由《教練力實踐》證據研究員建檔。本檔做真實文獻研究，撐住書稿中「AI 改變了學什麼、怎麼學，而真正的成長引擎是判斷力、提問力與後設認知」這條論述。每筆來源皆 2026-06-23 用 WebSearch／WebFetch 實際查證，絕不編造；查不到標〔待查證〕。
與 AIcoach 研究庫互補、不重抄：AIcoach 庫已有深研子檔 03-認知外包與過度依賴（Sparrow Google 效應、Gong&Yang 元分析、Lee et al. CHI 2025、Buçinca 認知強制函數、Brazão&Tinoca 結構引導反證、MIT《Your Brain on ChatGPT》）。本檔補的是「職場學習／再培訓」這條獨立軸線（規模落差、企業投入、平台數據、個人化學習成效），認知外包處只引最關鍵一兩筆並註「另見」，深度逐筆回那邊。
核心論點（這份證據要撐住的 WHY）
- AI 改變了「學什麼」：通用、容易被自動化的技能在貶值，價值往判斷、提問、批判思考、與 AI 協作、後設認知這些「耐久人類技能（durable human skills）」移動。WEF：39% 核心技能 2030 前改變、LinkedIn：70% 工作技能 2030 前改變。
- AI 改變了「怎麼學」：個人化、即時、對話式的學習成為主流（AI 家教、Socratic mode）；「答對」不再等於「學會」，過程與後設認知變成新的學習證據。
- 規模與落差：全球想學的人很多（Coursera GenAI 報名 +195%），但「想學」與「真正有機會學」之間有一道很大的落差：最需要再培訓的人，往往最不可能參與（OECD：高低教育者參與率差 40 多個百分點）。
- 正反兩面都成立：有結構、有引導的 AI 學習可帶來頂尖成效（Harvard 物理 RCT 學習量 2 倍、World Bank 奈及利亞 6 週 ≈ 1.5–2 年）；但沒有引導的依賴，會讓認知外包升高、批判思考被磨損（Gerlich 2025）。差別多半就在「人的帶領與結構」，這也正是書與教練的價值所在。
一句話說完：AI 時代「學會用工具」只是入場券；真正的成長引擎是「會判斷、會提問、會反思自己怎麼學」，而這往往正是沒辦法交出去、需要有人帶著練的能力。
證據清單
A. AI 改變「學什麼」：技能重組與耐久人類技能
A1｜WEF《Future of Jobs Report 2025》
- 年份／機構：2025-01｜World Economic Forum
- 關鍵發現：2030 前雇主預期 39% 員工核心技能改變（從 2023 的 44% 略降）；若全球勞動力＝100 人，59 人需要再培訓／升技，其中 11 人不太可能得到＝逾 1.2 億勞工面臨中期淘汰風險。技術技能（AI、大數據、資安）需求成長最快，但分析思考、認知韌性、領導、協作等人類技能仍是核心。85% 雇主計畫升技勞動力。〔待查證〕
- 支持書哪論點：「學什麼」正在重組；人類技能（判斷、協作）的價值往上，這就是書要做的對比。
- URL：https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/
- 類型：跨國機構大型雇主調查｜可信度：高（機構級、跨國、近期）
A2｜LinkedIn《2025 Work Change / Workplace Learning Report》
- 年份／機構：2025｜LinkedIn
- 關鍵發現：2030 前多數工作所用技能將改變 70%；2022 起會員加新技能的速度比過去高 140%；91% L&D 專業人士同意持續學習對職涯比以往更重要，員工把「職涯成長」列為學習第一動機；71% L&D 已在探索／導入 AI。Ryan Roslansky 強調「適應力、同理、領導」是 AI 時代的差異化關鍵。〔待查證〕
- 支持書哪論點：技能改變的規模，加上終身學習成為共識，以及耐久人類技能的分量。
- URL：https://learning.linkedin.com/content/dam/me/learning/en-us/images/lls-workplace-learning-report/2025/full-page/pdfs/LinkedIn-Workplace-Learning-Report-2025.pdf
- 類型：大型平台報告（自家數據，看趨勢不看絕對值）｜可信度：高（規模大）／中（廠商自家）
A3｜「答對不再是學會的證據」＋ AI 素養框架（觀點＋框架）
