AI 會取代英文老師嗎？被改變的其實是「一堂課」這個產品單位
目錄
「AI 會不會取代英文老師」這個問題已經被討論了三年。我檢視過許多中文世界的觀點，發現論述幾乎都停留在同一個結論：AI 沒有情感、給不了眼神交流、讀不出文化細節，所以真人老師不會被取代。
這個答案不算錯，但它迴避了正在發生的核心變化。我實際參與開發過針對護理師的 AI 語音英語學習產品，在這個過程中，我親眼觀察到學習者如何在真人課和 AI 練習之間做出選擇。從產品設計的角度來看，被威脅的從來不是「老師」這個職業，而是 「一堂課」這個計價單位。這兩件事常被混為一談，導致討論一直卡在情感層面。
以下是我的實務判斷：AI 會拿走教學工作中可標準化、可重複、可無限複製的那一半。而那一半，剛好就是「用 50 分鐘的時間來計價」這個傳統商業模式的定價基礎。
先回答問題：會，但被取代的是產品單位
我們先把兩種模式的運作方式擺在一起比較。
傳統一堂課的價值鏈是線性的，而且每一次交付都要重新耗用老師的時間：
學生 → 購買 1 堂課 → 老師教學 50 分鐘 → 下課 → 購買下一堂課AI 練習的價值鏈則是這樣：
學生 → 隨時開始 → 即時回饋 → 無限次重複練習 → 邊際成本趨近於零當「陪你練習英文」的成本降到接近零，這項服務就會變成像自來水一樣的標準化商品。過去一堂課所販售的內容裡，有很大一塊正是這項服務：陪你開口、糾正發音、給你反覆練習的機會。
因此，問題不該問「老師會不會失業」，而該問：
如果練習與即時回饋已經變得極其便宜，那 50 分鐘裡剩下的東西，還撐得起原本的價格嗎？
這是一個產品單位的問題，不是職業存續的問題。當產品單位改變，整條供應鏈上的每一種參與者都必須重新評估自己的定位。
英文教育的五種玩家，在賣五種不同的東西
台灣市場上常被拿來一起比較的品牌，其實商業模式差異很大。將它們攤開來看會清楚得多。
| 類型 | 商業模式 | 核心產品單位 | 誰控制學習體驗 | 代表 |
|---|---|---|---|---|
| 獨立家教 | 老師販售時間 | 1 堂課 | 老師本人 | 個人家教 |
| 家教媒合平台 | 平台撮合供需 | 單次輔導 (Tutor Session) | 去中心化，取決於老師 | Preply、AmazingTalker |
| 託管式教學 | 平台販售學習方案 | 學習計畫 (Learning Program) | 中心化，由平台規劃 | TutorABC、WUWOW、Ringle |
| 內容市集 | 販售課程內容 | 課程 (Course) | 內容創作者 | Udemy、Hahow |
| AI 原生 | 訂閱制服務 | AI 練習 (AI Practice) | 演算法 | Speak、ELSA |
過去這五種玩家的差異，主要在於誰提供內容、誰提供教學、誰控制學習體驗。這三個問題的答案不同，就發展出不同的公司型態。
AI 出現後，競爭的關鍵改變了。現在真正的分水嶺是：
誰能把「診斷 → 學習 → 練習 → 真人介入 → 評量 → 再學習」串成一個能自動進步的學習循環？
能串起來的，才是真正的學習系統 (Learning System)；串不起來的，只是把 AI 當成一個附加功能，貼在原本的課表旁邊。這兩者在短期財報上可能看不出差別，但在長期使用者留存率上會顯現巨大差異。
把老師的工作拆開，才看得出 AI 吃掉哪一塊
「AI 取代老師」這句話之所以吵不出結論，是因為「老師」被當成一個不可分割的整體。實際上，老師在一堂課裡做的事非常多樣，而 AI 在每一項任務上的表現差距極大。
下表是我的產品實務判斷，並非絕對的實測數據。星等代表「以目前的技術，AI 在這一項上能取代到什麼程度」。
| 教學工作 | AI 可取代程度 | 為什麼 |
