自動化與樂觀的連結

資料來源#

• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think
• Anthropic Economic Index report: Cadences
• Voice AI in Firms: A Natural Field Experiment on Automated Job Interviews
• When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration

摘要#

Anthropic Economic Index 2026 年 6 月 Cadences 調查中，最違反直覺的發現（約 9,700 名受訪者，其回答與實際使用情形連結）：**把最多工作交給 Claude 的人，對自己的勞動市場前景最樂觀——而不是最焦慮。**在所有六個工作品質面向中，較高的自動化占比都預測更正面的預期。這反轉了直覺上的擔憂：重度委派者把自己自動化到最接近邊緣，理應最為憂慮。

證據說明。這是 empirical，但應審慎看待：這是一項自陳式調查，樣本並不具代表性（Claude 使用者約 30% 從事電腦／數學工作、約 23% 任管理職；女性僅 12%），並透過保護隱私的抽樣方式連結使用資料（每人至少 5 個工作階段）。這是相關性研究——報告明確指出，無法完全排除自我選擇。調查設計請見 Anthropic Economic Index。

自動化占比與情緒走向#

報告區分使用中的自動化與增強模式（這條脈絡貫穿每一份 AEI 報告）。自動化占比是指一個人對話中屬於指令式（「翻譯這份文件」）或回饋迴圈（「編輯這封電子郵件……讓語氣更輕鬆」）的比例——相較之下，其他模式是任務迭代、學習或驗證。協作模式分類器包含五種模式：

模式	行為模式
指令式	人類委派整項任務，互動極少
回饋迴圈	反覆迭代，人類主要根據環境回饋資訊
任務迭代	反覆迭代，人類修整 AI 的輸出
學習	人類尋求理解，而非完成任務
驗證	人類使用 AI 檢查自己的工作

在全部六個工作品質面向——薪酬、工作安全、找到新工作的能力（經濟面），以及意義、自主性、人際互動（內在面）——自動化占比越高，就越樂觀。影響最大的是未來薪酬與找到工作的能力。控制 Claude.ai 使用年資（可作為早期採用者熱情的代理指標）後，這種關係仍然存在，因此並非純粹由自我選擇造成——不過報告承認有兩種可能機制仍待釐清：委派本身能提供資訊（把整項任務交出去，便能了解 AI 能做什麼），而熱衷者也會自我選擇成為委派者。

看不出技能退化——但有一項但書#

委派會轉移思考負擔並侵蝕技能的疑慮，在此並未顯現：重度委派者回報的學習速度與其他人相同（自動化占比提高時，回報學得更多的比例沒有變化），而**認為 AI 讓自身技能更有價值的人所占比例，會隨自動化占比上升。**整體自陳結果：生產力提升，速度（86%）、範圍（82%）、品質（69%）；節省成本（27%）；學得更多（68%）；技能更有價值（57%）。

報告措辭審慎：這些都是自我評估；即使人們覺得自己正在學習、市場價值也在上升，技能仍可能退化，因此資料無法排除能力萎縮。這與 AI Brain Fry（監督疲勞可測得地提高錯誤率）以及把思考外包，別把理解也外包的疑慮，構成直接的實證張力：機制不同（情緒／自陳對比測得的錯誤），訊號感受相反。兩者可能同時為真——感覺自己更有價值，技能卻在悄悄退化。

一位實務工作者完全不接受這種自陳結果：Andrew Ng 對一般聽眾表示，「資料非常明確」：使用 AI 的學生作業分數更高，卻記得少得多（Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，2026-08-28，practitioner-opinion，未引用資料）——這與 AI Brain Fry 的方向一致，但只是主張，並非測量結果。隨機分組的裁決依然不變：生成式 AI 的學習影響實驗發現，他的主張適用於自動化模式使用，卻不適用於增強模式使用；而本調查的自動化占比軸把兩者合併計算。

對失業的感知：擔心他人，不擔心自己#

• 超過三分之一的人認為，自己的職責、同儕、初階與資深同事的職責在 12 個月內很可能大幅改變。
• **10%**的人認為自己很可能非自願失業——略低於美國實際年化離職率約 13.4%；但樣本偏向工作穩定的知識工作者（風險低於基準），因此仍可能代表感知風險偏高。
• 人們比起自己更擔心他人——尤其是初階同事（超過三分之一的人認為初階同事失業機率高於 60%）——這是熟悉的自利偏誤；他們也更擔心低收入國家。

