本檔定位：補上 OpenAI／Anthropic／Google 三大模型商「自家數據」以外的第三方權威來源——學術研究中心、大學經濟學者、年度指數報告、獨立民調機構。這些來源的價值在於：① 沒有「賣自家 AI」的利益動機，廠商自誇要打折、這裡相對中立；② 用大樣本、行政資料、跨國調查或頂刊同儕審查，把「AI 對工作／技能／人」的趨勢量出來。
嚴謹分級：每筆標「類型」（學術實證／年度指數／民調態度／觀點論述）與「可信度」。絕不編造；本批所有來源 2026-06-23 用 WebSearch／WebFetch 實際點開查證。查不到的標〔待查證〕。
另見：第一波
職場-01~05（四大顧問業、科技平台廠商數據）。本檔不重抄，廠商自家數據在那批；本檔專收「中立第三方」。
核心論點（這一批來源能幫書稿站穩哪幾件事）
「AI 讓通用能力變便宜、價值移到人獨有的那塊」這句話，有中立機構的大樣本可以依靠。 Stanford HAI 與 MIT 的經濟學者用大樣本看到：AI 的生產力紅利，多半落在「結構化、可衡量」的工作；模糊、需要判斷、牽涉關係的工作，目前仍是人的價值所在。書稿講「把通用能力交給 AI、把自己獨有的那塊聽深、放大」，可以比較有把握地站在這上面。
「augment, not replace（賦能不替代）」不只是口號，也是 MIT／Stanford 經濟學者正式提出的立場。 Brynjolfsson 的「圖靈陷阱」直接論證：把 AI 做成「像人、取代人」，人會逐漸失去議價能力；做成「增幅人」的工具，反而創造更多價值。書稿說「AI 是夥伴不是替身」，最直接的學理依據就在這裡。
一般人的焦慮是真的，而且還在升高；「為什麼是現在」的張力就在這裡。 Pew 與 Stanford 2026 指數同時顯示：一般大眾遠比 AI 專家悲觀（對工作影響的樂觀程度差 50 個百分點），Gen Z 對 AI 的興奮感一年內從 36% 掉到 22%。書稿談「自我支持系統」為什麼急，可以站在這份已經存在的焦慮上：我們不是要製造恐懼，而是回應讀者本來就有的感受。
入門級職位正在被擠壓，這是書稿「重新盤點自己的價值」最貼近現實的一筆證據。 Stanford 用行政薪資資料看到：22–25 歲、處在 AI 高曝險職位的年輕工作者，就業相對下降約 16–20%。通用、可以被自動化的入門技能正在貶值，很多人被迫提早問自己：「我獨有的價值是什麼？」
證據清單
一、Stanford HAI《AI Index Report》（年度指數・機構級・最高權威）
1-1 ｜ Stanford HAI《2026 AI Index Report》— 經濟與就業章
- 標題：The 2026 AI Index Report — Economy / Public Opinion 章
- 年份：2026（每年 4 月發布；本筆為最新版）
- 機構：Stanford Institute for Human-Centered AI（HAI）
- 關鍵發現：
- 企業採用：88% 受訪組織已在某種程度使用 AI；生成式 AI 在「至少一個業務功能」的部署達 70%；生成式 AI 在三年內達 53% 人口採用率，比個人電腦或網際網路擴散更快。但 AI agent（代理）採用率仍是個位數。
- 生產力（依任務型態差異極大）：客服 14–15%、軟體開發 26%、行銷產出最高約 50%。紅利最大的是「結構化、可衡量、易監控結果」的工作——模糊、判斷性工作紅利小。
- 就業負面訊號：22–25 歲年輕軟體開發者就業自 2024 年起下降近 20%（HAI 稱「入門級擠壓」entry-level squeeze）；三分之一組織預期未來一年縮減人力，且「預期裁減」高於「目前實際發生」。
- 技能訊號：明確要求 AI 技能的美國職缺占 2.5%，十年來成長 297%。
- 學習警訊（與書稿直接相關）：報告點名「過度依賴 AI 可能帶來長期學習懲罰（learning penalty），隨時間拖慢技能發展」。八成（五分之四）美國高中／大學生用 AI 做課業，但僅半數學校有 AI 政策、僅 6% 老師覺得政策清楚。
- 支持書稿哪論點：「AI 讓通用能力變便宜、價值移到人獨有處」「過度依賴可能讓內在能力慢慢萎縮（learning penalty），所以工作坊／教練『有結構的引導』有它的價值」「為什麼是現在」，這三條都可以引這一筆。
- URL：https://hai.stanford.edu/ai-index/2026-ai-index-report/economy ｜ https://hai.stanford.edu/ai-index/2026-ai-index-report ｜ 全文 PDF：https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf
