目錄
如果正在找第一份工作、從事知識型工作，或準備轉進軟體、客服、行銷等大量使用生成式 AI 的領域，過去一年應該已經看過不少「AI 正在搶工作」的說法，但多數討論很難分清楚企業真的少招人了，還是求職市場本來就在降溫。史丹佛數位經濟實驗室（Stanford Digital Economy Lab）在 2026 年 8 月 12 日更新的《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》，提供了一組少見的行政薪資資料：研究使用 ADP 的匿名 Payroll Records，追蹤數百萬名美國勞工直到 2026 年 6 月，希望觀察生成式 AI 普及之後，不同年齡與不同 AI 暴露程度的職業，就業變化是不是開始走出不同方向。
這份資料很大，但也不能直接當成整個美國勞動市場。ADP 為超過 2,600 萬名美國勞工提供薪資服務，研究真正分析的是其中一個固定企業樣本，每月約涵蓋 350 萬至 500 萬名全職員工，而且樣本中的大型企業、高 AI 暴露職業比例都比全國平均高，因此研究團隊從頭到尾都把結果稱為 descriptive indicators，而不是 AI 造成就業變化的 causal estimates。
目前最醒目的數字，是 22 至 25 歲年輕工作者在高度 AI 暴露職業中的就業表現。以研究團隊現在採用的描述方式計算，如果這群人的就業成長從 2022 年 11 月之後能跟上同年齡、較低 AI 暴露職業的成長速度，2026 年 6 月的就業水準應該會比實際觀察值高約 19%。這不是「19% 的年輕人失業」，也不是「AI 已經消滅 19% 的工作」，而是一個高暴露組與低暴露組之間逐漸拉大的相對就業缺口。
更有意思的是研究這次新增的機制分析。22 至 25 歲的差距主要不是來自更多人被解雇，而是高 AI 暴露職業開始出現比較弱的年輕人招聘；另一方面，AI 實際使用方式偏向 Automation 的職業，年輕工作者就業表現比較弱，而與 Tacit Knowledge，也就是透過實作、帶領、被帶領與長期接觸真實情境累積的經驗性知識相關的就業成長，則比較明顯出現在資深工作者身上。這些結果還不能直接翻譯成一套「不會被 AI 取代的職涯公式」，但至少比單純問哪個職稱會不會消失，多了一個可以持續觀察的方向。
19%是什麼意思？不是22至25歲失業率增加19%
19%是一個相對就業缺口，不是消失19%的職位
研究把職業依 AI Exposure 分成五組，再比較不同年齡工作者從 ChatGPT 在 2022 年 11 月推出之後的就業變化。對 22 至 25 歲來說，最暴露的幾組職業一路往下，較低暴露組則持續成長，因此到了 2026 年 6 月，高暴露年輕工作者的就業水準大約比「如果跟上低暴露同齡組成長」的假設位置低 19%。年紀增加之後，這種 AI Exposure 對應的差距逐漸縮小，資深工作者並沒有出現相同幅度的落差。
如果直接看就業人數，不經過這個相對換算，差異也很明顯。2022 年 11 月到 2026 年 6 月之間，22 至 25 歲工作者在 AI 暴露程度最高的兩個五分位中，就業人數下降約 11%；同年齡在最低三個五分位的就業則增加約 10%。這兩條線一邊下降、一邊成長，才形成目前約 19% 的 kept-pace shortfall。
這裡還有一個數字上的細節值得保留。研究團隊現在表示，使用同一套簡單的描述性計算方式回頭看 2025 年 7 月資料，當時缺口約為 15%，到了 2026 年 6 月擴大成 19%；但 2025 年最初版本曾經主打的是另一套控制企業層級變動的 regression estimate，當時的數字約 13%。所以「一年前是 15%、現在是 19%」可以拿來比較同一個 descriptive measure，卻不適合寫成原始論文 headline 從 15% 直接變成 19%。研究團隊這次也刻意改以較少模型設定的描述性數字作為主要呈現方式。
史丹佛研究目前整理出的六個AI就業現象
| 研究觀察 | 目前資料顯示的結果 |
| 整體就業 | 沒有看到全經濟範圍的大規模AI職位取代 |
| 22–25歲高AI暴露職業 | 相較同齡低暴露職業的成長軌跡，約低19% |
| 缺口變化 | 同一描述性指標從2025年7月約15%擴大至2026年6月約19% |
| 招聘與離職 | 差距主要來自年輕人招聘減弱，而不是高暴露職業離職率突然增加 |
| Automation與Complementarity | 年輕工作者的下降集中在AI實際用途偏Automation的職業；Complementarity相關的較佳就業表現主要出現在較資深族群 |
| 薪資 | 目前明顯調整出現在Employment，而不是Base Pay |
