AI 取代工作與就業市場重構：當 AI 重新定義勞動，人類如何安身立命？

2025 年 5 月，IBM 宣布暫停招聘約 7,800 個後台職位，理由是這些工作在未來五年內將被 AI 取代。^[1]同年，好萊塢編劇工會（WGA）歷經 148 天罷工後達成的協議中，AI 使用限制成為核心條款——編劇們爭取的不是更高的薪資，而是「不被取代的權利」。^[2]這兩個事件看似無關，卻共同指向一個正在重塑全球經濟秩序的根本問題：當 AI 系統越來越有能力執行人類的工作任務時，數以億計的勞動者將何去何從？這不是科幻小說的情節。McKinsey Global Institute（2023）的研究估計，生成式 AI 可能在 2030 年之前自動化目前 60% 至 70% 的工作活動，影響相當於全球 3 億個全職工作崗位。^[3]World Economic Forum 的《未來就業報告 2025》則預測，到 2030 年全球將有 9,200 萬個工作崗位被淘汰，同時創造 1.7 億個新崗位——淨增長 7,800 萬個。^[4]但「淨增長」的樂觀敘事掩蓋了一個殘酷的分配問題：失去工作的人與獲得新工作的人，往往不是同一群人。在我過去於劍橋大學從事跨國政策研究，以及目前帶領超智諮詢協助企業進行 AI 轉型的經驗中，我深刻觀察到：AI 對就業的衝擊不是一個純粹的技術問題，而是一個涉及分配正義、教育制度、社會契約根本重構的治理挑戰。

一、AI 自動化對就業市場的衝擊：數據、模型與爭論

要理解 AI 對就業市場的真實衝擊，首先必須區分三個不同但常被混淆的概念：技術可行性（technical feasibility）——AI 在技術上能否執行某項任務；經濟可行性（economic feasibility）——以 AI 替代人類勞動在經濟上是否划算；以及社會採納速度（adoption rate）——企業和社會實際部署 AI 的節奏。這三者之間存在顯著的落差，而多數聳動的「AI 取代 XX% 工作」預測，往往只考慮了技術可行性，忽略了後兩者的制約。

Frey 與 Osborne 的開創性研究。2013 年（正式發表於 2017 年），牛津大學的 Carl Benedikt Frey 和 Michael Osborne 發表了一篇影響深遠的論文，估計美國 47% 的工作崗位面臨高度自動化風險。^[5]這個數字在公共討論中被廣泛引用，但也引發了嚴肅的方法論批評。Frey-Osborne 模型是基於「職業」（occupation）層級的分析——判斷一個完整的職業是否「可自動化」。然而，OECD 的 Arntz、Gregory 和 Zierahn（2016）指出，自動化作用的單位是「任務」（task）而非「職業」——大多數職業包含可自動化與不可自動化的任務混合，真正會被完全消滅的職業遠少於 47%。他們以任務層級重新估算，結論是 OECD 國家平均僅有 9% 的工作面臨高度自動化風險。^[6]

Acemoglu 與 Restrepo 的均衡模型。MIT 的 Daron Acemoglu（2024 年諾貝爾經濟學獎得主）和 Pascual Restrepo 建立了一個更精緻的理論框架來分析自動化對勞動市場的影響。^[7]他們的模型區分了兩種效應：「替代效應」（displacement effect）——自動化取代某些任務中的人類勞動，壓低工資和就業；以及「生產力效應」（productivity effect）和「新任務創造效應」（reinstatement effect）——自動化提升生產力、降低成本、增加產出，同時創造新的、需要人類勞動的任務。自動化對就業的淨效果取決於這些效應的相對大小。Acemoglu 和 Restrepo 的實證研究以 1990-2007 年美國工業機器人的擴散為樣本，發現每千名工人新增一台機器人，會導致當地就業率下降 0.2 個百分點、工資下降 0.42%——替代效應顯著為正，但被部分抵消。^[8]

