每隔一陣子，網路上就會冒出一批很有精神的標題：
「AI 將取代 X 種工作。」
「白領職位 3 年內大洗牌。」
「現在不學 AI 就完了。」
這些句子都很會抓注意力，但它們有一個共同問題，就是太喜歡把情緒當結論。對真正要做人才規劃、內訓設計或職務轉型的人來說，這種內容最麻煩的地方，不是它們太悲觀，而是它們通常不夠可執行。
為什麼 AI 就業討論常常先吵歪
大家最常犯的錯，就是把「AI 理論上做得到」直接翻譯成「市場現在已經全面發生」。這中間其實差很大。模型能力是一回事，企業有沒有導入、員工怎麼用、流程有沒有改、管理者願不願意重設工作分工，又是另一回事。很多看起來像「技術已經成熟」的東西，到了真實組織裡，常常要經過一大段很不性感的流程重設，才會真的改變工作內容。
所以每次看到那種一句話宣布某職業即將蒸發的內容，我都會先提醒自己一句：先別把 LinkedIn 的情緒，當成人才策略。
Anthropic 這次多做了什麼
Anthropic 在 2026 年 3 月 5 日發布的 labor market impacts 研究，有一個值得注意的地方：它不只看 AI 對任務「理論上能做多少」，還試著看「實際使用上已經碰到多少」。這就是它強調的 observed exposure。白話講，就是別只看 AI 好像有能力做很多事，還要看它在真實世界裡到底有沒有真的開始碰那些工作。這個差別很重要，因為它能讓討論從誇張想像拉回比較接近組織決策的尺度。
研究也指出，實際暴露通常低於理論能力暴露。這句話翻成人話就是：AI 的確很能做，但市場不是今天模型會了，明天整個職務就瞬間重寫。中間還隔著流程、制度、責任切分、導入成本和人類不想改習慣這些東西。
這裡的人性因素雖然不酷，但非常真實。很多工作的延續，不是因為 AI 不夠強，而是因為組織改造本來就慢。
真正該注意的是哪些訊號
Anthropic 這份研究沒有說「失業潮已經全面來了」，反而提醒幾個比較值得細看的訊號。第一，是高 observed exposure 的職業，在美國勞工統計局對 2034 年的成長預測裡，通常成長比較低。這不是立即崩盤的證據，但它像是一種方向提示，提醒你某些職務未來的成長空間可能更受壓縮。
第二，是自 2022 年底以來，高暴露職業並沒有出現很明確、系統性的失業上升。這很重要，因為它代表現在還不是那種「工作突然大面積消失」的階段。很多網路討論把這件事講得像火山爆發，但研究比較像在告訴你：目前比較接近地殼移動。
第三，是年輕工作者與早期職涯入口的訊號。這部分對人資和學習發展主管尤其關鍵。因為如果 AI 最早影響的是某些較標準化、較可拆解的入門任務，那組織未來最需要重設的，可能不是高階主管的工作，而是初階人才怎麼被培養、怎麼累積經驗。
換句話說，真正值得警覺的，不一定是整個職業突然消失，而是通往那個職業的起點開始改了。
人資與培訓主管現在該怎麼用這份研究
如果你負責內訓、職務轉型或人才發展，我會建議不要把這份研究用成「看吧，我們現在全部都要學 AI」這種大聲公式口號。更好的用法，是先做三件事。
第一，盤點哪些工作其實是由一串可拆分任務組成，而不是被職稱迷惑。因為 AI 影響的往往先是任務，不是職稱。
第二，優先檢查 entry-level 或高度文本化的白領工作。這些位置往往更早感受到工具帶來的任務重切，培訓與帶教方式也可能需要先調整。
第三，把培訓從「教大家用一個新工具」改成「教大家如何和新工作分工合作」。這兩件事聽起來很像，但差很多。前者只是教按鈕，後者才真的在處理職務轉型。
如果你現在還在用「全員上一堂生成式 AI 課」當成組織應對，那說真的，這比較像集體打卡，不太像人才策略。
真正需要的不是更多焦慮，而是更準確的優先序
Anthropic 這份研究真正有價值的地方，不是幫誰證明自己之前喊得多準，而是提供一個比較成熟的閱讀方式：把 AI 對工作的影響看成逐步擴散、任務重切、分布不均的變化，而不是單一瞬間的大替代。這種看法聽起來沒有末日電影那麼刺激，但比較適合拿來做決策。
對人資與學習發展主管來說，最該做的不是製造更多焦慮，而是開始回答幾個更實在的問題：- 哪些任務已經開始被 AI 碰到？
- 哪些職位的成長與進入門檻可能先變？
- 我們要先重做的是訓練內容、帶教制度，還是工作拆分方式？
如果只是拿它來轉發一句「時代變了」，那它最後大概只會變成另一篇幫焦慮衝流量的內容。
而現在市場最不缺的，坦白說，就是這種東西。