沒有 Junior，哪來 Senior？AI 正在壓縮職場的學習階梯
Anthropic 的新研究沒有證明 AI 造成失業潮，但它抓到了一個更安靜的訊號：新人要入行更困難了
很多人問：AI 會不會讓人失業？
但看完 Anthropic 這份研究，我反而更在意另一件事：
AI 的第一波影響，可能不是讓人失業，而是讓人進不來。
公司不一定會裁掉現有員工，但會默默做一個更安靜的決策：
下一個 junior 缺，不補了。
.
Anthropic 研究報告：Labor market impacts of AI: A new measure and early evidence
.
一個全新的關鍵指標：Observed Exposure
這指標的意思是在不同任務/職務中可觀察到的 AI 暴露度，簡單說它不是問這件事AI 能不能做，而是問哪些工作任務真的能把 AI 實際應用上。
Anthropic 不再問這任務 AI 能不能做，而是問：AI 已經被拿去做什麼？
這就是他們提出的 Observed Exposure，這個差別很重要，因為真正改變職場的，不是模型能力，而是公司敢不敢把 AI 放進流程。
好比說，如果有人只是偶爾讓 Claude 幫忙修改一封信，這個使用行為跟一家公司把 Claude 嵌進客服後台、每天自動處理數千張工單的使用行為，在 Anthropic 的衡量體系裡，不是同一件事。
這結果非常很重要，因為它把直接對比了 AI 可用場景的理論與現實。
.
發現一：AI 能力很強，但還沒真正落地
報告裡最值得看的數字是這個：”理論上，LLM 可以影響約 90% 的任務，但實際使用中，只覆蓋了約 30%”，這個落差，大多數討論把它當作 AI 還沒完全成熟的佐證，一筆帶過。
這代表一件事：AI 的問題，不是能力不夠，而是企業還沒準備好。
我認為值得深思的地方有三點：
第一點是這代表了限制 AI adoption 的不是單單是人們的能力，而是工作流程與規範，在企業端不是模型做不到，而是組織與流程中人們還沒完全理解如何將AI作為運營的其中一環。
從 Anthropic 尚未觀察到 Claude 被用在授權藥品配發這個任務上——儘管理論上 LLM 完全具備能力。原因不是 AI 做不到，而是醫療場景的責任歸屬、法規限制、審核流程，讓這個能力無法直接落地。
可以理解為
法規與責任問題：若導入AI，出現資產、營業損失，該怎麼做責任歸屬？
資料權限：該開放多少才是”合適”？既要保障風險可控、又要提供足夠效能，兩難
系統整合成本：現有流程多是基於人工、以及固定的軟體設定規則，一旦以相對不可控的AI替代，對於整個運營系統的相關性設計，會是極大的挑戰
組織信任：最後，以上假設皆建立在人們對 AI 的抉擇尚無法完全信任的情況，這個最根本的問題，就如同自駕車一般，你的肇事率要達到 99.999999% 就可以上路了嗎？但，那個 0.000001% 若是重大事故，我們該如何對待？
第二點，我們必須認知到這個落差會收窄，報告中明確闡述 Anthropic 建立這套分析框架的目的就是要「隨時間持續追蹤」這道鴻溝如何縮小，換句話說，Anthropic 自己也預測，實際覆蓋率會繼續上升。
接著回到我們作為從業者最關鍵的一點，第三點：收窄的速度，決定了誰有機會，從商業角度看，這個 94% 與 33% 之間的空間，不只是警訊，也是創業機會地圖：哪些任務、哪些產業的制度障礙最小、落地最快？那裡就是接下來幾年 AI 服務商的競爭熱點
.
發現二：最高暴露度的職業，是那些”任務可驗證”的工作
報告中 AI 暴露 Top3 的職業包括：
電腦程式設計師位居榜首，覆蓋率達 75%，這不難理解
其次是客戶服務代表 70.1%，Anthropic 從 Claude 的 API 流量上觀察到 Customer Service 的使用場景使用量持續增加
最後是資料輸入員，他們的主要工作是閱讀來源文件和輸入數據，這項工作已實現高度自動化，其覆蓋率為 67%
你可能注意到，這些高暴露職業有一個共同特質：它們的工作成果，相對容易驗證對錯。程式碼能不能跑、客服有沒有解決問題、資料有沒有填對、分析結論有沒有依據——這些都可以被系統、流程或另一個人快速審核。
相反，廚師的料理好不好吃、救生員的判斷對不對、摩托車技師的手感夠不夠好——這些任務的「輸出」高度情境化，難以被標準化、難以被驗證，所以 AI 目前的實際滲透度接近零。
這提供了一個思考自身工作的新角度：不是問「我的職稱安不安全」，而是問「我的工作輸出，多容易被別人（或系統）驗證是對的」？越容易驗證，越早被 AI 接手。
.
.
