AI 如何重組工作與技能價值

執行成本崩落：AI 正在把「通用、可定義、可編碼」的任務，做到執行成本趨近於零；「會做某件標準化的事」這件事本身，往往越來越不值錢了。

由《教練力實踐》證據研究員（v1）維護。本檔用 WebSearch／WebFetch 於 2026-06-23 實際點開查證，每筆標年份、機構、類型與可信度。 絕不編造研究／數據／作者／報告名；查不到標〔待查證〕。 與既有 AIcoach 研究庫互補：那邊 總論.md、產業報告/ 已有部分 AI×工作的採用數據（McKinsey 88%/5.5%、EY 採用率、LinkedIn 70% 技能改變、PwC CEO 等）。本檔聚焦「工作重組的機制」與「技能價值的移轉與反證」，相關處標「另見」，不重抄。 調性提醒：本檔不打恐懼牌，也不打技術樂觀牌。正反兩面證據都列，分清「實證有效」與「討論訊號」、「短期任務級」與「長期總體級」。

核心論點（本檔要用證據支持的 WHY）

執行成本崩落：AI 正在把「通用、可定義、可編碼」的任務，做到執行成本趨近於零；「會做某件標準化的事」這件事本身，往往越來越不值錢了。
價值上移：技能的價值，正逐漸從「會做、會執行」移向「判斷、定方向、提問、品味、獨特性、人際信任」。這些，是 AI 目前最難替你做的部分。
工作被重組，不是整份工作消失：知識工作的「任務組合」被打散重排。可以編碼的部分被 AI 接走，需要經驗、脈絡、願意承擔責任的部分反而升值；同一份工作，內容已經不一樣了。
反證要誠實：總體生產力還沒有真的出現（生產力悖論）；個別任務的提升常常被高估，甚至是負的（METR）；衝擊集中在特定族群（entry-level），並不是全面性的。所以這本書談的，是「方向級」的轉變，不是「明天全被取代」的恐慌。

這四點直接支持《教練力實踐》最核心的主張：當「執行」變便宜，人的價值回到「只有你能做、屬於你」那塊。把自己聽得夠深、發展出自己的判斷與方法，正是教練力想陪你長出來的東西（呼應 AIcoach W1／W2／W5）。

證據清單

A. 執行成本崩落：「通用、可定義」的工作趨近免費

A1. 認知工作邊際成本的下降（機制描述）

年份：2025
作者／機構：Microsoft Research，《New Future of Work Report 2025》
關鍵發現：大型語言模型代表「認知工作經濟學」的一次轉移——大幅壓低生產「功能性產出」（文字、程式碼、摘要）的邊際成本；過去要跨多角色協作才能完成的任務，現在常能用一個 prompt 以極低成本完成。〔待查證〕（2026-09-10 複查：報告 PDF 可讀，但找不到「認知工作經濟學／邊際成本／一個 prompt」這段措辭；最接近的段落是「團隊可能縮到一個人搭配越來越強的模型（one-person unicorn 假說）」與「AI 越進步，人的判斷越關鍵」。）
支持論點：① 執行成本崩落。
類型：機構報告（科技平台研究部門）
可信度：高（Microsoft Research，方法嚴謹的年度綜述；但廠商自家研究，「對自家有利」的部分要保守看）
URL：https://www.microsoft.com/en-us/research/wp-content/uploads/2025/12/New-Future-Of-Work-Report-2025.pdf
查證日：2026-06-23

A2. 已可被自動化的規模與「成本競爭力」

年份：2025
作者／機構：MIT（經 Fortune 報導；原研究為 MIT 團隊勞動市場曝險分析）
關鍵發現：現有 AI 系統已能承接約 11.7% 美國勞動市場的相關任務，對應約 1.2 兆美元薪資；在這些任務上，AI 的成本已與人力相當或更便宜，橫跨金融、醫療、專業服務的認知與行政任務。
支持論點：① 執行成本崩落；③ 工作被重組（是「任務」被承接，非整份工作消失）。
類型：機構研究（經商業媒體轉述）
可信度：中高（MIT 團隊，但本筆經 Fortune 二手轉述，原始論文細節〔待查證原文〕）
URL：https://fortune.com/2025/11/27/mit-report-ai-can-already-replace-nearly-12-of-the-us-workforce/
查證日：2026-06-23