生成式 AI 的「認知革命」。上述研究多數基於工業自動化（機器人）或早期 AI 的經驗，而 2022 年以來生成式 AI 的爆發帶來了質的變化。過去的自動化主要影響「常規性」（routine）任務——無論是體力的（工廠組裝）還是認知的（資料輸入）。但 GPT-4、Claude 等大型語言模型展現了在「非常規認知」任務上的驚人能力——文案撰寫、程式設計、法律分析、醫學推理——這些恰恰是過去被認為不易自動化的白領專業工作。^[9]Eloundou 等人（2023）分析了美國勞動市場中每個職業的任務暴露程度，發現約 80% 的美國勞動力至少有 10% 的工作任務會受到 GPT 模型的影響，19% 的勞動力有超過 50% 的任務受影響。^[10]更關鍵的發現是：收入越高的工作，受生成式 AI 影響的比例反而越大——這與過去「自動化主要衝擊低技能工作」的認知截然相反。

二、誰最脆弱？技術替代的經濟學分析

David Autor 在其經典論文〈為什麼還有這麼多工作？〉中提出了一個影響深遠的「任務模型」（task-based framework）。^[11]Autor 將工作任務沿兩個維度分類：常規性 vs. 非常規性，以及認知型 vs. 體力型。過去四十年的技術進步主要替代了「常規認知」（如銀行櫃員、行政助理）和「常規體力」（如工廠操作員）任務，同時增加了對「非常規認知」（如管理、分析、創意）和「非常規體力」（如照護、維修）任務的需求——這解釋了為什麼就業市場出現了「極化」（polarization）現象：中等技能工作減少，高技能和低技能工作都在增加。^[12]

但生成式 AI 正在挑戰 Autor 模型的邊界。傳統上被歸類為「非常規認知」的任務——例如撰寫報告、分析數據、生成創意方案——正在被大型語言模型以驚人的效率執行。Brynjolfsson 和 McAfee 早在 2014 年的《第二次機器時代》中就預見了這一趨勢：數位技術的指數級進步最終會觸及幾乎所有類型的認知工作。^[13]

基於最新的研究，我們可以識別出幾個特別脆弱的職業群體：

第一，中階認知工作者。這包括初級法律助理、基礎財務分析師、一般行政人員、標準化報告撰寫者。這些工作的特點是：任務高度結構化、依賴既有知識的組合與應用、品質標準明確可評估——而這恰恰是大型語言模型最擅長的領域。Goldman Sachs（2023）估計，全球約 3 億個全職工作中的任務可能被生成式 AI 自動化，其中法律服務和行政支援是受影響最大的行業。^[14]

第二，創意產業的「中間地帶」。平面設計師、廣告文案、插畫師、翻譯、新聞記者——這些曾被認為需要「人類創造力」的職業，正面臨生成式 AI 的直接衝擊。需要注意的是，AI 不是取代了全部的創意工作，而是大幅壓縮了「執行層」的需求，同時可能增加「策略層」和「審美判斷層」的價值。一個資深創意總監指揮 AI 工具可能取代五個初級設計師的產出——這不是工作的消失，而是價值鏈的重組與不平等的加劇。

第三，客服與銷售前線。McKinsey 估計，客戶服務和銷售是生成式 AI 影響最直接的領域之一，全球約有 4,000 萬至 5,000 萬個客服職位可能在未來十年內被大幅重塑。^[15]AI 聊天機器人已經能夠處理大多數標準化的客戶查詢，而語音 AI 的進步使得電話客服也面臨自動化壓力。

相對而言，以下類型的工作在可預見的未來仍具有較高的「AI 抵抗力」。需要深度人際互動與情感連結的工作——如心理諮商師、社工、護理人員。這類工作的核心價值在於人與人之間的信任關係和情感共鳴，這是當前 AI 無法替代的。需要複雜身體操作與環境適應的工作——如水電工、園藝師、急診護理。Hans Moravec 的「莫拉維克悖論」在這裡依然成立：對人類而言輕而易舉的感知與運動任務，對機器而言反而極其困難。^[16]需要跨領域判斷與制度性知識的工作——如資深律師的訴訟策略、醫師的複雜診斷、企業高管的戰略決策。這類工作不僅需要知識，更需要在不確定性中基於經驗、直覺和價值判斷做出決策的能力。

三、新興職業與技能轉型：AI 創造了什麼工作？

歷史一再證明，技術革命在摧毀舊工作的同時也創造新工作。ATM 的普及並未消滅銀行櫃員——反而讓銀行能以更低成本開設更多分行，銀行櫃員的角色從「現金處理」轉向「客戶關係管理」。^[17]汽車取代了馬車夫，但創造了數以百萬計的卡車司機、汽車修理工、加油站員工。問題不在於新工作是否會出現——幾乎可以確定會——而在於轉型的時間差、技能差和地理差是否會造成大規模的人類痛苦。

