2025年12月18日,全球資產管理巨頭Vanguard發布一項震撼業界的研究報告,徹底顛覆關於人工智慧對就業市場影響的主流預期。報告指出,高度暴露於AI自動化風險的職業,在後疫情時代(2023年中至2025年中)的就業增長率達到1.7%,不僅沒有如科技業領袖預測的大規模失業,反而超越疫情前2015-2019年間的1%增長率,甚至快於所有其他職業的平均增長速度。這個被研究者稱為「自動化悖論」的現象,挑戰Sam Altman、Jensen Huang等科技大佬關於AI將取代大量白領工作的預測,顯示AI可能正以不同於預期的方式重塑勞動市場——不是簡單的替代,而是生產力提升、需求增長和職能轉型的複雜互動。這項研究為正處於AI焦慮中的勞動者和政策制定者提供新的視角,也為理解AI時代的經濟轉型提供關鍵數據支撐。
Vanguard研究核心發現
高AI暴露職業就業增長數據
研究方法與定義
Vanguard如何測量AI暴露度:
- 職業分類: 使用美國勞工統計局(BLS)標準職業分類系統
- AI暴露度評估: 基於職業任務可自動化程度
- 高暴露: 日常任務中50%以上可被AI執行
- 中暴露: 25-50%任務可自動化
- 低暴露: 少於25%任務可自動化
高AI暴露職業範例:
- 客服代表
- 數據輸入員
- 簿記和會計文員
- 銀行櫃員
- 市場研究分析師
- 文字處理員
- 保險核保員
- 貸款審核員
核心數據對比
關鍵時期就業增長率比較:
| 時期 | 高AI暴露職業 | 所有其他職業 | 全體職業平均 |
|---|---|---|---|
| 疫情前(2015-2019) | 1.0% | 1.2% | 1.1% |
| 疫情期間(2020-2023中) | -2.3% | -0.8% | -1.2% |
| 後疫情(2023中-2025中) | 1.7% | 1.4% | 1.5% |
關鍵發現:
- 高AI暴露職業在後疫情時代增長1.7%
- 比疫情前的1.0%增長70%
- 快於所有其他職業的1.4%
- 顛覆”AI將導致大規模失業”預測
自動化悖論現象
何謂自動化悖論?
經濟學概念解釋:
定義: 自動化技術提升生產力,降低成本,反而增加對該領域勞動力的需求,而非減少。
經典案例:
- 銀行ATM機: 1970年代引入後,銀行出納員職位不減反增
- 原因: ATM降低營運成本→銀行開設更多分行→需要更多出納員處理複雜業務
- Excel試算表: 會計師職位沒有消失
- 原因: 提高效率→企業需要更多財務分析→會計師角色轉型為分析師
AI時代的自動化悖論
為何高AI暴露職業反而增長?
-
生產力效應:
- AI提升個人生產力→單位成本下降
- 成本下降→服務需求增加
- 需求增加→需要更多勞動力
-
技能升級效應:
- AI處理重複性任務→勞工專注高價值工作
- 職業內容轉型但職位名稱不變
- 例: 客服代表從回答基本問題→處理複雜投訴和關係維護
-
新任務創造效應:
- AI產生新的工作類型
- 例: AI訓練數據標註、AI系統監督、AI輸出審核
-
需求彈性:
- 某些服務需求彈性大
- 價格下降導致需求大幅增長
- 抵銷甚至超越自動化減少的勞動需求
不同職業類別表現
按AI暴露度分類的就業表現
詳細分類數據(2023中-2025中):
高AI暴露職業(+1.7%)
表現最佳的子類別:
-
金融服務類 (+2.3%):
- 個人理財顧問
- 保險代理人
- 貸款專員
- 原因: AI處理基礎任務,顧問專注客戶關係
-
數據處理類 (+1.9%):
- 數據分析師
- 市場研究員
- 統計助理
- 原因: AI生成更多數據,需要人類解讀
-
客戶服務類 (+1.4%):
- 客服代表
- 技術支援專員
- 原因: 複雜問題仍需人類處理
表現較差的子類別:
-
文書行政類 (-0.5%):
- 數據輸入員
- 文字處理員
- 原因: 高度重複性,AI替代性最強
-
電話銷售類 (-0.8%):
- 電話推銷員
- 電話調查員
- 原因: AI語音系統有效替代
中AI暴露職業(+1.5%)
包含職業:
- 護理師(AI輔助診斷,但護理工作仍需人類)
- 教師(AI輔助教學,但教育互動不可替代)
- 銷售代表(AI分析數據,但關係建立需人類)
低AI暴露職業(+1.2%)
包含職業:
- 建築工人(物理勞動,AI難以替代)
- 電工、水管工(技藝性工作)
- 理髮師(人際互動服務)
- 消防員(緊急應變能力)
數據解讀:
- 最高和最低AI暴露職業增長率相近
- 真正受衝擊的是特定高重複性任務
- 多數職業經歷轉型而非消失
挑戰科技大佬的預測
Sam Altman等人的預言
科技領袖的AI取代論
近年科技界知名預測:
Sam Altman(OpenAI CEO)
公開聲明回顧:
- 2023年5月: “AI將能做絕大多數腦力工作”
- 2024年3月: “未來10年,AI將取代當前95%的人類工作任務”
- 2024年10月: “AGI可能在2027年實現,屆時大部分知識工作將自動化”
- 2025年國會聽證: 建議全民基本收入應對AI失業潮
Jensen Huang(Nvidia CEO)
關於AI與工作的言論:
- 2024年CES: “未來每個人都不需要學編程,AI會處理”
- 2024年5月: “5年內,軟體工程師數量將減少50%”
- 2025年投資人會議: “AI將取代大部分白領工作,藍領反而安全”
Elon Musk(Tesla/xAI)
最激進的預測:
- 2024年: “AI將在2029年超越所有人類智能”
- 2025年3月: “人類工作將成為可選項,不是必需”
- xAI募資簡報: 聲稱2030年80%工作可自動化
Bill Gates(Microsoft創辦人)
相對溫和但仍悲觀:
- 2024年: “白領工作將經歷根本性變革”
- 2025年: “AI將在10年內淘汰大量辦公室工作”
Vanguard數據的反駁
現實 vs 預測的落差
實際數據如何打臉預測:
預測: AI將大規模取代白領工作 現實: 高AI暴露職業就業增長1.7%,快於其他職業
預測: 客服、數據分析等職業將首先消失 現實: 這些職業在2023-2025增長最快
預測: 2025年應該已經看到明顯失業潮 現實: 失業率維持在歷史低位(美國約3.8%)
為何預測失準?
科技領袖預測的盲點:
-
技術中心思維:
- 過度關注技術能力
- 忽視經濟系統複雜性
- 低估人類適應能力
-
線性推斷謬誤:
- 假設技術進步=工作消失
- 忽略自動化悖論
- 未考慮需求增長效應
-
創新者的傲慢:
- 高估自家技術影響力
- 忽視實際應用障礙
- 未考慮監管和社會接受度
-
利益衝突:
- 誇大AI能力有助募資和股價
- “AI威脅論”增加產品緊迫性
- 遊說政府資助AI研發
-
歷史健忘:
- 每次技術革命都有類似預測
- 工業革命、電腦化都未導致大規模永久失業
- 忽視經濟學基本原理
學術界的反應
經濟學家的評論
專家如何看待Vanguard報告:
MIT經濟學教授David Autor
長期研究自動化與就業:
- “Vanguard數據證實我們的理論:技術替代任務,而非職業”
- “關鍵在於勞工能否適應新任務”
- “教育和培訓政策至關重要”
哈佛大學Lawrence Katz
勞動經濟學權威:
- “歷史一再證明,技術創造的工作多於摧毀的”
- “短期內會有轉型陣痛,但長期是正面的”
- “政策應聚焦協助轉型,而非阻止技術”
牛津大學Carl Benedikt Frey
《技術陷阱》作者:
- “AI與過去技術不同,但經濟原理相同”