最後一項尤其需要注意，研究所說的 Base Pay 不包括 Bonus、Equity、Commission、Overtime、Tips 等其他報酬，因此不能延伸成「AI 對收入完全沒有影響」，只能說研究目前沒有在基本薪資上看到和就業人數一樣清楚的差異。
年輕人的問題比較像「少招人」，不是突然大量裁掉新人
高AI暴露職業沒有出現比較高的年輕人離職率
這份研究裡很容易被忽略的一段，是 Hiring 與 Separation Flow。2022 年之後，美國勞動市場整體都出現研究者稱為「low hire, low fire」的狀態，招聘與離職速度一起下降，但在 22 至 25 歲族群裡，高 AI 暴露職業並沒有出現更高的 Separation Rate；相反地，高、低暴露職業的離職率都往下降，而且高暴露組至少降得一樣多，因此目前的就業差距無法用「公司開始大量解雇高 AI 暴露職業的新鮮人」解釋。
真正拉開的是 Hiring。2022 年之後，高暴露與低暴露職業的年輕人招聘率開始分岔，因此比較貼近資料的說法不是「AI 正在把既有年輕員工裁掉」，而是這些領域可能開始需要比較少的新進人力。這種變化也比大型 Layoff 更難從新聞裡看到，因為一家公司沒有開出原本可能存在的 Junior Position，不會產生裁員公告，也不一定立即反映在整體失業率裡。
但「沒有解雇」同樣不能寫得太滿。這份 ADP 分析只能說，高暴露年輕工作者的相對下降不是由比較高的 Separation Rate 驅動，不代表所有公司、所有產業都完全沒有 AI 相關裁員，也不代表其他研究不會在不同資料中找到 Layoff Effect。
可編碼知識與內隱知識，是這版研究新增的重要線索
Codified Knowledge不是「學歷沒用了」，而是職業裡有多少知識容易被正式寫下來
研究團隊這次新增了 Codified Knowledge 與 Tacit Knowledge 的分析。Codified Knowledge 指的是形式化、標準化、可以透過教育、教科書、文件或明確程序傳遞的知識，例如數學、法律、資料分析、電腦與電子等；Tacit Knowledge 則比較依靠實作、在職訓練、Mentorship 與反覆處理真實情境，例如解決衝突、帶領他人、某些機械操作或高度情境性的判斷。
這裡很重要的一個限制是，研究並沒有直接測量每位員工腦中有多少「內隱知識」。團隊先利用 Formal Education、Work Experience、On-the-job Training 與 O*NET 的 Knowledge／Work Activities 建立概念，再在附錄中利用 GPT-5.4-mini 對 7,514 個 ADP Job Titles 依職務描述分別評估 Codified 與 Tacit Knowledge，最後聚合到職業層級。因此它是一套 Occupation-level Proxy，而不是對個人的能力測驗。
分析結果顯示，對 22 至 25 歲年輕工作者來說，高 Codified Knowledge 職業的就業成長比較慢；對中高年資工作者來說，高 Tacit Knowledge 職業的就業成長比較快。作者把這解讀成和一種可能機制方向一致：生成式 AI 比較容易處理已經被數位化、正式化的知識，而靠長期實務經驗累積的部分目前比較難完整複製。只是作者同樣特別提醒，這段結果是 suggestive、non-causal，而且 Codified Knowledge 的差異在控制大學教育比例之後會失去統計顯著性，Tacit Knowledge 對資深工作者的梯度則仍然存在。
因此，「被侵蝕的是可編碼知識，不是資歷」這句原稿需要改得更保守。研究比較支持的是：目前年輕工作者的較弱就業表現，和高度依賴 Codified Knowledge 的職業相關；較有經驗工作者在高 Tacit Knowledge 職業則呈現較快成長。 這是一條值得追蹤的機制線索，不是已經確認的 AI 因果定律。
同樣都是使用AI，Automation與Complementarity的就業型態不一樣
年輕工作者最明顯的負向關係出現在Automation Ratio
研究不是只用「這個職業理論上多容易受到 GPT 影響」來分類，也加入 Anthropic Economic Index，利用 Claude 實際使用資料把相關 Tasks 區分成較偏 Automation，也就是 AI 代替人完成任務，或較偏 Augmentation／Complementarity，也就是 AI 協助工作者完成任務。
