AI 對勞動市場的衝擊：從「理論能力」到「實際使用」的新衡量方式

Economic Futures

經濟研究筆記
AI 對勞動市場的衝擊：從「理論能力」到「實際使用」的新衡量方式

參考原文：Labor market impacts of AI: A new measure and early evidence（Massenkoff & McCrory, 2026）[英文]

---

為什麼還需要一篇新的「AI 與工作」研究？

生成式 AI 普及這幾年，「AI 會不會搶走我的工作？」已經成為老掉牙的問題。但如果回頭檢視過去二十年的預測，會發現很多「看起來很嚴重」的警告，最後都沒有真的成真：

離岸外包風險：曾有研究估計約 1/4 的美國工作高度「可外包」，但十年後，多數相關職業的就業仍然穩健成長。
政府就業預測：勞工部的職業成長預測，雖然方向大致正確，實際上並沒有比「沿用過去趨勢」好太多。
大型衝擊的效果難以釐清：工業機器人與「中國衝擊」對勞動市場的真實影響，至今仍在學界持續辯論。

這篇研究想做的事，是在「AI 的衝擊還沒有完全顯現之前」，先建立一套可反覆更新的衡量框架，用來追蹤 AI 對各種工作、各種族群的影響，而不是事後才回頭猜原因。

研究的核心：從「理論上能做」到「真的在用」

多數針對 AI 的勞動研究都有一個關鍵概念：曝光度（exposure）。簡單說，就是一個工作有多少任務理論上可以被 AI 處理。

常見作法是：

先把工作拆成任務（task）；
判斷每個任務是否可以被 AI 協助，或被完全自動化；
再回頭加總成職業層級的暴露程度。

這篇研究延續這條路線，但加入了一個關鍵的現實考量：
不只看「AI 理論上能不能做」，還看「人們真的有沒有用 AI 在做」。

具體來說，研究結合三類資料：

O*NET 任務資料庫：列出約 800 個美國職業、各自包含的工作任務。
Anthropic 自家使用資料（Anthropic Economic Index）：實際使用 Claude 完成哪些任務、在什麼情境下。
Eloundou et al. (2023) 任務可自動化指標 β：
- β = 1：單靠 LLM 就能讓任務速度加倍
- β = 0.5：需要額外工具（如檢索、影像處理）配合
- β = 0：就算有 LLM，任務耗時也不會明顯減半

研究發現，這種「理論能力」與「實際使用」高度相關：
97% 在實際使用中被觀察到的任務，都屬於理論上可被 AI 加速（β = 0.5 或 1）的範圍。

觀察到的曝光度（Observed Exposure）：一個更貼近現實的風險指標

作者提出的新指標叫做 「觀察到的曝光度」（observed exposure），問題意識是：

在所有「理論上 AI 做得到」的任務裡，有多少是真的已經在被 AI 自動化或半自動化處理？

他們的衡量方式包含幾個關鍵設計：

任務必須理論上可由 LLM 加速（來自 β 指標）
在實務中被觀察到有大量 AI 使用（來自 Anthropic 內部使用資料）
以「工作情境」為主：濾掉非工作用途
區分自動化 vs. 輔助使用：
- 完全自動化工作流程給較高權重
- 人機協作、輔助型使用則只有一半權重
依「任務在整個工作中所佔時間」加權平均：
某些高曝光任務可能只佔工作的一小部分，反之亦然

這樣得到的 職業層級曝光指標，反映的就不只是「AI 能做什麼」，而是「目前 AI 實際被用來做什麼，且對該職業核心任務的滲透程度到哪裡」。

從圖表結果來看（原文 Figure 2）：

在「電腦與數理職業」與「辦公與行政職業」中，
- 理論上可由 LLM 處理的任務比例高達 9 成以上；
- 但 實際觀察到被 AI 覆蓋的任務，目前只到三成左右。
也就是說，AI 的「理論能力」與「實際滲透」之間，還有很大一塊尚未實現的空間。

哪些工作目前最「暴露」在 AI 之下？

在職業排序上（原文 Figure 3），目前觀察到 AI 曝光度最高的一群，大致符合我們直覺：

程式設計師（Computer Programmers）：約 75% 的任務被 AI 涵蓋
客服人員（Customer Service Representatives）：大量透過 API 與自動工作流程實作
資料輸入人員（Data Entry Keyers）：閱讀文件與輸入資料的任務高度可自動化（約 67%）