|---|---|---|
| 單字與片語解釋 | ★★★★★ | 高度標準化，答案有明確共識 |
| 文法解釋 | ★★★★★ | 規則明確，是 AI 的強項 |
| 對話練習 | ★★★★★ | 供給無上限，不需預約等待 |
| 情境角色扮演 | ★★★★★ | 場景可隨時生成，切換成本低 |
| 即時糾錯 | ★★★★★ | 回饋延遲時間趨近於零 |
| 課後練習與複習 | ★★★★★ | 規模化擴充幾乎不增加成本 |
| 個人化教材生成 | ★★★★★ | 生成式 AI 的原生核心能力 |
| 發音回饋 | ★★★★☆ | 語音模型已成熟，但極輕微的口音瑕疵仍可能誤判 |
| 學習診斷 | ★★★★☆ | 開始具備可用性，但需要足夠的歷史學習資料才準確 |
| 真實任務評量 | ★★★☆☆ | 「這場簡報到底夠不夠好」的評量效度問題尚未完全解決 |
| 學習策略規劃 | ★★★☆☆ | 需要長期縱向脈絡，不是單次對話能判斷的 |
| 動機維持與督促 | ★★☆☆☆ | 人對人的承諾感與情感連結目前無法被機器替代 |
| 高風險場景的回饋 | ★★☆☆☆ | 講錯會有實質代價的場合，需要真正的專業人類判斷 |
| 複雜職場情境教練 | ★★☆☆☆ | 需要產業知識加上對該學員處境的深度理解 |
| 深度信任關係 | ★☆☆☆☆ | 這是人際關係本身，不是軟體功能 |
看完這張表，結論不是「AI 取代老師」，而是：
AI 把教學工作中「可標準化、可重複、可無限複製」的部分商品化了。
這件事的殘酷之處在於：上半部那些五星項目，正是過去一堂課裡佔用時間最多、也最容易交付的部分。如果一位老師的 50 分鐘裡，有 30 分鐘在做上半部的事，他的定價基礎就已經被抽掉了大半。
真人老師的位置會從 Teacher 移到 Coach
把上面那張表的下半部單獨拿出來，會看到一組相當清楚的職能輪廓。
過去的 Teacher 等於解釋加練習加糾正。往後這三件事，AI 都做得比人便宜、比人有耐心，而且隨時都在。真人老師剩下的價值，是另外五件事：
- 診斷 (Diagnose)：判斷這個人真正卡在哪裡，而不是他自己以為卡在哪裡。
- 引導 (Coach)：把診斷結果轉化成這個人實際做得到的下一步行動。
- 挑戰 (Challenge)：在他自我感覺良好的地方適度施壓，這是 AI 最不願意（也做不好）的事。
- 情境化 (Contextualise)：把語言放回到他真實的產業、職位與人際處境中。
- 確保執行 (Hold accountable)：讓他真的去實踐，而不是把教材收藏起來以後再說。
這五件事有一個共同特徵：它們都不是 50 分鐘能交付完的東西。 診斷需要觀察多次表現才準確，確保執行的本質是跨週期的追蹤，情境化需要累積對這個人處境的理解。
也就是說，真人老師剩下的核心價值，剛好都是「一堂課」這個容器裝不下的。這才是產品單位必須換掉的真正原因。不是因為 AI 比較便宜，而是因為人類老師最有價值的那部分，本來就不該用堂數來計價。
反過來說，如果一位老師還在花 20 分鐘解釋基礎單字，AI 幾乎一定會把這段時間的市場價值壓到極低。這不是威脅，這是市場分工的訊號。
真正的問題不是「你幾級」，而是「你能不能完成那件事」
接下來要處理一個更根本的問題：所謂「學會英文」到底是什麼意思。
產業的預設答案是 CEFR 等級：A1 到 A2，再到 B1、B2、C1、C2。這套座標的價值不用懷疑，它讓不同國家、不同教材、不同考試可以互相對接。問題是，它在教育產品裡被誤用成了什麼。
CEFR 本身不是一條課程路徑。歐洲理事會的框架把語言活動分成四類：接收 (Reception)、產出 (Production)、互動 (Interaction)、中介 (Mediation)；2020 年的 Companion Volume 又補上了中介、線上互動與多語及多文化能力的描述指標，取代了 2001 年的舊版。（參考：Council of Europe: CEFR、CEFR 說明頁）