World Economic Forum 的《未來就業報告 2025》識別了幾類快速成長的新興職業。^[4]AI 與機器學習專家名列增長最快的職業之首——但這類高度技術性的職位數量有限，無法吸納大量被替代的勞動力。更值得關注的是那些因 AI 擴散而間接創造的職業類型：

「人機介面」職業。隨著 AI 系統在各行業的部署，大量新的「中介角色」正在出現——提示工程師（prompt engineer）、AI 訓練師（AI trainer）、AI 倫理審計員（AI ethics auditor）、人機協作流程設計師。這些職業的共同特點是：它們不需要深度的機器學習專業知識，但需要對 AI 的能力與限制有深刻理解，以及將 AI 工具與特定業務場景結合的能力。Harvard Business Review 將這種能力稱為「融合技能」（fusion skills）——不是純粹的技術技能，也不是純粹的業務技能，而是兩者的交集。^[18]

「信任與驗證」職業。隨著 AI 生成內容的爆炸性增長，對「人類驗證」的需求也在增加——AI 輸出品質審核員、事實查核專家、演算法偏見檢測師。在醫療、法律、金融等高風險領域，「人類在迴路中」（human-in-the-loop）的要求使得這類驗證角色成為不可或缺的新職業。這與AI 治理框架中強調的「人類監督」原則直接相關。

「人類獨特性」職業的重新估值。當 AI 能夠執行越來越多的認知任務時，那些依賴於人類獨特能力的工作反而可能增值。護理和照護工作（日本已面臨嚴重短缺）、體驗式教育（相對於知識傳授）、心理健康服務、社區營造——這些工作的價值基礎是人類的情感、同理心和社會連結，而非可被編碼的知識或技能。諷刺的是，這些工作在當前經濟體系中往往是報酬最低的——AI 革命可能迫使我們重新評估這些工作的真正社會價值。

技能轉型的核心挑戰。然而，從「被淘汰的工作」到「新創造的工作」之間的轉型絕非自動發生。Brookings Institution 的 Mark Muro 等人的研究指出，AI 暴露程度最高的職業（如會計、行政助理）與增長最快的新興職業（如 AI 專家、數據科學家）之間的技能差距是巨大的——一個被 AI 取代的行政助理不可能在短期內轉型為機器學習工程師。^[19]這個「技能鴻溝」（skills gap）是 AI 就業轉型中最棘手的問題——它意味著，即使從總量上看新工作的創造多於舊工作的消失，大量的個體勞動者仍可能陷入長期的結構性失業。

四、各國政策回應：UBI 辯論、再培訓與社會安全網

面對 AI 自動化的就業衝擊，各國的政策回應大致可分為三個維度：預防性措施（減緩衝擊的速度）、補償性措施（為受影響者提供安全網）、以及轉型性措施（幫助勞動者獲得新技能）。

全民基本收入（UBI）的辯論。AI 時代最具爭議的政策提案莫過於全民基本收入——無條件地向每位公民發放固定金額的現金，不論其工作狀態。矽谷的科技菁英們——從 Sam Altman 到 Elon Musk——紛紛表態支持 UBI，理由是 AI 自動化將使傳統的「工作換取收入」模式變得不可持續。^[20]

從經濟學角度，UBI 的辯論涉及幾個核心問題。第一，財政可行性。以美國為例，如果每人每月發放 1,000 美元，一年的總成本約 3.9 兆美元——相當於聯邦政府年度支出的 60% 以上。即使以 AI 帶來的生產力增長作為稅基擴張的來源，財政壓力仍然巨大。^[21]第二，勞動供給效應。傳統經濟學擔心 UBI 會降低工作動機——如果不工作也能生活，人們為什麼要工作？但 Nature Human Behaviour 發表的一項大規模隨機對照實驗（2024）顯示，每月 1,000 美元的無條件現金轉移僅使受益者的工作時間減少了每週 1.3-1.4 小時，效果遠小於預期。^[22]芬蘭的 UBI 實驗（2017-2018）也得出了類似的結論：受益者的就業率沒有顯著下降，但幸福感和生活滿意度顯著提升。^[23]