結果顯示，Automation Ratio 和 22 至 25 歲工作者的就業變化存在明顯負向關係，而且這種關係會隨年齡增加而逐步縮小；Complementarity 的正向關係則主要出現在 41 至 49 歲與 50 歲以上的工作者。Stanford 的 Canaries Dashboard 目前也用比較保守的方式描述：對 Early-career Workers 而言，Automation Ratio 越高的職業通常出現下降或較弱成長，但 Augmentation Ratio 和年輕人的 Employment Trend 並沒有同樣清楚的關係。
所以不能直接把結果寫成「只要把 AI 當輔助工具，就會增加職缺」。研究能說的是，實際 AI 使用偏 Automation 的職業，目前和年輕工作者較弱的就業表現有比較穩定的關聯；Complementarity 和較好的就業表現，則在資深工作者身上比較明顯。 至於企業把某項工作從 Automation 改成 Complementarity 之後，是否真的會因此多招人，這份研究沒有做因果實驗。
女性的AI暴露程度較高，但不能直接翻成「女性被AI取代得更多」
研究團隊也發現，女性平均分布在 AI Exposure 較高的職業。Canaries Dashboard 顯示，樣本中約 43.8% 的女性位於最高暴露組、21.2% 位於第二高暴露組；男性則分別約為 32.4% 與 18.1%，因此女性在職業結構上確實更集中於高 AI 暴露類別。
但 Dashboard 的進一步拆分也很重要：目前女性較慢的 Early-career Employment Growth，很大一部分來自男女所在職業組合本來就不同，而不是在同一個最高 AI Exposure Group 裡，女性一定受到遠高於男性的額外衝擊。這比較適合被理解成需要持續追蹤的勞動市場異質性，而不是直接下結論說 AI 已經對女性造成特定比例的額外失業。
這份史丹佛AI就業研究能證明AI正在搶新鮮人的工作嗎？
作者自己的答案是：現在還不能
研究團隊在正文與 8 月 12 日的說明裡都非常直接：這些是 descriptive patterns，不是 generative AI 的 causal estimates。時間點、年齡梯度、Automation Pattern 與 AI Exposure 的組合確實具有暗示性，但光靠這份資料無法判斷目前 19% 的相對差距究竟有多少真正由生成式 AI 造成，又有多少來自利率、教育結構、疫情後調整、企業組成或其他勞動市場力量。
研究也列出幾個不能忽略的保留。首先，把教育程度加入模型後，高低 AI Exposure 年輕工作者之間的差距會縮小，而且部分不同趨勢早在生成式 AI 普及前就已經存在；其次，ADP 樣本估計出的落差比 CPS、ACS 等全國調查基準更大，差異尤其集中於教育、醫療與公共行政，而且部分差距與 Census Bureau 後續人口權重修訂有關；最後，研究團隊改善 Occupation Crosswalk 與 Missing Occupation Imputation 之後，原始描述性型態仍然相近，但控制企業整體招聘變化的 Firm Fixed-effects Estimates 對不同 Specification 變得更敏感。
ADP 樣本本身也不是全美縮影。研究採用持續存在於 ADP 系統中的 Balanced Panel，這有助於避免客戶組成每月變動干擾數字，但也會減少新公司成立、公司退出或更換 Payroll Provider 帶來的勞動重新配置；樣本還較偏大型企業、製造與批發業，相對低估零售與住宿餐飲。因此 19% 可以當成一個很值得追蹤的「Canary」，不適合當成全美 22 至 25 歲勞工共同面對的固定數字。
為什麼研究團隊仍然認為AI可能正在扮演角色？
雖然不能證明因果，研究團隊也列出幾個讓 AI 解釋不能輕易被排除的理由。高暴露年輕工作者的缺口一直擴大到 2026 年中，時間已經晚於利率見頂；到了 ChatGPT 推出的 2022 年 11 月，高暴露年輕族群相對位置已經大致回到疫情前水準，因此之後的下降不是單純把疫情期間的異常反轉回去；更重要的是，下降集中在 AI Usage 偏 Automation 的職業，而且呈現非常清楚的年齡梯度，單靠利率、教育或遠距工作並不容易同時解釋這幾個現象。美國人口普查局另外使用政府行政資料所做的研究，也看到了方向大致一致的 Age／Industry Raw Patterns。
這些證據讓「AI 完全沒有影響」變得越來越難直接下定論，但離「已經證明 AI 造成 19% 就業損失」同樣還有一大段距離。研究團隊自己也表示，目前不知道這些趨勢接下來會加速、穩定還是反轉，因此真正有價值的是繼續量，而不是搶著替這條線預測終點。
AI Economic Indicators與Canaries Dashboard開始把AI就業變化做成持續追蹤資料