性別：即使在相同職業中，使用方式也不同#

即使控制職業後，女性（占連結樣本的 12%）使用 Claude 的方式仍有差異：Claude Code 占比低 0.24 個標準差（−6.3 個百分點），自動化占比低 0.33 個標準差（−7.3 個百分點）；使用方式更偏向反覆迭代，且聊天的活躍分鐘數較多（協作參與程度較高）。鑑於自動化與樂觀之間的連結，這種使用差距可能造成預期分歧，值得持續關注。

人們的期盼#

最後以開放式的「放膽夢想」問題作結，最常見的主題有：

1. 人類與 AI 協作，從事有意義的工作（超過半數）——仍有價值的職涯、新興產業。
2. 自動化處理苦差事 → 更多自由時間（略高於半數）——把乏味工作交出去，保留追尋意義的空間。
3. 共享繁榮（約三分之一）——AI 帶來的收益能廣泛分配。

一般受訪者對十年後的期盼，核心是協作，而非取代。

反向連結，主張版：恐懼論述讓人放棄（Ng，2026 年 8 月）#

如果把工作交給 AI 會帶來樂觀，那麼什麼會帶來悲觀？Andrew Ng 的答案是訊息傳播：失業末日論會讓人們*「懷疑自己是否還有相關性，也讓他們不願投入時間培養這些技能。」他舉的例子，是一名即將上大學的學生來信詢問該選什麼主修，「因為四年後 AI 不就會做這一切，而我學到的東西都會過時嗎？」他的結論是：「讓人們放棄，是我們在這個時代最不該做的事之一；投入其中的人會蓬勃發展。」*（Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，practitioner-opinion）。這是把本頁的連結反過來解讀為政策主張——悲觀會抑制原本能帶來樂觀與技能的委派；然而正反兩個方向都尚未經過檢驗：調查無法區分「委派導致樂觀」與「樂觀者更常委派」，Ng 則只提供一封電子郵件作為例證。依他的說法，這也是 以開放權重作為競爭策略所述監管俘虜故事的下游代價：恐懼成為一種工具，並帶來人力資本外部成本。

兩種不同的「增強」#

本頁的軸是自動化占比，「增強」則是它的補數：這是某人當下採用的使用模式，從逐則對話的紀錄分類而來；核心發現是，越傾向委派的人越樂觀。When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration（CIVIC-AI 2026 工作坊白皮書，practitioner-opinion，未自行進行測量）使用同一個詞，指的卻完全是另一回事：重新設計的工作流程必須通過六項明確條件，才能取得的屬性——扣除審查、例外處理、返工與復原後仍有持久淨價值；有意義的人類控制；問責與復原；以及長期而言，深化學習、職涯途徑與工作目的（這組條件整理於人類與 AI 問責機制重新設計）。

這裡值得釐清兩者差異，因為若混為一談，正好會得出本頁結果所引導的錯誤推論。依 CIVIC-AI 的定義，一群自信且自動化占比高的委派者，並非增強的證據：這同樣符合條件 2 所指出的失敗模式：「人類核准流於形式，決策疲勞開始累積，而技能退化提高了意外結果的作業風險」；而條件 4–6 無法從任何形式的單一時間點快照評估，橫斷面調查正是這種快照。應據此衡量證據——調查有測量，框架沒有，因此這裡的內容絲毫不削弱調查發現。框架提供的是一組術語提醒，也為本頁開放問題中已帶出的但書提供架構：某個時間點的情緒讀數是第一層觀察，而框架的核心結構性主張是，第一層的有效狀態會過期，而第二層正逐漸在其下方侵蝕。

為何重要#

「委派帶來焦慮」的說法過於簡化。越貼近自動化，越與樂觀、較高的技能價值感，以及沒有自陳學習損失相關——這讓政策問題從「委派是否會打擊勞工士氣」，轉為「為何最接近自動化的人感受最好？這種感受反映現實，還是自我選擇？」這是能力面向的委派轉變之外，感知面向的另一項制衡證據。

