跳到主要內容
AI 會取代你的工作嗎？14 個來源互相矛盾，讓你自己判斷

AI 會取代你的工作嗎？14 個來源互相矛盾，讓你自己判斷

2026 年 2 月 27 日，Jack Dorsey 宣布 Block 裁員 40%。四千多人。他寫給股東的信只有一句話值得記：「intelligence tools have changed what it means to build and run a company.」

隔天股價漲了 14%。

同一個月，微軟 AI 執行長 Mustafa Suleyman 告訴《金融時報》：18 個月內，大部分白領工作會被 AI 自動化。會計、法律、行銷、專案管理，只要是「坐在電腦前做的事」，全部。

如果你在這些行業工作，你大概已經焦慮了一陣子。

論壇上有人說：「光是取代 30% 就代表有 30% 的職位要消失。」有人說：「2026 前後畢業的大學生，是史上最辛苦世代。」

但也有人回：「會怕被取代的人就是自己也覺得工作很簡單。」最經典的一句：「只要不能坐牢，會計就不會被取代。」

你讀了這些對話，覺得兩邊都有道理。你不知道該信哪個。

我讀了十四個來源想搞清楚一件事：到底是恐慌，還是現實？

兩邊都有很強的證據，但他們測量的東西根本不一樣。

90% 說 AI 有價值，2% 真的裁了人

先看數據。

Harvard Business Review 在 2025 年底調查了 1,006 名全球高管。結果讓我重新想了很多事：

  • 90% 的受訪企業說 AI 帶來了中度到大量的價值
  • 60% 已經因為 AI 減少人數（39% 小幅 + 21% 大幅）
  • 但只有 2% 是因為 AI 真的能做那些工作才裁的

剩下的 58%？是「預期」AI 會有用。還沒證明，先裁了再說。

HBR 用了一個詞：posturing。作秀。裁員不是因為 AI 做得到，是因為「AI 裁員」比「我們要砍成本」聽起來性感。

Gartner 的調查更直接：50% 因 AI 裁員的公司，2027 年前會重新雇人做類似的事（只是換個職稱）。而且實際上只有 20% 的客服主管真的因為 AI 減了人。

Klarna 是最好的案例。這家瑞典金融科技公司 兩年內砍了 40% 的人力，全押 AI。結果 2025 年，CEO 跟 Bloomberg 說他們在重新雇人，因為追求低成本的結果是品質也跟著低了。

所以第一個判斷：現在大部分 AI 裁員不是因為 AI 太強，是因為恐慌。 高管們在預期中裁人，而不是在證據下裁人。

但這不代表你可以安心。

矛盾的趨勢線：有的向上，有的向下，讓人不知道該信哪個方向

Suleyman 說 18 個月，Anthropic 說零失業。到底信誰？

他們在吵不同的東西。這是我讀完最重要的判斷。

Suleyman 看的是能力的天花板。他的 18 個月預測基於算力指數增長：模型越來越強，他在《The Coming Wave》裡把白領的重複性認知操作叫做「cognitive manual labor」，認為這些操作很快會被完全自動化。

Anthropic 看的是地板上實際發生的事。他們的勞動市場影響報告不只看 AI「理論上能做什麼」，還看 Claude「實際被用來做什麼」。結果：電腦程式設計師的理論曝險度 75%，但 Claude 實際只覆蓋了 33% 的電腦與數學類別任務。

更關鍵的數據：自 ChatGPT 發布以來，高曝險職業的失業率沒有系統性上升。 統計上跟零無法區分。

唯一的例外是 22-25 歲的年輕工作者。在高曝險職業中，他們的新工作錄取率下降了約 14%。不是被裁，是根本沒被雇。這像是早期信號，但數據還不夠確定。

一個問「AI 能不能做？」另一個問「AI 做了嗎？」答案分別是「理論上快了」和「實際上還沒」。大部分關於 AI 取代工作的爭論，根本不是對同一件事在爭。 看多的在看能力曲線，看空的在看就業數據。兩邊都對，但描述的是不同的時間軸。

AI 讓你更快還是更慢？答案是「看情況」

你可能聽過一個說法：AI 讓工作效率提升了 X%。但數據比這複雜得多。

非營利組織 METR 做了一個實驗，讓開發者在真實工作環境中使用 AI。結果：任務完成時間比不用 AI 多了 20%。 不是快，是慢。

Goldman Sachs 首席經濟學家 Torsten Slok 在 2026 年三月指出：「我們仍然在經濟體層級找不到 AI 採用和生產力之間的有意義關係。」除了科技業利潤率上升 20%，其他產業幾乎沒有變化。

但另一個實驗說了完全相反的事。

波士頓顧問公司（BCG）跟 GPT-4 做了一個對照實驗。結果分兩半：在 AI 能力範圍內的任務，顧問的表現大幅提升。但在 AI 能力邊界外的任務，準確率從 84% 暴跌到 60-70%。 用了 AI 反而比不用更差。

Ethan Mollick 在《Co-Intelligence》裡把這個現象叫做 Jagged Frontier。AI 的能力邊界不是一條平滑的線，是鋸齒狀的。它能寫一個完整的井字棋網頁，但不會下井字棋。它能幫你分析一份財報，但可能在你沒注意的地方編造數字。

