職場轉型 — 價值移向獨特
撐 主軸論述「AI 把通用變便宜、價值移向只有你能做的那塊」。含工作重組、青年衝擊、技能價值、自我實現的可行性與張力。
工作在重組、不是整體消失（撐「重組非取代」）
| 證據 | 關鍵發現 | 可信度 | 備註 |
|---|---|---|---|
| Anthropic Economic Index 2026 | 49% 職業 ≥25% 任務用 AI；增幅 52% > 自動化 45%（但directive 指令式從 27% 升到 39%，往自動化移） | 機構級(平台真實流量) | |
| GPTs are GPTs（OpenAI×賓大, Science 2024） | 80% 勞動力至少 10% 任務受影響，約 19% 可能 ≥50%；曝險的是任務非人 | 同儕審查 | 奠基文獻 |
| Stanford Canaries（Brynjolfsson et al., 2025・招牌） | 22–25 歲高曝險職位就業相對 −13~16%，同職位資深者穩定 | 機構級(行政薪資) | 撐「通用入門技能貶值、經驗升值」 |
| WEF Future of Jobs 2025 | 2030 前約 39% 核心技能改變；成長最快的是「技術+人本」混合技能 | 機構級 | 「分析思考、韌性、終身學習」名次上升 |
| Hui & Reshef 2025 | Upwork 上高技能接案者不成比例受創——AI 壓縮技能光譜差距 | 同儕審查 | 反直覺，撐「高手溢價被抹平」 |
價值移向判斷與獨特（撐「市場已對判斷付溢價」）
| 證據 | 關鍵發現 | 可信度 | 備註 |
|---|---|---|---|
| PwC AI Jobs Barometer 2025 | 進階 AI 技能薪資溢價 56%（前年 25%）；AI 曝險產業每員工營收 +27% | 機構級 | 屬「職缺/薪資層」，非個人層 |
| OECD Bridging the AI Skills Gap | 高 AI 曝險職缺最需「管理與業務技能」72%、僅約 1% 需專門 AI 技能 | 機構級 | 撐「任務上移、需求跨越純技術」 |
| Generative AI at Work（Stanford/MIT/NBER） | 5,179 名客服平均 +14%，新手 +34%、資深近 0 | 同儕審查 | AI 是拉平器，廉價化通用能力 |
| 一人公司結構（Kim, Kang & Song 2026） | AI 後 solo 創業上升但多低承諾；頂層反而越來越由團隊主宰 | 同儕審查(預印) | 「降低開始」≠「降低成功到頂」；這一筆對我們特別重要 |
自我實現的可行性與張力（撐「成為自己的最佳時代，但那是條件、不是保證」）
| 證據 | 關鍵發現 | 可信度 | 標記 |
|---|---|---|---|
| Doshi & Hauser 2024（Science Adv・招牌） | AI 對最不擅長者幫助最大（創意 +5.4~8.1%）；但群體相似度 +8.9~10.7% | 同儕審查(預註冊) | 雙面刃/社會困境 |
| Zhou & Lee 2024（PNAS Nexus, N=400萬） | 產量 +25%、價值 +50%，但新穎度下降 | 同儕審查 | 量增品質降 |
| Bradshaw et al. 2023（JPSP, N=70,110） | 內在目標（成長/關係/貢獻）+幸福 r=.24；外在目標（財富/名聲）−幸福 r=−.22 | 同儕審查 | 撐「活出自己≠追外在成功」 |
| Sutton 2020（75 研究, N=36,533） | 真實性−幸福 r=.40、−投入 r=.37 | 同儕審查 | 撐「更像自己→更好生活」 |
| Cohen et al. 2016（前瞻 N=136,265） | 目的感高→全因死亡率降 17% | 同儕審查 | 「成為自己」有健康重量 |
| Tay & Diener 2011（123 國 6.8 萬人） | 需求並行、非線性——破「先吃飽才有資格」 | 同儕審查 | 撐 主軸論述 §五 |
自我實現的經濟現實（誠實面）
- 「跟著熱情走」會被用來合理化剝削（Kim et al. 2020, JPSP）、預設中產安全網而再生產不平等（Cech 2021）；創作者收入中位數在跌、頂端集中（73% 年收 <3 萬美元）。→ 所以我們談自我實現時，會把內建安全網與界線一起講，和「do what you love」那種口號分開。
⚠️ 成長心態/正向心理學的複製危機（對外一律「學術版不是 TED 版」）
詳見 心理學基礎-情緒決策與行為改變。摘要：成長心態對成績修正後 d=0.02（Macnamara & Burgoyne 2023）；正向心理學幸福 r 從 .29 砍到 .10（White et al. 2019）。可訓練是真的，但量級小、被高估。「瞄準意義」的介入（g=0.42）勝過泛泛（0.18）。