AI 不會搶你的飯碗，但會改變你的專業值多少錢
MIT 勞動經濟學家大衛．奧特研究自動化超過二十年。在數位主義者文集中，他提出「專業知識框架」，主張 AI 的衝擊不在於消滅多少職位，而在於重新定義哪些專業知識有價值、哪些會貶值。這個觀點與 Anthropic 員工 Balwit「我最後五年的工作」形成本系列最精彩的對撞之一。
本文是「數位主義者文集」導讀系列第四篇（#V2-5）。我們正在逐篇導讀史丹佛大學數位經濟實驗室主導的跨領域論文集，原文出自 Volume 2 第 8 篇。
一位 25 歲的 Anthropic 員工，和一位研究自動化 20 年的經濟學家
2024 年，Anthropic 執行長幕僚長 Avital Balwit 寫了一篇轟動科技圈的文章：「我最後五年的工作」（My Last Five Years of Work）。她當時 25 歲，在 AI 前線第一排觀察大型語言模型的能力曲線，得出的結論是白領工作即將被大規模取代，而她自己的職業生涯大概也只剩五年。
這篇文章在矽谷引發巨大迴響，因為它不是來自一個杞人憂天的外人，而是來自最前線的內部人士。但同樣在數位主義者文集裡，另一位作者對這個問題給出了非常不一樣的答案。
大衛．奧特（David Autor）是 MIT 經濟學教授，過去二十多年，他幾乎定義了學術界理解自動化與就業關係的方式。他和 MIT FutureTech 計畫主持人 Neil Thompson 合寫的這篇文章，標題就透露了立場：「超越職位取代」（Beyond Job Displacement）。奧特的核心主張不是「AI 不會衝擊勞動市場」，而是更精確的判斷：衝擊的方式不是取代，是重新定價。你的專業知識在 AI 時代值多少錢，取決於 AI 自動化的是你工作中的哪些任務。這句話聽起來簡單，背後卻是一套嚴謹的分析框架，而且結論跟多數人的直覺相反。
二十年研究自動化的人，看到了什麼
要理解奧特的論點為什麼值得認真對待，先要知道他的學術份量。他不是那種突然跳出來評論 AI 的網紅學者。從 2003 年開始，奧特就用「任務型框架」（task-based framework）分析自動化對勞動市場的影響，這套框架後來成為整個領域的基礎語言。經濟學家談論自動化時，通常在用奧特和他同事發展出來的分析工具。
他的研究也不只停留在象牙塔。2010 年代，奧特和幾位合作者量化了「中國衝擊」（China Shock）對美國製造業社區的破壞性影響，那組研究直接改變了美國的貿易政策辯論方向。這代表一件重要的事：奧特不是不看數據的天真樂觀派。他比大多數人都清楚，技術變遷和全球化可以對特定社區造成多深的傷害。他是帶著這樣的清醒，來分析 AI 的。
2025 年，奧特獲得 Clarivate「引文桂冠獎」（經濟學領域），這個獎被視為諾貝爾經濟學獎的風向球。2024 年他成為 Schmidt Sciences 的 AI2050 Senior Fellow。他的共同作者 Neil Thompson 主持 MIT FutureTech 研究計畫，團隊超過 110 位研究者，專門研究計算技術進步的經濟基礎。這兩個人合在一起，代表的是學術界對 AI 與勞動市場關係最深入、最數據驅動的思考。
專業知識框架：不是「多少任務被取代」，是「哪種任務被取代」
奧特和 Thompson 在這篇文章中提出的「專業知識框架」（expertise framework），是對傳統自動化分析的一次重要升級。
過去的分析多半聚焦在「量」：AI 能自動化多少比例的任務？一個職業如果 70% 的任務可以被 AI 處理，那它就高度危險。這種算法直覺好懂，媒體也愛用，但奧特認為它忽略了一個關鍵變數。被自動化的究竟是高門檻任務還是低門檻任務？這個區別決定了完全相反的結果。
