the-code-quality-of-aiassisted-code-generation-yetistiren-%C3%B6zsoy/ec84de79826c5ce488434d7a0cb1c89a/?utm_source)
- Binzer, B et al., (2024) Establishing a Low-Code/No-Code-Enabled Citizen Development Strategy (https://aisel.aisnet.org/misqe/vol23/iss3/3/)
- Pluralsight (2025). AI Skills Report(https://go.pluralsight.com/rs/303-MNI-809/images/AI-Skills-Report-2025.pdf.)
- Pluralsight (2025). Tech Skills Report (https://www.pluralsight.com/resource-center/tech-skills-report-2025-gated)