所以 Suleyman 說的 $20 兆增長跟 Goldman 說的「零生產力提升」怎麼同時存在？

Robert Solow 在 1987 年說過一句話：「你到處看到電腦時代，除了在生產力數據裡。」Duke CFO Survey 的研究者直接引用了這句話。他們發現高管感受到的 AI 生產力提升，遠大於實際營收數據能支持的幅度。

第二個判斷：AI 在特定任務上已經很強，但在整體工作流程中還很弱。 知道 AI 的邊界在哪，比「學 AI」重要一百倍。因為在邊界內，它讓你飛。在邊界外，它讓你掉進一個你看不見的坑。

放射科醫師還在，但西洋棋選手不在了

2016 年，深度學習先驅 Geoffrey Hinton 說：停止培訓放射科醫師，五年內 AI 會超越他們，這「完全顯而易見」。

十年過去了。放射科醫師的就業人數不但沒減少，反而嚴重缺人。

為什麼預測錯了？因為 Hinton 把「一個任務」等同於「一整個職業」。放射科醫師確實花很多時間看影像，但他們還做幾十件 AI 做不到的相鄰任務：跟病人溝通、跟其他科別討論複雜病例、在不確定的情況下做臨床判斷。

Mollick 在《Co-Intelligence》裡解釋了為什麼：工作不是一個任務，是一束任務。AI 可以替代束裡的某些線，但很少能替代整束。

到這裡你可能覺得安心了。但 Daniel Susskind 在《A World Without Work》裡講了一個讓人不安的反例：西洋棋。

2005 年，最強的西洋棋「選手」不是人也不是機器，是人機組合。Garry Kasparov 因此提出了「Centaur」模型，認為人加機器永遠比純機器強。這聽起來很像 Mollick 的 Centaur/Cyborg 概念。

但到了 2017 年，Google 的 AlphaZero 在沒有任何人類輸入的情況下擊敗了最強的西洋棋電腦，人機組合從此沒有優勢了。機器太強，人的參與反而是噪音。Susskind 把這叫做「task encroachment」：機器不需要像人一樣思考就能贏，補充的力量最終被替代的力量壓過。

第三個判斷：短期看 Mollick 是對的。工作是一束任務，AI 只能替代其中一部分。但長期看 Susskind 可能是對的。西洋棋先例說明 Centaur 可能只是過渡期。 問題不是「會不會」，是「多快」。

做 AI 的人 vs 賣 AI 的人

在 Lex Fridman 的 Podcast #490 裡，兩位 AI 研究員 Sebastian Raschka 和 Nathan Lambert 討論了 AI 是否會取代程式設計師。

Lambert 是 Allen Institute for AI 的 post-training 負責人，每天在建造 AI 模型。他的觀點出奇地溫和：Claude Code 確實很強，但差異化越來越低。技術是流動的，沒有人有獨家技術。真正的瓶頸是「人力和組織文化」。

Raschka 寫了《Build a Large Language Model from Scratch》，他說：「我不認為現在任何一家公司擁有其他公司沒有的技術。」真正的區別在資源和預算，不在技術本身。

這跟 Suleyman 說的完全不一樣。Suleyman 說他的核心使命是達到「超級智慧」。他說 AI 的發展「前所未有」，白領工作即將被顛覆。

為什麼同樣是 AI 領域的人，看法差這麼大？

因為 Suleyman 在賣 AI。他是微軟 AI 的 CEO，他的工作就是讓你相信 AI 能做一切。而 Raschka 和 Lambert 在做 AI，每天面對模型的限制、bug、和不確定性。

Tim Ferriss 在他的 Podcast #859 裡從使用者的角度給了一個框架。他說他不是 AI 專家，也不追最新的工具。他的策略是建立「offline advantage」：AI 做不到的事反而更有價值。你的線下人脈、你的實際經驗、你在真實世界做過的事，這些不在訓練資料裡。

「如果你用 ChatGPT 分析一家上市公司，」他說，「你可以放心，已經有幾百萬人做了一樣的事。你讀到的跟別人讀到的一模一樣。」

我自己每天用 AI agent 工作。我親眼看到它在寫程式碼、整理資料、處理重複任務上有多強。但我也親眼看到它在需要判斷的地方有多危險。它不會告訴你它不知道，它會編造一個聽起來很合理的答案。

我一個學妹做行銷企劃，上個月她問我：「我的工作會不會被 AI 取代？」我跟她說：「你的工作裡有一部分已經被取代了。但那部分本來就不是你被雇用的原因。」

歷史說了什麼（可能不是你想聽的）

每一次科技革命，短期都是痛苦的。這不是猜測，是數據。

從 1780 年到 1840 年，英國工人的實際工資幾乎沒有上升。六十年。整整兩代人。機械化帶來的生產力爆炸確實發生了，但利益流向了資本家，不是工人。直到工人組織起來、政策改變，分配才開始變。Carl Benedikt Frey 在《The Technology Trap》裡把這段歷史攤開，結論很不舒服：長期會好，但「長期」可能是你的孫子那一代。