史丹佛數位經濟實驗室目前已推出 AI Economic Indicators，其中 Canaries Dashboard 與 ADP Research 合作，持續追蹤不同年齡、AI Exposure、Automation／Augmentation 與 Gender 的就業變化。官方規劃按月更新，而不是等下一篇論文才重新看一次；Dashboard 目前也提供 Software Developers、Customer Service Representatives、Stock Clerks、Home Health Aides 等職業案例，方便比較高度與低度 AI Exposure 工作在不同年齡層的變化。
不過 Dashboard 和論文本身使用的是同一類 ADP Sample，因此它的角色比較適合當 Leading Indicator，而不是每月公布一次新的全美失業率。月與月之間的小波動也不需要過度解讀，真正值得看的還是半年、一年之後，年輕人 Hiring Gap、Automation Pattern 與不同 AI Exposure Groups 是否持續往同一個方向走。
面對這組19%數字，職涯準備可以先調整哪些地方？
先把工作拆成「容易明文化」與「需要情境判斷」，但不用自行設定危險百分比
這份研究最適合拿來做的不是替職業貼上「安全／危險」標籤，而是拆開實際任務。可以被清楚寫成 SOP、有固定輸入輸出、容易檢查正確答案、主要依賴正式文件與標準流程的工作，比較接近研究所說的 Codified Knowledge；需要處理模糊情境、理解客戶限制、協調不同角色、對例外做判斷，或長期累積現場經驗才能處理的工作，則比較接近 Tacit Knowledge。
原稿用「如果第一類超過七成，就站在危險的一側」沒有研究依據，建議拿掉。比較實際的是看工作內容是否長期只停留在前一類，如果大部分價值都來自可標準化產出，就值得主動增加後一類任務的比例，但不需要替自己算出一個沒有資料支持的淘汰門檻。
增加真實Feedback Loop，比單純囤積更多課程更接近Tacit Knowledge
研究對 Tacit Knowledge 的定義，本來就包含 Practice、Mentorship、On-the-job Training 與 Repeated Exposure to Real Situations，因此職涯上的一個合理推論，是不要只累積更多可以被寫進教材的知識，也要增加能收到真實結果回饋的工作經驗，例如直接接觸使用者、參與跨部門決策、處理例外情況、跟著資深工作者看判斷過程，或完整負責一段從問題到結果的工作。
這不是研究已經證明的「防 AI 方法」，而是和它提出的 Tacit Knowledge Mechanism 比較一致的準備方式。單純把「做得更多」當成經驗也不夠，真正累積的是某個決策在什麼情況有效、什麼情況會失效，以及遇到不完整資訊時怎麼做取捨。
不用急著把自己改叫「驗收者」，但可以增加判斷與責任範圍
原稿把未來角色簡化成「從產出者改成驗收者」有點太窄。大量工作本來就同時包含產出、判斷、溝通與責任，而且 AI 可以協助驗收，未來也不代表只剩一個人負責 Approve。
比較值得調整的是，不要讓職務價值只剩「在指定時間內產生一份標準化 Output」。如果 AI 已經能快速完成第一版，人的價值可以往需求定義、資料是否可信、結果是否符合實際限制、不同方案的 Trade-off、與其他人如何協調，以及出了問題後誰能找出原因等地方移動。這和研究裡 Automation 對年輕工作者較不利、Tacit Knowledge 對資深工作者較有利的描述方向一致，但仍然不是保證某一種工作設計一定增加就業。
使用AI時，觀察哪些步驟正在被完整拿掉，哪些步驟只是被加速
研究裡 Automation 與 Complementarity 的區分，比單純問「工作有沒有用 AI」更有參考價值。如果一套 AI Workflow 上線後，原本由 Junior Worker 完整負責的工作步驟被直接取消，這比較接近 Automation；如果 AI 先做檢索、整理或 Draft，但仍需要工作者結合 Context 做判斷與後續處理，則比較接近 Complementarity。
不能因為後者就保證職缺一定增加，但對個人而言，可以觀察目前掌握的工作是否只剩那些最容易被直接交給模型的步驟。如果 AI 每升級一次，原本負責的任務就少一層，代表需要開始往整個 Workflow 的上游需求與下游判斷延伸，而不是只追求比模型更快完成同一個標準動作。
持續看資料，但不要把每個月的小波動當成職涯預言
Canaries Dashboard 的價值在於讓同一套 Employment Pattern 可以持續更新，適合定期確認高低 Exposure、不同年齡與 Automation Usage 的方向有沒有繼續分岔，但它仍然是一個特定 ADP Sample，而且月度資料容易受到招聘季節、企業結構與其他總體環境影響。