A3. 「智慧太便宜到不計量」——思想領袖觀點（標為觀點，非實證）

年份：2025–2026
作者／機構：Sam Altman（OpenAI）、Jensen Huang（NVIDIA）
關鍵發現：Altman 主張智慧／知識／數位財貨的成本正趨近於零，預期推論成本可能在 2027 年底前再降約 100 倍，讓「一個個人擁有 50 人公司的產能」；但他同時警告，若無政策介入，槓桿的好處會流向 AI 的擁有者而非工作者。Huang 要求工程師「用掉至少相當於年薪一半的 AI token，否則他會深感警覺」——側面反映企業把「智慧」當低成本投入。〔待查證〕（2026-09-10 複查：兩個網址都打得開，但都找不到「100 倍／50 人公司／好處流向擁有者」與 Huang 那段話；seriousinsights 頁面寫的是「2026 年底前，100–1,000 美元的推論成本就能做出過去要團隊做一年的軟體」，Fortune 一文只談勞資平衡在變、Altman 自承「沒有人知道該怎麼辦」。）
支持論點：① 執行成本崩落（提供「未來方向感」的語言）。
類型：觀點（產業領袖、有商業利害關係，非研究數據）
可信度：低（當趨勢語言用、不可當證據；引用時務必標「觀點」）
URL：https://www.seriousinsights.net/sam-altmans-vision/ ；https://fortune.com/2026/03/12/sam-altman-ai-labor-capital-jobs-nobody-knows/
查證日：2026-06-23

B. 價值上移：「會做」讓位給「判斷、方向、提問、品味、信任」

B1. 從「執行」轉向「編排與判斷」（機構定調）

年份：2025
作者／機構：McKinsey，《AI in the workplace: A report for 2025》（Superagency 系列）
關鍵發現：AI 時代不是整體取代人力，而是把人的智慧從「執行」移向「編排（orchestration）與判斷」。AI 目前無法獨立設定方向、脈絡化複雜性、做價值導向的決策；「定義目的、詮釋模糊、施加倫理判斷」這些只有人能做的貢獻，是確保 AI 服務於有意義目標的關鍵。〔待查證〕（2026-09-10 複查：McKinsey 網址兩次逾時，未能重讀。）
支持論點：② 價值上移；③ 工作被重組（人機夥伴、流程重設）。
類型：機構報告（四大顧問）
可信度：高（McKinsey 旗艦報告；另見 AIcoach 產業報告/四大與顧問業，本筆取「執行→判斷」的論述，不重抄採用率數字）
URL：https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
查證日：2026-06-23

B2. 上升的技能：判斷、創造、好奇、領導、社會影響

年份：2025
作者／機構：World Economic Forum，《Future of Jobs Report 2025》
關鍵發現：雇主預期 39% 的核心技能將在 2030 年前改變（較 2023 的 44% 略降，顯示節奏趨穩）。上升最快的技能：AI 與大數據、網路與資安、技術素養，緊接著是創造性思考、韌性／彈性／敏捷、好奇心與終身學習、領導與社會影響、人才管理、分析思考。最常見的因應是上修技能（77% 雇主計畫 upskilling），同時 41% 計畫因 AI 自動化而縮減人力。〔待查證〕（2026-09-10 複查：WEF 網址回 403，未能重讀。）
支持論點：② 價值上移（上升清單裡，人本／判斷類技能與技術類並列上升）。
類型：機構報告（WEF，近 1,000 家雇主調查）
可信度：高（WEF 旗艦、跨國、樣本大；屬「雇主預期」非已實現成效，標清楚）
URL：https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/3-skills-outlook/
查證日：2026-06-23

