重點一：AI 實際使用覆蓋率遠低於理論能力，電腦與數學類職業的理論暴露率達 94%，但 Claude 實際只覆蓋其中 33% 的任務。
重點二：AI 衝擊風險最高的工作者，反而是學歷較高、收入較高、以女性為主的白領族群，而非一般認知中的低薪、低技能勞工。
重點三：現有失業數據尚未出現可測量的 AI 取代訊號，但 22 至 25 歲年輕求職者進入高暴露職業的機率，在 2024 年已出現約 14% 的下滑。
2022 年底，OpenAI 推出 ChatGPT。接下來幾個月，大量研究機構快速發布「AI 取代職業」預測報告，結論幾乎清一色指向同一個方向：這波浪潮的受害者是重複性高、低技能的工作者。
這個直覺很合理，但資料說的是另一件事。
Anthropic 的研究員 Maxim Massenkoff 和 Peter McCrory 在 2026 年 3 月 5 日發表的勞動市場影響報告顯示，AI 衝擊風險最高的族群，反而是學歷較高、薪資較高、以女性為主的白領知識工作者——那些原本被認為最不需要擔心的人。
而當初的研究機構之所以預測失準，主因在於測量工具的設計本身。
所有人都在看「能做什麼」，卻忽略「正在做什麼」
過去三年，學界主流的 AI 暴露研究採用的是「理論能力」框架。最具代表性的是 Eloundou 等人在 2023 年發表的研究，核心邏輯是：如果一個大型語言模型 (LLM) 能讓某項任務的完成速度提升至少兩倍，這項任務就算「暴露」。
這個方法論的問題不在邏輯，而在前提。它假設技術能力等於實際部署，卻沒有驗證這兩者之間的距離。
Anthropic 把自家的實際使用資料拿出來對照。結果顯示：電腦與數學類職業的理論暴露率是 94%，但 Claude 在這個類別的實際任務覆蓋率只有 33%。行政事務類職業的理論暴露率同樣高達 90%，實際情況更低。
這個落差不只是數字問題，它意味著過去三年的大量預測，是建立在一個從未被驗證的假設之上。Massenkoff 和 McCrory 將此稱為「Observed Exposure」（實際暴露率）。
他們的計算結合了 O*NET 職業任務資料庫、Anthropic 自身的 Claude 使用資料，以及 Eloundou 等人的理論評分，並在加權時讓自動化使用（API 流程）的權重是輔助使用（人工協作）的兩倍，因為前者對就業的直接衝擊更大。
被 AI 瞄準的，不是低薪勞工
計算結果，實際暴露率排名前十的職業依序如下：
| # | 職業 ／ 主要受衝擊任務 | AI 曝露度 |
|---|---|---|
| 1 |
電腦程式設計師
撰寫、更新並維護軟體程式
|
74.5% |
| 2 |
客戶服務代表／客服人員
與顧客溝通以提供資訊、接單並處理抱怨
|
70.1% |
| 3 |
資料輸入員
閱讀來源文件並將資料輸入系統
|
67.1% |
| 4 |
病歷／醫療紀錄專員
彙整、摘錄並編碼病患資料
|
66.7% |
| 5 |
市場研究分析師與行銷專員
撰寫研究報告，將資料圖像化，並把複雜發現轉換成書面文字
|
64.8% |
| 6 |
業務代表（批發與製造業）
聯絡客戶，示範產品並爭取訂單
|
62.8% |
| 7 |
財務與投資分析師
分析財務資訊以預測企業、產業或總體經濟情勢
|
57.2% |
| 8 |
軟體品質保證分析師與測試人員
修改軟體以修正錯誤或改善效能
|
51.9% |
| 9 |
資訊安全分析師
執行風險評估並測試資料處理與資訊安全
|
48.6% |
| 10 |
電腦使用者技術支援／IT 支援工程師
回答使用者關於電腦軟硬體操作的問題，協助排除故障
|
46.8% |
這份清單的組成，已經和「AI 取代低技能工作」的敘事出現明顯偏差。但更大的反差在人口結構。
報告引用美國人口調查局 (CPS) 的資料，比較「暴露程度最高四分之一」與「完全未暴露」的工作者在 2022 年 8 月至 10 月（ChatGPT 推出前三個月）的特徵。
高暴露族群相比低暴露族群：
