第一部 導讀

先看結論與閱讀方法

這一部有

摘要

結論：AI 對工作的衝擊不是「職業消失」，而是「任務被拆走」；越早累積 AI 實作經驗、越能做 AI 做不好的判斷與人際工作、越早建立財務緩衝的人，越不受影響。

本報告以 Anthropic 2026 年的經濟指數報告、2030 經濟情境、職訓與機器人研究為基礎，並以 OpenAI、史丹佛、IMF、ILO、世界經濟論壇與台灣政府統計交叉驗證，推導出各族群的準備方向。各族群面對的風險不同：

跨年齡共通的五個原則：

  1. 持續使用 AI：使用超過 6 個月的用戶任務成功率較高，熟練度靠長期練習累積。

  2. 往判斷、人際、實體與在地知識移動：這是受訪者普遍認為 AI 難以取代的部分。

  3. 持有資本，不只靠薪資：在 AI 普及程度高的情境下，經濟成長中流向資本的比例可能上升。

  4. 不讓收入、資產與負債押在同一個風險上：對台灣家庭特別重要，因為 AI 景氣、股市與地緣風險高度連動。

  5. 不要一個人準備：與家人、鄰里、同事一起準備，並要求制度跟上；被淘汰不等於不夠努力。

除了各年齡層的建議，本報告還提供：較不易被淘汰的行業參考表、出國留學與就業比較、資源有限者的求助管道、心理與家庭支持、台灣外貿與地緣風險及極端情境專章（含房貸壓力測試與四層家庭準備清單，各國民防比較見附錄）、對政府與企業的集體訴求，以及可以直接填寫的實用工具。不知從何讀起，請先看「如何閱讀本報告」。

如何閱讀本報告

不必從頭讀到尾：先依自己的身分找到對應章節（不確定自己屬於哪一列，先回答這幾題），再看「實用工具」動手做；每項結論都附有證據強度，讓你知道哪些是已發生的事實、哪些是推估。

依身分找章節

你是誰 建議先讀
學齡前、國小、國高中生的家長 學前與國小階段、國高中階段、較不易被淘汰的行業
大學生、20 歲左右的新鮮人 大學生章節、出國留學與就業、實用工具
工作 10 年內 職場新人章節、極端情境專章的房貸壓力測試
資深在職者 資深在職者章節、實用工具中的任務盤點表
準備退休或已退休 退休章節、極端情境專章
經濟較困難、照顧家人、身障、新住民或移工 資源有限者與容易被遺漏的族群、心理健康與家庭
政府、企業、工會、社區工作者 除了自己準備還能一起做什麼、其他機構研究的交叉驗證

本報告常用的詞

重要結論的證據強度

本報告把證據分成三類：觀察是已經發生、可量測的資料；推估是模型或情境模擬；建議是本報告依前兩者推論出的行動方向。

結論 證據類型 強度 主要依據
22–25 歲進入高 AI 暴露職業變難 觀察 強 史丹佛薪資資料、Anthropic 勞動市場影響研究，兩者方向一致
整體失業率尚未因 AI 明顯上升 觀察 中 Anthropic、OpenAI 分析；未來可能改變
一般職訓效果有限，與雇主合作的產業型職訓較好 觀察 強 56 項隨機實驗統合分析
領域專業越深，越能用好 AI 觀察 中 AI 使用紀錄，尚未連結到實際薪資與就業
醫療照護、技術職較不易被取代 觀察＋推估 中 機器人能力與成本研究、BLS 預測、台灣缺工統計
2030 年勞動所得占比可能下降 推估 低到中 Anthropic 情境模型，依 AI 進展假設而大幅變動
封鎖對台灣經濟的衝擊幅度 推估 低 Bloomberg Economics 模型，假設條件影響很大
大專生往資訊通訊集中，醫藥衛生與動手學門縮小 觀察 強 教育部全國普查統計；以學生數計，非就業結果
技職人才來源縮減快於整體 觀察＋推估 中 技高學生數為普查資料；統測 117 學年為推估
實作型技職教育的就業表現佳 觀察 中 日本高專求人倍率、韓國 Meister 高中就業率；台灣尚無直接可比資料
先自己做、再用 AI，學習效果較好 觀察 低到中 MIT 腦波實驗，樣本 54 人，僅限寫作情境
AI 陪伴玩具目前不適合幼兒 觀察 低到中 劍橋大學小型觀察研究、Common Sense Media 產品測試；相關研究仍極少
各族群的具體行動建議 建議 — 本報告依上述證據推論，非研究直接結論

利益揭露

本報告由 Anthropic 開發的 AI 助理 Claude 協助調研與撰寫，並大量引用 Anthropic 與 OpenAI 的研究。兩家都是 AI 公司，研究品質雖高，但可能傾向呈現 AI 衝擊「可以管理」的一面。因此本報告以史丹佛、IMF、ILO、世界經濟論壇與台灣政府統計交叉驗證，並在研究結論有分歧時明確標示。

資料截至 2026 年 10 月 1 日。AI 與國際情勢變化很快，建議每年依最新研究完整更新一次，遇到重大事件時隨時檢視。