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。
- 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
- 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:
- 沒有看到整個經濟體大規模的工作被取代。
- 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。
- 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%。
- 落差主要來自少招年輕人,離職變多不是主因。
- 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。
- 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。
- 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
- 把專業提煉給 AI,會不會被學走?:無形資產越分享越豐盛 這一段只講要養成提煉的習慣,那篇講提煉出來之後,為什麼我不擔心被學走
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。
錄音前先讓新人知道用途。
把錄音交給 AI,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。
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。
- 公司請 AI 顧問來陪跑,要叫全部人一起來學嗎?|先找關鍵主管把一條流程做好,再複製給其他人 這一段只講三步,那篇有主管教員工做簡報的真實情境,和把錄音整理成操作手冊的提示詞
- Claude Skills 是什麼?把你的專業流程,變成 AI 能重複執行的知識資產 沒聽過技能包也沒關係,這一段只提到這個詞,那篇從頭講技能包是什麼、怎麼做
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。
- 一人公司創業的雷:門檻變低,雷沒變少(Threads) 這一段只摘了我的幾句話,那篇脆文有十個雷的整理圖卡
- 老闆想用 AI 取代員工,員工怎麼辦?|前 Google X 高管說的 15 年 AI 動盪期,放到台灣來看:彈性就業能力與一人公司 這一段只講我不建議直接叫年輕人去創業,那篇寫了我說的「自己創業的坑很多,是一個很辛苦很累的模式」,以及逼不得已要創業時可以怎麼起步
延伸閱讀
- 把專業提煉給 AI,會不會被學走?:無形資產越分享越豐盛 決定開始提煉之後,最常冒出來的擔心
- 公司請 AI 顧問來陪跑,要叫全部人一起來學嗎? 帶新人錄音、整理成操作手冊的完整範例與提示詞
- Claude Skills 是什麼? 操作手冊怎麼變成 AI 用的技能包
- 老闆想用 AI 取代員工,員工怎麼辦? 我對創業的看法
- 一人公司創業的雷:門檻變低,雷沒變少(Threads) 我踩過的創業雷,十個雷整理在圖卡裡
- AI 越來越強,會不會哪天就不需要我了?:越交給 AI 的人越不怕被取代 往後一步:另一份報告(Anthropic 的 Cadences)怎麼看把工作交給 AI 的人,附把任務分三層的做法
- AI 員工誰帶得好?有經驗的主管可能更有優勢 往後一步:帶過人的主管,怎麼把帶新人的方式用來帶 AI
- 花大錢做產品前,先用 AI 驗證創業點子 往後一步:真的要創業,先驗證需求再投入產品開發
研究出處
- 史丹佛 Digital Economy Lab,Erik Brynjolfsson、Bharat Chandar、Ruyu Chen,〈Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence〉,2026 年 8 月更新版:論文 PDF、官方摘要頁
- National Student Clearinghouse Research Center,Preliminary Fall Enrollment Trends(2026 年 10 月 29 日)
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。