延伸閱讀#

• AI 決策中的程序價值——直接測量接受 AI 服務的人群，但研究的是另一項構念。美國求職者絕大多數曾經接受 AI 評估（74.9%），仍會因選擇機率提高 +0.272 而偏好由人類決策者判斷；過去接受 AI 評估的經驗不會影響這項偏好（交互作用 -0.013，p=0.36）——因此，接觸過 AI 評估既不會帶來接受，也不能預測抗拒。這也把本頁行為證據揉合在一起的兩件事拆開：申請意願（3.24）高於對 AI 招聘正當性的信念（2.85，p<0.001，d_z=0.42）；7.8% 的人一方面不相信制度，另一方面仍打算申請

• 控制變異：AI 的優勢在於降低離散程度——這項調查之外、不同樣本中的信念→委派連結（菲律賓初階客服求職者，60% 為女性：對 AI 抱持正面／平衡／負面預期的人，分別有 77%／72%／65% 選擇 AI 面試官），以及目前最有力的反向證據——工作被自動化的招募人員，對自身前景抱持正面預期的僅 12%，而同一家公司內求職者為 47%

• 人類與 AI 問責機制重新設計——語料庫中對「增強」的另一種定義，也是六條件測試的所在：一項需長期稽核的工作流程屬性，而非從紀錄讀取的使用模式

• 認知公地的悲劇——結構性反論：Lovett 預測重度委派會產生自信的實務工作者，但其實質驗證能力逐漸退化，與本頁自陳的技能成長方向相反。研究工具不同（情緒調查對比結構性預測）；生成式 AI 的學習影響實驗是客觀裁決，結果站在 Lovett 那一方

• Anthropic Economic Index——研究計畫；這是第三章調查的核心發現

• 暴露分類：已觀察、理論、回報與預期——自動化占比提高時，回報的暴露與預期暴露也都上升；本頁談的是情緒面，該頁談的是能力信念面

• 從對話到委派的轉變——自動化占比是調查端衡量同一種「提問→執行」變化的指標，OpenAI 則以 token 衡量

• 代理程式程式設計中的專業報酬——梯度方向正好相反：經驗較豐富的工作者回報較低的暴露程度，也較懷疑；重度委派者則最樂觀

• 生成式 AI 的學習影響實驗——這項調查的自陳資料無法提供的客觀隨機技能測量：實驗證實使用 AI 時學習可以持續（增強模式使用者），也揭示「自動化占比」混合在一起、無從區辨的空洞一半（自動化模式使用者）

• AI Brain Fry——直接的張力：測得監督疲勞與錯誤增加，對比自陳沒有技能退化；機制不同，訊號感受相反

• 把思考外包，別把理解也外包——「技能感覺更有價值」與另一種擔憂正面衝突：委派會侵蝕使技能具有價值的理解力

• AI Employee Framing——兩者都是工作者感知研究；委派的技能在此有助益，把代理程式框定為員工則在該文適得其反

• AI 的組織配套——樂觀集中在重度委派者身上，符合配套條件（技能、工作流程）決定誰能受益的觀點

• AI Usage Cadences——同一本報告其他章節的搭配篇，討論使用節奏，對照本章的感知

• Conversation Artifacts——重度委派者會產生更多耗用運算資源的產物，是本情緒發現的輸出面搭配篇

• AI 原生建構的三個迴圈——可能是落差的一個例子：Andrew Ng 自陳自行測試代理程式使他的 QA 負擔「大幅」降低，正是遙測資料一再未能佐證的那類「委派感覺良好」主張

• 企業 AI 支出強度與人數成長——對此處記錄的初階職缺流失恐懼提供客觀反證（超過三分之一的受訪者認為初階同事在 12 個月內失業機率高於 60%）：在密集採用 AI 的企業，入門職位人數在 24 個月內增加 12%，占員工比例也上升——Ramp × Revelio 觀察到的採用企業並未出現這種憂慮所預期的結果

• 以開放權重作為競爭策略——Andrew Ng 說明恐懼從何而來（既有業者的監管俘虜），以及其人力資本代價（人們放棄培養技能）：這是本頁使用面向連結在政策面上的反向論述