Acemoglu 對 UBI 持謹慎立場。他認為問題的關鍵不是「如何分配 AI 創造的財富」，而是「如何讓更多人參與到 AI 經濟中」——UBI 是一個被動的補償機制，而非積極的賦能策略。他主張政策的優先順序應該是：引導 AI 技術的發展方向，使其成為人類勞動的「互補品」（complement）而非「替代品」（substitute）。^[24]

再培訓政策的實踐。大規模的勞動力再培訓是各國政府最常採用的回應策略，但其成效參差不齊。

新加坡的「技能創前程」（SkillsFuture）計畫是全球最具系統性的案例。自 2015 年啟動以來，政府向每位 25 歲以上公民提供 500 新幣的培訓補助（2025 年增至 4,000 新幣），可用於超過 24,000 門經認證的課程。^[25]更重要的是，新加坡將再培訓與產業政策結合——針對 AI、綠色經濟、照護服務等重點領域提供加碼補助，引導勞動力向有需求的方向轉型。

德國的「工作 4.0」（Arbeit 4.0）政策框架強調社會夥伴關係——政府、企業和工會三方共同協商自動化的推進速度和方式。德國的「短工時制度」（Kurzarbeit）在疫情期間展現了其緩衝勞動市場衝擊的能力，類似的機制也可以應用於 AI 轉型期——企業在導入 AI 時不裁員，而是縮短工時並利用空餘時間進行在職培訓，由政府補貼部分薪資差額。^[26]

丹麥的「彈性安全」（flexicurity）模型則提供了另一種思路：勞動市場高度靈活（企業容易僱用和解僱）、但社會安全網極為厚實（慷慨的失業保險，最高可達前薪 90%）、加上積極的勞動市場政策（密集的職業培訓和就業媒合）。^[27]這個模型的核心邏輯是：不保護「特定的工作崗位」，而保護「勞動者本人」——讓人們能夠在不同工作之間順暢轉換，而不會因為一次失業就陷入生活危機。

然而，再培訓政策面臨一個根本性的質疑：MIT Technology Review 指出，過去數十年美國投入數十億美元的職業再培訓計畫，其實際成效遠低於預期。^[28]許多被裁員的中年工人在完成「再培訓」後，仍然只能找到薪資更低、福利更差的工作。問題不在於培訓本身，而在於勞動市場的結構性需求變化速度超過了個體適應的能力——特別是對於年齡較大、教育程度較低的勞動者而言。

五、台灣勞動市場的特殊挑戰與機會

台灣的勞動市場在面對 AI 自動化衝擊時，具有若干與全球趨勢不同的結構性特徵——這些特徵既構成挑戰，也蘊含機會。

第一，少子化與勞動力短缺的雙重壓力。台灣的總生育率（2024 年約 0.87）是全球最低之列。^[29]國發會推估，台灣的工作年齡人口（15-64 歲）將從 2024 年的約 1,600 萬人，下降至 2040 年的約 1,300 萬人。在這個脈絡下，AI 自動化對台灣而言具有雙重意涵：一方面，它可能取代現有的工作崗位，加劇某些群體的失業；另一方面，它也是緩解勞動力短缺的必要工具——特別是在製造業、服務業和照護領域。換言之，台灣面對的不是「AI 會不會取代太多工作」的問題，而是「AI 能否在正確的領域取代正確的任務，同時讓人類勞動力轉向更高價值的工作」。這與人才作為國力的命題直接相關。

第二，中小企業的轉型瓶頸。台灣超過 97% 的企業為中小企業，它們僱用了約 78% 的勞動力。^[30]這些企業多數缺乏導入 AI 的技術能力、數據基礎設施和財務資源。當大型科技公司已經在使用 AI 重塑工作流程時，多數台灣中小企業連基本的數位化都尚未完成。如果政策不加以引導，AI 可能加劇大企業與中小企業之間、科技業與傳統產業之間的「數位落差」，進而惡化就業市場的結構性不均。

