AI 提高產出，但誰得到好處？

我收集了 2026 年 3 月至 9 月由 Anthropic 研究團隊公開發表的 5 篇文章，讓 Claude 重新翻譯並編輯，並修改為習慣的閱讀語氣，以利閱讀。

Anthropic 今年 3 月發表的報告顯示，美國整體失業率沒有上升，但 22 到 25 歲的年輕人每月順利進入 AI 高曝露職業的比例比 2022 年低約 14%。這是我讀完今年他們發布的 5 份經濟研究摘要後，最常想起的一句話：「AI 讓產出變多」與「誰能把產出變成自己的收穫」，是兩個得分開回答的問題。

AI 做得到，不代表已經在做

過去大部分研究或媒體在衡量 AI 對工作的影響時，常問「AI 理論上能做哪些任務」。問題在於，AI 做得到，不代表企業或個人真的已經拿來用。

在這次閱讀的文章中，研究團隊提出「觀察曝露度」（Observed Exposure）。這個指標結合 O*NET（美國職業資訊網路，Occupational Information Network）的任務清單、理論可行性評分與 Claude 的實際使用資料，並對「自動化」與「工作用途」給予較高權重。

排名最高的是電腦程式設計師（約 75%）與資料輸入人員（約 67%），客服代表也名列前茅；另有 30% 的勞工觀察到曝露度為零。AI 目前的實際使用與理論能力還有一段距離。

在公布的研究中，高曝露職業的從業者有幾個共同特徵：女性比例高 16 個百分點、平均薪資高 47%、學歷較高、年齡也偏長。受衝擊的是中高薪的知識工作者，和「AI 先淘汰低薪年輕勞工」的直覺相反。

衝擊有多大？研究用差異中差異法比對，發現 ChatGPT 發布前後，高曝露職業的失業率未見系統性上升。唯一較清楚的訊號在 22 到 25 歲：這個年齡進入高曝露職業的新工作起始率，約比 2022 年低 14%。研究團隊也註明，這個結果僅勉強達到統計顯著。

同一套 AI，成果為何不同

在針對使用者研究的報告中，使用 6 個月以上 Claude 的人，其對話成功率為 73.1%，新使用者為 66.7%，相差 6.4 個百分點。控制任務類型後，差距縮到約 3 個百分點；再加上模型、使用情境、國家等變數，差距維持在約 4 個百分點。

Anthropic 曾假設，資深使用者會更傾向於把工作整包交給 AI 自動完成。研究的資料指向相反的方向：資深使用者更常與 Claude 來回協作。作者認為這符合「從做中學」，但也承認無法排除世代效應與存活者偏誤，也就是說，留下來的長期使用者，原本可能就是比較擅長使用 AI 的人。

差距也出現在地區層面。美國各州人均使用量的吉尼係數，從 2025 年 8 月的 0.37 降到 2026 年 2 月的 0.29，仍在收斂，但速度放緩：達到均等的預估時間，從 2 至 5 年延長為 5 至 9 年。國際間卻反向發展，前 20 大使用國的人口調整後使用占比，從 45% 升到 48%。同一項技術，在一國內部逐漸擴散，在國際上反而更集中。

做得越快的人，為何越不安

研究團隊訪談超過 8 萬名 Claude 使用者，先把「生產力提升」拆開。48% 的人認為是「原本做不到的事，現在做得到了」；40% 的人表示為「原本會做的事變快了」。自評生產力依職業中位薪資呈 U 型。最高薪四分之一（如軟體開發、管理／創業）與最低薪四分之一（如外送員拿 Claude 做電商、景觀工作者做音樂應用）都較高；中間兩段最低，科學與法律等中薪知識工作的提升最溫和。排除電腦與數學類職業後，這個 U 型仍然在。

誰覺得好處落到自己身上，也有落差。只有六成早期職涯者認為自己是主要受惠者，資深者有八成。職業曝露度每高 10 個百分點，提到失業擔憂的比例就升 1.3 個百分點；曝露最高的那四分之一職業，提到這件事的頻率是最低四分之一的三倍。

最反直覺的是加速與不安的關係，也呈 U 型。覺得 AI 反而拖慢工作的人，最常認為生計受威脅，例如覺得模型太僵硬的藝術創作者與作家。其餘的人則是：被加速得越多，越擔心這個職位近期可能消失。生產力提升和對未來的不安，很可能是同一件事的兩面。

擁有領域知識的人，才能駕馭 AI 代理

當研究團隊聚焦 Claude Code，分析 2025 年 10 月至 2026 年 4 月間，約 23.5 萬人留下的 40 萬筆工作階段。研究把每個決策拆成「規劃」（做什麼）與「執行」（怎麼做）。平均約 70% 的規劃決策由人做出，執行決策只有 20% 出自人手。AI 接手「怎麼做」，人保留「做什麼」的判斷權。