光譜另一端，約 30% 勞工所在的職業幾乎完全沒有 AI 覆蓋，包括：

廚師
機車技師
救生員
酒保
洗碗工
試衣間服務人員

這些職業有兩個共通點：

任務高度仰賴實體操作或面對面互動；
或是在現階段 AI 使用資料中出現頻率極低。

從這裡可以看出一個關鍵：
目前被 AI 影響最深的，仍然是「以文字與資訊處理為主」的知識與服務工作，而非純實體勞動。

高曝光度職業的勞工是誰？

作者接著把觀察到的曝光度，與美國勞工部 2025 年發布的 2024–2034 職業就業成長預測、以及人口特徵做連結。

就業成長預測與曝光度的關係

以職業為單位進行加權迴歸（權重為現有就業人數），結果顯示：
- 每增加 10 個百分點的觀察曝光度，該職業的預測就業成長率大約會下降 0.6 個百分點。
這個關係雖然不算劇烈，但至少說明：
「實際使用資料」形成的曝光度指標，與主流勞動市場分析的預測方向是一致的。
有趣的是：如果只使用 Eloundou 等人的「理論可行性指標」β，這種關聯就不明顯。

換句話說，真正重要的不是 AI 能做多少，而是人們實際把 AI 用在哪裡。

高曝光 vs. 零曝光族群的差異（原文 Figure 5）

利用 2022 年 8–10 月的 Current Population Survey 資料，作者比較：

曝光度最高四分位數的勞工
完全沒被 AI 覆蓋的 30% 勞工

兩者在人口統計上有明顯差異：

高曝光族群：
- 女性比例高出約 16 個百分點
- 白人比例高 11 個百分點，亞裔比例近乎翻倍
- 平均薪資高出約 47%
- 研究所學歷比例約為零曝光族群的 4 倍

這帶出一個很重要、卻常被忽略的事實：

目前最容易被 AI 影響的職業，往往是薪資較高、教育程度較高、且以白領為主的工作，而不是傳統上被認為最脆弱的低薪勞工。

要看什麼指標，才能真的看到 AI 的衝擊？

很多既有研究會看：

職業結構的變化（不同職業的比重如何變化）
職缺數量
不同年齡層或產業的就業人數

這篇研究選擇把焦點放在失業率（unemployment），理由很直接：

一個人如果失業，代表他正在找工作但暫時找不到；
這比只看職缺數或就業總量，更能貼近「經濟傷害」本身；
某個高度暴露的職業，即使職缺減少，也可能被其他相關職業吸收，未必會直接反映在整體就業數。

作者的假設是：
如果 AI 真正帶來「有害的」勞動市場衝擊，我們應該會在某些高度暴露族群的失業率中，看到明顯且持續的上升。

Current Population Survey 很適合這種分析，因為失業受訪者會回報上一份工作的職業與產業，可以用來追蹤特定工作族群的失業狀況。

初步結果：目前沒有看到「大規模失業」，但年輕人轉職機會有放緩跡象

作者接著把觀察到的曝光度，與 2016 以來的 CPS 失業資料串接，進行幾個關鍵問題的檢驗。

1. 高度暴露工作者，失業率是否明顯上升？

定義「處理組」為職業曝光度在前 25% 的勞工，「對照組」為完全未被 AI 覆蓋的 30% 勞工。
利用差異中的差異（difference-in-differences）方式，觀察：
- ChatGPT 釋出前後（約 2022 年底為界），兩組的失業率差距有沒有系統性變化。

結果發現：

COVID 期間，實體接觸較多、AI 暴露較低的勞工，失業率大幅攀升（這點符合直覺）。
之後雙方失業率趨勢大致平行；
ChatGPT 之後，高曝光組的失業率略有上升，但統計上不顯著。

換成白話：

截至目前為止，尚未看到「AI 讓高曝光職業大規模失業」的明確證據。

依照估計區間來看，如果：

高曝光組的失業率上升約 1 個百分點左右，這套框架大致上是偵測得到的；
若發生「白領版大衰退」——例如高曝光族群失業率從 3% 翻倍至 6%——也應該會清楚反映在圖上。

但目前的資料顯示，這種大幅跳升並沒有發生。

2. 年輕人是否比較難踏入高曝光職業？

先前的 Brynjolfsson 等人（2025）發現，22–25 歲年輕人在高曝光職業中的就業人數，出現 6–16% 的下滑，主因似乎是招募放緩，而不是解雇增加。

這篇研究先檢查年輕人在高曝光職業的失業率，發現：

失業率本身相當平穩，沒有明顯惡化。

但失業率未必能反映所有情況，尤其是：

有些年輕人可能直接退出勞動市場，或繼續留在舊工作，而不是以失業身分在找新工作。

為了更直接看「進入機會」，作者利用 CPS 的追蹤面板結構，計算：

22–25 歲年輕勞工在不同月份中，轉職或新就業到高曝光 vs. 零曝光職業的比例。

從 2024 年開始，圖形出現明顯分歧（原文 Figure 7）：

進入低曝光職業的機率維持在每月約 2% 左右；
進入高曝光職業的機率則下降約 0.5 個百分點；
累積來看，在 ChatGPT 之後，高曝光職業的年輕人就業「流入率」大約下降 14%（相較於 2022 年）。

