AI 與工作：在焦慮與實證之間

讀書會會前讀物。一小時內讀完，帶著問題來討論。

同一段時間裡，兩種人對 AI 的感受幾乎是相反的。

一邊是已經站穩腳步的資深工作者。客服業的一場隨機對照實驗裡，導入生成式 AI 之後，新進客服的生產力跳升約三分之一，而資深客服幾乎沒有變化，因為 AI 做的事，就是把資深者腦中那些說不清楚的隱性知識打包餵給新手¹。換句話說，許多人正在體驗「工具讓我做得更快、更好」的紅利。

另一邊是還沒擠進門的年輕人。在 AI 高暴露的職業裡，22 到 25 歲這個年齡層的相對就業明顯下滑，而同一批職業的資深者卻穩穩持平²。軟體業是重災區，新鮮人的就業從 2022 年底的高點跌了將近兩成。美國近期大學畢業生的失業率來到 5.7%，比整體勞動力的 4.2% 還高，這逆轉了「念過大學的年輕人比較不會失業」這個維持了很多年的歷史優勢³。

於是出現一個奇怪的場面。生產力統計在歡呼，入門職缺卻在萎縮；總體經濟看起來風平浪靜，身邊的年輕工程師卻在投出第幾百份履歷之後開始懷疑人生。這份會前讀物想做的，就是把這個落差攤開來看清楚。焦慮不是憑空冒出來的，但它瞄準的方向，可能跟正在真實發生的事情錯開了。

落差之所以存在，多半是因為大家看的「倍率」不一樣。把鏡頭拉到最遠，總體數據至今出奇地平靜；把鏡頭推近到「年輕又高暴露」這一格，壓力立刻浮現，可是「都怪 AI」這個歸因又沒那麼站得住。再往生產力的內部看，會撞見「新手又受益又受壓」這個表面矛盾，得拆成三層才解得開。焦慮本身也分裂成兩條落差極大的曲線，而不只是大家以為的那一條。走完這些實證，最後才輪到三本理論引子上場，把問題從「工作會不會消失」翻成「工作的價值與分配要怎麼重組」。讀書會的討論問題留在最後。

---

總體很平靜，為什麼你身邊的人在焦慮

先把鏡頭拉到最遠。如果 AI 真的在大規模摧毀工作，最該先在總體統計上現形。但到目前為止，沒有。

耶魯預算實驗室（Yale Budget Lab）連月追蹤美國的人口調查資料，發現職業與產業的結構變動仍落在歷史的正常範圍，看不到 AI 暴露程度和失業之間有顯著關聯⁴。布魯金斯研究院把職業按 AI 暴露程度分成高、中、低三組，結果這三組的就業占比在近三年「穩定得驚人」，於是他們乾脆把報告標題下成「沒有 AI 失業末日（目前為止）」⁵。

第二條線索是總體生產力的效果其實很溫和。如果 AI 真要掀起勞動市場地震，理應先反映在總要素生產力的躍升上。但 Acemoglu 估計，AI 在未來十年帶來的生產力增益不超過 0.66%，遠低於高盛、麥肯錫那些樂觀機構的數字，意味著就連自動化的速度本身，都可能被高估了⁶。

第三條線索是「暴露」不等於「失業」。國際貨幣基金估計全球約 40%、先進經濟體約 60% 的就業「暴露」在 AI 之下⁷。但暴露講的是「這份工作有些任務技術上碰得到 AI」，不等於這些工作已經消失、或即將消失。把暴露率直接讀成失業預測，是焦慮敘事最常見的偷換。

不過這份平靜要帶一個誠實的但書。它是總體的、是此刻的、而且幾乎全建立在美國資料上。它至少有三個已知盲點。其一是「不補缺」效應，企業未必裁掉現有員工，而是悄悄不再招募，這種變化在總職缺數字上很難看出來。其二是測量滯後，結構性的變動往往要好幾年才浮上總體統計。其三是內部分歧已經冒頭，聖路易聯準會已經觀察到不同職業之間的就業變動開始分道揚鑣⁸。連布魯金斯自己都承認，總體的平靜，可能正漏看了底下悶燒的小火。

所以這一節別把話聽岔了。它沒打算斷言「AI 不會衝擊工作」，只想守住一句更小、也更誠實的話：截至目前，在這個放大倍率下還分不出來。要看見火苗，得換一個倍率。

---

把鏡頭對準新鮮人這一層

把放大倍率調到「年輕 × 高暴露」這一格，圖像立刻翻轉。

史丹佛那份名為「煤礦裡的金絲雀」的研究（2025 年 11 月版），用薪資資料發現在 AI 高暴露職業中，22 到 25 歲群體的相對就業下滑約 16%，而同職業的資深者持平²。另一組研究者用海量履歷資料得到方向一致的結果，AI 暴露每多 10 個百分點，入門職位的需求就掉約 11%，在高暴露職業裡，入門職的降幅甚至超過四成⁹。這就是 Y、Z 世代那股結構性焦慮的實證錨點。年輕科技工作者感受到的「入門變難了」，在數字上是真的。