• 增強／自動化區分會決定工作技能嗎？——為何本頁平坦的學習曲線原理上無法判定職場技能萎縮：「自動化占比」由指令式加上回饋迴圈構成，依定義排除同一分類器中的學習模式，因此這條軸恰好把生成式 AI 的學習影響實驗證明結果分歧的兩種使用模式混合在一起。重新分析既有調查也無法把它們分開；只有進一步拆解才行。該文也記錄了本調查無法呈現的反轉——在控制變異：AI 的優勢在於降低離散程度中，自身工作被自動化的招募人員，正面預期比例僅 12%，而求職者為 47%

• 明確與默會知識暴露——同一份指數中的自動化／增強區分，以薪資資料而非情緒閱讀；兩者並列，是目前最有力的方式，能衡量兩者差距有多大。在此，委派越多的人越樂觀，也回報自己的技能更有價值；該文則指出，職業自動化暴露每增加一個標準差，其 22–25 歲從業者的就業率便下降 −0.098；互補性暴露則只為 41 歲以上者帶來就業成長。單位不同（個人對比職業），結果也不同（感受對比薪酬），因此沒有矛盾需要消解——但樂觀集中在那些職業自動化占比會遭薪資資料懲罰的人身上，而且沒有人在同一個樣本中同時觀察這兩者

開放問題#

• 自我選擇還是處置效果：年資控制會減弱、卻無法消除「熱衷者自我選擇成為委派者」的說法。若採用個人內部設計（比較使用者採用自動化工作流程前後的情緒），效果是否仍然存在？
• 自陳「沒有學習損失」無法偵測實際能力萎縮；是否有客觀技能測量與之吻合？或是測得技能與感受技能有所分歧（朝 AI Brain Fry 所示方向）？部分已有答案：Contractor 與 Reyes 的隨機實驗提供了本調查缺少的客觀、無輔助技能測量，並給出「兩者皆是」的答案。實驗支持使用 AI 時學習可以持續（增強模式使用者一週後在沒有 AI 輔助下仍保有 +0.29 個標準差的測驗進步），因此感受與測量可以吻合。但實驗也發現了問題所擔心的分歧：移除 AI 後，自動化模式使用者的進步消失；而調查自身的軸「自動化占比」把兩類人混在一起，所以平坦的自陳學習曲線可能掩蓋了真實的技能退化面向。（研究對象不同——受監考實驗室中的頂尖大學生，而非工作者——因此這使職場技能萎縮問題更明確，卻沒有替它畫下句點。）增強／自動化區分會決定工作技能嗎？於 2026-09-05 延伸指出：這種混合是結構性的，而非偶然——自動化占比由指令式加上回饋迴圈構成，同一協作模式分類器中的學習類別依定義被排除，因此無法重新分析這份調查來區分兩組。只有把指令式與回饋迴圈拆開，並把學習重新納入使用模式，才有辦法做到。此外，感受與測量的落差雙向存在：實驗中，自我評估的知識沒有受到處置影響（β=0.02），但測得知識提升 +0.27 個標準差；未接受處置的學生則高估自身進步五倍（高估 +25.2 個百分點，實際進步為 5.1 個百分點）——因此自陳的程度與方向都會失準，且取決於受訪者是否使用過工具。2026-09-22 再由 Training novices to think, or giving them LLMs? Evidence from an RCT（empirical，預先登錄的 2×2 隨機對照試驗，n=1,053）延伸：研究顯示「客觀測量」很容易回答另一個問題，進而讓本題更加精確。其結果確實客觀且由人類評分——三位受過訓練、且不知道受試條件的專家評分者，從二十位中抽出三位，給予 1–5 分；與控制組估計值 2.09 相比，能使用 LLM 的組別分數提高 +0.862。但研究沒有無輔助的事後測量**：工具從未撤除，因此分數評估的是受輔助的輸出，而非技能；作者也明言，無法判斷模型的優勢究竟反映「參與者學會並保留的知識，還是他們沒有學到任何東西便取得的輸出」。對這個項目而言，感受面缺漏更值得注意：研究蒐集了相應的自陳資料——整體自信、相較同儕的自信、自評知識廣度與深度——並在處置前後都進行測量，卻完全沒有報告處置後的結果。本題所問的感受與測量比較，就存在於這組資料中，卻尚未發表。
• 樣本主要由電腦／數學與管理職工作者組成，且男性占 88%；自動化與樂觀的連結，在具代表性的人口中還剩下多少？部分已有答案，而且這是現有資料庫中與本研究樣本差異極大的人群：Jabarian 與 Henkel調查了 2,764 位菲律賓初階客服求職者（60% 為女性，月薪約為 280–435 美元），發現47% 預期 AI 對自身職場影響為正面，19% 預期為負面；這種信念也會預測委派選擇——樂觀者、抱持平衡看法者、悲觀者中，分別有 77%、72%、65% 選擇 AI 語音代理程式而非人類招募人員來面試。因此，信念→委派的關聯在低薪、非西方、女性占多數、非技術族群中依然存在。但仍有兩件事無法由此定論。關聯方向仍不明（這是已知信念下的選擇，不是已知使用情況下的情緒）；同一篇研究也顯示，這種關聯會因所處位置而反轉：招募人員自己的工作就是被自動化的對象，68% 認為「AI 對自身有顯著影響」，但只有12% 認為「整體而言是正面影響」——僅有求職者比率的四分之一，且來自同一家公司。樂觀可能取決於接受 AI 服務，而非委派工作給 AI；本調查無法區分兩者。2026-09-23 再由 Do job seekers value procedure in AI hiring only for error correction? Evidence from a conjoint experiment（Wang、Sturgis 與 de Kadt，arXiv 2609.16390，empirical，預先登錄的聯合分析，n=1,919 位美國求職者）延伸：研究直接測量接受 AI 服務的人群，並從兩方面拆解證據。第一，接觸過 AI 不代表會接受：這些受訪者中有 74.9% 曾接受 AI 系統評估；他們仍願意多付 +0.272 的選擇機率，選擇人類決策者，而非由 AI 單獨決定；過去接受 AI 評估的經驗也不會影響這項偏好（交互作用 -0.013，p = 0.36）。因此，「接受 AI 服務」本身不會帶來本項目假設的樂觀；不過研究的構念不同（在兩種招聘系統中做強制選擇，而非預期自己的勞動市場前景），因此只是縮小問題範圍，尚未解決問題。第二，更有用的是，這項研究削弱了上方註記中的行為證據：菲律賓的 77／72／65% 數字，代表求職申請仍有實際利害關係的人所做的選擇；而本研究顯示，這類測量與接受程度並不相同。申請意願平均為 3.24，高於對 AI 招聘正當性的信念 2.85（配對差異 0.389，d_z = 0.42，t(1918) = 18.56，p < 0.001）；其中 **7.8%（n = 150）**同時對正當性的認同低於中點，申請意願卻高於中點。人們會申請自己不信任其程序的雇主，因為替代選項是不申請——因此在這種條件下蒐集的委派選擇測量的是服從，而非認同；若要追蹤本項目的信念→委派關聯，設計中就不能讓拒絕帶來代價。

