AI 讓你更強，還是讓你失業？芝加哥大學經濟學家的真實發現

本文整理自《The Pie》2025 年 6 月播出的單集「AI, the Economy, and Public Policy」。

ChatGPT 在 2022 年底橫空出世，到現在已經兩年半。這段時間裡，「AI 會搶走工作」的恐懼從未停歇。有人預測大規模失業潮即將來臨，也有人相信 AI 只是另一個被過度炒作的科技泡沫。但當芝加哥大學的經濟學家們真正去研究數據、跑實驗、訪談企業時，他們發現的故事遠比這些極端預測複雜得多。

在芝加哥大學 Becker Friedman Institute 今年四月舉辦的一場論壇上，四位來自不同領域的專家齊聚一堂，討論 AI 對經濟和公共政策的影響。這些專家包括 AI 公司 Anthropic 的研究科學家乃乃金（Alex Tamkin）、芝大 Booth 商學院的經濟學家哈默（Anders Humlum）、行銷學教授米斯拉（Sanjog Misra），以及負責創業創新中心的副校長麥耶卡（Samir Mayekar）。他們的對話揭示了一個關鍵洞見：AI 對工作的影響，遠不是「取代」或「不取代」這麼簡單。

AI 更常「增強」而非「取代」人類

乃乃金在 Anthropic 的工作讓他有機會近距離觀察人們如何使用 AI 工具。他發現一個有趣的現象：大多數人使用 AI 的方式，並不是要它完全取代自己的工作，而是用它來增強自己的能力。這個觀察與很多媒體渲染的「機器人搶飯碗」敘事大相逕庭。

「真正讓我印象深刻的，是工作的『質地』（texture）」，乃乃金在論壇上表示。他解釋，人們在執行一份工作時，其實是把許多不同的任務編織在一起，以某種特定的方式完成某個目標。要真正理解 AI 對工作的影響，你必須理解它如何在某個領域讓人稍微更有效率、如何在另一個領域增強人的主導性。他觀察到的使用模式可以分成五類：驗證（validation）、學習（learning）、任務迭代（task iteration），以及兩種不同程度的自動化工作。

乃乃金特別強調，他在評估 AI 影響時，會問自己幾個「比較軟性」的問題：AI 是否讓人們感覺更有主導權？是否讓他們更能做自己想做的事？是否讓他們感覺更有生產力、對工作有更多掌控？是否讓他們能夠做到以前做不到的事情？這些定性指標，往往比單純的效率數字更能反映 AI 的真實價值。

這個觀察也呼應了歷史上其他技術革新的軌跡。乃乃金用工業革命時期的引擎發展作為類比：最初，蒸汽引擎被放在工廠裡原本使用水力或風力的地方，只是單純替換動力來源。但隨著時間推移，人們發現可以在每個工作站都放一個引擎，從根本上改變了生產的組織方式。AI 也可能經歷類似的演進——我們現在看到的是最明顯的應用場景，但未來會有更多無縫整合到工作流程中的使用方式。

一場廣告創作實驗：AI 與人類的真正差距在哪？

理論上的討論固然重要，但真實的數據更有說服力。米斯拉在芝大 Booth 商學院專門研究 AI 在行銷領域的應用，他分享了一個大規模實驗的結果，這個實驗直接比較了人類文案寫手、AI、以及兩者結合的表現。

實驗設計很直接：讓專業廣告公司的文案寫手創作廣告，同時讓 GPT 在沒有特別提示的情況下也創作廣告，然後還有一個結合了 A/B 測試數據和語言模型的微調版本。結果呢？第一個發現就讓人跌破眼鏡——單純的 GPT 產出的廣告效果，和專業廣告公司的表現不相上下。「老實說，我不確定你為什麼還要付錢給廣告公司，」米斯拉半開玩笑地說。

但更有意思的發現在後面。當研究團隊把實際的 A/B 測試數據拿來微調模型時，廣告效果出現了顯著的提升。而且這個提升有一個特定的模式：在那些「容易」的任務上，人類和 AI 的表現差不多；但當任務變得複雜困難時，人類開始力不從心，而結合數據微調的 AI 反而能維持甚至提升表現。

這個發現指向一個重要的洞見：AI 和人類之間存在一種「互補性」（complementarity）。AI 不是在所有事情上都比人類強，也不是在所有事情上都比人類弱。而是在某些特定類型的任務上——特別是那些需要處理大量資訊、超出人類認知負荷的任務——AI 能夠填補人類的不足。這意味著未來的工作模式，很可能不是「人類 vs AI」的零和遊戲，而是「人類 + AI」的協作關係。

自動化也有好的一面：一位經濟學家的親身體驗

在這場討論中，哈默提出了一個被很多人忽略的觀點：「增強」（augmentation）這個詞聽起來很正面，「自動化」（automation）聽起來很負面，但這種二分法其實過於簡化。