但「AI 是主因」這個歸因，還沒坐實。這是整篇文章最需要踩煞車的地方，誠實的講法是「強相關，加上一部分（偏後期的）因果」，而不是把帳整包算在 AI 頭上。理由有三。

第一，時序對不上。有研究發現，AI 高暴露職業的入門職位惡化，早在 2022 年初就啟動了，那時候 ChatGPT 根本還沒問世¹⁰。惡化跑在原因前面，原因就不可能是全部。

第二，作者自己讓步。金絲雀研究的作者在 2026 年 2 月的更新裡承認，嚴格控制其他變項之後，可歸因於 AI 的顯著下滑「只在 2024 年之後」才站得住，更早的那段，得算到別的因素頭上¹¹。研究者親手收窄自己的結論，是最有力的內部修正。

第三，混淆因子甩不掉。2022 到 2023 年的升息循環、科技業大裁員、疫情期間超額招聘的回吐，每一樣都壓在年輕入門者身上，而且時間軸全跟 AI 重疊。牛津經濟研究院甚至判斷，近期年輕畢業生失業上升，大部分是景氣循環性的，而非結構性的¹²。

再加上跨國的反例。丹麥的研究發現 AI 對入門者的收入與工時影響極小¹³，而台灣的新鮮人職缺數，在同一段時間反而創了高。這說明美國觀察到的這個模式，既未必由 AI 單獨驅動，也未必能直接搬到別的制度環境裡。

把這一節的張力收一下。入門壓力是真實的，模式是穩健的，但整包算給 AI 是過度簡化。焦慮的方向對了，量級卻可能被高估、時點可能被提前。

---

新手到底受益還是受壓

讀到這裡會撞上一個矛盾。前面說 AI 對新手特別有利，這一節又說新手正在被壓縮。兩件事怎麼可能同時成立？

關鍵在於它們講的是三個不同的東西。把生產力拆成三層來看，矛盾就化開了。

第一層，在「單一任務之內」，AI 把新手和資深的差距拉平了。這是實驗證據最硬的地方。開頭提到的客服實驗，新手生產力提升約 34%、資深接近零，正是這層的代表¹。寫作任務也類似，用時減少約四成、品質提升約 18%，而且好處明顯集中在原本能力較弱的人身上¹⁴。在這個尺度上，AI 確實是新手的平權器。

第二層，這種拉平，正是用「自動化掉新手的入門任務」換來的。AI 之所以能讓新手做得跟資深一樣好，是因為它接手了那些原本由新手練手的入門活。而那些活，恰恰是學習階梯的踏板。踏板被抽走，新手在當下被拉平了，但他通往資深判斷力的成長路徑也被截斷了。於是「個人此刻生產力提升」和「入門職缺存量縮減」並不打架，它們是同一個機制的一體兩面。任務被自動化，既墊高了當下產出，也抽掉了學習與就業的入口。

第三層，長期的價值往資深判斷力與互補資產集中——而且「資深一律受益」這個直覺也得修。METR 在 2025 年的研究發現，經驗豐富的開源開發者用了 AI 之後，完成任務反而慢了 19%，他們以為 AI 幫了大忙，實際上卻花了更多時間查核與修正¹⁵。這戳破了「資深者用 AI 必然加速」的迷思。資深者真正的優勢，在判斷力、品味、以及 AI 替代不了的互補資產；這些東西需要時間養成，而養成它的那道階梯，正在第二層被拆掉。

把 Anthropic 自家的觀察放進來，這個三層結構會更立體。它的經濟指數（Anthropic Economic Index）顯示，在 Claude 的實際使用裡，自動化（替人完成）的占比在過去一年是緩慢上升的，已經逐漸逼近、甚至開始超過增強（協助人類）這一側¹⁶。同期另一份報告發現，長期使用者的任務成功率比新手高約一成，呈現明顯的「邊做邊學」曲線，而報告自己就警告，這可能加劇技能偏向的不平等¹⁷。要附帶提醒的是，這些數據主要來自寫程式的場景，外推到整體勞動市場時得打個折。

