今年五月，Meta啟動近年規模最大的組織重整，全球約8,000名員工收到裁員通知，將部分員工轉調至AI專屬部門，也開始用AI Agents處理過去由人力完成的程式開發、研究、分析與營運工作。
來自台灣的羅煊，也被列在裁員名單上。他原本在Meta擔任量化研究員，負責分析使用者與動態時報、影片推薦的互動資料。
羅煊的AI用量是組內第二，績效表現也不差。離職前，羅煊甚至開發了AI Agent工具，把工作流程從一週縮短至10分鐘，備受主管肯定。即便如此，他依然難逃裁員風波，「我做出了一個可以取代自己的工具。」
本集未來城市Podcast邀請羅煊，從Meta裁員歷程與工作經驗出發，觀察AI究竟正在取代哪些工作？當企業開始重塑組織，新鮮人、軟體工程師與非理工背景的人，又該如何找到自己的位置？
未來城市Podcast EP.138
▹ 未來主持人：未來城市頻道資深總監 陳芳毓
▹ 未來大來賓：前Meta量化研究員 羅煊
▹ 訪談精華：
主持人問（以下簡稱問）：你怎麼進入Meta的？主要負責哪些工作？
羅煊（以下簡稱羅）：我六年前到美國讀不動產經濟的博士，為了跑預測模型，開始接觸資料科學領域。畢業之後沒有走回不動產業，第一份工作是在Amazon當資料科學家，後來想接觸平常生活中會用到的軟體，就轉到Meta當使用者研究員，主要做量化的部分。
我所在的團隊負責Facebook的演算法，大家看到的動態時報、影片推薦，都是我們在掌握。我的工作是看每一個使用者跟貼文、影片的互動，停留多久、有沒有按讚、有沒有留言，再從這些訊號去判斷他們到底喜不喜歡這則內容。
Meta每天有上億使用者，每一次按讚、每一段停留秒數都在產生資料，真人沒有辦法用手計算這麼大的量，所以推薦內容是由AI計算，我們在旁提供解讀，告訴AI某個行為代表什麼意思。
同樣一個讚，意義可能完全不同。有些人每天習慣按一百個讚，那只是常態；有些人一天看了一百則貼文只按一個讚，那這個讚就很重要。判斷每一個讚背後的意思，再交給AI系統去理解，就是量化研究員的核心工作。
問：Meta這波裁員的標準是什麼？你的AI使用量在前段班，為什麼還是上了名單？
羅：到現在Meta都沒有揭曉被裁的理由。內部有些謠傳，笑說公司可能把員工名單丟給Meta AI，問它覺得要裁誰，但這只是玩笑話。
我自己的條件是這樣：不滿一年被裁，而在年資不滿一年的員工裡面，我完成了相對多的專案。Meta有個儀表板會每天追蹤員工的AI用量，我的用量一直是組裡十幾個研究員的第二名。績效方面，我們三月才做過一次review（審查），我的評價也蠻好的。
我在Facebook底下管動態和影片演算法，其實是Meta的核心團隊。但組裡分量化、質性和mixed method（混合研究法），目前聽到的狀況是量化被裁得比較多，純質性被裁得比較少。
量化研究員平常會用統計模型和使用者問卷，去分析使用者為什麼不喜歡我們推薦的內容、當初為什麼推薦錯了。這些東西後面都是數字，很快就可以被AI了解。質性研究員找10個、20個人做深入訪談，問每一支影片喜歡與不喜歡的點，甚至換掉排序看結果會不會不同，這就比較難被取代。
就像我們現在錄Podcast，我也沒辦法對著一個牆壁講話。對面還是要是一個人，我才願意跟他對話、跟他講實話。
所以從後見之明來看，可能是量化研究員這個職位本身的問題，但也可能是我不夠優秀，或有一些我沒看到的部分。這是我個人的判斷，不代表Meta真正的裁員標準。
問：你之前開發了一個AI工具，結果反而讓自己更容易被取代了？
羅：現在回頭看，這件事其實滿諷刺的。
以前我們每天大約會收到400份問卷，資料進來後要先清理，例如把垃圾訊息、辱罵內容、無效答案篩掉，再進行後續分析，我必須寫SQL、Python把資料拉出來，再一筆一筆確認哪些資料有問題。
後來我把這套流程跟AI Agent結合。先把資料集、清理規則、驗證方式告訴AI，再讓它自動執行。最後，把原本耗時一週的工作縮短到10分鐘左右。
這個工具其實也不是我自己偷偷做的。我離開前已經把它發布出來，主管原本還打算在六月介紹這個成果，VP也實際使用過，覺得這個工具很好。
但我在六月之前就被裁，可以說是「我自己開發的東西把我自己取代了」。
這也是我後來覺得AI時代最值得注意的一件事。
AI帶來的變化不一定是某一天突然出現一個機器人，把你的位置拿走，而可能是你每天把工作流程改善一點，最後發現原本需要一整個人的工作，只剩下很少一部分需要人處理。
問：回到台灣後，你發現企業對AI落地有哪些誤解？