Luddites 不是反科技的瘋子。他們是看到新機器讓自己的技能一夜歸零的紡織工人。他們反的不是機器，是分配不均。

Daron Acemoglu 在《Power and Progress》裡把這個論點推到更遠。他 2024 年拿了諾貝爾經濟學獎，論點是：科技不會自動利好勞工。利不利好取決於權力結構和政策。沒有政策介入，新技術很容易變成他所說的「so-so automation」：自動化程度剛好夠取代工人，但不夠好到大幅提升生產力。

Acemoglu 不反對 Mollick 的 augmentation 觀點。他反對的是 Mollick 假設 augmentation 會「自然發生」。他說：如果企業有選擇，它們會選成本最低的路。如果用 AI 取代人比 AI 輔助人便宜，企業就會取代。除非制度設計讓 augmentation 比 replacement 更有利。

Duke CFO Survey 的數據在這裡很有說服力。750 位美國 CFO 說今年預期有 502,000 個工作因 AI 消失，大約是全國就業人口的 0.4%。比去年的 55,000 增加了九倍，但相對於一億兩千五百萬個工作來說，仍然是捨入誤差。

「這不是你在新聞標題裡看到的末日場景，」研究負責人 John Graham 說。但他也補了一句：「我不會預測兩三年後不會有大量工作消失。誰知道 2028 年會怎樣？」

三個判斷，給正在焦慮的你

讀完十四個來源，我的結論是三層的。

第一層：AI 不會在 18 個月取代你。但你的工作方式會在 3-5 年內改變。 Suleyman 的時間表基於算力增長，不是就業數據。Anthropic 的實際測量顯示，AI 的採用遠落後於能力。2% 的企業因為 AI 實際表現裁員，剩下的是恐慌性裁員。但恐慌性裁員也是裁員。你不會因為公司裁你的理由不成立就少失業一天。

第二層：「學 AI」不是答案。知道 AI 的邊界在哪才是。 BCG 實驗證明了這一點。在 AI 擅長的領域，用 AI 的人效率飆升。在 AI 不擅長的領域，用 AI 的人表現比不用更差，因為他們放棄了自己的判斷。最危險的位置不是不會用 AI，是以為 AI 什麼都能做。

第三層：長期來看，Susskind 可能是對的。但 Acemoglu 給了一個關鍵的緩衝：制度。 西洋棋先例說明 Centaur 模式可能只是過渡期。但 Frey 的歷史數據也說明，從新技術到大規模失業通常需要幾十年，不是幾個月。這段時間裡，政策和制度可以改變結局。問題是有沒有人在推。

如果你讀到這裡已經在考慮主動離開，而不是等著被取代——這篇可以幫你想清楚那個時間點。放棄和止損是不同的事。

明天你可以做的三件事

我不會跟你說「學 AI 就不怕」。這句話被說了一百遍，沒有人告訴你學什麼、怎麼學。

但讀完這些來源，有三件事我自己在做：

一、找到你工作裡 AI 做不到的那束任務。 不是「AI 做不到的工作」，是你的工作裡面，AI 做不到的那些部分。然後把時間花在那些部分上。如果你是工程師，那不是寫 CRUD，是理解客戶到底要什麼。如果你是行銷，那不是生產內容，是判斷什麼內容值得生產。

二、在 AI 擅長的領域放手用，在邊界外保持懷疑。 BCG 實驗最重要的教訓不是「AI 有用」或「AI 沒用」。是邊界。在邊界內，AI 讓你飛。在邊界外，它讓你變笨。問題是 AI 不會告訴你邊界在哪。你得自己判斷。

三、建立 AI 訓練資料裡沒有的東西。 Tim Ferriss 叫它 offline advantage。你的客戶信任、你跟特定人的關係、你在某個領域做過的具體實驗。這些不在網路上，AI 讀不到，你用 AI 的競爭對手也讀不到。這是你真正的護城河。

十四個來源讀完，最讓我不安的不是 Suleyman 的 18 個月，也不是 Susskind 的西洋棋終局。是 HBR 那個 2% 的數字。因為那代表 58% 的裁員不是基於證據，是基於恐懼。而恐懼驅動的決策，歷史上從來沒有好結局。

你要擔心的不是 AI 太強。你要擔心的是你老闆以為 AI 很強。而這種恐懼不會只影響你的職涯——它也會滲進你的投資判斷。

讀完這篇，做一件事：打開你的工作日誌，列出上週做的所有事情，標記哪些 AI 今天就能做、哪些三年後可能能做、哪些它可能永遠做不到。那張清單就是你接下來三年的策略。

本文讀了這些來源：

書：

Podcast：

文章：

聲明： 以上內容為個人閱讀勞動經濟學與科技趨勢文獻後的整理與觀點分享，不構成職涯或投資建議。文中提及的企業裁員案例和調查數據僅供說明趨勢，不應作為個人職涯決策的唯一依據。任何職涯規劃請自行評估風險，並在必要時諮詢專業的職涯顧問。

你可能也想讀：

新文章上線時通知你

有新主題才通知，僅此而已。