也就是說：
CEFR 是一套能力描述框架，不是課程路徑。
問題不在 CEFR 不夠好，而在教育產品把一套多維度的描述體系，壓扁成了一條六格的進度條。而使用者真正想要的東西，從來不在那條進度條上。
沒有人早上起來會想「我今天要從 B1 升到 B2」。他們想的是：
- 我要能跟美國客戶做完一場產品簡報，而且撐得住問答環節。
- 我要能把一份英文研究報告轉成給高層看的精簡簡報。
- 我要能在談判裡反駁對方，而不是只能說 I see。
- 我要能主持一場英文會議，讓討論不失控。
所以：
語言能力不等於工作表現。 CEFR 的 B1 到 B2，和「能獨立完成一場客戶簡報」之間，根本不是同一種目標。
CEFR 和真實工作之間缺了一層
如果直接從 CEFR 等級跳到「完成客戶簡報」，中間會有一段講不清楚的空白。填補它需要一層額外的設計。
我把這一層叫做 可轉移的溝通能力 (Transferable Communicative Competencies)。
先把話講清楚：這不是 CEFR 官方定義的獨立分類體系。 它是一個產品設計層，用來描述那些可以跨多個工作任務重複使用的溝通能力。我這樣命名是為了讓產品討論有個共同語言，不是要主張它有框架權威性。
這一層大概長這樣：
- Clarify (確認)：確認對方到底在問什麼。
- Explain (解釋)：把複雜的事講清楚。
- Summarise (總結)：收斂成對方需要的長度與重點。
- Structure (結構化)：讓內容有可預期的邏輯順序。
- Synthesise (綜合)：把多個來源的資訊合成一個觀點。
- Persuade (說服)：改變對方的判斷。
- Question (提問)：問出有價值的問題。
- Respond (回應)：接住沒預期到的突發問題。
- Negotiate (協商)：在有衝突的前提下推進共識。
- Adapt (適應)：讀懂氣氛然後換一種講法。
- Mediate (中介)：在兩方之間傳遞並轉化訊息。
把它套到真實任務上，會看到一件關鍵的事：任務不同，但用到的能力大量重疊。
簡報 (Presentation) 談判 (Negotiation) 會議 (Meeting)
├── 結構化 (Structure) ├── 確認 (Clarify) ├── 確認 (Clarify)
├── 解釋 (Explain) ├── 提問 (Question) ├── 總結 (Summarise)
├── 綜合 (Synthesise) ├── 說服 (Persuade) ├── 提問 (Question)
├── 說服 (Persuade) ├── 回應 (Respond) ├── 回應 (Respond)
└── 回應 (Respond) ├── 協商 (Negotiate) └── 互動管理 (Manage interaction)
└── 適應 (Adapt)這就是任務 (Task) 和語言 (Language) 之間那層缺失的連結 (Missing layer)。
這一層的價值在於：能力可以跨任務轉移
為什麼要多加這一層？因為沒有它的話，產品只能提供一堆彼此無關的情境包。
簡報任務 → 從頭學
談判任務 → 從頭學
會議任務 → 從頭學
Email 寫作 → 從頭學這是目前大部分「職場英文」課程的實際結構：一個主題一個單元，單元之間沒有繼承關係。使用者換一個場景，進度條就歸零，體感上永遠在原地踏步。
有了能力層之後，結構變成這樣：
可轉移能力圖譜 (Competency Graph)
│