反直覺的發現：學歷越高、薪資越高，反而暴露度越高
最反直覺的一點是 “AI 不是先影響低薪工作，而是高薪白領。”
薪資更高、學歷更高的職業，反而暴露程度更高，原因很簡單在於這些工作的輸出，更容易被驗證，程式能不能跑、客服回覆對不對、報告有沒有邏輯。
當答案可以被驗證，就更容易被 AI 接手。
過去的工業革命與產業自動化，衝擊的是體力勞動與重複性操作——也就是教育程度相對低、薪資相對低的職位。這一輪生成式 AI 完全相反：它處理的是語言、邏輯、分析、程式——恰好是高學歷、高薪白領最集中的工作內容。
這裡有一個更深的邏輯值得拆開來看，過去高薪者的護城河，很大程度來自資訊不對稱：知道去哪找資料、知道如何分析、知道怎麼把報告寫得漂亮、知道財務模型怎麼建，這些都是精密邏輯的累積。
但 AI 最擅長的事，恰好就是大規模消除資訊不對稱，它可以在幾秒鐘內完成過去需要幾天的資料整理，可以產出結構清晰的初稿，可以解釋複雜的財務概念。
所以問題不是”你知道什麼”，而是你知道的事情，有多少只有你知道，如果你的專業知識已經可以被 AI 用足夠高的質量複現，那這份知識帶來的溢價就會下降。
.
發現三：目前沒有看到失業潮，但沉默訊號已經出現
Anthropic 的報告在這裡非常誠實，從 ChatGPT 問世至今，若你看美國高 AI 暴露職業的整體失業率，並沒有出現統計上顯著的上升，那條曲線，和低暴露職業的趨勢，幾乎是平行的 (如下圖)
這是好消息，但這不代表什麼都沒發生。
更值得關注的是下圖：22 至 25 歲年輕工作者進入高暴露職業的求職成功率，相較 2022 年基準下降約 14%。低暴露職業無此現象。
如果把這份報告和市場情況做對照，會發現：企業 2026 已經在驗證這個方向。
首先從近兩年科技公司在招募策略的變化可以看到：
Junior headcount 凍結
Intern 減少
Entry-level role 收縮
Senior + AI 承擔更多工作
這是嘗試藉由 AI 放大資深員工的生產力，從而用更少人 + AI做同樣的事。
過去，職涯是一步步長出來的，初階職位存在的理由之一，是讓新人透過整理資料、寫初稿、做基礎分析、整理會議紀錄這些任務，逐步理解產業邏輯、累積判斷力，最終成長為能獨立承擔責任的資深人才。
但現在第一步正在被 AI 吃掉，如果這些行業的學習入口的任務被 AI 加速，甚至被自動化流程吸收，公司是否還需要一個職位專門做這些事？
這就形成了關鍵問題：AI 拿走的不是工作本身，而是讓人變成這份工作的路徑。
人類的學習階梯正在消失，影響的是整個產業與知識結構，這就是為什麼入口縮小，比失業更值得關注。
.
那這趨勢在台灣又是如何？
接下來是我自己的觀察，特別是放在台灣與 SaaS / Fintech 有何變化？
首先台灣產業結構本來就偏向少人高壓，多數科技與 Fintech 團隊人數精簡、高度 cross-functional、每個人任務本身已經偏滿；在這種情況下，AI 帶來的同樣未必是裁員，而是：“本來就沒要多請人，現在更不需要了” 所以入口收縮，會更快發生。
接著進入筆者最孰悉的 Retail / Crypto / Fintech，這裡的感受很直接，很多任務是重複循環同時資料量龐大的，諸如合規文件整理、PSP 整合資訊、流程設計文件、客戶需求整理、交易數據分析，這些都是：可描述 + 可驗證 + 可標準化，就是 AI 最容易吃掉的區域。
假若這些事在未來三年開始滲透，PM 職務又會發生什麼事？這點個人看法會認為其實很明確：
以前：會寫 PRD、整理需求、做市場與數據分析、產出開發與規格文件
現在：這些都變成 baseline，只是門檻
未來真正的差異會在
問題定義
優先級取捨
stakeholder alignment
decision making under uncertainty
簡單講：產出變便宜，判斷變昂貴，強烈推薦產品人花 15mins 閱讀 Cat Wu (Head of Product, Claude Code) 的訪談聊世界最前沿的產品協作方法
最後回到筆者在招募時的變化（也是很直接的影響），這件事我自己感受很深。
以前我看到一份：結構完整、分析有脈絡、數據清楚，會覺得這個人能力不錯
現在我不會，因為 AI 就可以做到
所以我在面試時會刻意追問，不是問答案，而是問：
你為什麼這樣想？
你排除過什麼？風險如何分析？
如果時間、資源砍半怎麼做？
如果這個決策錯了，會錯在哪？又該如何應對？
因為 AI 可以幫你產出漂亮履歷，但很難立即介入工作中的實務判斷，因此除了評估這個人會不會做事之外，現在更關注
這個人能不能在不確定的情境下做出判斷，並為結果負責
.
小結：AI 沒有讓人失業，但正在重新定義誰能進場
這篇報告提醒的不是 AI 會不會讓人失業，而是”誰還有機會進來”，AI 對職場的第一波影響，是入口縮小。
當 AI 可以完成大部分標準任務時，公司不一定會少人，但會少給新人機會。
最後留一個問題 “當 AI 可以幫你把事情做好，你還剩下什麼，是公司非你不可的？” 如果我們的答案還是把事情做好，那風險會越來越高。
接下來的答案勢必會朝向
懂得定義問題
知悉如何做取捨
承擔責任
在混亂中做決策
那 AI 反而會放大你的價值。
.
文末附上小額贊助連結，支持我持續產出獨立且有深度的文章，
歡迎透過下方連結請我喝杯咖啡，也期待讓我知道你的成長心得與閱讀回饋。
文末推薦給各位創辦人與產品人，全球前15的獨角獸 Ramp 在工作流中的實際AI案例
 | A guest post by
|