冰山指數是什麼？MIT報告：AI已能取代逾1成美國勞動力，白領大失業潮要來了？|數位時代 BusinessNext

重點一：MIT以Iceberg Index（冰山指數）模擬，AI已可取代美國11.7%勞動市場，涉及約1.2兆美元工資。

重點二：受影響職務不僅限科技業，HR、物流、財務、行政等白領職位風險升高，裁員潮可能只是開端。

麻省理工學院（MIT）與橡樹嶺國家實驗室（Oak Ridge National Laboratory）發布研究指出，人工智慧（AI）依據 Iceberg Index（冰山指數）對全美勞動力進行「數位分身」模擬，現階段已能取代美國勞動市場的 11.7%，對應約 1.2 兆美元（約新台幣 37.6 兆元）的「薪資曝險」。

Iceberg Index（冰山指數）以 O*NET（美國勞工部職能資料）的 923 職類與 32,000+ 技能為基底，對齊 13,000+ 企業級 AI 工具（如 Model Context Protocol、Zapier、OpenTools），建立技能層面的「可自動化」能力矩陣，再以工資與僱用比重加權，產出 0—100% 的暴露值。

簡單來說，就是用 AI 當前可勝任的技能來衡量：哪些職務的工作內容會被自動化，或由 AI 大幅增強，從而對這些職務所對應的「薪資總額」構成風險或位移的可能性。

研究團隊強調，這不是在精確預測何時、哪裡一定失業，而是用技能與任務的覆蓋度，估算目前可被 AI 觸及的薪資池有多大，作為政策與訓練資源配置的參考。

工作不一定消失，但內容必將重新分配

研究將「冰山」拆解為可見與不可見兩層：上層的科技、運算與資訊工作相關裁員與職務轉換，只占總薪資曝險的 2.2%（約 2,110 億美元）；而冰山之下的 1.2 兆美元曝險（平均暴露 11.7%）主要來自常被忽略的常規業務功能，包括 Human Resources（人力資源）、Logistics（物流）、Finance（財務）及 Office Administration（辦公室行政）。

相比之下，「冰山之下」的薪資曝險金額比「冰山之上」高達 5 倍。但，這代表什麼？

顧名思義，該研究把勞動市場比喻為一座冰山。媒體聚焦的「工程師被 AI 取代」只是冰山一角， 真正的大規模重塑將出現在文件處理、例行分析、後勤協調等白領支援功能，而且地理上並不侷限於沿海科技重鎮。

對勞工與企業來說，變化不只在工程師或資料科學家，而是大量重複、規範化、以文件與流程為核心的白領任務，會先被 AI 輔助或部分自動化。換言之，工作不一定消失，但內容會重新分配——例如把時間從填表、彙整、對帳，轉向判斷、溝通、監督與整合。

研究亦指出，AI 造成的薪資曝險並非僅限美國沿海科技重鎮；模擬結果顯示，所有 50 州均存在暴露職業，內陸與農村區域同樣受影響。

左圖（數位冰山指數）顏色越深，代表該州的行政、財務、文件處理這類白領工作，被AI自動化的可能性越高；右圖（自動化驚喜）在提醒「哪裡會被突然影響到」。像俄亥俄、密西根這些工業州，表面看起來科技採用不高，但實際上白領支援功能（行政、協調、財務）對AI很敏感，等採用擴散時，這些州會先感受到變化。

圖／ MIT

那這項研究可信嗎？

為了回測數據可信度，研究在兩個面向進行驗證：其一是「職涯流動相似檢查」，先用每個職業的「技能輪廓」判斷哪些職業相似——因為在正常情況下，彼此相似的職業之間，員工更常互相轉職。結果顯示，在「高度相似」那一群裡，有約 85% 的確在現實資料中常互相轉換。亦即，用技能來描述職業，確實反映了真實勞動市場的關係網。

其二是「州別採用相符檢查」，把「冰山表層指數」（目前主要在科技與軟體任務的暴露）與 Anthropic 的實際 AI 使用數據做州別分組比較。兩邊分到同一類（領先／中段／落後）的比例約為 69%。意思是：指數預測哪裡技術暴露高，與當地實際 AI 使用的強弱，大方向是對得上的，尤其在最領先與最落後的州更一致。

重點在於，這兩個驗證並非預言「會不會、何時裁員」，而是檢查「用技能衡量暴露」這套方法，是否貼近真實世界的職涯關係與使用版圖。結果顯示該方法具有合理可信度。

白領工作勢必大轉型

研究團隊指出，傳統指標（GDP、失業率）抓不到這波白領自動化；但用冰山指數可以找出哪些技能最容易被 AI 接手，作為決策地圖。

研究建議，美國各州政府應把資源往「水面下」挪——不只補貼工程師或資料中心，還要投資行政、財務、合規、醫療後勤等流程再造與工具導入，讓 AI 先做文書與例行分析，人力轉向判斷、溝通與監督。

但在砸下數十億預算搶救失業潮前，研究建議先跑「情境沙盒」，測試不同採用速度與方案，避免把錢花在已被技術淘汰的技能或錯的產業。

就業培訓的邏輯也應該徹底改變。在 AI 時代，訓練課程宜從「手做流程」改為「AI＋人」的協作、監督與整合能力。

延伸閱讀：靠肥皂攻進半導體業！日本花王海外首座「精密洗淨中心」落腳新竹：為何清洗晶圓，是良率大魔王？

資料來源：CNBC、PROJECT ICEBERG

本文初稿為AI編撰，整理．編輯/ 李先泰

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。