三層合起來看就清楚了。短期內 AI 拉平任務產出（對新手友善），但這份友善以抽走學習階梯為代價，長期把價值往資深判斷力集中。短期拉平與長期分化，可以並存。

---

焦慮的兩條曲線

既然總體平靜、分層承壓，那鋪天蓋地的 AI 失業焦慮，到底對應到哪一層？

關鍵觀察很簡單。焦慮不是一條曲線，是兩條，而且這兩條分裂得很厲害。

第一條是「切身評估」曲線，它是平的。蓋洛普長年問同一個問題：「你覺得自己會在五年內因為 AI 失業嗎？」回答「會」的比例，多年來持平在大約 15%¹⁸。當人們評估自己這份工作時，其實相當克制。皮尤的資料也呼應這種落差，約 52% 的工作者對職場 AI 感到擔憂，但實際在工作裡用過 AI 的只有約 16%，擔憂遠遠跑在親身經驗的前頭¹⁹。

第二條是「社會敘事」曲線，它是高的。路透／益普索的調查換了個問法：「你擔不擔心 AI 會造成永久性的失業？」回答「擔心」的高達 71%²⁰。問題從「我」換成「社會」，焦慮翻了將近五倍。

15% 對 71% 這個落差告訴我們，大眾的 AI 失業恐慌主要長在「社會敘事」層，而不是「切身評估」層。人們不太擔心自己，卻很擔心整個世界——而後者高度被媒體敘事塑造。

那這條曲線該怎麼校準？自動化恐慌的歷史提供了一面鏡子，但這面鏡子要兩面照。

一面是：歷次恐慌多半落空。最經典的案例是自動櫃員機（ATM），很多人以為它普及之後銀行櫃員會消失，結果櫃員人數不減反增，因為 ATM 壓低了開分行的成本，反而創造出更多櫃員職位²¹。自動化既替代任務，也互補與創造任務，歷史上後者常常勝出²²。最有名的恐慌數字（Frey 與 Osborne 在 2013 年預測美國 47% 的工作面臨高度自動化風險），後來連作者本人都在 2023 年公開下修²³。

但另一面是：不能因此就把這次的焦慮也當噪音打發。在入門這一層，焦慮其實貼近、甚至落後於實證，金絲雀那批研究顯示年輕入門者的壓力是真的。歷史類比用在「通用目的技術」上本來就有限，「這次不一樣」存在一個嚴肅的版本，不該跟歷次落空的恐慌混為一談。

這一節既不想安撫（「別怕，歷史證明都會沒事」），也不想煽動（「這次真的完了」）。它想做的更樸素，就是把焦慮放回它該在的位置。在總體層，焦慮超前了實證；在入門層，焦慮貼合實證。對的焦慮，要放對地方。

---

三本引子，從「會不會消失」到「往哪裡重組」

前四節都是實證。但讀書會的理論引子要處理的是另一個實證答不出來的問題：就算我們知道工作正在重組，我們「想要」它往哪裡重組？

這裡得先做一個關鍵釐清，因為有兩本中文書名都接近「沒有工作的世界」，它們其實走在相反的路線上。

Nick Srnicek 與 Alex Williams 的《創造未來》（Inventing the Future）走左翼加速主義路線。 它的起點是反資本主義的政治綱領，主張不該畏懼自動化，反而要「要求更多自動化」，把全民基本收入（UBI）當成解放勞動、撬動階級權力的槓桿。它提出四項要求：全面自動化、縮短工時、全民基本收入、瓦解「工作倫理」²⁴。

Daniel Susskind 的《不工作的世界》（A World Without Work）走自由主義經濟學路線。 它的起點是對技術性失業的實證憂慮，把自動化看成一個需要被馴服、被管理的問題，UBI 在這裡是再分配的工具，而不是革命的槓桿²⁸。

同樣談「沒有工作」，一個把它當成要爭取的解放，一個把它當成要應對的威脅。這個區分是讀書會討論的關鍵釐清點，不能混為一談。

第三本引子是 Acemoglu 一脈的「親勞工 AI」。Acemoglu、Autor 與 Johnson 主張，技術的方向是社會選擇，而非不可抗的命運。他們把 AI 的可能走向分成五類，並指出其中只有「為勞工創造新任務」這一類是毫無歧義地親勞工的，但它不會自動發生，需要刻意的設計與政策引導²⁵。

把三本擺在一起看，左右兩端立場相反，卻共享同一個轉向。Srnicek 與 Williams 要加速自動化來解放勞動，Acemoglu 要引導 AI 創造新任務來保住勞動，一個要更多自動化，一個要更好的自動化。但它們有兩個共同點：都拒絕把技術方向當成不可抗的命運，都拒絕把「工作」神聖化。於是辯論的重心被它們一起從「工作會不會消失」，推進到「工作的價值與分配要怎麼重組」。

