編碼知識與默會知識暴露度

資料來源#

• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence

摘要#

Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated 中的每種暴露度指標都在回答：AI 能觸及某職業的 多少 工作。這篇文章提出的是另一個問題——AI 觸及的是 哪一類知識——並給出一種解釋：生成式 AI 最能取代已數位化、標準化並寫成文字的知識，同時補足尚未如此處理的經驗知識。（此領域文獻中的）這項區分出自 Acemoglu & Autor 2011：

	編碼知識	默會知識
定義	正式、標準化、有文件記錄；明確且可透過文字傳遞	隱性、以經驗為基礎；難以寫下或在課堂上傳授
習得方式	教育、教科書、書面流程	實務、指導、親手操作、反覆接觸真實情境
預測的 AI 關係	取代——以文字訓練的模型吸收的正是這類知識	互補——模型提供從業者原本必須查找的編碼知識部分

由此得出的預測關於 職涯階段，而非職業類別：23 歲者的比較優勢是近期習得的編碼知識，因此 AI 到來時會取代這項優勢；45 歲者的優勢則是累積的默會知識，因此同一工具會成為互補力量。Brynjolfsson、Chandar & Chen 將其描述為 AI「自動化那些可檢驗、流程密集，過去足以支持初階職位人數的工作，同時提高資深員工的槓桿效益」（Ide 2025；Garicano & Rayo 2025）。

在有人測量之前，這一直是解釋年齡梯度的說法，持續了一年。2026 年 8 月版〈Canaries in the Coal Mine?〉首次進行測量，而且秉持善意審慎的原則：作者稱之為「簡單的描述性分析」、「非因果且純屬提示性」，並在註腳中提供了一項削弱半數論點的說明。

證據註記。 empirical——ADP 薪資微觀資料，數百萬名工作者，按月統計至 2026 年 6 月（Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence）。但本文的 指數 並非薪資資料：它是 LLM 對雇主撰寫的職務說明進行評分，結果載於線上附錄，沒有標準誤、沒有因果設計，也只採用單一版本。薪資序列是實測資料；覆蓋在其上的編碼／默會軸則是建構出來的代理指標，須一併考量下文記錄的失效模式。

指數實際上的建構方式#

附錄 J 值得在引用結果之前先讀一讀：

1. 從 ADP 分類中的 7,514 個原始職稱開始，每個職稱都有 ADP 撰寫的職務說明。
2. 以 temperature 0 向 GPT-5.4-mini 提出查詢，每份工作分別進行兩次 API 呼叫——一次評分 編碼知識 1–10，一次評分 默會知識 1–10。共用的 system prompt 以 O*NET 知識領域、工作活動與跨職能技能作為範例分類，教導模型辨別兩者；接著，依維度撰寫的 user prompt 要求模型閱讀職務說明、推斷各項工作所需的知識，並以 JSON 回傳分數及評分理由。
3. 依據映射至各 SOC 代碼的職稱，採用未加權平均彙整至 SOC 層級。
4. 以 2022 年 11 月就業加權平均值為基準，將每個 SOC 在各維度編為高或低。如此形成四個象限：高編碼／高默會、高編碼／低默會、低編碼／高默會、低編碼／低默會。

**引用這項結果時，有兩點建構方式值得一併交代。**首先，正文對代理指標的描述與附錄不同——§2.5 說，編碼知識依賴程度以「所需正式教育程度為代理，並以 O*NET 知識領域及工作活動補充」，默會知識依賴程度則以「所需工作經驗與在職訓練為代理，並以」經驗領域補充；讀起來像是 O*NET 屬性指數。附錄 J 的實際操作流程則是由 LLM 閱讀散文式職務說明，僅將 O*NET 分類用作少樣本教學材料。兩種描述都符合其意圖，但只有後者是實際採用的測量工具。其次，職稱→SOC 的未加權平均，以及按就業加權值設定高低分界，都是可自行決定的做法，而且都沒有透過穩健性檢查進行變更。

薪資資料呈現的模式#

圖 J.1 繪出各年齡層與象限的員工人數，並將 2022 年 11 月標準化為 1：

• 職涯初期（22–25 歲）——各線按編碼知識程度分開，而非按默會知識。兩個高編碼象限都在 2024 年達到高點，到 2026 年年中降至約 0.95；兩個低編碼象限則維持在 1.00 或略高。默會知識維度幾乎無法區分這個年齡層的趨勢。
• 職涯中期（41–49 歲）與資深工作者（50 歲以上）——各線按默會知識程度分開。41–49 歲組中，兩個高默會象限最後約為 1.11–1.14，低默會組則為 1.06–1.08，期間成長幅度相差約 5–7 個百分點。35–40 歲也呈現相同排序，但較不明顯。
• 26–30 歲與 31–34 歲介於兩者之間，在任何一個維度上都沒有明確排序——這是轉換區間。

論文用一句話總結：「對職涯初期工作者而言，高編碼職業的成長速度低於低編碼職業。對年長工作者而言，高默會職業的成長速度高於低默會職業。」

作者指出的不對稱性，以及它為何是全文重點#

容易被忽略的註腳 21，卻會改變這篇文章的價值：

「控制大學學歷比例五分位後，編碼知識梯度不再顯著，顯示它與教育程度有所重疊。相較之下，資深工作者的默會知識梯度在控制後仍然成立。」

因此，這套機制的兩個部分並非獲得同等程度的支持。取代這一半與受教育程度高度共線——「高編碼」接近「需要學位」，而論文主要結果在控制大學學歷比例後也大幅減弱（表 1 A 與 C 面板中，暴露度最高五分位的 22–25 歲組估計值從未加入控制變數時的 −0.18，降至控制大學學歷比例後的 −0.09）。作者對這項減弱的解讀在此同樣適用，而且有兩種可能：教育程度可能是混淆因素，也可能是作用管道，因為「生成式 AI 最能取代的，正是透過正規教育傳授的編碼知識」。用教育程度建構的指數無法在兩種解讀間做出判斷——而這正是本文希望釐清的分歧點。

互補這一半是更穩健的發現，也是較少被引用的部分。高默會職業中的資深工作者，成長速度快於低默會職業中的資深工作者，且此關係不受教育程度影響。這正是代理式程式設計中的專業回報所提出的論點，如今它出現在大規模人口層級的薪資資料中，而非工作階段遙測資料中。

同一個年齡梯度：以使用情形而非知識類型測量#

這項知識指數並非論文中唯一指向此一方向的測量工具，第二種工具的建構方式使其不受教育程度影響。表 3 依年齡層分別進行迴歸，以職業層級的就業變化（2022 年 11 月 → 2026 年 6 月）同時預測Anthropic Economic Index 中自動化／增強式查詢分類得出的標準化自動化、互補性與整體使用情形暴露度（2025 年 3 月發布版本；以 pdftotext -layout 核對）：

年齡	自動化	互補性	整體使用情形
22–25	−0.098*** (0.018)	0.016 (0.021)	−0.029 (0.018)
26–30	−0.036*** (0.013)	0.010 (0.019)	0.000 (0.018)
31–34	−0.017 (0.011)	0.014 (0.015)	−0.017 (0.021)
35–40	−0.014 (0.011)	0.004 (0.014)	−0.023 (0.027)
41–49	−0.008 (0.010)	+0.024** (0.010)	−0.020 (0.025)
50+	−0.006 (0.009)	+0.015* (0.008)	−0.037** (0.016)

沿著欄位往下看：**自動化係數隨年齡單調縮小，而互補性係數只在資深工作者身上轉為正值且達到顯著。**這表示暴露度每增加一個標準差，就業變化百分比隨之改變。合併 2025 年 9 月、2026 年 1 月與 2026 年 4 月發布版本後，結果也重現（B 面板：22–25 歲為 −0.084***，41–49 歲為 +0.024***）；在這份結果中，年輕族群的互補性係數甚至略為負值。

這與知識指數呈現相同模式——年輕族群受到取代，資深族群則獲得互補——但測量依據是人們傳給模型的內容，而非工作所需的知識類型。兩種工具的結果一致，並不代表有兩項獨立驗證（兩者都以職業為單位，也都套用在同一份薪資追蹤資料上），但 AEI 指標不受受教育年數影響，正好避開了知識指數的特定弱點。

這項結果能與不能支持哪些結論#

• **它不能證明因果關係。**兩種測量工具都做不到，作者也明確說了兩次。
• **這是職業層級的陳述，不是工作任務層級的陳述。**本文沒有觀察任何個人的編碼或默會知識；「編碼職業」指的是 LLM 判斷某份職務說明偏向編碼知識。同一個 SOC 代碼中的資深與初階工作者，得到的分數相同。
• 默會知識是以否定方式定義的——也就是無法寫下來的知識——因此它會隨時間變動，而非固定的儲備。這與Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated中的經驗梯度有相同弱點：它取決於哪些知識尚未編碼，而不是哪些知識不可能被編碼。
• **互補性發現針對的是資深工作者，而非泛指默會知識相關工作。**高默會職業中的 22–25 歲工作者並沒有成長得更快；這項交互作用與年齡有關，因此談的是累積實務經驗，而非工作任務內容。

延伸閱讀#

• 認知公地的悲劇——本文測量的機制，是該文論點的前提：如果 AI 取代了初階工作過去付費培養的編碼知識，讓人習得默會知識的初階職位便會消失，公地也會停止再生。兩篇文章是依賴關係，而非彼此印證——本文測量的是取代，並未說明下一個世代是否還能形成默會知識
• 代理式程式設計中的專業回報——以不同工具、在四年期間與人口層級呈現互補這一面：該文在約 40 萬個工作階段中發現，特定任務的專業知識能放大代理程式的效益；本文則以薪資資料發現，高默會職業中的資深工作者成長快於低默會職業中的同儕。兩者都指出人類比較優勢所在，但都沒有證明這種優勢會持續
• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated——正交軸。該文中的每種工具都評分 AI 能觸及某職業的多少工作；本文評分 AI 觸及的是哪種知識，因此暴露度分數相同的兩個職業，年齡梯度仍可能相反。本文也以新的形式承襲該文的核心問題——如同眾包評分規準，LLM 評分指數也將工具的假設烙印其中
• 工作任務飽和：AI 擴散廣泛但淺層——最接近的相鄰分類方式，但著眼點不同：ATLAS 測量深度（已觸及職業中的工作任務占比），並依 Autor–Thompson 罕見詞專業知識代理指標排序任務，發現 AI 使用情形過度集中在專業知識程度最低的認知任務上。專業／非專業與編碼／默會並非同一軸——一項任務可能需要專業知識且完全編碼（稅法），也可能不需專業知識卻仰賴默會知識（安撫憤怒的顧客）——但兩者都預測誰會最先受影響，而本文補上 ATLAS 快照無法呈現的勞動市場結果
• 自動化與樂觀情緒的連結——同一指數的自動化／增強式分類，但衡量的是情緒而非員工人數：更多委派工作的人反而更樂觀，並表示技能變得更有價值；而年輕族群的就業下降，則與其職業的自動化暴露度相關。分析單位不同（個人與職業），結果變數也不同（主觀感受與薪資），因此並不矛盾；但將兩者並列，是目前最清晰的說明，呈現自我報告與薪資資料對同一變數的看法可以相差多遠
• AI 的組織互補條件——從企業層級呈現互補關係：本文在職業員工人數中發現的默會知識溢價，正是該文所討論、讓 AI 發揮增強而非取代作用所需的組織投資
• Erik Brynjolfsson——本指數的作者，也是用來區分資料庫引用的五篇不同作品的消歧頁面
• Stanford Digital Economy Lab——該研究室、其測量工具與需要一併留意的既有但書
• 科學工作中的 AI 採用——以相同機制討論科學領域，但沒有進行測量：Jedlička 在 §7.1.2 指出，取代博士生與博士後的工作，會中斷「默會知識、方法論判斷、專業規範」的傳承，這些內容「無法完全形式化或編碼」——此處討論的正是本文的軸線，但論者是沒有引用勞動證據的科學哲學家

開放問題#

• 編碼知識梯度在控制大學學歷比例後便不再成立，默會知識梯度則仍然成立。編碼／默會到底是不是一條獨立軸線，還是只是一份加上機制說明的教育程度指數？可證偽的檢驗方式：改用不含受教育程度資訊的基礎資料重建編碼分數（O*NET 在職訓練時長、學徒訓練與執照要求、工作經驗區間），再重跑相同的象限圖——如果職涯初期的編碼知識梯度仍然存在，這條軸線就有實質意義；若梯度消失，本文測量的就是受教育年數。
• 這項指數來自單一 LLM 對單一版本的雇主撰寫職務說明所做的判讀，完全沒有評分者間檢驗。換用不同評分模型、不同提示詞或人工評分者，結果能否重現？象限分類的變動是否大到足以反轉任何年齡層的方向？來源中沒有測試這些變項。
• 默會知識被定義為難以寫下來的知識，而目前這波代理式工具正大力嘗試把工作寫下來——記錄工作流程、技能檔案、代理記憶。如果擷取成功，今天的默會知識溢價就只是待編碼的工作積欠，而非比較優勢。值得觀察的訊號：首個同時出現高默會分數與資深工作者人數下降的職業。

資料來源#

• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence — Erik Brynjolfsson、Bharat Chandar 與 Ruyu Chen，Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence，Stanford Digital Economy Lab，2026 年 8 月修訂版（140 頁，empirical）。本文引用 §2.5「機制證據：編碼知識與默會知識」段落與註腳 21（教育控制項造成的不對稱性）、線上附錄 J（指數建構、提示詞、SOC 彙整、象限分界、圖 J.1），以及表 3 與其前後文（依年齡分析自動化／互補性／使用情形迴歸）。**解析註記：**表 3 的面板標題在每個儲存格中重複出現——這是表格列合併造成的問題，table-collapse 在本文標記了 15 次——但係數儲存格完整；上文引用的每個數值都已透過 pdftotext -layout 核對（表 3 與表 1 的數值逐格吻合）。圖 J.1 是從頁面影像讀取，而非文字擷取。完整解析紀錄與證據處理方式見 Source Notes