如果企業沒有大規模裁員,年輕人是不是就能安心?
我讀「煤礦裡的金絲雀」研究時,最在意的是另一個入口:當一份工作不再招新人,留下的資深員工可能仍有薪水,剛畢業的人卻少了一次累積經驗的機會。這值得追蹤,但還不能直接判定每一個消失的機會都由AI造成。
原稿把研究寫得過於確定,也把相對就業變化寫成就業率。現在研究已有新版,更新的工作不只是換一個更大的百分比,而是先把數字的意思說清楚。
TL;DR:史丹佛研究2026年8月修訂稿使用截至2026年6月的ADP分析樣本,指出22–25歲、高AI暴露職業的就業人數,較「跟同齡低暴露職業保持相同步調」的基準低約19%。這不是就業率下降19%,也不是AI造成失業的因果估計。新人招募減少是新版直接分析的結果;企業與教育的回應,仍須另外設計與驗證。
一、19%在比較什麼?
Brynjolfsson、Chandar與Chen研究的是美國薪資行政資料中的就業人數變化。2026年8月12日的官方頁面明列,資料延伸到2026年6月,論文仍是工作論文。[1]
主分析取ADP中一組持續觀察的企業樣本,並不是全體ADP客戶,更不是全美人口的就業調查。[2] 其中22–25歲、高暴露職業的人數,若與同齡、較低暴露職業的增長步調相比,出現約19%的缺口。
19%是相對基準的人數缺口,不是人口就業率,也不是少了19個百分點。 它不等於每一個職業都少了同樣比例,更不能讀成所有年輕人的工作都已被AI取代。
原稿的13%也不能直接改成19%便算完成。作者說明,早期13%是截至2025年7月、控制企業層面衝擊的回歸估計;新版著重較簡單的增長步調比較。用這個新口徑回看2025年7月是15%,到2026年6月為19%。[2][3] 新舊數字不全是同一把尺。
二、為什麼總量平穩,入口仍可能變窄?
研究沒有找到全經濟廣泛工作排擠的證據,同時觀察到特定年齡與職業的分歧。兩件事可以並存:總量未必能反映每一群人的處境。[1]
新版也直接拆看招募與離職,認為年輕人的差距主要透過招募減少出現,而非離職增加。[3] 這比原稿從「薪資沒降」反推企業一律停招,更有具體資料依據。
但基本薪資的結果仍要限縮閱讀。研究使用的基本薪資不包含獎金、加班、佣金、股權、小費等項目,不能概括成所有報酬都沒變。[2] 更不能僅憑這個現象,就斷言剩下的工作價值密度提高,所以薪資必然守住。
我關心的是:若新人較難進入,需要由什麼管道取得實作、回饋與帶領?這是研究引出的組織問題,尚不是論文已替每家公司找到的答案。
三、自動化與協作的分類,不是企業實驗
論文比較不同AI暴露與任務使用特徵的職業。部分指標把Claude對話對應到工作任務,再彙整成職業層級的自動化或互補特徵。[2]
這不是逐家查驗企業如何部署AI,也不是把公司隨機分成「用AI減人」與「用AI協作」兩組,再比較結果。因此,某類職業的走勢,不能直接變成「只要採半人馬模式,新人就業就會最快上升」的因果保證。
原稿把協作稱為效率最佳解,也說年輕工程師必然更快累積手感,都說得太滿。我仍偏好讓人有機會學會判斷的流程,但需要用實際任務、錯誤率、訓練時間與工作品質檢驗,而不是靠一個好聽的模式名稱。
四、金絲雀是預警,不是定罪的證據
作者把結果定位為描述性的早期指標,並明說尚不能確定多少分歧由AI造成。教育控制會縮小差距,某些趨勢在生成式AI普及前已出現,ADP分析樣本的差距也比全國調查基準更大。[3]
這些限制沒有讓研究失去價值。它們提醒我,預警系統的用途是指出值得繼續觀察的地方,不是把所有其他原因排除後宣布結案。
對台灣讀者還多一道距離:美國特定企業樣本的年齡與職業結果,不會自動成為台灣畢業生的失業風險。要回答本地問題,仍需要本地招募、職業、產業與年齡資料。
所以我不再用這篇研究證明教育體系已經失敗,或資深員工的隱性經驗永遠不會被AI複製。前者超出研究識別,後者也把會變化的技術能力寫成永久邊界。
五、新人不該停止學基本功
原稿建議停止累積可編碼技能,這句話容易把讀者帶錯方向。Excel、SQL、統計與領域知識,仍可能是理解資料、發現錯誤及驗證AI結果的基礎;這份研究沒有測試「不學基本功」會帶來更好的職涯。
我的建議是把驗證和協作加在專業基礎上。例如做一份分析,不只交出圖表,也說明問題怎麼定義、資料缺什麼、哪一個結果需要重查,以及判斷可以支持到哪裡。這是我對學習安排的看法,不是研究證明的就業保證。
對教師或主管,也可以把任務拆開:哪些步驟交給工具,哪些步驟要讓新人親手做過,回饋由誰提供。若只保留資深者的判斷,卻拿掉初學者練習的過程,未來的資深者從哪裡來?這個問題比勸年輕人「變得不可取代」更具體。
六、企業可以把入口變化列入觀察
我會建議企業保留三類紀錄,先看自身情況,再談一般化策略:
- 初階職缺開了多少、補了多少,改變發生在什麼時間,是否真與某個AI流程調整相連。
- 新人的任務、帶領與回饋如何變化,哪些學習機會被移除,又有哪些被補上。
- 除了節省工時,品質、返工、風險與團隊能力有沒有改善,誰承擔尚未被計入的工作。
這是作者整理的管理觀察,不是論文規定的標準,也不預先保證協作一定比所有自動化安排有效率。
「煤礦裡的金絲雀」讓我留下的問題,是我們有沒有把早期訊號看得夠細。少一次新人招募,在公司總人數裡可能不顯眼;對那個需要第一份工作的人,卻很具體。
研究提醒我們繼續量測。我希望企業在量測效率時,也留意新人如何學會承擔責任。
資料來源與版本界線(查核至2026年11月3日)
- Stanford Digital Economy Lab:Canaries工作論文官方頁,標示2026年8月12日修訂、資料截至2026年6月。
- Brynjolfsson、Chandar、Chen:2026年8月修訂PDF,摘要、前言、資料、任務分類、招募與基本薪資及限制段落;不是以本次資料重跑研究。
- 三位作者2026年8月12日說明,交代新舊口徑、招募分解與因果限制。本文固定這一版本,沒有把之後的動態儀表板當成本次已核實結果。


💬 留言討論
載入中...