- 年份／機構：2025｜AI Literacy Framework（Empowering Learners for the Age of AI, Review Draft May 2025）＋ 教育界論述
- 關鍵發現：AI 時代「一個正確答案不再是學習發生的證據」——後設認知（理解並調節自己的認知歷程、選對學習策略）、批判思考、提問、判斷成為新核心；AI 素養框架明確把技能扎根在「學習理論、後設認知、與不可取代的人類能力」上。現實落差：2025 年 54% 學生／53% 教師用 AI 做課業，但僅 35% 學區提供 AI 訓練，逾 80% 學生說老師沒教過怎麼用 AI 學習。
- 支持書哪論點：「怎麼學」與「學習證據」的定義正在改變，後設認知與提問力的分量跟著上升。
- URL：https://ailiteracyframework.org/wp-content/uploads/2025/05/AILitFramework_ReviewDraft.pdf ／ https://www.prnewswire.com/news-releases/in-the-age-of-ai-a-correct-answer-is-no-longer-evidence-of-learning-302748548.html
- 類型：框架草案＋論述訊號｜可信度：中（框架為共識草案、非單一實證）
B. AI 改變「怎麼學」：個人化學習的成效（正面實證）
B1｜Kestin et al. Harvard 物理 AI 家教 RCT
- 年份／機構：2025-06-03｜Scientific Reports（Harvard 物理系，Gregory Kestin 等）
- 關鍵發現：194 名大學物理生交叉設計 RCT，比較「課堂主動學習（資深講師帶）」vs「客製 AI 家教 PS2 Pal」。用 AI 家教者學習量約為主動學習組的 2 倍，且花的時間更少。關鍵：AI 經教學專家精心設計（一次只給一步、不直接給完整解、簡短回應防認知過載、防幻覺護欄）。〔待查證〕
- 支持書哪論點：有結構、有教學設計的 AI 學習，成效可以非常好：成效多半來自「人怎麼設計與帶領」，不是 AI 本身。
- URL：https://news.harvard.edu/gazette/story/2024/09/professor-tailored-ai-tutor-to-physics-course-engagement-doubled/ ／ https://hechingerreport.org/proof-points-ai-tutor-harvard-physics/
- 類型：同儕審查 RCT（頂刊）｜可信度：高（RCT、頂刊；但單一課程、菁英大學情境）
B2｜World Bank《From Chalkboards to Chatbots》奈及利亞 GPT-4 家教 RCT
- 年份／機構：2025-05｜World Bank Policy Research Working Paper 11125（Edo State, Benin City；Mastercard Foundation 支持）
- 關鍵發現：9 所公立中學、6 週 RCT，用 Microsoft Copilot（GPT-4）輔導高一英語。整體評量進步 0.31 標準差（英語 0.23–0.24 SD），相當於 1.5–2 年的常規學校學習量，列為全球最具成本效益的教育介入之一。對女生效果最強，縮小既有性別落差。
- 支持書哪論點：個人化的 AI 學習，在資源不多的情境也能明顯見效，而且有助於公平（與下方「落差」那組反證形成張力）。
- URL：https://documents.worldbank.org/en/publication/documents-reports/documentdetail/099548105192529324 ／ https://blogs.worldbank.org/en/education/From-chalkboards-to-chatbots-Transforming-learning-in-Nigeria
- 類型：機構級 RCT（工作論文，未經期刊同儕審查）｜可信度：高（RCT、大樣本、發展情境）／中（工作論文）
B3｜AI 個人化學習元分析（綜合成效）
- 年份／機構：2024–2025｜多篇元分析（含《31 篇實證的 AI 輔助個人化學習元分析》、blended learning g=0.50 元分析）