不過這個轉向如果不正面回應兩道反論，就會懸空。

第一道反論是工作的意義。就算 UBI 解決了收入問題，工作提供的東西遠不只收入。社會心理學上，就業有幾項「潛功能」：時間結構、社會接觸、集體目的、身份地位、規律活動。後設分析顯示，失業對心理福祉有因果性的負面影響，而且這個影響沒辦法單靠收入補回來²⁶。後工作論若不處理「人從工作裡得到的意義要從哪裡來」，UBI 就只回答了一半問題。

第二道反論是自動化其實沒那麼快。Srnicek 與 Williams 寫於 2013 到 2015 年，他們的綱領高度依賴一個前提，就是全面自動化即將到來、技術性失業迫在眉睫。但 Acemoglu 那個 0.66% 的生產力估計，恰好戳到這個前提；如果自動化的總體效果這麼溫和，那「奇點將至」的緊迫感就缺了實證基礎。這構成一個耐人尋味的時代錯位，後工作論所依賴的技術前提，被親勞工論的實證估計質疑了。

還有一點值得提：框架內部也有張力。Acemoglu 本人公開反對 UBI，認為那是個壞主意²⁷。這意味著「親勞工 AI」與「後工作 UBI」在政策工具上其實是對立的，讀書會討論時不能把兩個框架輕易縫在一起。

理論不提供答案，它提供的是更好的問題。當實證告訴我們工作正在重組而非消失，理論的工作就是逼我們回答：我們希望它往哪裡重組？誰受益、誰承擔成本？而這些，都是政治選擇，不是技術命運。

---

誠實邊界

在進討論問題之前，把這篇知識的限制集中講清楚。

入門職位壓縮裡，AI 與景氣循環（升息、裁員、疫後回吐）的相對貢獻還沒定論，這篇一律以「強相關加上部分因果」處理，而非斷言 AI 是單一主因。台灣的一手資料幾乎缺席，這裡的證據主體是美國，佐以丹麥等少數跨國反例；台灣的入門職位是否出現類似壓縮，目前沒有直接資料，文中所有「美國推到台灣」的延伸都該當成待驗證的類比，而非結論。還有測量滯後的風險，如果結構性變化的滯後比預期嚴重，那「總體平靜」可能只是還沒顯影，而非真的平靜（這裡講的「看不到」，始終是時間條件式的）。最後是代表性偏誤，生產力證據裡 Anthropic 的數據偏向寫程式的場景，實驗研究外推到市場存量也有限。

---

給讀書會的討論問題

1. 尺度問題：如果同一份資料在總體與分層尺度上呈現相反的圖像，我們該用哪個尺度來做政策判斷？「總體還平靜」能不能當成「先別行動」的理由，還是反而該針對受壓的入門層及早介入？

2. 學習階梯：當 AI 接手了新手練手的入門任務，下一代專業者要怎麼養成資深判斷力？如果入門階梯被抽走，「資深者」這個身份還能不能再生產？

3. 焦慮的位置：大眾在「社會敘事」層（71%）的焦慮遠高於「切身評估」層（15%）。這個落差是健康的集體警覺，還是被媒體扭曲的？我們又該怎麼校準自己的焦慮？

4. 兩種「沒有工作」：Srnicek 與 Williams 把「沒有工作」當成要爭取的解放，Susskind 把它當成要應對的威脅。你比較被哪一種說服？「瓦解工作倫理」對你而言是解放，還是失落？