┌─────────────┼─────────────┐
↓ ↓ ↓
簡報任務 談判任務 會議任務
│ │ │
└──────── 共享核心能力 ────────┘使用者在簡報任務裡把「結構化 (Structure)」練到八成，進到談判任務時，Structure 不需要重練，要補的只是 Negotiate 和 Adapt。這種可以跨任務結算的進度，才是使用者感覺得到「我真的在變強」的來源。
它同時解決了一個商業問題：當進度可以繼承，使用者就沒有理由在完成一個任務後流失。他的學習資產已經累積在你的系統裡。
從「上過幾堂課」到長期累積的學習履歷 (Learner Model)
能力層要成立，需要一個能記住它的系統。
現在大部分平台記錄的是行為：你上過 38 堂課、完成 12 個單元、連續打卡 20 天。這些是活動量，不是能力。它們能做出漂亮的成就徽章，但回答不了「我現在到底能不能做那件事」。
系統該記錄的是證據：
學習履歷模型 (Learner Model，示意，非實際資料)
語言能力 (Language)
├── 口說 (Speaking) B2
├── 寫作 (Writing) B1+
└── 聽力 (Listening) B2
溝通能力 (Competencies)
├── 結構化 (Structure) 82
├── 解釋 (Explain) 78
├── 中介 (Mediation) 62
├── 確認 (Clarify) 55
├── 說服 (Persuade) 48
└── 問答 (Q&A) 41
任務表現 (Tasks)
├── 簡報 (Presentation) 78
├── 會議 (Meeting) 65
└── 談判 (Negotiation) 42上面的數字是為了說明結構而編的示意值，不是任何產品的實測輸出。
關鍵在於資料怎麼進來。每一次 AI 對話、每一堂真人課、每一次真實的簡報或談判、每一封寄出去的 email，都在產生關於某幾項能力的證據。而這些證據應該更新同一個模型，不是各自存在孤立的紀錄裡。
這是 AI 在這個架構裡真正的高價值位置：不是當一個更便宜的對話對象，而是當那個持續累積、跨場景結算的評量與記憶層。
把每一層接起來：一個會自動進步的學習循環
前面每一層單獨看都只是概念。接起來才是完整的產品。
使用者的真實目標
↓
真實工作任務
↓
診斷
↓
能力落差 (Competency Gaps)
↓
┌───────────┴───────────┐
↓ ↓
AI 真人
練習 / 即時回饋 診斷 / 挑戰 / 督促
↓ ↓
└───────────┬───────────┘
↓
再次執行真實任務
↓
評量
↓
更新學習履歷 (Learner Model)
↓
挑戰下一個任務和傳統「課程 → 作業 → 下一堂課」的差別在於：這個循環的每一圈都會讓下一圈更精準。診斷結果決定練什麼，練習結果回寫模型，模型決定下一個任務該挑什麼。它是收斂的，不是無意義的重複。
而 AI 與真人在這張圖裡沒有搶同一個位置。AI 讓練習的邊際成本趨近於零，真人負責判斷、施壓與追蹤。這是分工，不是替代。
要注意的是，這張圖裡最難的一格是「評量」。判斷一場簡報夠不夠好，目前還沒有一套效度足夠的自動化方法（這也是前面那張表裡「真實任務評量」只有三顆星的原因）。在效度補上之前，這一格仍然需要人類專家。
回頭看五種玩家：各自的戰略弱點
有了這個架構，前面那張五種玩家的表就不只是分類，而是一張弱點圖。
| 玩家 | AI 主要侵蝕什麼 | 最需要補強的位置 |
|---|---|---|
| 獨立家教 | 課後練習、教材準備、基礎回饋 | 從 Teacher 轉成 Coach，把時間花在診斷與督促 |
| 家教媒合平台 | 輔導時間商品化，老師之間的差異被壓平 | 從「幫你找老師」轉成「幫你找到能完成任務的方案」 |
