AI 趨勢 / 隱性知識

不管在職場還是在找工作,AI 時代我們該怎麼做?

我看完兩份研究資料:史丹佛就業研究與美國入學統計,分享一下

朵拉拿著錄音筆在工具箱旁示範,咪卡捧著筆記本把她手邊冒出的暖橘色光收進去、再連到自己的小筆電;後方一疊課本的書頁化成灰色細光被另一台筆電吸走
課本教得會的,AI 學得走;自己做出來的經驗,提煉給自己的 AI。
一頁總結:美國電腦資訊科系入學人數年減 12.4%、健康相關科系增加 6.2%;史丹佛研究觀察到 22 到 25 歲在最容易受 AI 影響的職業,就業比受影響較少的同齡人低 19%;兩個提醒是別再鑽 AI 學得走的東西、把正在做正在學的隱性知識提煉給自己的 AI
一頁看完:兩份美國研究的數字,和我讀完的兩個提醒。數字的限制寫在下面「這兩份研究沒有說的事」那一段。

這篇在講什麼

我讀了美國兩份原始資料。一份是史丹佛 Digital Economy Lab 的就業研究〈Canaries in the Coal Mine?〉2026 年 8 月更新版,一份是 National Student Clearinghouse Research Center 的 2026 秋季入學初步報告。讀完我蠻認同的。

這篇先整理兩份資料寫了什麼、哪些話它們沒有說,再講我讀完的想法:不管在職場裡,還是正在找工作,都留意兩件事。

適合誰
  • 在職場裡,看著 AI 越來越會做事,想知道接下來該怎麼做的人
  • 正在找工作或準備找工作,不確定現在該學什麼的人
  • 手上要帶新人的主管或資深同仁
這篇想說什麼
  • 研究觀察到的就業落差,集中在年輕人,和 AI 主要用來代替人做事的職業;資深員工沒有同樣的落差
  • 論文提出一個可能的解釋:課本和書面流程教得會的標準化知識,AI 比較容易代替;靠實作累積的隱性知識比較難
  • 我的兩個提醒:不要再去找很容易被 AI 學習的東西;把正在做、正在學的隱性知識提煉出來,給自己的 AI 做

美國 2026 年秋季入學初步統計:電腦資訊科系少了 12.4%,健康相關科系多了 6.2%

National Student Clearinghouse Research Center 在 2026 年 10 月 29 日發布 2026 秋季入學初步報告(Preliminary Fall Enrollment Trends)。報告頁的重點摘要裡,有一段講科系:

科系四年制大學部二年制大學部研究所
電腦與資訊科學Computer and Information Science-12.4%-12.3%-10.4%
健康相關科系Health majors+6.2%+4.3%+2.0%

數字是 2026 年秋季跟前一年秋季比的年增減。報告的用詞是電腦與資訊科學的入學人數「持續大幅下滑」,健康相關科系在三個學制都增加。

報告頁自己註明:這些是初步估計,之後可能修正,最終版報告預計在隔年 1 月發布。我讀到的報告頁只列人數變化,沒有寫學生為什麼這樣選。

史丹佛的薪資資料:22 到 25 歲在最容易受 AI 影響的職業,就業比受影響較少的同齡人低 19%

第二份是史丹佛 Digital Economy Lab 的研究,作者是 Erik Brynjolfsson、Bharat Chandar、Ruyu Chen。他們用薪資服務公司 ADP 的資料,涵蓋數百萬名美國工作者,這一版追到 2026 年 6 月。論文摘要列了六個事實:

  1. 沒有看到整個經濟體大規模的工作被取代。
  2. 22 到 25 歲的年輕人,在最容易受 AI 影響的職業裡,就業水準比「如果跟上受影響較少的同齡人」應有的水準低 19%。資深員工沒有類似的落差。
  3. 這個落差從 2025 年 8 月第一次記錄以來持續擴大。同一個算法,用 2025 年 7 月的資料是 15%,到 2026 年 6 月是 19%。
  4. 落差主要來自少招年輕人,離職變多不是主因。
  5. 下滑集中在 AI 主要用來代替人做事的職業。AI 主要用來輔助人的職業,就業持平或上升,尤其是資深員工。
  6. 到目前為止,調整主要出現在就業,基本薪資還看不出來。

史丹佛論文提出的可能解釋:課本教得會的標準化知識 AI 容易代替,靠實作累積的隱性知識比較難

為什麼受影響的偏偏是剛入行的人?論文提出一個可能的機制,把知識分成兩種:

標準化知識codified knowledge隱性知識tacit knowledge
論文的定義正式、標準化、有文件記錄,可以透過教育、課本或書面流程教會靠經驗,很難寫下來,也很難在教室裡教;要靠實作、有人帶、反覆碰到真實狀況來累積
論文怎麼估算看這個職業要求的正式教育程度,加上數學、法律、分析資料這類正式教授的內容看這個職業要求的工作經驗與在職訓練,加上機械知識、化解衝突、指導他人這類從經驗學來的內容
研究觀察到的這類知識比重高的職業,入門階段的就業成長比較慢這類知識比重高的職業,中生代與資深員工的就業成長比較快

史丹佛的官方摘要頁這樣解讀:生成式 AI 特別擅長重現和運用已經寫成文字、變成數位資料的知識,靠經驗累積的知識比較難複製。

美國入學統計與史丹佛研究沒有說的事:19% 是相對落差、不能當因果、入學數字是初步統計

引用這些數字之前,有幾件事要先講清楚。

19% 不代表有 19% 的年輕人失業它是跟受影響較少的同齡人比出來的相對落差。論文第一個事實就寫:沒有看到整個經濟體大規模的工作被取代。
  • 作者把這些結果定位成早期的、描述性的指標,並明講不能當成因果估計。摘要頁寫,光靠這份資料,無法確定這個落差有多少是生成式 AI 造成的。
  • 論文自己列了幾個保留:把學歷的差異算進去之後,落差會縮小;有些趨勢在生成式 AI 普及之前就看得到;這份 ADP 薪資資料裡的落差,比全國性調查看到的大。
  • 標準化知識與隱性知識這組區別,論文寫的是「可能的機制」,並提醒這部分的估計同樣不能當因果。把各職業的大學學歷比例算進去之後,標準化知識那一條在統計上就不明顯了,隱性知識對資深員工那一條還在。
  • 入學數字是初步統計,之後可能修正。
  • 兩份都是美國的資料。

作者在摘要頁也說,他們不認為這篇論文或任何單一研究是定論。

讀完兩份美國資料的想法:不管在職場還是正在找工作,都留意兩件事

讀完我蠻認同的。不管我們現在是在職場裡面,還是要找工作,我覺得都要留意兩件事。

第一件事:不要再去找那些已經很容易被 AI 學習的東西

論文說的標準化知識,就是靠課本、書面流程就能教會的那一類。

第二件事:學習或做事的時候養成習慣,把正在做、正在學的隱性知識提煉出來,給自己的 AI 做

提煉出來交給 AI,會不會反而被學走,我另外寫過一篇

在職場可以這樣開始:帶新人時錄音,讓 AI 當見習生旁聽,整理成操作手冊

這個例子是給在職場、有機會帶新人的人。

在職場帶新人的時候就可以錄音,讓 AI 當見習生在旁邊旁聽,整理成一份操作手冊。給人看是新人手冊,給 AI 用就是技能包。技能包就是給 AI 看的操作手冊。

STEP 1帶新人的時候錄音

錄音前先讓新人知道用途。

STEP 2讓 AI 當見習生旁聽

把錄音交給 AI,整理成一份操作手冊。

STEP 3一份手冊兩種用法

給人看是新人手冊,給 AI 用就是技能包。

正在找工作的人,第二件事的原則一樣:學習的時候,就把正在學的提煉出來。

帶新人錄音的完整做法,我在另一篇寫過

直接叫年輕人去創業,我覺得挺恐怖的

有一種說法是,既然公司少招新人,年輕人就乾脆自己創業。這樣直接叫年輕人去創業,我覺得真的挺恐怖的。

我自己也是一人公司創業很久了,我真心覺得現在是最好的時代,因為 AI 讓門檻變很低。但門檻變低,不等於雷就變少了,成功率也不會自動變高。

之前我看到停電工作室講微創業十個殘酷真相的影片,從假性自由、坪效、演算法過路費,一路講到庫存、安全網、裝潢歸零、履歷斷層,最後一個是「逃避不是商業模式」。裡面講的雷我幾乎都踩到了,所以真的是深有同感。

我的提醒還是上面那兩件事。

創業這件事,我在另一篇講過我的看法

延伸閱讀

這篇提到過的
再往後延伸

研究出處

想一起把 AI 接進工作流程?

我每個月有兩場免費線上講座,也在 LINE 社群分享一人公司 + AI 員工的應用技巧。