- 類型：年度指數報告（整合上百份一手研究）
- 可信度：★★★★★（全球 AI 趨勢最權威的中立年度索引；整合而非自產數據）
- 查證日：2026-06-23
1-2 ｜ Stanford HAI《2026 AI Index》— 公眾意見：專家 vs 大眾的鴻溝
- 年份：2026 ｜ 機構：Stanford HAI
- 關鍵發現：
- 專家與大眾的 50 分鴻溝：對「AI 對人們做事方式的影響」，73% 專家看正面、僅 23% 大眾看正面（差 50 個百分點）；對經濟（69% vs 21%）、醫療（84% vs 44%）也有類似裂痕。
- 失業恐懼：64% 美國人認為 AI 會在 20 年內讓工作變少；專家僅 39% 這樣想（19% 認為會變多）。
- 採用速度認知差：專家預期生成式 AI 到 2030 年將協助 18% 的美國工時，**大眾只估 10%**。
- Gen Z 情緒轉負（Gallup 2026 年 2–3 月）：14–29 歲對 AI「興奮」由 2025 的 36% 跌到 2026 的 22%、「有希望」27%→18%、「憤怒」22%→31%——使用率高但情緒轉負。
- 全球職場採用：58% 員工半規律或規律地在工作中用 AI；印度、中國、奈及利亞、阿聯、埃及、沙烏地超過 80%。
- 支持書稿哪論點：「為什麼是現在」的開場可以用它（焦慮是真的）；Gen Z 情緒轉負，我們會傾向讀成一種反彈：被 AI 推著走、卻沒有方向，而這正是自我支持系統想回應的處境。
- URL：https://hai.stanford.edu/ai-index/2026-ai-index-report/public-opinion ｜ 另見 HAI 官方 12 takeaways：https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report
- 類型：年度指數（彙整 Pew、Gallup、Ipsos 等民調）
- 可信度：★★★★★
- 查證日：2026-06-23
- 註：另見 2025 版 AI Index（https://hai.stanford.edu/assets/files/hai_ai_index_report_2025.pdf ）——核心結論一致（AI 能力與「我們準備好管理它的程度」之間的鴻溝持續擴大）。引用最新數字以 2026 版為準。
二、Stanford Digital Economy Lab（Brynjolfsson）— 大樣本實證
2-1 ｜《Generative AI at Work》— 生產力的「均化」效應
- 標題：Generative AI at Work
- 年份：原 NBER w31161（2023），正式發表 Quarterly Journal of Economics（2025）
- 作者／機構：Erik Brynjolfsson, Danielle Li, Lindsey Raymond｜Stanford Digital Economy Lab / MIT / NBER
- 關鍵發現：
- 客服真人專員接入 AI 助理後，**每小時解決問題數平均提升 15%**。
- 效益高度不均、偏向新手：**底層技能五分位的專員提升達 36%**；最資深、最高技能者只有微小速度提升、品質甚至略降。
- 機制：AI 把頂尖者的最佳實務「即時擴散」給新人——等於規模化的即時教練（real-time coaching at scale）。
- 額外效益：促進員工學習、改善英語流利度（尤其國際員工）；客戶更有禮貌、更少要求找主管。
- 支持書稿哪論點：「AI 讓通用能力變便宜、拉平技能差距」「AI 像教練一樣把方法擴散出去」都可以引它。它同時也是一個提醒：AI 抬得起來的，是可以被結構化的通用技能；真正資深者的判斷，AI 給的紅利反而小。這和書稿「價值在 AI 抬不動的那塊」是同一個方向。
- URL：https://digitaleconomy.stanford.edu/publication/generative-ai-at-work/ ｜ NBER：https://www.nber.org/papers/w31161
- 類型：學術實證（現場大樣本，準實驗）
- 可信度：★★★★★（最早、最常被引用的大規模真實職場研究之一）
- 查證日：2026-06-23
2-2 ｜《Canaries in the Coal Mine》— 入門級職位被擠壓的行政資料證據