這個結果剛好與 Brynjolfsson 等人的發現互相呼應：
短期內，AI 似乎還沒有製造大規模失業，但可能已經開始「悄悄改變年輕人能進入哪些好工作」。

作者也提醒，這裡仍存在其他可能解釋：

年輕人可能選擇回到學校；
可能進入其他產業或職業；
也可能是量測轉職行為時，問卷本身有較高誤差。

這份研究帶來的啟示

綜合上述，這個框架目前給出的訊號，大致可以整理成幾點：

AI 的「理論能力」遠大於現在的實際影響。
在許多白領職業中，AI 理論上可以覆蓋絕大多數任務，但目前實際被 AI 涵蓋的比例，仍只是其中一小塊。
最暴露在 AI 下的，不是最低薪的勞工，而是較高薪、較高學歷的白領族群。
尤其是程式設計、客服、財務分析、資料輸入等職業。
到目前為止，尚未觀察到「AI 造成特定高曝光職業的失業率明顯飆升」。
這不代表風險不存在，而是說：在現有資料中，影響若存在，規模仍小到不易與其他景氣因素區分。
真正值得關注的，可能是「入口機會」的變化，而不是「立即失業」。
年輕人進入高曝光、高薪白領工作的機會，似乎已經開始略為下降，這可能是 AI 勞動衝擊最早出現的地方。

對政策與個人職涯的實務建議

從這篇研究，可以延伸出幾個對政策制定者、企業，以及個人的具體思考方向。

對政策端

不要只盯著總體失業率：
失業率可能維持穩定，但就業結構與「誰能進得去好工作」已經在變。
持續追蹤高曝光職業的年輕勞工：
如果進入門檻持續升高，可能需要：
- 針對新鮮人設計轉職補貼與訓練計畫；
- 把 AI 納入技職與高等教育的核心課程。
強化資料與衡量框架：
像這種結合理論能力與實際使用資料的曝光度指標，應該持續更新，並儘可能開放給外部研究社群使用。

對企業

把 AI 視為補強人力的工具，而不只是省人頭的手段：
實務上，很多高曝光職業目前的 AI 使用仍偏向「增能」而非「取代」。
重新思考職務設計：
可以刻意保留或強化那些暫時不易被 AI 覆蓋的任務，例如：
- 更高層次的決策與責任承擔；
- 高度人際互動與信任建立；
- 跨部門溝通與整合。

對個人工作者

不要只問「我的工作會不會被 AI 取代？」
更關鍵的問題是：
- 哪些任務可以交給 AI，讓我把時間花在更有價值的部分？
- 我能不能成為「把 AI 用得很好的人」？
如果你在高曝光職業（例如工程師、客服、分析師）：
- 這篇研究顯示，短期內「被立刻裁光」的風險不高；
- 但不會用 AI 的人，未來很可能在升遷與轉職上吃虧。
如果你還在學校或職涯前期：
- 把「如何與 AI 合作」當成基礎技能，而不是加分項；
- 保持彈性——選擇那些可以跨職能轉換的能力與學門。

小結：AI 勞動衝擊，現在比較像「潛潮」而不是「海嘯」

這篇研究的價值，不在於提出一個聳動的結論，而是提供一套可以持續更新的觀測儀表板：

透過結合理論能力與真實使用資料的「觀察到的曝光度」，
未來只要 AI 的功能與滲透程度改變，這套框架就可以跟著更新；
一旦出現：
- 某些高曝光職業失業率開始明顯上升，或
- 某些族群（例如年輕人）的進入機會持續惡化，就能更早被偵測出來，而不是在事後才回頭整理傷害。

目前，我們看到的是：

尚未有「大規模失業」的統計證據；
但職涯入口、職業結構與技能需求，已經悄悄開始移動。

如果你關心自己職涯在 AI 時代的定位，與其被各種危言聳聽的標題嚇到，不如參考這類結合實際使用資料的研究，冷靜地問自己：

在我的工作裡，哪些任務最容易被 AI 覆蓋？
我是否正在主動學習，讓自己站在「運用 AI 的一方」，而不是被動等待結果的人？

原文連結：
Massenkoff, M. & McCrory, P. (2026). Labor market impacts of AI: A new measure and early evidence.
網址：https://www.anthropic.com/research/labor-market-impacts