全球創投逾 3000 億美元押注「AI 取代人力」，但來自企業一線的實證卻顯示：AI 正把舊有能力商品化，反而推升對高階專業判斷與人機協作基礎設施的需求。市場版圖正從裁員故事，轉向「專家增幅」的新經濟。

人工智慧被吹捧為史上最強「裁員機器」，但從實際部署前線傳回來的訊號，卻對這個敘事投下重磅問號。當愈來愈多企業把寫程式、寫報告、客服等知識工作交給 AI 代理人時，他們意外發現：需要的人力不是變少，而是變得更貴、更專業。

來自媒體與 AI 研究公司 Every 的 CEO Dan Shipper，以他 30 人團隊的激進自動化實驗，提供了一個罕見的「另一邊」視角。團隊在程式開發、內容撰寫與客服流程大量導入 AI，確實看見產能爆發，但同時發現，一切效率都高度依賴少數具備深厚專業判斷的人，去定義任務、審核成果、持續修正流程。這與華爾街過去幾年把 AI 當成「拿掉人頭、自然擴大利潤」的投資假設，有明顯落差。

這個落差在資金流向上尤其刺眼。根據 OECD 今年 2 月公布的分析，2025 年 AI 公司拿走了全球創投資金的 61%，金額高達 2,587 億美元；到了 2026 年第一季，AI 相關投資占比更拉升至約 80%。其中，以 OpenAI、Anthropic、xAI 等前沿實驗室為首，分別完成 1,220 億、300 億與 200 億美元等級的超大型募資，資本市場幾乎全盤押注「AI 會直接吃掉人力成本」。

然而，Anthropic 自家經濟學團隊在 2026 年 3 月的一份研究中指出，AI 在理論上確實能涵蓋多數電腦科學、財務管理、法律等領域的工作任務，但實際在企業內的 Claude 使用程度卻遠低於這個「天花板」。研究認為 gap 並非暫時性的「導入落後」，而是結構性現象：要讓模型工作，必須先有人用專業知識把問題「框」清楚。

Shipper 將這個現象稱作「框架問題（frame problem）」，而這也是現有各種基準測試完全量不到的東西。以 OpenAI 的 GDPval 基準為例，這個測試宣稱，在法遵、法律、軟體開發等職業任務上，Claude Opus 4.1 有近半時間能打敗人類專家。但被忽略的是，這些測試題在丟給模型前，已經預先定義好要處理的範圍、信心區間、評估標準、必須提及的實體，以及輸出格式。換句話說，真正困難的判斷早被人做好，模型只是在一個設計良好的「框架」裡展現能力。

Every 內部的 Senior Engineer 測試，更直接揭露了框架品質如何左右 AI 表現。當工程團隊用「釐清需求、從第一原則為壞掉的程式碼做結構性重寫」這種明確指令餵給 GPT-5.5 時，最佳跑分可達 62/100，顯著領先競品；但若把提示改成「把所有會跳錯的地方修好」，分數幾乎崩盤。模型本身沒有變笨，變的是人給它的問題框架。也因此，期待「下一代大模型」自動解決框架問題，恐怕是在本質上搞錯方向。

更棘手的是，語言模型的訓練資料來自「既成工作成果」，它並未參與當時現場的取捨，例如：該先解決哪個問題、要做到什麼程度、在什麼限制下折衷。這些被稱為「當下判斷」的能力，暫時仍只能仰賴人類提供。AI 做得越多，負責定義與監督它的專家，反而成為新的稀缺資源。

接下來的經濟效應，也與過去幾波自動化浪潮有異曲同工之妙：一旦稀有技能被技術大量廉價化，需求往往不會消失，反而會「爆量」。Every 的營運人員開始提出過去不敢想的工程變更，行銷團隊在幾分鐘內就能產出多組縮圖、文案，工程師也用 AI 草擬產品說明，結果是各類內容的總量幾何級數成長。問題在於，當模型都訓練在相似語料上，預設輸出會高度同質化，差異化反而更貴、更需要具體情境判斷。

這也推高了「自動化本身」的成本與複雜度。Shipper 提到，Every 一個 PowerPoint 自動化流程就牽涉 24 個技能模組、18 支腳本，每份簡報平均要耗掉 62 美元的 token 成本，而且還得持續由人力維護，避免隨著業務調整而失準。開源專案 OpenClaw 的提交紀錄提供另一個側面：截至 2026 年 5 月中，該專案已累積 44,469 次 pull request，其中僅 5 月前 3 週就貢獻了近 4,000 次。做個對照，Kubernetes 在 2022 年全年才收到約 5,200 次 pull request。全球 AI 輔助開發產出量之大，過去幾乎沒有前例，而這些產出最後都需要人來審核、整合與維運。

對投資人而言，這意味著一個與「純裁員故事」截然不同的市場地圖。真正具結構性需求的，可能是那些圍繞「專家增幅」而非「人頭削減」設計產品的公司——例如賣的是審稿、校準、治理流程中的工具，而不是只在執行層搶單的 AI 代理；又或者提供人機協作所需的雲端與算力基礎建設。包括 Amazon(AMZN) 的 AWS、Meta Platforms(META) 的廣告與 AI 服務、以及成長爆發的 Nebius(NBIS)，都在不同程度扮演這類基底角色，也持續吸引 Nvidia(NVDA) 等硬體巨頭的資金與合作。

企業端的實際回報，也逐漸證實這種「雙層經濟」。早期導入 AI 的大型買家，並沒有報告大規模裁撤白領部門，反而新增了 AI 工程師、工作流程設計師、以及大量「資深審稿人」或領域專家，負責將即時商業情境轉譯成模型可用的問題框架。下層較例行、重複的白領職務則面臨強烈擠壓，Anthropic CEO Dario Amodei 甚至警告，AI 可能在未來幾年淘汰多達一半入門級白領工作。

從宏觀勞動市場來看，頂端專家工作擴張、底層初階職務萎縮這兩股力量可以同時存在。關鍵在於：哪一邊的力道更大？專家層級的增量產值，能否抵消被取代職務的總薪資？這不只攸關所得分配，也決定了未來十年 AI 對社會的淨影響。如今無論是 GDPval 這類基準，還是任何單一模型分數，都給不出答案。

對台灣投資人與職場工作者而言，眼前最務實的啟示或許是：真正被 AI 侵蝕的是「中階穩態能力」，而不是「會學習、會整合不同脈絡的判斷力」。在資本市場還在追逐下一個 OpenAI、Anthropic 之際，新的機會正在專家增幅工具、人機協作平台與 AI 治理服務中悄悄成形。這一輪浪潮能否比上一輪網路革命創造更多、更均衡的機會，勢必成為未來十年全球政策與市場角力的核心戰場。

點擊下方連結，開啟「美股K線APP」，獲得更多美股即時資訊喔！
https://www.cmoney.tw/r/56/9hlg37

免責宣言
本網站所提供資訊僅供參考，並無任何推介買賣之意，投資人應自行承擔交易風險。