機器人能做，不等於值得自動化：Anthropic 的工作曝光與成本落差

一台機器人能在展示場拿起箱子，和它能在真實倉庫穩定、合規又便宜地完成整份工作，是兩個不同問題。Anthropic 於 2026 年 9 月 30 日發布的 《Can we predict the jobs robots will do?》 正好把這個落差量化：研究估計機器人至少能在某些情境執行 74% 的美國實體任務，約占全部工作時間 34%；但把成本納入後，目前僅 0.3% 的工作任務被估為機器人較人力便宜。

這不是「四分之三的工作快被機器人取代」的預測。前一組數字是對現有能力的任務曝光評分；後一組則是 Anthropic 以任務產出與人力報酬估算成本競爭力。兩者共同說明，從「做得到」到「值得部署」中間有環境、可靠度、整合與成本等多道門檻。

先讀懂 74%、34% 與 0.3% 的分母

Anthropic 根據美國勞工部 O*NET 職業與任務資料，辨認出需要機器人才能自動化的實體任務，再用 Claude 評估現有機器人能否完成，以及需要什麼工作環境。依該研究的加權方式，機器人可在至少一種情境完成約 74% 的實體工作任務；這些任務合計約占美國全部工作時間的 34%。研究以 Claude 估計各職業花在每項任務的時間，再依美國勞工統計局（BLS）的職業就業人數加權。因此，34% 是估計的總工作時間占比，不是 34% 的職缺，也不是已經自動化的工時。

研究把任務分成四個環境層級：

• E0：目前無法完成。 即使在專為機器人打造的環境，也沒有引用到能完成該任務的系統。
• E1：機器人專用場域。 工作空間必須配合機器人設計，例如固定治具、單向輸送帶或隔離的機械手臂工作站。
• E2：受管理的人類工作場所。 場域原本供人工作，但配置與流程相對穩定，例如醫院、旅館或物流倉庫。
• E3：非結構化環境。 場地與條件不固定，沒有機構維持一致標準，例如公共道路、住家或建築工地。

所以 E1–E3 都算「有曝光」，但商業意義差距很大。能在廠內固定工位焊接，不代表能到每一個工地處理變化中的材料；能在倉庫搬箱，也不代表能在陌生住家整理雜物。環境越不受控，機器人越接近人類可移動的工作範圍，但這不會自動代表成本更低。

任務評分如何把示範轉成可檢視的證據

研究不是只讓 Claude 看任務名稱後猜分數。Claude 搭配網路搜尋，先為 O*NET 任務拆出日常工作中的代表性情境及其時間占比，再搜尋可對應的機器人部署、商售或示範證據，判斷它在不同場域是否能以接近人類的速度、可靠度與錯誤率完成工作。只有有實際展示能力的系統才計入；例如遠端操作者完全控制的手術設備不算自主機器人。

情境的權重也影響任務最終分級。某任務只有在超過半數的情境權重都能達到某個環境層級時，才會落在該層級或更高。這讓單一亮眼示範不會直接代表整項任務已自動化。公開的 robot exposure 任務檔說明 顯示，任務檔含每個職業任務的時間占比、曝光層級、Claude 的推理、情境樣例及來源欄位；職業曝光指數則按任務時間占比加權平均 E1–E3 分數，並讓 E0 計為零。

加權後的曝光不是每位勞工的個人風險

彙總工作量時，研究先估計每個職業把多少時間花在每項任務，再乘上該職業的就業人數。這比單純數任務項目更接近勞動市場中的工作量分布，卻仍然是職業層級的模型估計：同一職稱下的工作內容、設備與場域可能差異很大。它不會告訴我們某個員工的工作有多少比例會被取代，也沒有觀察企業實際導入後人力如何調整。

這個方法的可用性取決於證據品質與分類判斷。O*NET 任務描述常很簡短，Claude 需要補出工作情境；網站資料的適用性、來源的新舊、展示與商用部署的差別，也都會影響評分。研究因此把推理和引用來源放進任務資料，讓讀者能追查判斷，而不是把模型輸出當成直接測量。

會做的任務，為何仍只有 0.3% 具成本競爭力？

能力曝光與成本競爭力使用不同的比較方式。對已曝光任務，研究讓 Claude 依引用的機器人估算完成相同年度產出的部署成本，納入機器人採購與安裝等固定成本的年化，以及維護、能源和部分人類監督等營運成本，再和該職業分攤到相同任務時間的總報酬比較。固定成本使用約十年設備壽命與 8% 資金成本等假設；不同工作環境的部署配置也會改變結果。

以包裝員與包裝工為例，研究估算自動化相關任務需要多台機器人，採購與安裝總額超過 200 萬美元。分攤設備年限及營運成本後，機器人每替代一名員工年度工作量約需 45,000 美元，略低於估計的人力成本，因此成為少數接近或達到成本競爭力的職業之一。這是研究模型的估算，不能直接當成任何一家倉庫的報價或商業案例。

研究估計，現在機器人對僅 0.3% 的工作具成本競爭力。若機器人價格延續過往趨勢、每年約下降 3%，在其他條件按研究情境推演下，成本競爭力才會在約 40 年後擴及 10% 的工作。這是條件式投影，不是機器人價格的保證走勢，也不是 40 年後的就業預測。新製程、規模化、能力改善都可能改變價格與可完成任務；反過來說，即使成本達到平手，例外處理、停機、人類偏好與法規仍會左右導入。

1977 年起的回測提供什麼，又沒有提供什麼

Anthropic 將歷史職業任務描述與多個年份的機器人能力評分連結，再觀察 1977 年以來不同機器人曝光職業的薪資與就業變化。報告稱，較早期曝光較高的職業，在後續數十年出現較大的薪資與就業下降；模型也控制產業趨勢和其他可能的混淆因素。作者把這段歷史關係當成現今曝光指標的預測性檢查，並估計過去機器人能力每年增加到約能完成先前無法完成的 2% 實體任務。

這仍是歷史資料中的關聯，不證明機器人曝光造成薪資或就業下降，也不代表研究已量到當下工人的失業。職業變化同時受需求、貿易、政策、地理與工作重組影響；回測可增加指標的可信度，不能消除未來環境與技術不同的問題。

對企業評估的實際用法

這份研究適合當作「去哪裡找第一個值得測的流程」的地圖。營運與工程團隊可以先挑選高曝光、場域相對受控、工作量足夠集中的任務；再用自己的場域資料檢查機器人要處理的變化、例外與安全邊界。之後以同一產出單位比較人力與機器人總成本，並在試點中量測可用率、人工介入、維護停機、品質和工作流程前後的瓶頸。

企業不應把曝光排名直接轉成裁員清單。機器人可能接手部分重複或高風險作業，留下的新瓶頸也可能在補料、檢查、例外處理或跨任務協調。研究本身估算，成本、能力、法規和人類偏好都可能阻止規模化採用；許多實體任務還受操作靈巧度限制。對投資決策而言，能否把工作環境標準化、能否持續維持足夠利用率，常比機器人一次能不能做出動作更關鍵。

資料公開到哪裡，授權標示又有什麼差異

Anthropic 在 Hugging Face 的 EconomicIndex robot exposure 資料夾 提供 robot_exposure_tasks.csv 與 robot_exposure_occupations.csv 下載；資料卡說明兩者分別含 18,796 筆職業任務列與 923 筆職業列，任務檔約 99.5 MB。任務 CSV 頁面標示檔案太大而無法在網頁預覽，但提供下載；整個資料集的 Viewer 目前不可用。因此可以取得並檢查公開的任務評分、理由與來源欄位，但這兩個 CSV 本身不足以完整重現報告中的成本估算及整套分析流程。

授權也要看清楚：資料集頁面頂端的 metadata 標示 MIT，但同頁的 License 說明與 robot exposure README 都寫資料採 CC BY（README 指明 CC BY 4.0）、程式碼採 MIT。若再利用資料，應依資料卡的分項條款標示來源和遵守署名要求，並留意其中 O*NET 資料的來源聲明。

延伸閱讀與來源

• AI 勞動市場影響：理論能力與實際使用的差距：比較 AI 能力曝光與實際使用資料的定義差異。
• Anthropic 的 Model Hardware Standard：Agent 如何接觸實體裝置：從介面與安全責任理解 AI 進入實體設備的工程邊界。
• Anthropic 如何量測 AI 參與研發工作：另一個以任務分類、模型評分與加權設計建立的曝光量測案例。

主要來源：Anthropic 研究報告（Russell Legate-Yang、Maxim Massenkoff，2026-09-30）；Anthropic EconomicIndex robot exposure 資料與方法說明。本文將報告中的作者估算標為研究估算；對企業決策的解讀與建議則是 Bloss0m 的分析。