- “重要的是確保利益公平分配”
- “需要新的社會契約和勞動市場政策”
批評聲音
部分學者的保留意見:
加州大學Berkeley Daron Acemoglu
持謹慎態度:
- “2年數據太短,不足以下結論”
- “真正的AI影響可能在2026-2030才顯現”
- “GPT-4、Claude等模型還在早期應用階段”
- “需要持續觀察10年才能確認趨勢”
質疑點:
- 滯後效應: 企業採用AI需要時間,影響尚未完全顯現
- 疫情扭曲: 後疫情復甦可能掩蓋AI負面影響
- 定義問題: “同一職業”可能內容已完全不同
實際案例分析
客服產業轉型
AI如何改變客服工作
客服代表職業的演變:
2020年前: 傳統客服模式
- 接聽電話,回答標準問題
- 查詢資料庫,處理帳戶問題
- 記錄客戶互動
2023-2025: AI輔助時代
- AI chatbot處理: 80%基礎問詢
- 人類客服處理:
- 複雜投訴和特殊情況
- 情緒激動客戶的安撫
- 交叉銷售和客戶關係深化
- AI系統無法解決的例外情況
職位數量變化:
- 2023年美國客服代表: 約290萬人
- 2025年: 約298萬人(增長2.8%)
為何增長?
-
成本下降,服務擴張:
- AI降低每次互動成本
- 企業願意提供更多客服管道(24/7聊天支援)
- 需要人類監督和處理升級案件
-
服務品質要求提升:
- AI處理基礎問題,消費者期待人類處理更高品質
- 複雜問題增加,需要專業客服
-
新業務類型:
- AI訓練: 客服提供對話數據優化AI
- 品質監控: 檢查AI回應是否恰當
個案: 某大型電商公司
2023-2025年轉型數據:
- AI chatbot處理量: 從0→每月500萬次互動
- 人類客服數量: 從5,000→5,300人(增6%)
- 客戶滿意度: 從78%→85%
- 平均處理時間: 從15分鐘→8分鐘(AI預先分類和準備資訊)
金融服務業革新
理財顧問職業的AI時代
robo-advisor興起的影響
2020年預測:
- 專家預測robo-advisor將取代人類理財顧問
- Betterment、Wealthfront等平台快速成長
- 傳統顧問面臨生存危機
2025年實際情況:
職位數量:
- 2023年美國個人理財顧問: 約33萬人
- 2025年: 約34.8萬人(增長5.5%)
為何robo-advisor未取代人類?
-
市場區隔:
- Robo-advisor: 年輕人,小額投資($10K-$100K)
- 人類顧問: 高淨值客戶($500K+),複雜需求
-
混合模式:
- 多數公司採用”人類+AI”模式
- AI處理投資組合優化和再平衡
- 人類處理稅務規劃、退休規劃、遺產規劃
-
信任因素:
- 重大財務決策,客戶仍偏好人類諮詢
- 尤其是年長、高資產客戶
-
業務擴張:
- AI降低服務成本→顧問能服務更多客戶
- 原本服務50個客戶→現在服務80個
- 但處理的是更複雜案件
案例: Vanguard個人顧問服務
- 2023年推出AI輔助平台
- AI處理: 日常投資組合調整、市場報告生成
- 人類顧問: 季度會議、重大決策諮詢
- 顧問生產力提升40%,客戶數增加35%
- 顧問團隊規模: 從1,200→1,350人(增12.5%)
軟體開發領域
GitHub Copilot時代的工程師
AI編程助手的影響
工具普及率:
- 2023年: 30%開發者使用AI輔助編程
- 2025年: 65%開發者日常使用
預測 vs 現實:
Jensen Huang預測: “5年內軟體工程師減少50%”
實際數據:
- 2023年美國軟體開發者: 約480萬人
- 2025年: 約498萬人(增長3.8%)
為何沒有大規模失業?