5. 意義從哪來：如果 UBI 解決了收入，工作提供的時間結構、社會連結與集體目的要從哪裡來？有沒有「工作」以外的東西能提供這些？

6. 方向是選擇：如果技術方向是社會選擇而非命運，那「我們希望 AI 往哪個方向發展」應該由誰決定？台灣在這場選擇裡，有沒有自己的位置與籌碼？

7. 台灣的金絲雀：美國的入門職壓縮在台灣是否已經出現？如果台灣新鮮人職缺反而創高，這是制度差異、產業結構不同，還是只是時間滯後？

---

參考資料

以下同時作為延伸閱讀清單，編號與內文上標一一對應。

1. Brynjolfsson, E., Li, D. & Raymond, L. (2025), Generative AI at Work, Quarterly Journal of Economics 140(2)。客服 RCT，新手 +34%、資深近零。來源等級 A。
2. Brynjolfsson, E., Chandar, B. & Chen, R. (2025), Canaries in the Coal Mine?, Stanford Digital Economy Lab（2025 年 11 月版，含 2026-02 更新）。22–25 歲高暴露職相對就業 −16%。來源等級 A。
3. Federal Reserve Bank of New York, The Labor Market for Recent College Graduates。近期大學畢業生失業率 5.7%、整體 4.2%。來源等級 A。
4. Yale Budget Lab, Evaluating the Impact of AI on the Labor Market（CPS 追蹤系列，2025–2026）。來源等級 A。
5. Brookings (2025-10), New data show no AI jobs apocalypse—for now。高/中/低暴露三組就業占比近三年穩定。來源等級 A。
6. Acemoglu, D. (2024), The Simple Macroeconomics of AI, NBER w32487。十年 TFP 增益不超過 0.66%。來源等級 A。
7. International Monetary Fund (2024), Gen-AI: Artificial Intelligence and the Future of Work, SDN 2024/001。全球約 40%、先進經濟體約 60% 就業暴露。來源等級 A。
8. Federal Reserve Bank of St. Louis (Ozkan & Sullivan, 2025), Is AI Contributing to Rising Unemployment?。職業間就業變動開始分歧。來源等級 A。
9. Hampole 等 (2025), Artificial Intelligence and the Labor Market（Revelio 履歷資料，2010–2023）。AI 暴露 +10pp → 入門職需求 −11%，高暴露職入門降幅 >40%。來源等級 A。
10. Frank 等 (2026), AI-exposed jobs deteriorated before ChatGPT（arXiv working paper）。高暴露職入門惡化早於 2022 初。來源等級 A。
11. Brynjolfsson, Chandar & Chen，金絲雀研究 2026-02 更新。可歸因 AI 的顯著下滑限於 2024 年後。來源等級 A。
12. Oxford Economics (2026), Evidence of an AI-driven shakeup is patchy。近期年輕畢業生失業上升大部分為循環性。來源等級 B。
13. Humlum, A. & Vestergaard, E. (2025)，丹麥 AI 勞動市場效果研究。AI 對入門者收入與工時影響極小。來源等級 A。
14. Noy, S. & Zhang, W. (2023), Experimental evidence on the productivity effects of generative AI, Science 381。寫作用時 −40%、品質 +18%，增益集中於能力較弱者。來源等級 A。
15. METR (2025), Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv:2507.09089。資深開發者完成任務反而慢 19%（且主觀以為更快）。來源等級 A。
16. Anthropic Economic Index（2026-01 報告）。Claude 實際使用中 automation 占比過去一年緩升，逐漸逼近並開始超過 augmentation。來源等級 A。
17. Anthropic Economic Index（2026-03 報告）。長期使用者任務成功率較新手高約 10%，呈邊做邊學曲線；報告自承可能加劇技能偏向不平等。來源等級 A。
18. Gallup (2025), Rising AI Adoption Spurs Workforce Changes。自評五年內因 AI 失業者持平約 15%。來源等級 A。
19. Pew Research Center (2025-02), U.S. Workers Are More Worried Than Hopeful About Future AI Use。約 52% 擔憂、約 16% 實際使用。來源等級 A。
20. Reuters/Ipsos (2025-08)（via CNBC）。擔心 AI 造成永久性失業者達 71%。來源等級 A。
21. Bessen, J. (2015), Toil and Technology, IMF Finance & Development。ATM 普及後銀行櫃員不減反增。來源等級 A。
22. Autor, D. (2015), Why Are There Still So Many Jobs?, JEP 29(3)；Mokyr, Vickers & Ziebarth (2015), The History of Technological Anxiety, JEP 29(3)。自動化的互補與創造效果。來源等級 A。
23. Frey, C. B. & Osborne, M. A. (2013), The Future of Employment（2023 年作者公開下修）。47% 高自動化風險預測。來源等級 A。
24. Srnicek, N. & Williams, A. (2015), Inventing the Future: Postcapitalism and a World Without Work, Verso（中譯《創造未來》）。左翼加速主義、四項要求。來源等級 A。
25. Acemoglu, D., Autor, D. & Johnson, S. (2026), Building Pro-Worker AI, NBER w34854。技術方向是社會選擇；五類走向中唯「為勞工創造新任務」無歧義親勞工。來源等級 A。
26. Paul, K. I., Hassel, A. 等 (2023)，就業潛功能／剝奪後設分析（PMC）。失業對心理福祉有因果性負面影響，無法單靠收入補償。來源等級 A。
27. Acemoglu, D. (2019), Why Universal Basic Income Is a Bad Idea, Project Syndicate。Acemoglu 公開反對 UBI。來源等級 A。
28. Susskind, D. (2020), A World Without Work（中譯《不工作的世界》）。讀書會對照文本，自由主義經濟學路線。來源等級 A。