人工智慧的快速普及引發大量研究，試圖衡量並預測其對勞動市場的影響，但過去方法的成效提醒我們應保持謙遜。

例如，先前一項著名的工作外包風險評估指出約四分之一的美國工作易受影響，但十年後這些工作多數仍保持穩健的就業成長。政府的職業增長預測雖方向正確，卻未超越過去趨勢的線性外推。即使事後回顧，重大經濟衝擊對勞動市場的影響仍難以明確界定。工業機器人對就業的研究結論不一，中國貿易衝擊造成的失業規模亦持續爭論。

本文提出一套新的框架來理解AI對勞動市場的影響，並以早期數據進行測試，發現迄今AI對就業的影響有限。我們的目標是建立一種衡量AI如何影響就業的方法，並定期重新檢視分析結果。此方法無法涵蓋AI可能重塑勞動市場的所有途徑，但藉由在顯著影響出現前奠定基礎，期望未來研究能比事後分析更可靠地識別經濟變動。

AI的影響可能會非常明顯，但此框架在效果模糊時最有用，能幫助提前辨識最脆弱的職位。

當影響大且突然時，因果推論較容易。COVID-19疫情及相關政策造成的經濟衝擊明顯，許多問題不需複雜統計方法即可解答，例如疫情初期失業率急升，幾乎無其他合理解釋。

然而，AI的影響可能不像COVID那樣明顯，更類似於網際網路或中國貿易。總體失業數據可能無法立即反映影響，貿易政策與商業周期等因素可能干擾趨勢判讀。

一種常見方法是比較AI暴露程度不同的勞工、企業或產業，以隔離AI影響與其他混淆因素。暴露通常以任務層級定義：例如AI能批改作業但無法管理教室，因此教師的暴露程度低於可完全遠端執行工作的職位。

我們的研究採用此任務基礎方法，結合理論AI能力與實際使用數據，再彙整至職業層級。

我們的方法結合三個數據來源。

Eloundou等人的指標β，將任務評分為：若大型語言模型（LLM）單獨即可將任務速度加倍，則為1；若需額外工具或軟體輔助，為0.5；否則為0。

為何實際使用可能低於理論能力？部分理論可行任務因模型限制未被實際應用，或因法律限制、軟體需求、人為驗證等障礙而擴散緩慢。例如，Eloundou等人將「授權藥物續方並向藥局提供處方資訊」標為完全暴露（β=1），但我們尚未觀察到Claude執行此任務，儘管理論上LLM可加速該流程。

儘管如此，理論能力與實際使用高度相關。圖1顯示，過去四期經濟指數報告中97%的任務屬於Eloundou等人評為理論可行（β=0.5或1.0）的類別。

我們的新指標「觀察暴露度」旨在量化：在LLM理論可加速的任務中，哪些任務已在專業環境中實際自動化使用？理論能力涵蓋範圍更廣，透過追蹤此差距縮小，觀察暴露度提供經濟變化的即時洞見。

此指標質性捕捉多項AI使用特徵，預測職業影響。職業暴露度較高的條件包括：

數學細節見附錄。我們將理論上可由LLM完成且在Claude平台有足夠工作相關使用的任務視為涵蓋。根據任務執行方式，完全自動化給予全權重，輔助使用給予半權重。最後，依據各任務所佔工作時間比例，將任務層級涵蓋度加權平均至職業層級。

圖2比較觀察暴露度（紅色）與Eloundou等人β指標（藍色），展示理論與實際使用差異，並依廣泛職業類別分組。計算方式先以時間比例加權平均至職業層級，再以總就業人數加權平均至職業類別。例如，β指標顯示電腦與數學（94%）及辦公室與行政（90%）職業中多數任務具備LLM滲透潛力。

紅色區域代表Anthropic經濟指數中Claude在專業環境的使用情況，顯示AI尚未達到理論能力。例如，Claude目前僅涵蓋電腦與數學類別33%的任務。

隨著能力提升、採用擴散與部署深化，紅色區域將逐漸接近藍色區域。當然，仍有許多任務超出AI能力範圍，從農業物理工作如修剪樹木、操作農機，到法律工作如法庭代理。

圖3列出此指標下暴露度最高的十個職業。與其他數據一致，電腦程式設計師因Claude廣泛用於程式碼撰寫而居首，涵蓋率達75%；其次是客戶服務代表，我們在第一方API流量中日益觀察到其主要任務；最後是資料輸入員，主要任務為讀取文件並輸入資料，自動化程度顯著，涵蓋率為67%。

最低端有30%勞工暴露度為零，因其任務在數據中出現頻率過低，不達最低門檻。此群體包括廚師、機車技師、救生員、酒吧調酒師、洗碗工及試衣間助理等。

美國勞工統計局（BLS）定期發布就業預測，最新一版於2025年發布，涵蓋2024至2034年各職業就業變化預測。圖4將我們的職業層級涵蓋度與其預測比較。

以現有就業人數加權的職業層級迴歸顯示，涵蓋度較高的職業增長預測較弱。涵蓋度每增加10個百分點，BLS增長預測下降0.6個百分點。此結果部分驗證我們的指標與勞動市場分析師獨立估計的一致性，雖然關聯不強。有趣的是，單用Eloundou等人指標則無此相關性。