羅：我回台灣之後，有些科技公司找上門，他們想用AI導入產品或業務，所以想知道在大型科技公司裡該怎麼重塑工作流。
但有些企業常搞混「使用AI工具的人」跟「前線真正會寫AI工具的人」。我在Meta單純只是使用工具，不是AI工程師，也不是寫演算法的人。那些人可能是電腦科學博士，再加五年、十年以上的歷程，才有辦法做到那麼前線的工作。
現在台灣很多人談「AI落地師」，畢竟用自然語言請AI寫一個APP或網站，短短幾分鐘就能生出成品，好像自己也能當工程師。
這些東西拿來自用沒有問題，但要導入一間大公司的系統，就會衍生很多狀況：資料怎麼進來、隱私和安全怎麼處理、檔案上傳之後容量從哪來、雲端怎麼接、運算系統怎麼處理。這些問題都不是自然語言可以處理的，沒有軟體工程經驗就是接不上去。
美國的FDE（Forward Deployed Engineer，前線部署工程師）就是處理這件事的角色，他們通常有很厚實軟體工程經驗，從前端到後端可以一把抓。
不過，中間還有很實際的成本問題。一份PDF直接讓AI讀，可能就要花掉幾萬個token，因為它連格式、空白、浮水印都會讀進去。但公司每天有幾千個員工大量使用，讓Claude直接讀全公司的PDF，token一定燒不完。
要靠工程師先把PDF整理成JSON，只要花幾百個token就能讀完一個檔案，這才是企業真正需要的工程能力。
問：當AI重新分配工作，哪些能力會變得更重要？為什麼社科背景的人反而可能有機會？
羅：AI還沒有辦法完全取代軟體工程師，但已經可以減輕很多工作，需求未來可能沒有那麼多。
以前一個專案可能需要2,000個工程師，接下來可能只需要800個，剩下的1,200人就要另尋出路，剩下那800個站在浪尖的人依然能領高薪，問題是你要不要跟他們殺這個紅海？
到了現在，社會科學背景反而可能成為優勢。因為AI落地除了軟體工程經驗，也需要了解產業。如果一位做了20年的軟體工程師，突然要去銀行或會計師事務所整理資料，可能連報表都看不懂，不知道什麼是ROI（投資報酬率）、NPV（淨現值），那他要怎麼回去寫code？
社會科學是很複雜的。理工科訓練比較在乎邏輯跟解答，最終會找出一個最佳解；但社會科學往往沒有正確答案，走不同的路就會有不同的答案。
尤其，社會科學有很多心理和社會互動的成分。人永遠不可能完全相信AI，因為我們會相信自己的人類同類；而且人會猜忌、會說謊，AI不一定知道你在說謊、在諷刺，或是在暗示什麼。
以前在Meta，我們看到一個人在政治新聞下頻繁留言，就判斷他喜歡這類內容，更常推播類似新聞給他。但後來發現很多留言都在罵人，他可能根本不喜歡政治新聞，只是討厭某個政治人物，所以一直留言批評。系統誤判成喜歡，一直推給他，他反而氣死了。
而研究員要做的就是判斷人類到底在想什麼，這種對人性的理解力，是AI很難取代的。
問：對於一個正在找工作的新鮮人，該怎麼面對AI帶來的變化？
羅：現在美國的初階職缺正在減少，最受衝擊的其實就是新鮮人。
企業過去可能會大量招募畢業生，再花時間訓練；現在則希望新人入職前就具備一定能力，而且也知道怎麼使用AI。像我知道使用者按讚、留言背後可能代表什麼，那是我自己累積的經驗，新畢業生不一定理解。
但他們也不是完全沒有出路。有了AI工具之後，他們的作品集反而可以比我們那個年代豐富很多。以前沒有資工背景的人很難自己從前端做到後端，現在可以在AI協助下一步一步了解。
我在美國看過很多台大社會系、政治系畢業的人，在2020、2021年軟體紅利期，為了高薪去讀一年多的電腦科學碩士再轉職。那時大廠大量招人，非本科也進得去。如果AI讓軟體工程的職缺慢慢減少，他們反而是高危險群，因為他們的專長本來就不在這裡，也不一定能爬到很高的位置。
你雖然沒有4、50歲主管那麼多業界經驗，也沒有人家的客戶和人脈，但如果你比他們多一些使用新工具的經驗，機會就會來了。現在有一些做了很多年的業界主管，非常有經驗也非常有成就，但不太願意學新工具，這時候新鮮人就可以迎頭趕上這一波浪潮。
所以不一定要為了不被AI取代就全部跑去學電腦科學。AI反而讓我們有機會回到自己的興趣和專長，再學會怎麼使用它，把原本的專業做得更好。
聽懂未來：關於AI與職場，我還想知道更多⋯
未來城市給你更多知識補充包！
想聽更多未來城市Podcast節目？
- 首播時間：隔週六播出。
- 頻道搜尋：天下雜誌Podcast頻道「聽天下」，或關注未來城市網站「未來城市Podcast」系列內容。