- 標題：Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence
- 年份：2025（發布 2025-11-13）
- 作者／機構：Erik Brynjolfsson, Bharat Chandar, Ruyu Chen｜Stanford Digital Economy Lab
- 關鍵發現：
- 自生成式 AI 廣泛普及後，**22–25 歲、處於 AI 高曝險職業的年輕工作者，就業相對下降 16%**（已控制公司層級衝擊；2026-08 修訂版、資料至 2026-06，相對下降更新為 19%）。
- 同職位的資深者、低曝險領域就業則穩定或成長。
- 調整主要透過「減少招聘／職缺」而非降薪發生。
- 下降集中在「AI 自動化（取代）人」的職業，而非「AI 增幅（augment）人」的職業——自動化 vs 增幅的分野，決定誰被擠出。
- 資料來源：全美最大薪資軟體商的高頻行政薪資資料（非問卷，可信度高）。
- 支持書稿哪論點：書稿裡最貼近現實的一筆證據：通用、可以自動化的入門技能正在貶值，很多人因此不得不重新盤點「我獨有、AI 抬不動的價值」。它也直接呼應 2-3：增幅還是自動化，往往決定了誰被擠出去。
- URL：https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/
- 類型：學術實證（大規模行政薪資資料）
- 可信度：★★★★★
- 查證日：2026-06-23
2-3 ｜《The Turing Trap》— 「賦能不替代」的學理原典
- 標題：The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence
- 年份：2022（Daedalus, Spring 2022；arXiv 2201.04200）
- 作者／機構：Erik Brynjolfsson｜Stanford Digital Economy Lab
- 關鍵發現／核心論點：
- 一味追求「像人、能取代人」的 AI，會掉進「圖靈陷阱」——機器成為勞動的替代品，人失去議價能力與收入份額。
- 反之，把 AI 設計成「增幅人（augment）、與人協作而非取代人」，人就保有「要求分一份所創造價值」的能力，且增幅會創造新能力、新產品，整體價值遠大於單純『像人』的 AI。
- 出路不是放慢技術，而是翻轉「過度獎勵自動化、低估增幅」的誘因結構。
- 支持書稿哪論點：書稿講「AI 是夥伴不是替身」「判斷不外包、把 AI 放進人的迴路」，最直接的經濟學依據就是它。配上 Shneiderman 的 HCAI（見 workshop 研究庫
專題-AI與人的關係第四節），「以人為本」就有兩個源頭可以引：一個從經濟學來、一個從人機互動來。 - URL：https://digitaleconomy.stanford.edu/news/the-turing-trap-the-promise-peril-of-human-like-artificial-intelligence/ ｜ arXiv：https://arxiv.org/abs/2201.04200
- 類型：觀點論述（經濟學家的學理框架，非實證；但發表於頂級學術期刊 Daedalus）
- 可信度：★★★★☆（框架性論述，影響力極大；屬論證非數據）
- 查證日：2026-06-23
三、MIT（Acemoglu／IDE／Project NANDA）— 對 AI 衝擊保持冷靜的一派
3-1 ｜ Acemoglu《The Simple Macroeconomics of AI》— 把 AI 紅利「降溫」的權威
- 標題：The Simple Macroeconomics of AI
- 年份：2024（NBER w32487）／正式發表 Economic Policy（2025-01）
- 作者／機構：Daron Acemoglu｜MIT 經濟系（2024 諾貝爾經濟學獎得主）
- 關鍵發現：
- 用「任務基礎模型」估算：僅約 20% 美國勞動任務暴露於 AI，其中僅約 23% 能被『有利可圖』地自動化。
- 因此 AI 的總體生產力效果「不算微不足道但溫和」——**十年內總要素生產力（TFP）提升不超過 0.66%**（遠低於業界宣稱）。
- 對不平等：即使 AI 提升低技能者某些任務的生產力，也可能加大而非縮小不平等；但 AI 衝擊較平均分布於各族群，故不平等惡化幅度可能小於過去的自動化技術——但也沒有證據顯示 AI 會縮小勞動所得不平等。