他們用了一組精巧的對比來說明。1980 年代美國的電腦化浪潮中，會計員和庫存管理員都經歷了大量例行任務被自動化。但結果天差地別：會計員的薪資上升了 39%，庫存管理員的薪資下降了 13%。原因是電腦接管了會計員的低階計算工作，剩下的全是需要專業判斷的任務，門檻反而更高了，能做的人更少，薪資自然上升。庫存管理員則相反：電腦接管的是需要經驗才能做好的庫存預測和調度，剩下的是更簡單的操作性工作，門檻降低，更多人能做，薪資就被壓了下去。
同一波技術，作用在不同的任務位置上，產生相反的結果。這就是奧特框架的核心洞見。
把這個邏輯搬到 AI 時代，結論有些令人不安。以軟體工程為例：AI 程式碼助手對資深工程師來說是生產力倍增器，自動化的是他們工作中比較無聊的樣板程式碼，讓他們可以專注在架構設計和複雜問題上。但對初級工程師來說，情況恰好相反。AI 自動化的正是他們用來學習和證明自己的入門工作。同一套工具，資深者得利，初級者受威脅。
醫療領域也類似。AI 診斷工具可能侵蝕醫師長年累積的診斷專業，讓更多護理師和醫師助理能夠處理以前只有醫師才能做的判斷。從公共衛生的角度看，這可能是好事，因為醫療服務變得更普及、更便宜。但對花了十年以上訓練的醫師來說，他們的專業溢價正在被稀釋。
奧特用數據佐證這個邏輯：在他們分析的 303 個職業中，專業知識需求每增加一個標準差，薪資溢價就高出 16% 到 31%。AI 衝擊的不是「有沒有工作」這個粗糙的問題，而是這個溢價如何被重新分配。
兩個未來：想像力的失敗，或是勞動稀缺性的瓦解
奧特和 Thompson 沒有假裝知道未來會怎樣。他們坦承對 2030 年有一定信心，但對 2040 到 2050 年充滿不確定。不過，他們畫出了兩個可能的情境。
第一種情境，他們稱為「想像力的失敗」。歷史數據顯示，2018 年美國 60% 的工作在 1940 年根本不存在。新技術不只消滅舊工作，也創造出我們現在無法想像的新專業。按這個邏輯，AI 時代也會長出新的工作類型。但問題在於，失去工作的人和得到新工作的人通常不是同一批。一個 50 歲的行政助理被 AI 取代了，即使同一時期 AI 創造了大量的 AI 訓練師職缺，這對她來說也沒有意義。奧特稱這是「分配不匹配」：總量上工作可能不減少，但個體層面的痛苦是真實的，而且政治上具有爆炸性。
第二種情境更激進：如果 AI 在所有認知任務上超越人類，勞動稀缺性就會徹底瓦解。這會同時引爆三重危機。工作不只是收入來源，更是身份認同和社區連結的載體，當「你做什麼工作？」這個問題失去意義，人們怎麼定義自己？進一步看，當人類勞動力沒有市場價值，資本所有權就成為唯一的收入來源，而資本的分配遠比薪資更不平等。最根本的挑戰在政治層面：民主制度預設公民既是貢獻者也是受益者，當大部分人變成純粹的受益請求者，政治權力的基礎就會動搖。
面對這些挑戰，奧特和 Thompson 提出三個政策工具。最核心的是「全民基本資本」（Universal Basic Capital），不同於按月發錢的 UBI，而是從出生就賦予公民有意義的生產性資產所有權。他們認為這比持續的再分配更穩固，因為所有權帶來的是資本回報，不是施捨。搭配的是薪資保險（Wage Insurance），補貼轉職者新舊工作的薪資落差。歐巴馬時代的「再就業貿易調適協助計畫」（RTAA）已經證明這類機制有效：參與者提前約一季回到就業市場，四年內多賺了大約 18,000 美元，計畫本身因為減少失業保險支出而自償。他們也主張訓練創新，利用 AR 和模擬技術讓工人「做中學」，加速取得新的專業知識。
觀點碰撞：Balwit 看到的前線，奧特看到的歷史
回到文章開頭的對比。Balwit 和奧特都出現在同一本文集裡，但他們對同一個問題的答案幾乎是正反兩面。
Balwit 的立場可以濃縮成一句話：AI 的能力曲線陡峭到白領工作在五年內就會被大規模取代。她的論據來自第一手經驗，在 Anthropic 工作的每一天，她都看到大型語言模型的能力邊界在往外推，每隔幾個月就有一次能力跳躍。從這個角度看，「專業知識會被重新定價」的說法太溫和了。她看到的不是重新定價，是專業知識正在被直接複製。