-
需求爆發:
- AI提升生產力→軟體開發成本下降
- 更多公司能負擔定制軟體
- 軟體需求增長超過效率提升
-
複雜度上升:
- AI處理基礎編程→開發者處理系統架構
- 專案規模和複雜度增加
- AI本身需要更多工程師開發和維護
-
新工作類型:
- AI模型工程師(ML Ops)
- 提示工程(Prompt Engineering)
- AI安全和對齊研究
- 這些新職位增長抵銷傳統編程減少
-
年輕開發者困境:
- 注意: 並非所有開發者都受益
- Stanford研究: 22-25歲開發者就業下降20%
- 入門職位減少,經驗豐富者更受歡迎
- AI提高進入門檻
案例: 某矽谷科技公司
2023-2025工程團隊變化:
- 引入GitHub Copilot和內部AI工具
- 代碼生產量: 增加55%
- 工程師數量: 從850→920人(增8.2%)
- 專案數量: 從12個→19個
- 結構變化:
- Junior工程師: 減少15%
- Senior工程師: 增加25%
- ML/AI專家: 增加200%
政策與社會影響
勞動市場政策建議
基於Vanguard研究的政策啟示
政府應該做什麼?
- 教育與培訓投資
技能升級計劃:
- 重點: 非技術技能(批判性思維、溝通、創意)
- 目標: 幫助勞工從重複性任務轉向判斷性工作
- 預算建議: 增加職業培訓預算50%
終身學習體系:
- 建立國家級線上學習平台
- 提供AI工具使用培訓
- 補助勞工進修相關課程
- 社會安全網強化
過渡期支持:
- 失業保險延長和加強
- 針對被取代勞工的專項補助
- 協助轉型期間的收入維持
非全民基本收入:
- Vanguard數據顯示UBI過於激進
- 應採取工作導向支持(wage subsidy, earned income tax credit)
- 鼓勵就業而非替代就業
- 產業合作機制
公私協力培訓:
- 企業提供實習和在職培訓
- 政府提供稅收優惠
- 職業學校與企業合作課程設計
AI影響監測系統:
- 建立即時勞動市場數據追蹤
- 早期預警特定職業風險
- 動態調整政策
企業人力資源策略
如何應對AI時代
企業最佳實踐:
- 重新設計工作內容
任務重組:
- 分析職位中哪些任務可自動化
- 將人類勞動集中於高價值任務
- 重新定義職位描述和KPI
例: 會計部門:
- AI處理: 發票處理、對帳、報表生成
- 人類專注: 財務分析、策略建議、異常調查
- 投資員工技能提升
內部培訓計劃:
- AI工具使用培訓
- 數據分析能力培養
- 軟技能強化(協作、溝通、領導)
成功案例: 某銀行
- 2024年啟動”AI Ready”計劃
- 培訓10,000名員工使用AI工具
- 生產力提升30%,員工滿意度增加
- 無裁員,反而增聘15%處理新業務
- 混合人機團隊
協作模式設計:
- AI負責數據處理和初步分析
- 人類負責決策、創意和客戶關係
- 建立清晰的人機協作流程
績效評估調整:
- 不只評估產出,也評估AI協作能力
- 獎勵創新使用AI提升效率的員工
勞工個人應對策略
如何在AI時代保持競爭力
可行行動建議:
- 擁抱AI工具
主動學習:
- 熟悉行業相關AI工具
- ChatGPT、Claude、GitHub Copilot等
- 將AI視為助手,而非威脅
提升AI素養:
- 理解AI能做什麼、不能做什麼
- 學習如何有效下達指令(prompt engineering)
- 理解AI輸出的限制,進行批判性評估
- 培養AI難以替代的技能
人類優勢領域:
- 創意和創新: AI生成內容,人類提供原創見解
- 情感智慧: 同理心、說服、談判
- 複雜判斷: 道德判斷、策略決策
- 跨領域整合: 連結不同知識領域
- 適應性: 快速學習新技能
- 專注高價值任務