- 支持書稿哪論點：把它當冷靜的反證與平衡視角：提醒書稿別把 AI 紅利講得太大。AI 的總體影響溫和、而且集中在部分任務，這其實從另一面支持了「價值移到 AI 抬不動的人類任務」：多數任務，AI 目前還動不了。
- URL：https://shapingwork.mit.edu/research/the-simple-macroeconomics-of-ai/ ｜ NBER PDF：https://www.nber.org/system/files/working_papers/w32487/w32487.pdf
- 類型：學術實證／經濟模型（含實證估計）
- 可信度：★★★★★（諾獎得主、頂刊；是「AI 紅利懷疑論」最權威的一筆）
- 查證日：2026-06-23
3-2 ｜ MIT Project NANDA《State of AI in Business 2025: The GenAI Divide》
- 標題：The GenAI Divide — State of AI in Business 2025
- 年份：2025（2025-08 發布）
- 機構：MIT Media Lab, Project NANDA
- 關鍵發現：
- 企業在生成式 AI 投入估計 300–400 億美元，但95% 的組織看不到可衡量的商業回報（多數試點無 P&L 影響）。
- 樣本：300 個公開 AI 試點、150 場領導訪談、350 份員工調查。
- 「GenAI 鴻溝」：少數能萃取價值的公司，不是「實驗」，而是把營運重新架構在 AI 上——把 AI 嵌進端到端工作流、資料治理、變革管理，而非當「外掛工具」。
- 支持書稿哪論點：「光買工具、把事丟給 AI，通常沒什麼用；要把它放進真的會動的系統與工作流」，這一筆可以引（呼應書稿 W4「先 workflow 後工具」）。它也是「用了 AI，不等於真的變成價值」的中立第三方證據。
- URL：https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
- 類型：機構調查報告
- 可信度：★★★★☆（樣本透明、被廣泛引用；但「95% 失敗」數字在媒體被簡化，引用時宜帶上「無可衡量回報」的精確定義）
- 查證日：2026-06-23
四、Pew Research Center — 公眾與工作者態度（民調・中立）
4-1 ｜ Pew《Workers' views of AI use in the workplace》（2025-02）
- 年份：2025-02-25 ｜ 機構：Pew Research Center
- 關鍵發現：
- 約半數工作者（52%）對未來職場使用 AI 感到擔憂；僅 36% 感到有希望、33% 感到不知所措、29% 感到興奮——焦慮明顯多於期待。
- 16% 工作者說至少部分工作目前用 AI 完成；另 25% 說現在用得少但「部分工作可以用 AI 做」。
- 追蹤：Pew 2025-10 發布的追蹤顯示，「至少部分工作用 AI 完成」者已從 16% 升至 21%（2025-09 調查）——使用率穩步上升。
- 支持書稿哪論點：「為什麼是現在」可以引它：工作者的焦慮相當普遍、也是真的，而 AI 的滲透還在加快。書稿開場想建立同理，可以說「你不是唯一焦慮的人，半數工作者都這樣」。
- URL：https://www.pewresearch.org/social-trends/2025/02/25/u-s-workers-are-more-worried-than-hopeful-about-future-ai-use-in-the-workplace/ ｜ 使用率追蹤：https://www.pewresearch.org/short-reads/2025/10/06/about-1-in-5-us-workers-now-use-ai-in-their-job-up-since-last-year/
- 類型：民調／公眾態度（非成效實證）
- 可信度：★★★★★（方法透明、樣本代表性高的美國頂級民調機構）
- 查證日：2026-06-23
4-2 ｜ Pew《How the US Public and AI Experts View AI》（2025-04）
- 年份：2025-04-03 ｜ 機構：Pew Research Center
- 關鍵發現：
- 公眾比專家悲觀：64% 公眾認為 AI 會在 20 年內讓工作變少，專家僅 39%。
- 50% 公眾對 AI 在日常生活的增加「擔憂多於興奮」（2021 年僅 37%）——焦慮三年內明顯上升。