Claude 依使用者下指令的精準程度、要求驗證的內容、以及誰修正誰，替每個工作階段評出五級專業程度；衡量的是任務相關的領域知識，與職稱或寫程式能力無關。新手級的「驗證式成功率」約 15%，中階以上躍升到 28% 至 33%。驗證式成功指的是有硬證據，例如測試通過、程式碼提交或使用者明確確認。最大的落差，出現在新手跨進中階的那一步。

在產出程式碼的工作階段裡，資料量最大的 10 個職業群，包括管理、商業財務、藝術設計媒體、自然與社會科學等，成功率皆落在軟體工程師的 7 個百分點以內。軟體職業（34%）與其他職業（29%）的 5 個百分點差距，7 個月來沒有擴大也沒有縮小。報告直接寫道：程式代理工具讓程式背景的重要性下降，引導 Claude 成功的能力更多來自對領域知識（Domain Knowledge）的掌握。

工作內容也在轉變。修復程式碼的工作階段從 33% 降到 19%，操作軟體（部署、設定、監控）從 14% 升到 21%，文字撰寫與資料分析大約翻倍，從約 10% 升到 20%。以自由接案市場行情估算，平均工作階段價值上升 27%，建構類任務上升 43%。作者提醒估算相當粗略，也看不到這些程式碼後來有沒有真的派上用場。

我使用 AI 工具上的經驗

去年底時，我還使用Google Antigravity，到年初已完全改用 Claude Code。我本身沒有工程師的經驗，頂多是網站維護的經驗，但在使用Claude Code的過程裡，它協助我製作 4 個工具：（1)每日法遵新聞監測與撰寫工具、(2)深科技研究論文工具、(3)個人營養分析Bot、(4)食品溯源程式。

在製作這些工具的過程裡，每個都與個人的領域知識有關，例如要如何抓取新聞、如何撰寫一篇研究報告、營養分析的注意事項、哪裡有正確且可用的開放資料⋯等。Claude Code 協助處理編譯程式的部分，而我則是把我的想像轉成可溝通的文字。當 Claude Code 產出「走鐘」的內容時，再用我的經驗去建立它的寫作原則。

在上個星期的 AI 取暖會 的休息時間裡，與其他與會者交流，AI 的確可以產出固定格式的報告，但它不見得符合客戶的需求，要能釐清客戶的需求是什麼，AI 才能產出符合客戶需求的「產品」。例如寫研究報告，研究者在開始研究前，一定會需要花很長一段時間與客戶「溝通」，確認客戶需求；目前這是 AI 無法代替的部分。確認客戶需求，整合資料後，AI 就可以產出內容，而 AI 產出的內容還需要再次編修，例如現在這篇文章。當然，還有一種可能是你的客戶很清楚自己的需求是什麼，那客戶可以直接利用 AI 找到符合需求的解答。

我並沒有花太多時間在「寫程式」。製作深科技研究論文工具時，我花比較多時間確認產出的邏輯與引用資料來源的正確性。最近也在上次的 AI 取暖會學到「三方對話」的概念，也就是讓 Claude 與另一個模型針對同一個問題各自提出意見，再由我判斷。思考 2 天實際需求後，我才把第二模型導入需要使用的程式，並利用三方對話取得不同意見，最後還是由我判斷是否變更、以及變更的幅度。

從個人收益到分配問題

Anthropic Institute 在今年 9 月發表「Scenarios for our Economic Future」，並推出互動工具「Econ Scenario Explorer」。模型把每份工作拆成任務，AI 對每項任務有 4 種可能：不受影響、強化、自動化，或創造新任務。

以護理師為例，AI 沒辦法替病患沐浴；可以自動完成生命徵象紀錄與用品叫貨；也可以協助撰寫出院說明、遠距監測病患，並排定照護時程。在同一個職位內部，這幾種效果同時發生，很少會使整份工作同時消失或同時保留。模型也推演 2030 年美國經濟在 3 種情境下的樣貌：

1. 溫和情境（AI 對經濟的貢獻約當於網際網路）：GDP 成長 1.6%，資本所得占比較基準上升 0.6 個百分點；
2. 實質情境（AI 能自主完成約半數知識工作任務）：GDP 成長 8.3%，資本所得占比上升 3.9 個百分點，知識工作者薪資大致持平；
3. 極端情境（AI 在多數知識工作任務上超越人類）：GDP 成長高達 32.4%，資本所得占比上升 14.8 個百分點，知識工作者薪資到 2030 年甚至可能下降超過 10%，失業率則可能飆升至歷史性高點。