哈默是芝大 Booth 商學院的經濟學助理教授，專門研究勞動經濟學。他坦承自己不是特別厲害的程式設計師，寫程式對他來說也不是什麼享受的事。所以當 AI 工具能幫他自動 debug 程式碼時，他非常歡迎這種「自動化」。「這讓我有更多時間思考勞動經濟學的問題，」他說，「這才是我真正的專長。」

這個例子說明了一個重要的判斷框架：在評估 AI 應該增強還是自動化某項工作時，有兩個關鍵問題要問。第一，這項任務是否是人類能提供高度價值的領域？第二，這項任務是否是人類享受做的事情？如果一項任務既無法發揮人類的獨特價值，做起來也不愉快，那讓 AI 自動化處理反而是好事。

哈默進一步指出，語言模型最大的潛力可能在於「填補技能落差」（bridge skills gaps）。舉例來說，如果你需要簽一份很長很複雜的合約，以前你可能需要花大錢請律師幫你解讀。現在你可以把合約丟給 Claude 或 ChatGPT，讓它幫你梳理其中的法律含義。又或者你想學一個新的程式語言，以前可能需要回學校修課，現在可以直接問 AI，邊做邊學。

MIT 經濟學家奧托爾（David Autor）認為，這種技能填補的能力可能有助於重建中產階級的工作機會。因為它讓那些原本缺乏某些專業技能的人，也能夠從事創造高價值的工作。這是一個充滿希望的願景，但哈默也提醒，從願景到現實還有很長的路要走。

實驗室的成功為何沒有轉化為現實的生產力？

如果 AI 真的這麼厲害，為什麼我們還沒看到生產力大爆發？這是經濟學家們最常被問到的問題之一。哈默的研究提供了一些解釋。

他指出，很多早期展示 AI 威力的實驗，都有一個共同特徵：任務的性質非常適合直接把 AI 的輸出「複製貼上」就能用。但現實中的工作大多不是這樣。一份報告不能直接用 AI 產出的文字，需要修改、調整、加入人類的判斷；一段程式碼不能直接貼上去跑，需要配合現有的系統架構、通過測試、符合團隊的程式規範。

更根本的問題是，大多數職場還沒有建立起支持 AI 使用的環境。哈默發現，很多雇主根本不知道員工中有誰在使用 AI 工具。如果雇主不知道，他們怎麼可能提供培訓、調整工作流程、或者重新設計任務分工來充分發揮 AI 的潛力？他預測，真正的生產力提升要等到企業完成「職場轉型」（workplace transformation）之後才會出現。這個轉型需要時間，可能還需要好幾年。

這個觀察也解釋了為什麼不同產業的 AI 採用速度差異如此巨大。乃乃金指出，軟體開發領域的 AI 使用已經非常集中和普遍，原因有三：工程師本來就是新技術的早期採用者；AI 模型對程式碼的處理特別擅長；而且這個領域的監管障礙相對較少。相比之下，醫療、法律等高度監管的產業，AI 的滲透就慢得多。

「隱性自動化」：一個容易被忽略的現象

在討論 AI 對就業的影響時，米斯拉提出了一個容易被忽略的概念：「隱性自動化」（disguised automation）。

他舉了一個在印度進行的專案作為例子。有一個非營利組織給孩子們出藝術作業，孩子完成後會得到回饋和鼓勵。原本這個回饋是由真人撰寫的，但組織很快發現這個模式無法規模化——要給成千上萬的孩子每個人都寫個人化的回饋，需要雇用大量的人力。於是他們引入了 AI 來自動生成這些回饋。

表面上看，這個 AI 並沒有「取代」任何現有的工作，因為組織本來就沒有雇用那麼多人。但從另一個角度看，如果沒有 AI，組織要擴大規模就必須雇用更多人。AI 的引入讓這個需求消失了。這就是「隱性自動化」——不是取代現有的工作，而是讓原本應該創造出來的工作機會不再出現。

這個概念很重要，因為它提醒我們：光看失業率或現有工作的變化，可能無法完整呈現 AI 對勞動市場的影響。有些影響是看不見的，是那些「本來可能存在但沒有出現」的工作機會。

我們該問的不是「AI 會不會取代我」

聽完這場論壇的討論，有一個感想特別強烈：關於 AI 與工作的討論，我們問錯問題太久了。

「AI 會不會取代我的工作？」這個問題的答案，對大多數人來說可能是「不會完全取代，但會改變你工作的方式」。更有意義的問題應該是：我的工作中有哪些部分是 AI 可以幫我做得更好的？有哪些部分是我應該讓 AI 完全接手的？又有哪些部分是只有我才能做、而且我享受做的？

這些專家的對話也提醒我們，AI 的影響不會是均勻分布的。有些產業會被快速改變，有些則會因為監管或其他因素而緩慢適應。有些人會很快學會善用 AI 工具，有些人則需要更多支持和培訓。如果我們不主動思考如何讓 AI 的紅利更廣泛地分享，技術進步可能只會加劇現有的不平等。

這場技術革命才剛開始。我們有機會塑造它的走向，但前提是我們要先問對問題。