- 對「AI 是否削弱人形成有意義關係的能力」：50% 認為會變差、僅 5% 認為變好（見 workshop 研究庫
專題-AI與人的關係已收，此處不重抄，另見）。
- 支持書稿哪論點：「專家與大眾的認知落差」「公眾焦慮升高」可以引它，而且和 Stanford 2026 指數的 50 分落差互相印證：兩個獨立來源指向同一個方向。
- URL：https://www.pewresearch.org/internet/2025/04/03/how-the-us-public-and-ai-experts-view-artificial-intelligence/
- 類型：民調／公眾態度
- 可信度：★★★★★
- 查證日：2026-06-23
- 註：「關係能力 50% 變差」一筆與 workshop 研究庫
專題-AI與人的關係重複，另見該檔，不重抄。
五、Oxford（Frey & Osborne）— 自動化預測的演進（經典＋更新）
5-1 ｜ Frey & Osborne 自動化曝險研究（2013 經典＋2023 重訪）
- 標題：The Future of Employment: How Susceptible Are Jobs to Computerisation?（2013）＋ 作者 2023 年重訪
- 年份：2013（原版）／2023（生成式 AI 浪潮下重訪）
- 作者／機構：Carl Benedikt Frey, Michael Osborne｜Oxford Martin School / University of Oxford
- 關鍵發現：
- 2013 經典：估計 47% 美國工作有被自動化的風險（影響力極大、也被高度爭論）。
- OECD 修正（Nedelkoska & Quintini 2018，32 國）：近半工作有曝險，但僅 14% 屬「高風險」（>70% 機率）——比 Frey & Osborne 保守。
- 2023 重訪（關鍵）：作者自問是否低估了近期影響，但強調「生成式 AI 還不是一個自動化技術——它仍需要『人在迴路中（human in the loop）』」，瓶頸仍在。
- 支持書稿哪論點：① 給「AI 取代工作」的討論一點歷史縱深：恐慌的數字常被放大，實際要跨過的難度往往更高；② 「human in the loop」這句，直接對上書稿的「判斷不外包、人仍是迴路的核心」。
- URL：https://www.oxfordmartin.ox.ac.uk/blog/automation-and-the-future-of-work-understanding-the-numbers ｜ 2023 重訪報導：https://fortune.com/europe/2023/09/18/generative-ai-jobs-automation-frey-osborne-oxford/
- 類型：學術估計（專家評估法，非實證觀測）＋ 作者後續觀點
- 可信度：★★★★☆（奠基級、引用極高；但「47%」方法受爭議，引用時宜標明是「估計／曝險」非「實際失業」）
- 查證日：2026-06-23
缺口與反證（誠實標註）
最大缺口：幾乎全是美國／OECD 資料，缺台灣與華語區的就業實證。書稿若面向台灣讀者，「22–25 歲就業降 16%」是美國行政資料，遷移到台灣語境要明說「這是美國數據，台灣趨勢方向相近但幅度待本地驗證」〔台灣本地大樣本待查證〕。
「教練／自我支持」情境的直接實證仍然空白（與 workshop 研究庫
專題-AI與人的關係結論一致）：本批證據集中在客服、軟體開發、總體經濟、公眾態度，沒有「在教練式陪伴下使用 AI 是否更能保住判斷與自主」的對照研究。書稿的人本界線，目前仍是靠框架（圖靈陷阱、HCAI、SDT）加上趨勢數據在支持，還不是這個場景的直接實證。這一塊，也許正是 AndAction 可以填的空白。數字被媒體簡化的風險：MIT NANDA「95% 失敗」常被斷章取義成「AI 沒用」，精確說法是「95% 看不到可衡量的商業回報」，且報告同時指出贏家做法。引用時最好帶上完整脈絡，否則容易被讀者抓語病。
指數報告是「整合」非「自產」：Stanford AI Index 的力量在彙整，但個別數字的原始方法論散在被引來源；若書中要強調某一筆，宜回追原始研究（多數本檔已附原始 URL）。
觀點 vs 實證要分清：圖靈陷阱、Frey & Osborne 重訪屬「論述／估計」，《Generative AI at Work》《Canaries》《Simple Macroeconomics》屬「實證」。書稿引用時建議標清，避免把框架當數據用。