AI 要搶走你的工作？數據告訴我們的是另一回事
真正的危險不是被裁員，而是正在悄悄收窄的入口
前言
讀者們，兩天前有一篇很有趣的報告出爐了。一家 AI 公司決定直接測量「我們的技術對就業市場造成了什麼影響」。
就是 Anthropic 在 2026 年 3 月 5 日發表的《Labor Market Impacts of AI: A New Measure and Early Evidence》。過去的研究大多以「AI 理論上能做什麼」來評估工作威脅，但這份報告往前邁了一步——它結合了實際的 Claude 使用數據，測量了現實中哪些工作正在被 AI 取代。
媒體的反應不出所料。「程式設計師 74.5% 面臨取代風險！」「入門級職位的終結！」 這類標題層出不窮。但如果你仔細讀完這份報告，數據講的故事其實複雜得多，說實話，也更令人不安。今天我想用數據專家的眼光來拆解這份報告。國內有些網紅只是把報告裡那些刺激性的數字原封不動地搬出來講，讓人有點失望。就是那種「好驚悚、好威脅……」的感覺嘛。什麼「不想被裁員就快去學習、快去上課」之類的……
先來看看這份報告新在哪裡
過去的 AI 勞動市場研究大多只問一個問題：「AI 能不能做這份工作？」 2023 年 OpenAI 研究團隊（Eloundou 等）發表的研究就是典型代表——他們分析了美國約 800 個職業的工作內容，以 0、0.5、1 來評分「LLM 理論上能否將工作效率提升兩倍以上」。
問題在於，「能做」和「正在做」之間存在巨大的鴻溝。 以藥局提供處方資訊的工作為例，Eloundou 等的研究認為 AI 完全有能力執行（β=1），但在現實中，我們並沒有觀察到 Claude 執行這類工作的案例。這是因為存在法律限制、驗證流程、軟體整合等現實障礙。
Anthropic 的新報告正面處理了這個鴻溝。他們建立了一個新指標——「觀察到的暴露度（Observed Exposure）」，結合了三種數據。
第一，O*NET 資料庫中各職業的工作清單。第二，Eloundou 等研究的理論 AI 執行可能性評分。第三，也是關鍵所在——Anthropic 經濟指數中收集的實際 Claude 使用數據。 此外還加了一層權重：人類借助 AI 輔助的「增強（augmentation）」使用給予半權重，而完全透過 API 自動化、無需人工介入的使用則給予全權重。
結果令人印象深刻。理論上，電腦與數學類職業中 94% 的工作可以被 AI 執行，但實際觀察到的覆蓋率僅為 33%。 理論與現實之間大約存在 三倍的差距。
看清數字背後的結構，畫面就不同了
從這裡開始，才是真正讀懂這份報告的關鍵段落。
被引用最多的數字是 「程式設計師 74.5% 暴露度」。但要準確理解這個數字，必須了解其測量方法。這 74.5% 不是說「程式設計師 74.5% 的工作會被 AI 取代」，而是「該職業的工作內容中，理論上 AI 可以執行、同時在實際 Claude 使用數據中觀察到自動化模式的比率」。兩個條件必須同時滿足。
這裡有一個方法論上很有趣的地方。這份報告使用的實際使用數據僅來自 Claude 平台。ChatGPT、Gemini、Copilot 等其他 AI 工具的使用模式並未納入。也就是說，實際的 AI 應用範圍可能比報告測量的更廣。反過來，Claude 用戶群的特性（據了解開發者佔比較高）也可能對結果產生偏差。
更重要的是這份報告的核心發現：「大規模失業尚未發生」。研究團隊利用 2016 年至今美國人口現況調查（CPS）1 數據，比較了 AI 暴露度前 25% 職業與暴露度為 0% 職業的失業率。透過雙重差分法（DID）2 分析，ChatGPT 推出後兩組之間失業率差距的變化為 +0.20 個百分點，統計上不顯著。這不是說我們該自我安慰，而是從統計學角度而言。所以，那些說「74.5% 會被取代」之類的話，基本上就是製造話題的說法。報告本身也沒有這樣講。
研究團隊自己也承認了這個分析的侷限性。這個分析框架能偵測到的最小效應大小約為 1 個百分點。換句話說，0.5 個百分點水平的失業率變化，用這個方法論是捕捉不到的。測量工具本身的解析度就有侷限。
真正的訊號不在「失業率」，而在「入職率」
這份報告中最值得關注的發現其實在後半段。是 22 至 25 歲青年群的職業入職率（job start rate）分析。
在 AI 暴露度較高的職業群中，青年群的月度新就業率從 2024 年起開始明顯下降。與 2022 年相比約減少 14%，研究團隊也謹慎地表示這個數字處於統計顯著性的邊界。而在 AI 暴露度較低的職業群中，青年群的就業率穩定維持在每月 2% 的水平。25 歲以上的年齡層則未觀察到這種下降。
這與史丹佛數位經濟研究所 Brynjolfsson 等（2025）的研究相互印證。該團隊分析了美國最大薪資處理公司 ADP 的實際薪資數據，發現 AI 高暴露職業中 22 至 25 歲的僱用自 2022 年底以來下降了 6% 至 16%。特別是軟體開發者，22 至 25 歲的人力較 2022 年減少約 20%，而 35 歲以上的年齡層反而略有增加的趨勢。