B3. 直覺、品味、辨識力＝AI 時代的人類核心能力（權威觀點）

年份：2025
作者／機構：Harvard T.H. Chan School of Public Health（Essay）
關鍵發現：當 AI 接走例行任務，被釋放出來、屬於人的能力是「非線性思考、判斷、與品味有關的取捨、做決策、思考策略」。文章定調：「直覺幫我們感知；品味幫我們選擇；辨識力把兩者合起來成為好判斷。」
支持論點：② 價值上移（把「品味／判斷」講成可以培養的核心能力，呼應教練力）。
類型：觀點（哈佛學者署名 essay，非實證研究）
可信度：中（權威機構署名觀點；當論述語言用，非效果證據）
URL：https://hsph.harvard.edu/news/essay-intuition-and-taste-in-the-age-of-ai/
查證日：2026-06-23

B4. 「判斷」如何被養成——以及 AI 正在切斷養成的路徑（關鍵兩面）

年份：2026
作者／機構：David S. Duncan（Disruptive Edge），Harvard Business Review，〈How Do Workers Develop Good Judgment in the AI Era?〉
關鍵發現：經驗深的人從 AI 得到巨大產能提升，資淺者卻分不出 AI 產出好不好——因為 AI 接走了「過去用來磨判斷的、雜亂重複的任務」。形成「判斷力斷層」：判斷越來越值錢，但養成判斷的階梯被抽掉了。組織需刻意重設工作來培養判斷（釐清決策角色、讓人承擔後果、用模擬與案例學習）。
支持論點：② 價值上移；③ 工作被重組（同時也是本書的切入點：判斷不是天生的，要刻意練；這正是教練力與自我支持系統的價值）。
類型：觀點／實務分析（HBR，作者具實務權威）
可信度：中高（HBR、論證清楚；非量化研究）
URL：https://hbr.org/2026/02/how-do-workers-develop-good-judgment-in-the-ai-era
查證日：2026-06-23

B5. AI 技能的「薪資溢價」與技能變化速率（量化）

年份：2025
作者／機構：PwC，《2025 Global AI Jobs Barometer》（分析近 10 億則職缺廣告）
關鍵發現：具進階 AI 技能的工作者享 56% 薪資溢價（前一年為 25%，倍增）。AI 曝險最高的職業，雇主要求的技能變化速度快 66%（前一年 25%）；AI 曝險產業每員工營收成長 27%，是低曝險產業的逾 3 倍。即便在最易自動化的角色，就業仍在成長。〔待查證〕（2026-09-10 複查：PwC 網址回 403，未能重讀。）
支持論點：② 價值上移（市場已經對「懂得用 AI 的判斷力」付出溢價）；③ 工作被重組（技能要求快速重排，但並不是單純消滅工作）。
類型：機構報告（四大顧問，量化）
可信度：高（PwC 旗艦、樣本極大；「曝險」是模型推估、廠商視角要保守看；另見 AIcoach 產業報告/四大與顧問業 的 PwC CEO 篇）
URL：https://www.pwc.com/gx/en/news-room/press-releases/2025/ai-linked-to-a-fourfold-increase-in-productivity-growth.html
查證日：2026-06-23

C. 工作被重組：「任務級」的承接，哪些被吸走、哪些升值

C1. 自動化 vs 增益：人多半把 AI 當「思考夥伴」

年份：2025–2026
作者／機構：Anthropic Economic Index（分析數百萬則 Claude.ai 對話）
關鍵發現：呈現明顯朝「增益（augmentation）」傾斜——約 52% 的對話是把 AI 當思考夥伴反覆迭代（自動化型占 45%），而非整包丟給它自動化。Claude 上可見約 3,000 種工作任務，但**前 10 種任務佔 24%**（多與程式設計相關），顯示高度集中。第四份報告提出五個「經濟原語」（任務複雜度、技能層級、用途、AI 自主程度、是否成功）以長期追蹤。
支持論點：③ 工作被重組（人機協作以「迭代增益」為主流，並不是全面自動取代）；② 價值上移（人留在迴路裡做判斷）。
類型：機構研究（科技平台一手對話數據）
可信度：中高（一手大樣本資料；但僅反映 Claude 使用者、偏技術族群，廠商自家數據要保守看；另見 AIcoach 產業報告/科技平台 的 Anthropic 自動化／增益比例）
URL：https://www.anthropic.com/research/labor-market-impacts ；https://www.anthropic.com/research/economic-index-primitives
查證日：2026-06-23