第三，製造業的自動化前沿。台灣的製造業佔 GDP 約 33%，遠高於多數已開發國家。其中，半導體、電子零組件、精密機械等產業已經處於高度自動化的狀態——台積電的晶圓廠自動化程度超過 95%。但台灣也有大量的傳統製造業（如紡織、食品加工、金屬加工）仍依賴人力密集的生產模式。AI 驅動的智慧製造（smart manufacturing）將對這些傳統製造業造成雙重衝擊：一方面自動化取代部分勞動力，另一方面提升產業競爭力以維持在全球價值鏈中的位置。

第四，服務業的轉型壓力。台灣的服務業佔 GDP 約 60%，僱用了超過 60% 的勞動力。在零售、餐飲、金融、保險等領域，AI 和自動化正在快速滲透——自助結帳、AI 客服、智慧理財顧問（robo-advisor）。但台灣服務業的一個結構性問題是「低薪化」——大量服務業工作的薪資長期停滯。AI 可能進一步壓縮這些低薪工作的數量，但如果轉型得當，也可能通過提升服務品質和效率來創造更高價值的服務業工作。

政策建議。針對台灣的具體情境，我提出以下政策框架。首先，建立「AI 就業衝擊評估機制」——要求重要產業定期評估 AI 技術對就業的潛在影響，作為產業政策和勞動政策制定的依據。其次，為中小企業提供「AI 轉型套件」——包含技術諮詢、資金補助、以及員工再培訓的整合性支援方案，降低中小企業導入 AI 的門檻。第三，改革失業保險制度——目前台灣的失業給付最長僅 6 個月（非自願離職），對於需要長期再培訓的結構性失業者而言遠遠不足。應參考丹麥模式，延長給付期限並與積極的再培訓計畫綁定。第四，發展「銀色經濟」（silver economy）中的 AI 應用——台灣的高齡化趨勢創造了龐大的照護需求，AI 輔助照護（如遠距健康監測、智慧居家系統）既能緩解照護人力短缺，也能創造新的就業機會。

六、教育體系轉型：從知識傳授到能力培養

如果 AI 正在重新定義「有價值的人類勞動」，那麼教育體系——作為勞動力供給的源頭——必須進行根本性的轉型。這個問題已在高等教育危機的討論中初步觸及，但 AI 對教育的衝擊遠比我們想像的更為深刻。

知識傳授的貶值。當 AI 能夠即時回答幾乎所有事實性問題、生成結構完整的分析報告、甚至通過律師資格考試和醫師執照考試時，^[31]傳統教育以「知識傳授」為核心的價值主張面臨根本挑戰。學生花四年時間記憶和練習的知識與技能，如果 AI 能在幾秒鐘內完成得更好，那麼這種教育的投資報酬率將急劇下降。這不意味著知識不再重要——而是意味著「擁有知識」本身不再是有價值的差異化因素。

能力培養的重新定義。在 AI 時代，教育的核心目標應從「知識傳授」轉向幾類 AI 難以替代的能力培養。Foreign Affairs 的一篇深度分析指出，未來最有價值的人類能力包括：^[32]

批判性判斷力——不是「找到答案」的能力（AI 更擅長），而是「判斷答案是否正確、適當、符合倫理」的能力。在一個 AI 可以產生海量內容的世界中，能夠辨別、評估和篩選的能力比能夠生產的能力更有價值。複雜問題的框架建構能力——AI 擅長在定義明確的問題空間內尋找最優解，但「如何定義問題」本身往往是最關鍵的認知挑戰。正如愛因斯坦所言：「如果我有一個小時解決問題，我會花 55 分鐘思考問題是什麼。」這種「問對問題」的能力是 AI 目前的弱項。跨領域整合能力——AI 模型通常在特定領域內表現優異，但將不同領域的知識和方法論創造性地結合——例如將高管教育中的商學思維與前沿科技相結合——仍然是人類的優勢。社會情感能力——領導力、同理心、協作、衝突解決——這些能力在人類社會中的重要性不會因 AI 的進步而降低，反而可能因為技術性工作被自動化而變得更加關鍵。

終身學習的制度基礎設施。在技術變革速度加快的時代，「一次性教育」（在 20 多歲完成學位，然後用同一套技能工作 40 年）的模式已經不可持續。Brookings Institution 的研究指出，未來的勞動者可能需要在職業生涯中經歷三至五次重大的技能轉型。^[33]這要求建立一個支持終身學習的制度基礎設施——包括靈活的學分銀行系統、工作中學習（work-integrated learning）的機會、以及讓在職者能夠「暫停工作、學習新技能、重返職場」的社會保障機制。新加坡的 SkillsFuture 和法國的「個人培訓帳戶」（Compte Personnel de Formation, CPF）是這個方向的先驅嘗試。^[34]