因此，比較合理的用法不是看到下一個月下降就立刻轉職，而是把它和真正看得到的招聘數、公司 AI Adoption、實際職務內容變化一起看。如果半年後 19% 繼續擴大，而且相同年齡梯度與 Automation Pattern 仍然存在，訊號才會比單月變化更有意義。
19%是警訊，但研究真正提醒的是Entry-level Career Ladder正在出現變化
這份研究最有價值的地方，不是終於找到一個可以拿來證明「AI 正在搶工作」的百分比，而是它把總體數據裡原本不容易看到的一群人拆了出來。全體就業仍然成長，AI Exposure 最高的職業整體甚至也沒有大規模萎縮，但把年齡切開之後，22 至 25 歲的路徑開始和資深工作者不一樣；再把 Hiring、Automation、Codified Knowledge 一層一層拆開，看到的比較像 Entry-level Hiring 正在某些高度 AI 暴露職業變弱，而不是所有工作一起消失。
這也讓「累積經驗」這件事出現一個很現實的問題：如果企業因為 AI 先減少 Junior Hiring，未來資深工作者需要的 Tacit Knowledge 又要從哪裡累積？研究作者自己也把這種 Entry-level Hiring Slowdown 視為可能影響美國 Career Ladder 的早期訊號，但沒有預測這條趨勢會維持多久。
所以 19% 比較適合被當成一個需要繼續看的警示燈，而不是判決。現階段能做的，是少把時間花在猜哪個職稱會消失，多看目前工作裡哪些任務正在快速變成標準化 AI 操作、哪些判斷仍然需要實際 Context，以及下一段經驗要從哪裡取得。等每月資料繼續累積後，再看這隻「礦坑裡的金絲雀」究竟是在提醒一個局部調整，還是一條會往更多職業擴散的變化。
常見FAQ
史丹佛研究的19%代表22至25歲有19%的人因AI失業嗎？
不是。19% 是一個相對就業缺口：22 至 25 歲高 AI 暴露職業的就業，和「如果能跟上同齡低暴露職業的成長速度」相比低約 19%。研究直接觀察到的絕對變化是，最高兩個 AI Exposure Quintiles 的年輕工作者從 2022 年 11 月到 2026 年 6 月下降約 11%，最低三組則增加約 10%。
這份研究證明19%的缺口是生成式AI造成的嗎？
沒有。作者明確把結果稱為 descriptive patterns，而不是 causal estimates。Education、Pandemic Pretrends、Interest Rates、Remote Work、Firm Composition 與 ADP Sample Representativeness 都可能影響結果，研究只能說目前的 Timing、Age Gradient 與 Automation Pattern 和 AI 可能扮演角色的解釋一致。
為什麼有些報導說去年是13%，現在又說去年是15%？
兩個數字來自不同估計方式。2025 年原始版本主打控制 Firm-level Shocks 的 Regression Estimate，以 2025 年 7 月資料得到約 13% 的 Relative Decline；2026 年修訂版改以較直觀、不需要模型設定的 Descriptive Kept-pace Shortfall 為主，用同一方法回算 2025 年 7 月資料約為 15%，2026 年 6 月則擴大到 19%。
AI目前主要造成更多年輕人被裁員，還是企業少招新人？
在這份 ADP Sample 裡，比較明顯的是 Reduced Hiring。高 AI 暴露年輕工作者並沒有出現較高的 Separation Rate，高低暴露組的離職率都下降；真正拉開差距的是 2022 年後的 Hiring Rate，因此研究把目前的 Employment Divergence 主要歸在較弱的年輕人招聘。
Tacit Knowledge真的比較不容易被AI取代嗎？
目前只能說研究結果和這個假說方向一致，不能說已經證明。研究建構 Occupation-level Codified／Tacit Knowledge Proxy 後，發現高 Codified Knowledge 職業的年輕人就業成長較慢，而高 Tacit Knowledge 職業的資深工作者成長較快；作者自己把這項結果稱為 suggestive、non-causal。
女性受到AI就業影響比較嚴重嗎？
研究目前確認的是女性平均較集中在高度 AI 暴露職業，因此整體 Exposure 較高；但 Dashboard 顯示，這個性別差異很大一部分來自 Occupational Mix，而不是證明同樣身處高暴露職業時，女性一定受到遠高於男性的 AI 衝擊。這仍是研究團隊表示需要持續追蹤的異質性來源。