奧特的反駁不是否認 AI 的能力進步，而是質疑從技術能力到勞動市場結果之間的傳導速度。他的論據來自四十年的歷史數據：每一波自動化浪潮都有人預言大規模失業，每一次預言都在總量層面落空了。預言者並沒有高估技術的能力，他們低估的是經濟體系的調適韌性，低估了新專業、新需求、新工作冒出來的速度。
兩人的分歧本質上是時間尺度的問題。Balwit 看的是 2024 到 2029 年的能力曲線，奧特看的是 1980 到 2060 年的結構變遷。他們可能都是對的：短期內特定領域的衝擊可能如 Balwit 描述的那樣劇烈，但長期來看，勞動市場的重組可能比多數人恐懼的更有韌性。問題是，對於正好活在「短期」裡的那些人，這種長期樂觀沒有太大的安慰效果。
同一本文集裡的另一位作者 Ioana Marinescu（賓州大學經濟學教授）則從政策面補上了奧特框架的一個缺口。奧特提出「全民基本資本」，但那是一個需要數十年才能建立的制度。Marinescu 的「雙層安全網」設計更務實：第一層是「AI 調適保險」，延長失業給付並提供薪資補貼和再訓練，處理短期的轉職衝擊；第二層是「數位紅利」，從 AI 企業利潤中提撥，一開始金額很小，但能隨著失業規模擴大而調高。如果勞動市場調適得好，第二層可以縮小甚至退場；如果情況惡化，第二層可以擴大成全面的收入保障。這種彈性設計，恰好回應了奧特自己坦承的「我們不確定 2040 年會怎樣」。
台灣：護國神山之外，誰來接住中產階級？
奧特的框架拿來看台灣，有幾個特別值得注意的觀察。
台灣的半導體產業幾乎是「自動化例行任務、專業知識升值」的教科書案例。台積電的先進製程工程師、類比 IC 設計師，年薪中位數超過 170 萬台幣，他們的專業知識門檻極高，AI 短期內很難取代這些需要深度物理直覺和製程經驗的判斷。相反，AI 工具更可能自動化他們工作中的例行部分，像是模擬參數調整、測試報告產生、良率分析中的初步篩選，讓他們更專注在需要經驗累積的關鍵決策上。在奧特的框架裡，這群人是明確的贏家。
但台灣的產業結構不只有半導體。服務業占了勞動力的六成以上，大量的行政、會計、客服、翻譯、保險、銀行櫃台人員，做的正是 AI 最擅長處理的認知例行任務。對這群人來說，奧特框架預測的是故事的另一面：當 AI 接管了他們工作中的專業門檻，剩下的工作更容易被替代，薪資溢價會被壓縮。台灣中產階級已經面臨高房價、低薪成長、育兒與長照負擔的多重擠壓，如果 AI 的衝擊加在這些壓力之上，後果不容忽視。
前科技部長陳良基提出過「AI 代工」的概念，主張台灣應該把代工優勢從硬體延伸到 AI 客製化服務。這個方向如果成功，確實能創造新的高價值專業需求。但奧特的分析也提醒我們：就算新工作出現了，受惠的人和受害的人往往不重疊。台灣需要的不只是下一座護國神山，還需要認真思考過渡期的社會安全網。Marinescu 的「雙層安全網」思路，或許比奧特的「全民基本資本」更切合台灣現階段的政策條件和急迫性。
設計問題，不是預測問題
奧特在文章末尾說，他對「人類勞動稀缺性即將終結」這件事持謹慎樂觀態度，但也承認，如果過渡處理不好，巨大的上行利益和巨大的下行風險會同時存在。他把 AI 對勞動市場的影響定性為一個「設計問題」，不是預測問題。結果取決於我們今天做的選擇。
這可能是奧特和 Balwit 最根本的分歧。Balwit 把 AI 的發展當作一股不可抗拒的力量，人類能做的主要是適應。奧特堅持這是一個人類可以塑造的過程。誰更接近真相？我們在這個系列後續導讀 Balwit 的文章時，會仔細拆解她的論據。
但至少在此之前，奧特的框架給了我們一個比「AI 搶走所有工作」更精確的分析語言。問題不是 AI 會不會改變你的工作，問題是，在改變之後，你的專業知識還值多少。
📚 「數位主義者文集」導讀系列