- 關鍵發現：AI 輔助個人化學習對知識、能力、情緒發展有中等正向效果；混成學習中 AI 整體效果量 g≈0.50（中等顯著）。但成效差異大，視學科、實作品質、學生需求而定；智能輔導系統（ITS）在 STEM 成效較佳，跨學科結果不一。
- 支持書哪論點：個人化學習有效，但很看怎麼做，支持「結構與帶領決定成效」這個說法。
- URL：https://bonoi.org/index.php/sief/article/view/1425 ／ https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2025.1691414/full
- 類型：同儕審查元分析｜可信度：高（彙整多研究）／中（異質性大、效果量需謹慎解讀）
B4｜Anthropic Economic Index：學生怎麼用 AI 學（行為數據）
- 年份／機構：2025-04 起｜Anthropic（574,000+ 匿名高教對話）
- 關鍵發現：學生用 Claude 分四型——直接解題、直接產出、協作解題、協作產出；「直接要答案」與「協作理解」並存。Anthropic 推出 Learning Mode（Socratic 提問、重觀念理解不直接給答案） 對抗淺層使用。後續（2025-11→2026-02）課業用途從 19%→12%、個人用途升 35%→42%；低所得國家更多用於課業。
- 支持書哪論點：學習方式的真實樣貌；而「Socratic 引導」與「直接給答案」的分野，正是書要談的。
- URL：https://www.anthropic.com/news/anthropic-education-report-how-educators-use-claude ／ https://www.anthropic.com/research/economic-index-march-2026-report
- 類型：AI 公司大規模行為數據｜可信度：中高（規模大、真實行為；自家平台、非因果）
C. 規模與落差：想學 vs 有機會學
C1｜Coursera《Global Skills Report 2025》：GenAI 學習爆量
- 年份／機構：2025｜Coursera
- 關鍵發現：GenAI 報名年增 195%、累計逾 800 萬；700 門 GenAI 課平均每分鐘 12 人報名（2023 是 1、2024 是 8），最快成長技能類別。94% 雇主傾向錄用有 GenAI 證書者、75% 偏好 GenAI 熟練者勝過傳統經驗者〔待查證〕。但 AI 技能存在明顯地區與性別落差。
- 支持書哪論點：「想學」的規模與急迫感；終身學習某種程度上已經變成大眾運動。
- URL：https://blog.coursera.org/presenting-courseras-2025-global-skills-report-the-skills-trends-shaping-the-future-of-education-and-employment/
- 類型：大型平台報告｜可信度：高（規模）／中（自家平台、報名≠學會）
C2｜OECD《Bridging the AI Skills Gap》＋《Skills Outlook 2025》：機會落差〔反證主力〕
- 年份／機構：2025-04｜OECD
- 關鍵發現：最需要升技／再培訓的成人，最不可能參與成人學習——高低教育者參與率差 逾 40 個百分點（低於高中學歷者僅 19% 參與非正規學習，高教者則有 61%）。技能落差最強的驅動因子是社經背景。〔待查證〕多數 AI 訓練還是給 AI 專業人士、門檻偏高，一般 AI 素養訓練供給不足。低技能、高自動化風險者最脆弱卻最難取得訓練。
- 支持書哪論點：「想學」與「有機會學」之間的落差，是再培訓在結構上的失靈；對照的是 AI 讓學習變得容易的潛力。
- 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/publications/oecd-skills-outlook-2025_26163cd3-en.html
- 類型：跨國機構研究報告｜可信度：高（OECD、政策級）
C3｜Randstad Workmonitor 2025：雇主說有訓練 vs 員工說沒有〔落差實證〕
- 年份／機構：2025｜Randstad
- 關鍵發現：82% 雇主說有主動為受 AI 影響者提供訓練，但只有 33% 員工說過去半年訓練機會有增加〔待查證〕，約 49 個百分點的落差。物流業：60% 職務正被 AI／機器人轉型，僅 28% 員工有訓練機會。52% 科技專業人士因雇主訓練跟不上而自己找訓練〔待查證〕。