台灣教育改革的急迫性。台灣的教育體系在培養應試能力方面成績斐然——PISA 測驗成績長期名列前茅。但這套以「標準化測驗」為導向的教育模式，培養的恰恰是 AI 最容易替代的能力：記憶大量資訊、在結構化問題中找到標準答案。108 課綱強調「素養導向」的改革方向是正確的，但在執行層面——教師的教學方法、評量的設計、升學制度的引導——改革的深度和速度都遠遠不足以應對 AI 帶來的挑戰。台灣需要的不是漸進式的課綱微調，而是對「教育的目的是什麼」的根本重新思考。

七、結論：人機協作的未來——不是替代，而是重新定義

回到本文開頭的問題：當 AI 重新定義勞動，人類如何安身立命？我的回答是：我們需要超越「AI 取代人類」vs.「AI 輔助人類」的二元對立，轉向一個更細緻的思考框架。

第一個認知轉換：從「職業」到「任務」。AI 很少完全消滅一個職業——它更常見的效果是重組一個職業中的任務組合。醫師不會消失，但「根據影像判讀疾病」這個任務將由 AI 完成得更快更準確；醫師的角色將轉向「基於 AI 分析結果做出綜合性的治療決策，並與患者溝通」。律師不會消失，但「搜索判例和起草標準化文件」的任務將高度自動化；律師的價值將集中在「策略性的法律論述建構和複雜的庭審辯護」。這個「任務重組」的視角——源自 Autor（2015）和 Acemoglu & Restrepo（2019）的理論框架——比「XX% 的工作將被取代」的聳動預測更接近現實。^[35]

第二個認知轉換：從「人力資本」到「人類能力」。傳統的人力資本理論（Becker, 1964）將教育視為對勞動生產力的投資——你學習特定的知識和技能，然後在勞動市場上出售這些知識和技能的服務。^[36]但當 AI 可以以接近零邊際成本提供許多「知識和技能的服務」時，人力資本的傳統定義需要擴展。Amartya Sen 的「能力方法」（capability approach）提供了一個更有啟發性的框架——重要的不是你「擁有」什麼技能，而是你有能力「成為」什麼和「做到」什麼。^[37]在 AI 時代，判斷力、創造力、同理心、適應力——這些不是傳統意義上的「技能」（可以被標準化地教授和測量），而是更深層的人類「能力」——它們恰恰是 AI 最難複製的。

第三個認知轉換：從「工作」到「貢獻」。如果 AI 自動化最終使得人類的每週工作時間大幅縮短——Keynes 在 1930 年預測的「每週 15 小時工作」可能在一個世紀後終於實現——那麼我們需要重新思考「工作」在人類生活中的意義。目前的社會契約將「有酬工作」視為人們獲取收入、社會身分和人生意義的主要途徑。但在一個 AI 承擔大部分生產性勞動的世界中，人類的「貢獻」可能需要以更廣泛的方式被定義和估值——包括照顧家人、社區服務、藝術創作、環境保育、志願工作。^[38]這不是遙遠的烏托邦想像——它是我們這一代人必須開始思考和準備的社會轉型。

AI 對就業市場的衝擊是一場正在進行中的結構性變革。它不會像某些樂觀者預期的那樣「自動地」創造出足夠的新工作來替代被淘汰的舊工作——也不會像某些悲觀者擔心的那樣導致大規模的永久性失業。實際的結果將取決於我們——作為社會——如何回應這個挑戰：我們的教育體系能否培養出 AI 時代需要的能力？我們的社會安全網能否保護轉型期中最脆弱的群體？我們的企業領袖能否以負責任的方式部署 AI？我們的政策制定者能否設計出既促進創新又確保公平的制度框架？這些問題沒有標準答案。但有一件事是確定的：被動等待是最糟糕的策略。那些現在就開始投資於人的能力——而非僅僅投資於技術——的國家和組織，將在 AI 時代擁有最大的競爭優勢。