上述 3 種情境中的數字為 2030 年的 GDP 水準相較於「沒有 AI」基準路徑的差距，並非年成長率。

模型也給出一條反直覺的轉職路徑：程式設計師與客服中心人員可能需要轉往勞力支出比例較高的職業，如電工、護理師；能搭上 AI 生產力的體力工作，需求反而上升。衝擊白領、抬升藍領，與過去「AI 先取代低階勞力」的想像正好相反。

報告中三種情境的 GDP 都在成長，但情境越極端，資本所得占比越高，勞動者分到的比例越小。研究團隊在 8 月訪問逾一萬名美國人，典型受訪者的預期接近實質情境，大約是 2030 年 GDP 高出 10%。

研究團隊也強調，這是「對複雜現實的大幅簡化」，未納入政策回應、景氣循環、總需求與金融市場衝擊等因素。外部審閱者也提出質疑：有人懷疑高曝露職業是否真的會萎縮，也有不只一位審閱者認為，模型可能低估 AI 加速技術進步的力道。這些是情境推演，並非預測。

我的個人閱讀心得

在閱讀的 5 份報告中，我觀察到：(1) AI 的理論能力遠大於目前的實際部署；(2) 即使用同一套工具，經驗與領域判斷仍會拉開成果差距；(3) 這種差距放大到總體經濟，「AI 能不能帶動成長」與「新增的價值由誰拿走」就變成 2 個獨立的問題。

這 5 份報告都出自 Anthropic，多數使用 Claude 使用者的資料，這些 Claude 使用者的組成與一般勞動人口不同。機制層面的觀察值得參考，數字無法直接套用到台灣，就我的觀察，台灣還有 Gemini 或是 GPT 、Grok 或其他中國開源模型，可能使用中國模型的人居多，也會存在個人觀察的偏誤，例如我在 AI 取暖會裡，在工具上有較多使用 Claude Code 與 Codex 的使用者，少數會提到自己使用中國的模型，而我的一些同事在 AI 工具上則偏好用 Gemini 與 Google 的其他產品。

在 5 份研究報告中，情境模型談的是整體經濟，但同樣的問題可以帶回每一家企業：導入 AI 後省下來的工時，最後變成員工的學習時間、薪資，還是單純的人力縮編？只用「省下多少工時」衡量導入成效，很容易漏看兩件同時發生的事，一是員工彼此的能力落差，二是省下來的價值流向哪裡。在 Joseph Bradley 與 Don Tapscott 於 2025 年出版的《You to the Power of Two: Redefining Human Potential in the Age of Identic AI》中提到的 2 個問題：（1) 當個人績效與人工智慧能力密不可分時，企業將如何評估員工？(2) 在人工智慧大幅提升生產力的情況下，什麼樣的浮動薪酬模式才算合理呢？目前還沒有明確的答案，看得出來企業也還在摸索中。

AI 模型與工具迭代太快，使用方式也推陳出新，唯一不變的是工作領域的專業知識。這也帶出另一個問題：資歷較淺的工作者，要怎麼在這個時代累積領域經驗？我的暫時性答案是：讓新進的工作人員及早參與需求確認與成果驗收，學習這些經驗。這 2 件事 AI 目前無法替代人類完成，也正是累積領域知識判斷的地方。

關於本篇文章：

我收集了以下5份報告，請 Claude 協助翻譯與初稿編輯，並逐一對照原文核對數字；同時請 GPT 以批判角度確認疑慮是否成立，並進一步指出結構性缺陷，提出具體重寫建議。

參考資料來源：

1. Maxim Massenkoff, Peter McCrory. Labor market impacts of AI: A new measure and early evidence，2026 年 3 月 5 日。
2. Maxim Massenkoff, Eva Lyubich, Peter McCrory 等. The Anthropic Economic Index report: Learning curves，2026 年 3 月 24 日。
3. Maxim Massenkoff, Saffron Huang. What 81,000 people told us about the economics of AI，2026 年 4 月 22 日。
4. Zoe Hitzig, Maxim Massenkoff, Eva Lyubich, Ryan Heller, Peter McCrory. Agentic coding and persistent returns to expertise，2026 年 6 月 16 日。
5. Anton Korinek, Chad Jones, Szymon Sacher, Tess Cotter, Peter McCrory. Scenarios for our Economic Future（含 Econ Scenario Explorer），2026 年 9 月。

關於我：

目前處於半休養狀態，自 2023 年初開始使用 AI 工具，並開發個人使用的工具，利用這套工具完成各國AI政策、隱私與個資保護、競爭法等領域的企業法遵教育訓練文章。使用工具的過程從 ChatGPT、Antigravity IDE ，再到 Claude Code。目前主要使用 Claude Code，並在今年通過 AI應用規劃師（AI iPAS）考試。歡迎對使用 AI 工具有興趣的人利用Blog here頁面中的方式交流討論。