圖5展示2022年8月至10月ChatGPT發布前三個月，最高暴露四分位與零暴露30%勞工的特徵，資料來自現行人口調查。兩組差異明顯。高暴露組女性比例高16個百分點，白人高11個百分點，亞裔近兩倍。平均收入高47%，教育程度亦較高。舉例來說，研究所畢業者在無暴露組占4.5%，在最高暴露組占17.4%，近四倍差距。

有了這些暴露指標，接下來是觀察什麼現象。研究者採用不同方法。例如，Gimbel等人（2025）利用現行人口調查追蹤職業結構變化，認為AI若造成重要經濟重組，應反映在職業分布變動（他們發現迄今變化不顯著）。Brynjolfsson等人（2025）用薪資處理公司ADP數據，依年齡組別分析就業水平；Acemoglu等人（2022）及Hampole等人（2025）則分別使用Burning Glass（現Lightcast）與Revelio的職缺資料。

我們聚焦失業率作為主要結果，因其最直接反映經濟傷害潛力——失業者想工作卻尚未找到。職缺與就業數據不一定代表政策需求；某高暴露職缺減少可能被相關職缺增加抵銷。AI造成的勞動市場傷害多半伴隨失業率上升，因被取代勞工尋找替代工作。現行人口調查適合追蹤此現象，因失業者會報告前職業與產業。

接著分析失業趨勢，將職業層級暴露指標與現行人口調查受訪者匹配。

解讀涵蓋度指標的關鍵問題是：哪些勞工應視為受影響？10%任務涵蓋度是否足以預期就業變化？Gans與Goldfarb（2025）指出，若工作符合O-ring模型，只有當所有任務均有AI滲透時才會見到就業影響。Hampole等人（2025）認為平均暴露度降低勞動需求，但若暴露集中於部分任務，可能抵銷此效應。Autor與Thompson（2025）強調剩餘任務所需專業程度。

為簡化分析，且關注重大影響，我們以平均暴露度最高四分位為受影響組，與最低四分位比較。若AI能力快速提升，低百分位涵蓋度可能也高，絕對門檻或更有用，但我們假設影響先出現在最暴露勞工，並展示不同定義下結果。

圖6上方顯示2016年起最高暴露四分位與無暴露組失業率原始趨勢。COVID期間，較少暴露組（多為現場工作者）失業率大幅上升。此後兩組趨勢大致相似。下方以差異中差異方法衡量兩組失業率差距變化，結果與原始資料相符。ChatGPT發布後差距變化微小且不顯著，顯示高暴露組失業率略增，但效果無法與零區別。

此框架能識別何種情境？根據合併估計信賴區間，約1個百分點的失業差異可被偵測（隨新數據更新，僅為粗略估計）。若最高10%勞工全數失業，該四分位失業率將從3%升至43%，整體失業率從4%升至13%。

較小但仍令人擔憂的情境如「白領大衰退」。2007-2009年美國失業率從5%翻倍至10%。若最高暴露四分位失業率翻倍，將從3%升至6%，此變化應可在分析中觀察到。核心估計基於暴露組與較少暴露組失業率差異變化，若所有勞工失業率同步上升，則不歸因於AI影響，因仍有許多任務未受影響。

特別關注年輕勞工。Brynjolfsson等人報告22至25歲高暴露職業就業下降6至16%，主要因招聘放緩而非離職增加。

我們發現該年齡層高暴露職業失業率持平（詳見附錄）。但招聘放緩不一定反映為失業率上升，因許多年輕勞工為勞動市場新進者，無職業資料，可能退出勞動力市場而非成為失業者。為直接觀察招聘，我們利用現行人口調查面板資料，計算22至25歲年輕勞工每月進入高暴露與低暴露職業的新工作比例。

圖7顯示該年齡層新工作取得率，2024年起兩組趨勢分歧。低暴露職業新工作率穩定約2%每月，高暴露職業則下降約0.5個百分點。後ChatGPT時期平均估計為14%下降，僅略具統計顯著性（25歲以上無此現象）。

此結果或反映AI對就業的早期影響，與Brynjolfsson等人發現相符。但亦有其他解釋：未被錄用的年輕勞工可能留任現職、轉職或返校。調查中工作轉換可能存在測量誤差。

本報告提出一套新指標理解AI對勞動市場的影響，並研究失業與招聘情況。職業暴露度基於LLM理論可行任務及平台上自動化使用。結果顯示電腦程式設計師、客戶服務代表與財務分析師暴露度最高。美國調查數據顯示，最暴露職業勞工失業率無明顯變化，但22至25歲年輕勞工在這些職業的招聘略有放緩。

我們的工作是記錄AI對勞動市場影響的第一步。期望本報告的分析方法，特別是涵蓋度與反事實分析，能隨新數據更新，幫助未來研究區分訊號與噪音。

本研究仍有多項可改進之處。未來將持續整合使用數據，描繪經濟中任務與職業涵蓋度的演變。Eloundou等人指標亦可更新，以反映2023年初LLM能力。鑑於年輕勞工與新進者的初步結果，下一步或可研究具相關教育背景的應屆畢業生如何適應勞動市場。