兩項研究使用不同的數據來源（CPS 調查 vs. ADP 薪資），卻得出了方向一致的結果，這增加了這個訊號並非單純統計雜訊的可能性。但同時，兩項研究也都承認：無法確定這種減少完全是因為 AI。升息、科技業整併、經濟週期等其他變數也在同時起作用。
Oz 的視角
老實說，讀這份報告時我同時有兩種相反的感受。
一種是驚嘆。一家 AI 公司願意以這種深度來測量自身技術對勞動市場的影響，這是第一次。特別是正面揭示了「理論可能性」與「實際使用」之間的差距，這很有意義。過去的研究停留在「AI 可能影響美國 80% 的工作」這類理論推估，而這份報告用數據展示了「現實中還只達到理論的 1/3 水平」這個事實。
另一種是警惕。做過數據分析的人都知道，測量方法決定結論。這份報告以失業率為核心指標，但事實上，失業率是捕捉 AI 初期影響最遲鈍的指標之一。失業率只計算「想工作但找不到工作的人」。完全放棄求職的人、去讀研究所的人、轉行的人，都不會被失業率捕捉到。Anthropic 研究團隊也意識到這一點，所以才額外加入了青年群入職率這個輔助指標。
我在制定 GTM 策略時學到的一課是：市場變化往往先體現在「進入阻斷」而非「退出」上。既有客戶有慣性，不會輕易離開；但新客戶的流入減少，發生的速度要快得多。勞動市場也是如此。企業裁掉現有員工成本很高，也有法律風險。但減少新招聘，卻可以毫無摩擦地悄悄進行。
所以我認為這份報告真正的價值不在於「目前還沒事」的結論，而在於它提出了「我們應該測量什麼」的框架。而且我特別關注的是報告的最後一句話。研究團隊將未來最優先關注的課題指向了 「AI 高暴露專業畢業生的勞動市場進入路徑」。這不只是學術興趣，而是數據中已經開始出現訊號的意思。
還有一點。要記住這份報告的出版方是 Anthropic。一家 AI 公司說「我們的技術還沒有搶走工作」，這既是事實，也是策略性的。Antonio Casilli 等學者也曾指出這類研究的利益衝突可能性。閱讀數據時，永遠要同時問「誰、為什麼公開了這份數據」。
結語
總結一下。目前 AI 並沒有在大量摧毀現有工作。但通往新工作的門正在悄悄收窄。特別是對那些二十出頭、正要踏上職業階梯第一級的人來說。但只是簡單地說**「AI 在搶人的工作」，這種話誰都說得出口。街角的阿伯、阿婆、爺爺、奶奶、求職者都能說。**
這有什麼意義呢？應該去理解背後的結構性問題，並思考解決方案才對。如果目的是製造恐懼，那這個人要麼非常殘忍，要麼就是利用恐懼來賣課程、賺取利潤。
這比「初階職位的終結」這種刺激性的框架更是一個結構性問題。當資深員工利用 AI 提升生產力時，企業用同樣的成本就能僱用更少的初階人員。無裁員式的組織調整，可能就是正在發生的事情的本質。
對這個主題感興趣的讀者，建議搭配報告原文和以下參考資料一起閱讀。特別是 Brynjolfsson 研究的 ADP 數據分析，是與 Anthropic 報告交叉驗證的好素材。
參考資料 & 延伸閱讀
- Massenkoff, M. & McCrory, P., “Labor market impacts of AI: A new measure and early evidence,” Anthropic, 2026. : 本期電子報的核心分析對象。特別推薦直接查看 Figure 2（理論 vs. 實際覆蓋雷達圖）和 Figure 7（青年群入職率）。
- Brynjolfsson, E., Chandar, B. & Chen, R., “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence,” Digital Economy, Stanford, 2025. : 基於 ADP 薪資數據的分析，是與 Anthropic 報告交叉驗證的核心參考資料。
- Eloundou, T. et al., “GPTs are GPTs: An early look at the labor market impact potential of large language models,” Science, 2024. : Anthropic 報告所依據的理論暴露度（β）測量的原始研究。
- Casilli, A., “Young Workers Haven’t Been Replaced by AI — Economists Are Just Looking for Them in the Wrong Places,” 2025. : 批判「工作 = 職業」這種任務導向方法根本侷限的文章。為了獲得平衡的視角，值得一讀。
- Observed coverage 數據集（task/job level）: 想直接動手玩數據的讀者，這裡有原始數據。