C2. 衝擊集中在 entry-level：可編碼知識先被吃掉（最強實證之一）

年份：2025
作者／機構：Erik Brynjolfsson 等，Stanford Digital Economy Lab，《Canaries in the Coal Mine?》
關鍵發現：自生成式 AI 普及以來，最高 AI 曝險職業的早期職涯工作者（22–25 歲）就業相對下降約 13%（已控制公司層級衝擊；本檔所附 2025-11-13 版 PDF 摘要寫的是相對下降 16%，13% 是 2025-08 初版經 Fortune 報導的數字）；同期年長工作者反而成長 6–9%。負面衝擊集中在 AI 偏向「自動化（取代）」的領域，偏「增益」的職業未見類似下滑。年輕人更脆弱，因為 AI 善於取代「可編碼的書本知識」，而經驗與默會知識（tacit knowledge）成為對抗替代的緩衝。調整主要透過「減少雇用」而非「降薪」發生。
支持論點：③ 工作被重組（可編碼 → 先被吸走；經驗／默會 → 升值）；② 價值上移；④ 反證（衝擊是集中而非全面）。
類型：學術（一手大型行政資料的實證，本檔最扎實的證據之一）
可信度：高（Brynjolfsson 團隊、方法嚴謹、有控制；屬相對效果，需注意「相對於最低曝險組」的解讀）
URL：https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf ；報導 https://fortune.com/2025/08/26/stanford-ai-entry-level-jobs-gen-z-erik-brynjolfsson/
查證日：2026-06-23

C3. 高曝險職缺要的是「管理與業務」技能，不是 AI 專才

年份：2025
作者／機構：OECD，《Bridging the AI Skills Gap》／AI 與技能需求系列
關鍵發現：OECD 經濟體每三個職缺就有一個高 AI 曝險；最高自動化風險職業約佔 27% 就業。但高曝險職缺最被需要的是管理與業務技能（10 國中 72% 高曝險職缺要求至少一項管理技能、67% 要求業務流程技能），僅約 1% 工作需要 ML／NLP 等專門 AI 技能。在電腦使用度高的職業，更高 AI 曝險反而連結更高就業成長——部分自動化把任務組合推向「更高附加價值」的任務。
支持論點：③ 工作被重組（任務組合上移）；② 價值上移（要的是判斷與協調，不是技術操作）；④ 反證（互補效果真實存在）。
類型：機構報告（OECD，跨國，量化）
可信度：高（OECD 權威、跨國資料；「曝險」為模型推估）
URL：https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/04/bridging-the-ai-skills-gap_b43c7c4a/66d0702e-en.pdf ；https://www.oecd.org/en/topics/ai-and-work.html
查證日：2026-06-23

D. 反證：「衝擊被高估／生產力還沒真的出現」（務必誠實列）

D1. 生產力悖論：近九成企業回報 AI 沒有帶來生產力影響

年份：2026（資料）／報導 2026-02
作者／機構：NBER 工作論文（6,000 名高管、四國調查），經 Fortune／ILO 等轉述
關鍵發現：跨四國 6,000 名高管，近 90% 企業回報 AI 在過去三年對就業或生產力沒有帶來影響，儘管投資龐大。任務級受控研究持續顯示個別 14–55% 的提升〔待查證〕（2026-09-10 複查：Fortune 該文引的是 Stanford 線上任務效率提升 76–176%，ILO 簡報寫任務級提升通常 10–70%，14–55% 這組數字兩處都找不到），但部門與總體層級的官方統計尚未出現 AI 驅動的生產力成長。Apollo 首席經濟學家 Torsten Slok：「AI 無所不在，唯獨不在進來的總體經濟數據裡」——重演 Solow 近 40 年前的悖論。
支持論點：④ 反證（任務級 ≠ 總體級；轉化需要組織與制度重設，有時間落差）。
類型：學術（NBER 工作論文）＋機構評論
可信度：中高（NBER 工作論文；本筆經二手轉述，原文細節〔待查證〕；ILO「聚合悖論」分析另為一手）
URL：https://fortune.com/2026/02/17/ai-productivity-paradox-ceo-study-robert-solow-information-technology-age/ ；https://www.ilo.org/publications/aggregation-paradox-ai-why-do-micro-economic-productivity-gains-ai
查證日：2026-06-23