- 女性比例高出 15.5 個百分點
- 擁有學士學位的比例高出 23.8 個百分點
- 擁有研究所學歷的比例高出 12.8 個百分點（從 4.5% 跳升至 17.4%，約四倍差距）
- 平均時薪高出 47%（32.69 美元 vs 22.23 美元）
這個結構顛覆了「AI 先衝擊最脆弱族群」的直覺預設。第一批面臨結構性威脅的，是那些被認為受過足夠教育、擁有足夠技能、薪資相對高的白領工作者。
哪些工作，跟 AI 最遙遠？
該研究也指出，大約有 30% 的勞工所在職業，AI 覆蓋率是 0%，也就是說：這些工作的細項任務，要嘛理論上就很難用 LLM 取代，要嘛目前至少在 Claude 的實際使用資料裡幾乎沒看到。
研究終點出名幾種典型例子：
- 廚師、調酒師、洗碗工
- 救生員、更衣室服務員
- 機車修護技工（motorcycle mechanics）
而從雷達圖整體來看，整個大類裡面現在 AI 幾乎碰不到的，主要集中在：
- 農業（Agriculture）
- 建築與營造（Construction）
- 安裝與維修（Installation & repair）
- 生產製造（Production）
- 運輸（Transportation）
- 餐飲服務、場地維護、個人照護、保全等「實體服務」類
這些共通點很直覺：需要「在現場動手」、「操作機具」、「移動實體物品」或「面對面身體互動」的工作，LLM 再強也只能寫 SOP、做排程，沒辦法直接替你完成核心產出。
這些工作，是消費型人形機器人普及後才會被影響的行業。
為什麼失業數字沒有爆衝？
到這裡，讀者可能會問：既然暴露率這麼高，為什麼失業數字沒有爆衝？
Massenkoff 和 McCrory 的回答很直接：目前的確沒有。
報告將 2016 年至 2025 年間，高暴露與低暴露工作者的失業率走勢對照。兩條線在 ChatGPT 推出前後幾乎平行，統計上的差異量（後 ChatGPT 時期的差異均值為 +0.002，標準誤 0.0019）在統計上與零無法區分。
報告也坦承這套框架的偵測門檻：根據信賴區間估算，若失業差距達到 1 個百分點，才有機會從這份分析中觀察到。
但失業率沉默，不代表市場無聲。真正出現訊號的地方是年輕人的求職率。
研究者追蹤 22 至 25 歲工作者在高暴露與低暴露職業之間的就職率變化。在 2020 至 2021 年的疫情波動之後，兩條線在 2024 年開始視覺上出現分離：低暴露職業的月均就職率維持在 2% 附近，而高暴露職業的就職率下降了約 0.5 個百分點。
後 ChatGPT 時期的平均估算是：年輕工作者進入高暴露職業的就職率，相較 2022 年下降約 14%，且這個結果在統計上剛好達到顯著水準。25 歲以上的工作者沒有出現同樣的現象。
這個訊號的解讀需要謹慎。被擋在門外的年輕工作者，可能是留在原有工作、轉往其他職業，也可能是回學校讀書。招聘數據本身的調查誤差也比失業數據更大。報告明確標注這只是「suggestive evidence」。
大門在你意識到之前就已縮小
報告結尾提出一個後續觀察重點：追蹤高暴露領域的應屆畢業生，看他們如何在勞動市場中找到位置。
這個問題的答案，很可能在三到五年內變得清晰。目前在大學攻讀會計、法律、資訊、金融的學生，正在累積高暴露職業所需的證書。但他們畢業時面對的，可能是一個招聘大門已持續縮小了好幾年的市場。
Anthropic 這份報告本身也有侷限——測量工具基於 2023 年初的 LLM 能力，且僅能捕捉「失業增加」這種型態的衝擊。若 AI 帶來的是薪資壓縮或職涯天花板下降，這套量尺不夠靈敏。但在衝擊還不清晰的時候，它至少是一把開始對準的尺。
失業率沉默，不代表市場靜止。更安靜的衝擊是：門在你意識到之前就已縮小了。
資料來源：Labor market impacts of AI: A new measure and early evidence（Anthropic, 2026）
本文初稿為AI編撰，整理．編輯/ 李先泰