- 支持書哪論點：再培訓的「投入」與員工的「實際感受」之間有落差，這也是個人為什麼要自己長出學習力。
- URL：https://www.randstad.com/press/2025/logistics-jobs-face-ai-transformation/ ／ https://www.randstadenterprise.com/workmonitor/
- 類型：大型雇主／員工調查｜可信度：中高（規模大；自陳、廠商）
D. 企業／政府再培訓的投入與成效
D1｜McKinsey 2025（State of AI／AI in the workplace）：投入大、兌現慢、訓練未必有效
- 年份／機構：2025｜McKinsey
- 關鍵發現：不少企業已因 AI 再訓練最多 10% 勞動力，多數把省下的時間重新部署到新任務而非裁員（轉型 > 取代）。但近 80% 用 GenAI、逾 60% 說對財務沒顯著影響（採用 vs 價值落差）。訓練本身鮮少帶來持續行為改變：M365 Copilot 研究中，9/10 認為正式訓練有用，但 7/10 跳過教學影片，靠體驗式與社會式學習。
- 支持書哪論點：再培訓不能只是「上課」，還要有結構、回饋與同伴，這支持書與工作坊那種陪伴的價值。
- URL：https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work ／ https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-organization-blog/redefine-ai-upskilling-as-a-change-imperative
- 類型：四大顧問業調查｜可信度：高（規模、跨產業）／中（自陳、商業立場）
D2｜企業大型再培訓承諾（規模案例）
- 年份／機構：Amazon（2019–2025）、AT&T（2013 起）
- 關鍵發現：Amazon 投入逾 12 億美元（原 7 億，2019 起）讓 30 萬員工免費受訓（雲端、機器學習、醫療等）；AT&T「Future Ready」投入約 10 億美元轉型 28 萬人力（資安、軟體、資料科學）。主要動機＝留才與技術未來化。〔註：公開來源多談投入規模與留才效果，嚴謹的 ROI／成效量化數據相對稀缺，引用時別把「投入」說成「成效」。〕
- 支持書哪論點：再培訓已經是企業級的策略；不過成效的證據比投入的承諾薄很多，個人不能全靠公司。
- URL：https://www.aboutamazon.com/news/workplace/upskilling-2025 ／ https://www.chieflearningofficer.com/2019/07/11/amazon-goes-big-with-700-million-reskilling-pledge/
- 類型：企業公告／媒體報導｜可信度：中（規模可信、成效自陳）
E. 反證：AI 學習讓人學得更淺、依賴加深、能力退化
E1｜Gerlich《AI Tools in Society》：AI 用得多 → 認知外包 ↑ → 批判思考 ↓〔反證主力〕
- 年份／機構：2025｜Societies 15(1):6（Michael Gerlich, SBS Swiss Business School）
- 關鍵發現：666 名跨年齡受訪者，混合法（問卷＋訪談，ANOVA＋相關分析）。頻繁用 AI 與批判思考能力顯著負相關，中介變項為認知外包增加；年輕族群對 AI 依賴更高、批判思考分數更低。〔待查證〕〔限制：相關非因果；自陳測量；批判思考量表的選擇。2025 年另有一則 Correction 勘誤發表（見 Societies 2025, 15(9):252），引用時註明。〕
- 支持書哪論點：沒有引導的 AI 依賴會磨損批判思考，是書「判斷不外包、要有人帶」的反面警示。
- URL：https://www.mdpi.com/2075-4698/15/1/6 ／ 勘誤：https://ideas.repec.org/a/gam/jsoctx/v15y2025i9p252-d1746512.html
- 類型：同儕審查（相關研究）｜可信度：中高（大樣本、同儕審查；但相關非因果、有勘誤）
E2｜「後設認知懶惰（metacognitive laziness）」＋ EDUCAUSE「更好結果、更差思考」悖論