職涯策略:
- 避免純重複性工作職位
- 尋求需要判斷、創意、人際互動的角色
- 在當前職位中主動承擔更複雜任務
- 建立個人品牌
不可替代性:
- 在特定領域建立專業聲譽
- 網絡和關係資本(AI無法替代)
- 專業認證和持續學習證明
- 保持樂觀但警覺
正確心態:
- Vanguard數據顯示整體就業增長
- 但需認知特定職位確實在消失
- 關鍵是持續適應,而非抗拒變化
未來展望與不確定性
短期預測(2026-2027)
基於當前趨勢的推斷
可能的發展:
-
自動化悖論持續:
- 高AI暴露職業可能繼續溫和增長
- 成長率0.5-1.5%年增
-
職業內部分化:
- 高技能崗位增長
- 低技能、重複性崗位減少
- 同一職業title內薪資差距擴大
-
新興職業爆發:
- AI訓練師、AI審核員大量需求
- 預計2027年新增50-100萬相關職位
-
特定行業衝擊:
- 電話銷售、數據輸入可能持續下降
- 預計年減5-10%
長期不確定性(2028-2035)
需要警惕的轉折點
可能改變格局的因素:
-
AGI突破:
- 若真正的通用人工智慧實現
- 可能徹底改變勞動市場
- 但Vanguard數據顯示當前遠未達到
-
監管變化:
- 政府可能限制AI某些應用
- 歐盟AI Act類型法規擴散
- 可能減緩自動化速度
-
社會接受度:
- 公眾對AI的抵制可能增加
- 某些領域可能立法保護人類就業
- 例: 醫療、教育、司法領域
-
經濟週期:
- 經濟衰退可能加速自動化(企業削減人力成本)
- 或減緩自動化(缺乏投資資金)
專家意見分歧
樂觀派(基於Vanguard數據):
- 歷史一再證明技術創造就業
- AI將如電力、網路一樣普遍提升生產力
- 2035年就業率可能高於2025年
悲觀派:
- AI與過去技術質的不同(認知自動化vs體力自動化)
- 當前數據只是AI早期階段
- 2030年後可能出現真正的失業潮
中間派(最可能):
- 轉型痛苦但整體正面
- 需要政策介入協助轉型
- 贏家和輸家都會存在
結論
Vanguard在2025年12月18日發布的研究報告,為AI對就業影響的討論提供關鍵實證數據。高度暴露於AI自動化的職業在後疫情時代(2023中-2025中)就業增長1.7%,不僅未如科技領袖預測的大規模失業,反而超越疫情前增長率並快於其他職業,這個「自動化悖論」現象挑戰主流敘事。
關鍵結論:
- AI未導致大規模失業: 至少在2023-2025期間,數據不支持”AI取代論”
- 自動化悖論顯現: 生產力提升→成本下降→需求增長→就業增加
- 職業轉型而非消失: 同一職業內容改變,但職位數量未減
- 贏家與輸家: 高技能勞工受益,低技能重複性任務確實減少
- 年輕勞工挑戰: 入門職位減少,經驗要求提高
對不同群體的啟示:
政策制定者:
- 無需恐慌,但需積極準備
- 投資教育和培訓
- 強化社會安全網協助轉型
- 建立動態監測系統
企業管理者:
- AI應與人類協作,而非簡單替代
- 投資員工技能升級
- 重新設計工作流程和職位
- 混合人機團隊是最佳模式
勞工個人:
- 擁抱AI工具,提升生產力
- 培養AI難以替代的技能
- 持續學習和適應
- 保持樂觀但警覺
重要提醒:
Vanguard研究基於2023-2025年兩年數據,時間相對較短。AI技術仍在快速發展,長期影響尚未完全顯現。2026-2030年可能出現不同趨勢。因此,持續監測和動態調整策略至關重要。
最終,AI對就業的影響不是簡單的”取代”或”創造”,而是複雜的轉型過程。歷史經驗顯示,技術革命最終提升整體繁榮,但轉型過程中確實有痛苦和不平等。關鍵在於社會如何共同應對,確保利益公平分配,協助受影響者順利轉型。Vanguard的數據讓我們在恐慌和盲目樂觀之間,找到基於事實的理性立場。
Sources:
