AI 經濟與勞動

ai-economics-and-labor 領域的內容地圖——28 個概念。AI 經測量的經濟足跡：使用遙測、勞動市場效應、專業知識的回報、組織互補因素，以及影響問責的框架效應。精選入口；所有領域請見 Home。

• AI Adoption in Scientific Work — 同一專業的三類測量工具。Google ATLAS 遙測資料加上問卷顯示：科學家是經濟體中最頻繁使用 AI 的族群（SOC 19 的使用率高出平均 2.7 倍；46.6% 每天使用 AI）；LLMs 與 2,690 個專用模型互補（彈性由 0.6 降至 0.2）；自陳每週節省 6.9 小時，卻沒有轉化為發現，因為瓶頸移至下游（43.5% 如此表示；45.7% 將節省時間的四分之一以上用於驗證；48.8% 轉而提出更安全的問題）。另一方面，對 3,785 名博士生的潛在類別分析發現，態度會因任務而異：51.5% 能接受 AI 摘要文獻，寫作、分析和實驗設計的接受度則約為 30%，而 44% 的人符合「分工」型態。與這兩項研究並列的出版紀錄（截至 2024 年 9 月，約 22% 的電腦科學產出含有經 LLM 修改的文字）看不到分析活動，但在寫作方面，紀錄顯示出問卷所發現的拒用行為
• AI and Market Power — OECD AI Papers No. 62 使用法國與葡萄牙企業微觀資料，以及全球專利和新創資料庫：非 GenAI 採用者的市場占有率是未使用者的 7.5 倍／3.2 倍，但溢價來自選擇效應（納入寬頻、數位化和落後期生產力後便消失），且採用者在五年間的市場占有率排名或加價率成長都沒有提升；企業層級的 GenAI 曝險與規模、市占率呈倒 U 型，與生產力及高等教育程度則呈單調關係；全球 AI 專利集中度在 2001 至 2021 年間下降 32–60%，但在市場內與銷售集中度正相關；AI 專利只在 ICT 領域提高加價率（交互作用 +7.95%）；GenAI 新創取得的創投資金多約 130%，被既有企業收購的可能性高約 21%
• AI Brain Fry — Kropp et al. 2026/03：過度監督 AI 所造成的精神疲勞，使輕微錯誤增加 11%、重大錯誤增加 39%；並分析將 AI 視為工具或員工時的認知成本曲面
• AI Employee Framing — Kropp et al.（HBR，2026 年 5 月，n=1,261）：相較於將 AI agents 視為「工具」，將其框定為「員工」會讓個人問責降低 9 個百分點、升級處理增加 44%、錯誤發現減少 18%，卻沒有提高採用率
• AI Usage Cadences — AEI Cadences 報告：連續的每小時遙測資料揭示，AI 使用帶有日常生活的節律——個人用途在週末從 35% 升至約 50%；食譜查詢在下午 6 點達到 2.3 倍；睡眠建議常出現在黎明前；報稅查詢在 4 月 15 日期限前後增加 8 倍；非工作時間的工作用途則偏向高薪職業
• The Automation–Optimism Link — AEI Cadences 問卷發現：使用 Claude 的方式越自動化，人們在六項工作品質指標（薪酬、安全感、找工作、意義、自主性、人際互動）上就越樂觀；他們認為自身技能更有價值，也沒有顯示出學習不足——這與「委派工作→技能退化焦慮」的常見說法相反
• Codified vs Tacit Knowledge Exposure — 解釋 AI 勞動市場效應年齡梯度的機制軸：生成式 AI 最能替代明確知識（正式記錄、文件化、可教導），並能補足默會知識（透過實作和師徒傳承取得），因此最先影響比較優勢來自新近學歷的人。這項衡量最早出現在 2026 年 8 月 Canaries 修訂版，使用 GPT-5.4-mini 對 7,514 份 ADP 職缺描述建立指數——在明確知識占比高的職業中，年輕工作者人數下降；在默會知識占比高的職業中，資深工作者成長更快。值得坦白的是，明確知識這一半的效應在控制教育程度後消失，而默會知識這一半則仍然存在
• Context Advantage, Not Taste — Andrew Ng 對人類剩餘貢獻的重新詮釋：關鍵不是「品味」，而是資訊不對稱——「只要人類知道 AI 不知道的事，就需要人在迴圈中。」這將 wiki 的核心開放問題（品味是上限，還是下一個崎嶇山谷？）重新界定為類別錯誤，也讓人類角色成為可透過工程補足的缺口，而不是護城河——Ng 本人在 2026 年 8 月淡化了這種說法，稱這種不對稱是「長期優勢」，不會「幾年內」被消除
• Controlled Variance: AI's Edge as Reduced Dispersion — Jabarian & Henkel（arXiv 2607.28222）：預先註冊的自然場域實驗，將 70,884 名求職者隨機分配給 AI 語音面試官或人類招募人員——錄取率由 8.70% 升至 9.73%（+12%），到職人數 +18%，一個月留任率 +18%，生產力沒有下降，而兩組的所有聘用決定都由人類做出。作者稱其機制為受控變異：AI 更一致地遵循企業面試流程（主題順序 τ 為 0.53 對 0.33、問題相似度 0.59 對 0.43，跨面試變異顯著較低），同時仍會依個別求職者調整，並使用更豐富的詞彙；AI 勝在分散度較小，而非能力更強。這是 wiki 中唯一針對 AI 在專家對話任務中取代人類所做的隨機因果估計
• Conversation Artifacts — AEI Cadences 報告將「產物」（使用者帶走的主要成果）視為新的經濟分析單位——93% 的對話會產生一項產物；產物類型可預測用途屬於工作、個人或課業；運算量（tokens）會隨產物的經濟價值而增加；Claude 的輸出程度約比提示高出一個教育年
• Conversation-to-Delegation Shift — OpenAI 的 Codex 使用研究（2026 年 6 月）：AI 從對話式「詢問」轉向代理式「委派產出」，以三種族群中 Codex 產出的 tokens 占比衡量——OpenAI 內部 99.8%／組織 63.3%／個人 16.5%——採用範圍也擴及開發者以外。當單位從對話轉為委派工作流程，活躍使用者數、聊天數等標準使用指標便不再那麼有參考價值
• The Enablement–Regulation Axis — Chueri & Törnberg（VU Amsterdam／UvA，arXiv 2609.02296）：分析 33 個國家議會從 2023 年 1 月至 2026 年 4 月的 1,514,950 篇演說，並以 LLM 編碼篩出 5,317 篇 AI 與工作相關的演說。政治經濟學預期科技顛覆會引發補償需求；然而，補償只占回應框架提及內容的 2.3%（共 125 次），遠低於促進與投資的 55.2%、規管與限制的 21.8%，以及訓練的 20.6%。爭論焦點在於公共權力應加速採用或加以治理，而七個政黨家族落在這條單一軸線上——激進左派約 89% 視為威脅／約 67% 主張規管；保守派與激進右派約 86%／79% 視為機會、約 76% 主張促進，而激進右派較不願把 AI 政治化為勞動威脅。在規管框架中，著作權以 36.1% 居首，演算法管理與人類監督則以 13.0% 居末
• The Enterprise AI Adoption Gradient — OpenAI 的 ChatGPT Enterprise 研究（Chatterji、Holtz、Rakholia、Tambe 與 Weeratunga，2026 年 8 月）：將 1,764 個組織的管理員紀錄、1,740 萬則訊息連結至 Compustat——九個月內輸出 tokens 增為 7 倍（2025 年 6 月以前採用的群組內增為 4 倍）；美國上市企業中，採用率隨規模增加（營收最高四分位 +6.9 個百分點，前 5% +9.8 個百分點），也隨 2021 財年的無形資產存量增加（SG&A 0.020***、資本化軟體 0.008**、R&D 0.004***）。但在已採用的企業中，每位員工的使用量隨規模增加而下降，每位活躍使用者的訊息數則持平——大型企業買得廣，實際使用卻不多。在企業內，所有職能都會使用，且使用率隨職級升高而下降；56.3% 的活躍使用者會處理文件或技術寫作。研究僅具描述性，樣本只含採購者，五位作者皆與 OpenAI 有隸屬或受其付費
• Experimental Learning Impact of Generative AI — Contractor & Reyes（arXiv 2607.08849）：一項由監考人員監督的隨機實驗，對象為 211 名大學生。實驗發現，提供現成 AI 可使即時測驗分數提高 0.27 個標準差，其中約 76% 的增益一週後仍保留在無輔助測驗中；移除 AI 後，作文品質才會提升——但持久增益幾乎全屬於「輔助」使用者（將 AI 當作家教或解說者），而「自動化」使用者（讓 AI 起草文字）的短期增益在 AI 移除後便消失。這是客觀、經測量的技能證據，可與 AEI 的自陳資料互相比較：學習既可能持續，也可能依使用模式而流於表面；此處也一併列入 Bocconi x OpenAI 的 2x2 RCT（n=1,053），該研究將 ChatGPT 使用權與受教的因果推理技能交叉測試，發現技能在工具移除後仍存在，但評分標準會獎勵工具
• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 衡量 AI 影響某職業範圍的四種不同方式——觀察到的曝險（看見 Claude 執行的任務）、理論曝險（LLM 能執行的任務）、回報曝險（工作者表示 AI 現在能執行的任務），以及預期曝險（他們預期 12 個月後 AI 能執行的任務）——以及它們的排序（理論 > 回報 > 觀察）；AEI 問卷揭示的 GDP／經驗／自動化梯度；還有 Steele & Cruz 對七種測量工具的直接比較。研究顯示，各工具依資料來源而非測量構念聚集；在曝險最高的十二個名額中列出十一種不同職業；甚至會因資料年代不同而反轉曝險與薪資關係的方向
• Firm AI-Spend Intensity and Headcount Growth — Ramp × Revelio 的 21,559 家美國企業追蹤資料：採用後 24 個月內，高強度 AI 供應商支出者的員工數成長約 10%（入門職級約 12%），低強度採用者則沒有變化——這是受使用強度門檻左右的學習曲線效應，可與 Indeed 資深職缺回升、Ramp AI Index 的採用廣度切面，以及 ICONIQ 的成長門檻對照（2026 年營收成長達 100% 以上者員工數中位成長 146%；同年提及 AI 的上市企業則裁員 10–20%）。
• The Household Production Boundary — Google ATLAS 最具新意的貢獻——86.5% 的對話式 AI 使用發生於正式工作之外；人類時間分配可預測 AI 問題的去向（斜率 0.77，約解釋 50% 的變異）；高摩擦的官僚程序問題占比高出約 20 倍，其中一半發生在營業時間以外；在美國，若家庭時間節省 0.5–5%，其價值為每年 150 億至 1,490 億美元，但 GDP 從定義上就看不到這部分
• Human-AI Accountability Redesign — HBR 提出的五大支柱處方：重新設計管理幅度、職務、績效管理、決策權／升級處理／後果，以及以代理單位而非人類職務為設計對象——並結合 CIVIC-AI 的六條件稽核測試，檢視已完成的重新設計是否真的算是輔助（分成兩層：工作流程完整性的快照，以及人類能力發展的縱向追蹤），另有用來界定人類與代理邊界的可驗證性／可逆性／利害程度原則
• Market-Priced AI Exposure (the AI Premium) — Borri-Liu-Tsyvinski：根據實際 OpenRouter 使用量中的 380T tokens，建立市場隱含的 AI 曝險指標——包含 AI Factor、公司層級的滾動 AI Betas，以及定價為每週 64 個基點的多空溢價，集中在前沿／付費使用；推導出的技能分布與任務型曝險測量正交，而工具呼叫 tokens 升至 52%，則顯示經濟體正走向代理化。
• Organizational Complements to AI — 通用技術論點：AI 的生產力提升取決於互補的工作流程、技能及組織設計變革（David 的電氣化類比、Brynjolfsson 的悖論）——OpenAI 的 Codex 自然實驗（使用同一模型的比例為 99.8% 對 16.5%）顯示差距來自互補因素；此處也收錄 HAT 替代模型與 Kalff & Simbeck 的制度互補因素。
• Owning Your Externalized Cognition — Garry Tan 對技能檔案提出的所有權軸線：一旦你的判斷被寫成可執行的 markdown，它便成為有持有者的資產；同一份檔案究竟是可攜的職涯資本，還是被攫取的成果，只取決於它放在哪個 repo——這是認知共享資源侵蝕論的所有權對應說法，出自主題演講，沒有測量證據支持
• Post-Scarcity Macroeconomics — Musk 主張，一旦數位智慧取得終端執行器，經濟就會接近無限，因此到 2036 年金錢「不再重要」：核心論點是通縮——只要貨幣創造速度低於產出成長，價格仍會下跌——因此普遍移轉不會造成通膨，課稅也變得無關緊要；他承認無法描述的部分是轉型路徑
• Procedural Value in AI Decisions — Wang、Sturgis & de Kadt（LSE/Cornell，arXiv 2609.16390）：對 1,919 名美國求職者（30,704 份個人檔案）進行預先註冊的配對檔案聯合分析，分別改變由誰決策、系統出錯頻率，以及求職者可以採取什麼救濟。人類決策權可提高 +0.272 的選擇機率，價值約等於將錯誤拒絕率從 30% 降至 10%（+0.285；差值的 95% CI 為 [-0.007, 0.033]）；申訴 +0.156、退出選項 +0.129、解釋 +0.128，偏誤稽核僅 +0.068。核心結果是預先註冊的等效性虛無假設：隨著錯誤增加，申訴、退出選項和稽核的價值並未上升（在 10–30% 範圍分別為 +0.001／+0.005／+0.012，90% CI 均落在 ±0.05 內），所以程序偏好不只是要求修正錯誤。求職者認為自己可行使的權利比系統層級監督更重要；有 7.8% 的人懷疑 AI 招募的正當性，卻仍打算申請
• Returns to Expertise in Agentic Coding — Anthropic 對 40 萬個工作階段的研究：放大代理效能的是領域專業知識，而非編碼技能——專家採取的行動多 2 倍、每個提示的產出多 5 倍，達成驗證成功的機率約高 2 倍，也較少放棄卡住的工作階段；所有職業與軟體工程師的差距都在 7 個百分點以內；增益集中在新手到中階的進步，精通者則幾乎沒有額外提升
• The Solo-Authorship Rebound — Matsui（arXiv 2607.10780）：分析超過 3 億筆 OpenAlex 作品、涵蓋 26 個領域，發現 ChatGPT 在 2022 年 11 月發布時，長達數十年的單人署名論文下降趨勢停止或反轉——26 個領域中有 23 個出現正向趨勢轉折，工程學（每年 +2.5 個百分點）和商學（+1.9）最大；化學與物理學沒有變化，藝術與人文則為負向。控制作者過往紀錄後仍成立，而且從未單獨發表過論文的作者變化最強。單人論文的內容仍接近作者的合著作品，但涵蓋廣度縮窄 23%，更偏向計算工作。研究提出，單人論文可作為 AI 取代人類合作者的可觀察行為軌跡；但研究設計是沒有未處理組的中斷時間序列，合併後的轉折約有一半來自刊物組成變化；真正的論點是各學科的排序，而非任何單一數字
• Task Crossover — OpenAI 的 Work at the Frontier（2026 年 7 月，80 萬多則美國 ChatGPT 工作訊息對應至 O*NET）：16.8% 的工作訊息和 43.5% 的職業特定訊息涉及歷來屬於其他職業的任務——工作重新組合先於職務說明改變。借入和借出是不同方向（設計借入 35.2%、借出 1.7%；工程借出 7.4%）；財務計算和軟體疑難排解會跨至其他七個群組；工作空間規模越大，跨職業任務越少（2–5 個座位占 18.9% → 101 個以上占 16.3%）
• Task Saturation: Broad but Shallow AI Diffusion — Google ATLAS 最受矚目的工作發現——AI 涵蓋 68% 的細分類職業（占美國就業人口 88.4%），但在中位數職業中只涉及 21% 的任務；在非例行認知對話中，只有 6.5% 以端到端自動化為目標，例行認知對話則為 26.9%。廣度邊際受實體工作限制，深度邊際集中在非例行認知工作，而使用量最集中於專業程度最低的認知任務
• The Tragedy of the Cognitive Commons — Lovett（HRD Review，2026 年 7 月）：專業知識是專業領域共享資源，而 AI 正在移除其再生機制——入門級工作。研究區分透過認知掙扎培養的 Internalized Mastery，與協調 AI 所形成的 Distributed Mastery，並提出 Validation Tether：要實質監督 AI，就必須具備 AI 採用侵蝕的專業知識。最尖銳的主張是：初階勞動在營運上的必要性，一直是隱而不見的治理機制——知識再生原本只是業務的副作用，從來不是一項決策

衍生內容#

• Is Breadth Cheap Now? Specialist Ramp Speed and Domain-Expert-as-Builder at Scale — 以兩個問題綜合 AI 時代的專業知識經濟學。（1）Stone 所稱「專家快速拓展廣度」包含兩種不同成果：手邊有工具時的表現廣度確實可用測量證明成本低——專業程度曲線呈凹形（新手進步至中階時，幾乎獲得全部已驗證的成功率增益）；所有職業與軟體工程師的差距都在 7 個百分點以內；管理上的優勢顯示專業後設技能（精準界定、驗證規格、誰修正誰）能跨領域轉移，因此有經驗的專家進入新領域時，起點高於新手底線，而 AI 輔助入門還能進一步縮短熟悉期。但保留能力的廣度尚未獲得證實，而唯一的隨機證據反而不支持它——移除工具後，自動化模式的增益便消失，而且集中於能力較高的四分位；自陳資料則掩蓋了能力缺口。表現成本低，內化尚未證實；沒有來源直接測量有經驗的專家跨領域熟悉新領域的速度。（2）領域專家作為建構者目前有三個證據層級：能力相當（已測量，差距在 7 個百分點以內）、市場上存在（超過 20 萬名非技術客戶建立 ERP／CRM，屬供應商說法；28–40% 的商業職務說明提及 AI 職責），但以建構為主要工作的族群級實踐仍未獲證明——每個受測族群都偏向採用者，互補因素決定實際價值，而 ATLAS 的組成資料顯示，專家把 AI 用在自己不擅長的任務，而非非專家變成建構者。關鍵變數是互補因素與保留的理解力，而非能力
• Orchestration vs Employee Framing: Reconciling the Founder's Playbook with HBR's Accountability Evidence — 調和 Founder's Playbook 中的編排框架與 HBR Kropp et al. 的問責證據；「把編排視為工作流程設計」經得起檢驗，「把編排視為將代理當作同事的心智模型」則不行；並提供嚴謹創辦人的實務檢查表
• Does the Augmentation/Automation Split Govern Skill at Work? — 判定：輔助／自動化區分在方向上適用於職場，但尚未建立為一種測量方式。四項職場技能退化研究落在自動化那一列（Budzyń 的內視鏡醫師、Dell'Acqua 的顧問、Vicente & Matute 的 80.7%、Wiles et al.），兩項落在輔助那一列（Everett 的協作臨床工作流程、Brynjolfsson 的客服人員）——但六項研究都透過同一篇 practitioner-opinion 架構論文，以第二手資料進入 vault；沒有任何研究在同一設計中分類使用模式，也沒有任何研究在撤除 AI 後測量無輔助表現。真正關鍵的差異不是菁英樣本或一週的時間跨度：實驗室的機制是在工作時間固定下重新分配時間（寫作 −5.3 個百分點／閱讀 +4.4 個百分點）；職場 AI 的主要效應則是節省時間，而 vault 沒有任何研究測量省下的一小時用在何處。職場規模也會產生 35 分鐘監考實驗無法出現的第三種模式——略過審查（31.3% 的 PR 未經審查就合併；81.1% 的真正外洩憑證沒有收到審查者評論）——但這不等同於自動化組，因為採自動化方式的學生仍會提交自己讀過的作品。AEI 無法裁決此問題，因為「自動化占比」把 Directive 與 Feedback Loop 焊接在一起，且從定義上排除分類器自身的 Learning 模式；而該軸線正朝空洞化那一端移動（43–45%，且持續上升，實驗室研究為 32%）。唯一採隨機分組的職場案例結果方向相反：在受控變異研究中，招募人員把專業知識轉移至未自動化階段（降低 AI 面試訊號的權重，−0.047／−0.029），代價則是延遲增加（20→24 天）。
• What the Instrument Can Resolve: Two Headline Numbers and Their Missing Denominators — 將兩個開放問題合併作答：AI 面試錄取效應 +12%，以及 ATLAS 分類器準確率 22.6%，都是分母被假設而非實測的比值。第一項方面，論文自己的數字已能界定中止通道——兩組失去的面試比例幾乎相同（人類 43% 對 AI 45%），因此以對稱的完成條件校正會讓效應上升至 +16%，而非下降；只有問題提出的單邊校正會讓方向反轉（−10%），但用來做校正的淘汰變數是未經驗證的 LLM 標籤，其編碼手冊所用門檻依據的變數會受處理影響。第二項方面，答案是肯定的：留一標註者法計算的人類一致度可作為上限估計量（ATLAS 有標註資料，卻從未計算）；重新標準化後，職業名稱層級達到人類上限的 73–82%，主要群組層級達到 85–94%。但在 O*NET 任務粒度上，ATLAS 證明無法估計上限，這正是為什麼彙整類別本身就是修正上限問題的方法