- 年份／機構：2025｜職教 GenAI 研究（arXiv）＋ EDUCAUSE Review《The Paradox of AI Assistance》
- 關鍵發現：學習者把後設認知負荷外包給 AI，形成「後設認知懶惰」：有效的連結與後設認知投入變少，自我調節也被削弱。EDUCAUSE 點名了一個悖論：AI 協助之下成果更好，但思考更差，「答對」與「學會」就這樣脫鉤了。
- 支持書哪論點：直接支持核心論點 2（答對不等於學會），以及「後設認知是新的核心能力」。
- URL：https://er.educause.edu/articles/2025/12/the-paradox-of-ai-assistance-better-results-worse-thinking ／ https://arxiv.org/pdf/2512.12306
- 類型：論述＋預印本研究｜可信度：中（EDUCAUSE 為論述；arXiv 未同儕審查）
E3｜AI 依賴 → 批判思考：疲勞機制與 AI 素養的緩衝（機制證據）
- 年份／機構：2025｜Computers in Human Behavior（Learners' AI dependence and critical thinking）
- 關鍵發現：學習者對 AI 的依賴透過「疲勞」心理機制損及批判思考，而「AI 素養」可以作為社會性的緩衝，降低傷害。換句話說，退化不是宿命，有素養、有引導就能緩衝。
- 支持書哪論點：反證也有解方：AI 素養與帶領是保護因子（呼應 B 區的結構引導）。
- URL：https://www.sciencedirect.com/science/article/pii/S0001691825010388
- 類型：同儕審查期刊｜可信度：高（CHB、機制研究）
另見（不重抄，深度回 AIcoach 庫）：認知外包的奠基機制與更多正反證據——Sparrow et al.「Google 效應」（Science 2011）、Gong & Yang 元分析（3 萬人，既有知識庫越大越不受影響）、Lee et al.（CHI 2025，對 AI 越有信心批判思考越少／對自己越有信心越多）、Buçinca「認知強制函數」（CSCW 2021，先想再看的小摩擦）、Brazão & Tinoca（Frontiers in Education 2025，有結構引導時 AI 對話能誘發較高層次批判提問）、MIT《Your Brain on ChatGPT》（arXiv，小樣本、僅當討論訊號）——全部在 03-認知外包與過度依賴。本檔不重抄逐筆。
缺口與反證
- 最大缺口：幾乎所有成效實證集中在正式教育情境（學生、課程），缺的是「成人職場自學與教練陪伴情境下，AI 學習成效」的對照研究。這正是本書與 AndAction 可以填補、也可以主張的空白（與 AIcoach 庫「沒有教練情境的 AI-人關係對照研究」缺口呼應）。
- 反證已內建平衡（誠實）：AI 學習工具確有「學得更淺、依賴加深、批判思考退化」的同儕審查證據（E1/E3）與論述訊號（E2）；但同一批研究也顯示，有結構、有引導、有 AI 素養就能逆轉（B1、B2、E3，另見 Brazão & Tinoca）。書的調性不打恐懼牌：立場是「把 AI 學習用對，長成會思考的人」，不是「AI 讓人變笨」。
- 要打折扣的來源：平台與廠商的自家數據（LinkedIn、Coursera、Anthropic、McKinsey、Randstad）規模大，但有商業立場，報名／投入 ≠ 學會／成效；World Bank 為工作論文（未經期刊同儕審查）；Gerlich 為相關非因果且有勘誤；個人化學習元分析效果量異質性大。引用時都已標層級。
- 待補（下輪）：企業再培訓的嚴謹 ROI 與成效量化普遍稀少（D2），值得續查有沒有近年同儕審查的成效評估；台灣與華語區職場再培訓的在地數據〔待查證〕。
- 2026-09-10 本輪的回源狀態：重新打開原文核對過的有 B2（World Bank 部落格：六週、約 0.3 SD、近兩年學習量、女生獲益更多，相符）、C1（Coursera：+195%、逾 800 萬、700 門、每分鐘 12／8／1 人，相符）、C3 的物流業數字（60%／28%，相符）、A2 的兩個數字（91%、71%，相符）、C2 的質性主張（AI 訓練多給專業人士、門檻較高、弱勢者最難取得，相符）。本輪打不開或找不到出處的，已在句尾標〔待查證〕，逐條理由見
檢查/2026-09-10_galaxy清洗紀錄/職場-04-學習與再培訓.md。