D2. 任務級提升也可能是幻覺：AI 讓資深開發者慢 19%（最反直覺實證）

年份：2025
作者／機構：METR，《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》（arXiv:2507.09089）
關鍵發現：隨機對照試驗（RCT），16 名熟練開源開發者、246 個真實 issue。允許用 AI（主要 Cursor Pro + Claude 3.5/3.7 Sonnet）時，完成時間反而增加 19%——AI 拖慢了他們。更驚人的是感知與現實落差：開發者事前預期加速 24%，事後即使被拖慢，仍**自估快了 20%**。
支持論點：④ 反證（① 個別任務提升常被高估，甚至為負；② 人對自己「用 AI 變快」的判斷不一定可靠，這一點正好扣回本書「判斷要刻意校準」）。
類型：學術（獨立實驗室 RCT，黃金標準）
可信度：高（RCT、獨立第三方；但樣本小 16 人、限熟練開源開發者、特定模型世代，外推要謹慎；另見 AIcoach 產業報告/科技平台 GitHub vs METR 的對照）
URL：https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ ；https://arxiv.org/abs/2507.09089
查證日：2026-06-23

D3. 總體勞動市場「尚未」出現可辨識的全面崩塌

年份：2025
作者／機構：多方分析（含 MIT/HDSR、勞動市場觀察）
關鍵發現：分析 2022 年底生成式 AI 普及以來的美國職位變化，整體勞動市場尚未出現可辨識的全面性崩塌，削弱「AI 正在全面侵蝕認知工作需求」的恐慌敘事。衝擊是選擇性的（如 entry-level、特定自動化型任務），不是均勻的。〔待查證〕（2026-09-10 複查：HDSR 網址回 403，未能重讀。）
支持論點：④ 反證（重組是「方向級、結構性、不均勻」的，不是「明天全被取代」）。
類型：機構研究／學術評論
可信度：中（綜述性判斷、會隨資料更新；與 C2 並讀＝「選擇性衝擊」而非「無衝擊」）
URL：https://hdsr.mitpress.mit.edu/pub/ppjz2dg9/release/2
查證日：2026-06-23

缺口與反證（誠實標註）

缺口 1：原文未直讀。A2（MIT 11.7%）、D1（NBER 6,000 高管）目前靠商業媒體二手轉述，原始論文的方法與精確數字〔待查證原文〕。引用書稿前建議補讀一手。（2026-09-10 複查：B1、B2、B5、D3 的網址這次打不開，已在各筆標〔待查證〕；A1、A3 網址可讀但找不到對應段落；C2 所附 2025-11-13 版 PDF 的數字是 16%。）
缺口 2：廠商視角要保守看。A1（Microsoft）、B5（PwC）、C1（Anthropic）皆含自家或業務利害，「曝險／溢價」多為模型推估，並不是已實現的因果成效。
缺口 3：外推限制。D2（METR）樣本僅 16 名熟練開源開發者、特定模型世代；C2（Stanford）是「相對於最低曝險組」的相對效果。這些都不能直接外推到「所有工作者、所有 AI」。
反證已內建：D 區三筆（生產力悖論、METR 慢 19%、總體未崩塌）就是對「AI 全面取代知識工作」這種說法最直接的反證。本檔刻意保留這些，讓書的論述可以站在「方向級轉變」這個比較穩的位置，而不是「時程級恐慌」。
與 AIcoach 研究庫的關係：採用率／心態類的規模數據（McKinsey 88%、EY、LinkedIn 70%、PwC CEO）在那邊 總論.md／產業報告/ 已有，本檔不重抄，聚焦「重組機制」與「技能價值移轉＋反證」，相關處已標「另見」。