資料來源#

• Anthropic Economic Index report: Cadences — Anthropic Economic Index 報告：Cadences（2026 年 6 月 26 日），第三章「感知」：§AI 與工作、§技能價值與學習、§使用方式如何因性別而異、§人們的期盼
• Voice AI in Firms: A Natural Field Experiment on Automated Job Interviews — Jabarian 與 Henkel，Voice AI in Firms（arXiv 2607.28222，2026-07-30；empirical，預先註冊的隨機對照試驗）：§5.3（求職者對 AI 的態度、信念→選擇的梯度，以及註 18 的招募人員比較）、§2.5（調查設計——邀請 19,200 人、完成 2,764 份、回覆率 14%）。解析警示與完整說明見控制變異：AI 的優勢在於降低離散程度。
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think — Andrew Ng 接受 Marina Mogilko 訪問，Silicon Valley Girl（2026-08-28，practitioner-opinion）：直接否定「沒有技能退化」的自陳結果（「資料非常明確」，未引證），以及以恐懼讓人放棄的論點與唯一一封電子郵件例證
• When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration — Wu、Ziems 等人（22 位作者，包括 Singapore Ministry of Manpower），CIVIC-AI 2026 工作坊白皮書，arXiv 2609.12482，2026-09-11，8 頁，practitioner-opinion，沒有進行測量。此處僅引用其表 1 對增強的定義及條件 2 的失敗模式，用於術語對照，而非作為本調查族群的證據