| 託管式教學 | 大量標準化教學的成本優勢消失 | AI 與真人的編排能力，也就是決定誰在什麼時候介入 |
| 內容市集 | 內容本身商品化，AI 可以即時生成 | 從賣課程 (Course) 轉成交付真實成果 (Outcome) |
| AI 原生 | 缺少人類的確保執行力 (Accountability) 與產業縱深 | 知道何時該把使用者轉交給真人 (Escalation 設計) |
最後一列值得多說一句，因為它反直覺：
AI 不只威脅真人教學，它同樣威脅純 AI 產品。
純 AI 的問題不在練習品質，而在練習變便宜之後，「便宜的練習」本身就不再是差異化優勢。使用者接下來會問的是更上層的問題：我到底該練什麼？我真的達到工作要求了嗎？下一步該學什麼？這三個問題，練習量再大都回答不了。
下一個產品單位不是 Lesson，是 Outcome
把整個演進放在一起看，會發現產業一直在往上更換計價單位。
| 時代 | 產品單位 | 使用者實際在問 |
|---|---|---|
| 傳統家教 | 單堂課 (Lesson) | 老師今天要教什麼？ |
| 線上課程 | 課程 (Course) | 我上完這門課了嗎？ |
| AI 練習工具 | 練習 (Practice) | 我可以練多少？ |
| 任務導向學習 | 任務 (Task) | 我能不能完成這件事？ |
| 下一代 | 真實成果 (Outcome) | 我真的能在工作中做到嗎？ |
每往下一列，衡量的東西就離「活動量」遠一點，離「結果」近一點。也就越難交付、越難計價，但也越難被競爭對手複製。
要往 Outcome 走，得先誠實面對三個問題：這個 outcome 使用者真的痛嗎？痛到願意付錢嗎？願意付錢的人多到能撐起一間公司嗎？這三關的判準我寫在 產品從 0 到 1 的三道關卡。更換產品單位是商業模式決策，不是功能決策，跳過驗證直接改計價方式，通常只會得到一個更難解釋的價目表。而學習者端在預算與時間限制下該怎麼配置真人課與 AI 練習，我另外寫過 一對一與小班的比較，可以當作這套架構在消費端的對照。
回到最初的問題。AI 最終不會只是讓英文學習變便宜。它真正改變的，是我們衡量「學會英文」的方式。
從「上了幾堂課、完成多少單元、CEFR 到哪一級」，轉向「你現在能不能完成你真正需要完成的那件事」。
在這個模型裡，各層的位置很清楚：AI 讓練習的成本趨近於零；真人老師提供判斷、挑戰與確保執行；CEFR 給出共同的語言能力座標；而可轉移的溝通能力，是把語言能力接上真實工作任務的那一層。
而整篇最值得留下的判斷只有一句：
AI 讓練習變便宜。真正稀缺的，是知道該練什麼、知道什麼叫做好，以及把一次學習經驗轉移到下一個真實任務的能力。
這句話對做產品的人和教英文的人同時成立。差別只在於，前者要把它做成系統，後者要把它變成自己的定價理由。
常見問題：AI 英文學習到底先改變哪裡？
AI 會取代老師嗎？
綜合目前的教學文章、論壇討論與產業實務，比較精準的說法是：AI 會先取代可標準化的練習、教材準備與即時回饋。但老師的診斷、追問、情境判斷與責任感設計，仍需要不同的產品安排來發揮價值，不會被完全取代。
ChatGPT 可以練習英文口說嗎？
可以作為低成本、可重複的練習工具，但不能把語音辨識或生成回覆直接當成專業評量標準。重要的工作溝通、考試準備與專業用語，仍需要真人老師或可靠資料再次核對。
免責與透明度說明：文中的老師工作拆解表與能力清單是基於產品實務的判斷，並非實證研究結論；Learner Model 的數值是說明結構用的示意值。CEFR 的框架內容有歐洲理事會的官方來源，但「把 CEFR 壓扁成進度條」是我對產業實作的觀察，不代表歐洲理事會的立場。