AI 還沒引爆全面失業潮，但年輕白領先承壓：Stanford 發現高 AI 曝險職業就業缺口擴大至 19%

人工智慧是否正在搶走人類工作，一直是生成式 AI 崛起後最具爭議性的問題之一。

但到了 2026 年，這個問題開始有了比企業 CEO 預測或科技產業口號更具體的答案。

Stanford Digital Economy Lab 8 月 12 日發布新版研究《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》，利用 ADP 提供、涵蓋數百萬名美國勞工的高頻行政薪資資料，追蹤生成式 AI 普及後不同年齡與職業的就業變化。

研究得到一個看似矛盾、但非常重要的結果：目前沒有證據顯示 AI 已經造成整體經濟範圍的大規模失業，但年輕工作者正在部分高度 AI 曝險職業中明顯落後。

其中，22 至 25 歲工作者在高度暴露於 AI 的職業裡，就業水準已比假設其跟上低 AI 曝險同齡族群時應有的水準低約 19%。更資深的工作者則沒有出現相同程度的缺口。(digitaleconomy.stanford.edu)

從 15% 擴大到 19%，青年 AI 就業缺口持續惡化

Stanford 研究團隊並不是第一次觀察到這個現象。

研究人員 Erik Brynjolfsson、Bharat Chandar 與 Ruyu Chen 在 2025 年就發現，年輕工作者在高度 AI 曝險職業中的就業表現開始與其他職業分離。

到了 2025 年 7 月的資料版本，這個缺口約為 15%。

最新資料一路延伸到 2026 年 6 月後，差距進一步擴大到約 19%。

如果直接觀察就業人數，2022 年 11 月至 2026 年 6 月期間，22 至 25 歲工作者在 AI 曝險最高的兩個職業群組中，就業人數約下降 11%；相反地，同年齡層在 AI 曝險程度較低的三個群組中，就業人數則成長約 10%。(digitaleconomy.stanford.edu)

這並不代表所有差異都能直接歸因於生成式 AI。

Stanford 研究團隊特別強調，這些結果屬於 Descriptive Patterns，也就是描述性統計，而不是 AI 造成就業下降的完整因果估計。

利率、產業景氣、疫情後企業招聘正常化、科技業過度招聘後的修正，以及整體宏觀經濟環境，都可能同時影響年輕人的就業情況。

因此，『19%』不能簡化成『AI 消滅了 19% 的年輕白領工作』。

真正重要的是，不同 AI Exposure 的職業已經開始出現系統性的分化，而且這個差距仍在擴大。

最大變化可能不是裁員，而是企業不再招聘 Junior

Stanford 最新研究最值得注意的地方之一，是研究人員進一步分析了這個就業差距究竟從哪裡產生。

結果顯示，年輕人的就業下降主要不是因為企業大規模解雇現有員工，而是企業減少招聘新的年輕工作者。

換句話說，AI 對勞動市場最早出現的影響，可能不是新聞標題中常見的『公司裁掉 1 萬人，用 AI 取代』，而是一種更加安靜的變化：原本應該出現的職缺沒有再出現。

這種情況對總體失業率而言並不容易立即被看見。

假設一家公司原本每年招聘 100 名 Junior Programmer，今年因為 AI Coding Agent 提升現有工程師效率，只招聘 60 人，公司並沒有裁掉任何員工。

從 Layoff Data 來看，沒有任何異常。

但對準備進入職場的 40 名年輕工程師而言，那些消失的職缺就是非常真實的勞動市場衝擊。

這也是為什麼 AI 對就業的早期影響可能更接近 Hiring Shock，而不是 Layoff Shock。

AI 最先碰到的是「可以被寫成規則」的工作

Stanford 的新版分析還提出另一個重要線索：Codified Knowledge 與 Tacit Knowledge 的差異。

Codified Knowledge 指的是可以被明確寫進教科書、操作流程、文件、程式規格或標準作業程序的知識。

例如基礎程式設計、整理資料、產生標準文件、翻譯、摘要、初階市場研究，或按照既定框架完成分析，都比較容易被結構化。

這些工作也恰好是目前大型語言模型與 AI Agent 相對擅長的領域。

研究發現，依賴大量 Codified Knowledge 的職業中，年輕工作者就業下降更加明顯。

相比之下，需要 Tacit Knowledge，也就是透過多年實務經驗、情境判斷、人際互動、Mentorship 與反覆處理真實世界問題才能形成的隱性知識，資深工作者的就業表現反而更加穩定。

這可以解釋為什麼 AI 目前不是平均取代每一個人。

一名擁有十年經驗的資深工程師，價值可能並不只是『會寫程式』，而是知道某個系統為什麼在三年前如此設計、哪些客戶不能得罪、哪段 Legacy Code 看似錯誤卻不能修改，以及故障時應該優先檢查什麼。

這些資訊通常沒有完整存在於文件裡。

Junior 員工則比較常負責可以被明確描述、拆解與驗證的任務，而這正是 AI 最容易切入的地方。

Richmond Fed：AI 高曝險職業重新找工作也變慢

Stanford 看到的是年輕人招聘入口的變化，美國 Federal Reserve Bank of Richmond 則從另一個方向發現類似訊號。

Richmond Fed 在 2026 年 8 月發布的 Economic Brief 中研究美國失業者重新找到工作的速度，也就是 Job-Finding Rate。

研究發現，近期美國失業者離開失業狀態的速度正在下降，而且在高度暴露於 AI 的職業中，Job-Finding Rate 的下滑更加明顯。(richmondfed.org)

這代表 AI 潛在的勞動市場影響可能同時存在於兩個入口。

第一，是企業減少招聘部分初階工作者。

第二，是已經失業的高 AI 曝險白領工作者重新找到工作的速度下降。

不過 Richmond Fed 同樣沒有把目前美國失業率的變化全部歸因於 AI。

後續研究特別指出，高 AI 曝險工作者雖然出現較大的 Job-Finding Rate 下滑，但這群人的規模不足以單獨解釋整體失業者重新就業速度下降。

事實上，AI 曝險較低的工作者也占了總體 Job-Finding Rate 下降相當大的部分。

Richmond Fed 因此認為，AI Exposure 是目前勞動市場變化中值得關注的因素，但並不是唯一甚至占主導地位的原因。(richmondfed.org)

企業裁員也愈來愈常直接提到 AI

另一方面，企業自己開始更加公開地把 AI 與組織縮編連結起來。

根據 Reuters 7 月引用 Challenger, Gray & Christmas 的統計，2026 年美國企業宣布的裁員中，接近四分之一被企業歸因於 AI。

Microsoft、Amazon、HSBC、Standard Chartered 等大型企業近年都進行不同程度的人力調整，同時增加 AI、自動化與數位基礎設施投資。(reuters.com)

不過，全球人力資源公司 Adecco 執行長 Denis Machuel 對這類數據提出一個重要警告。

他認為，企業有時可能把原本因為營運效率、成本控制、組織重整或業務表現不佳而進行的裁員歸因於 AI。

因此，企業聲稱『因 AI 裁員』，不代表每一個被取消的職位都真的已經由一套 AI 系統一對一取代。

從投資人與媒體角度來看，這個區別非常重要。

AI 可能是企業重新設計組織的 Catalyst，也可能是管理層用來合理化原本就準備進行的成本削減。

印度 IT 服務業已開始看到 Entry-Level 模式動搖

AI 對初階白領工作的影響，在高度依賴大量工程人力的印度 IT Service Industry 中尤其值得觀察。

Reuters 8 月 20 日報導指出，AI 正在改變印度規模約 3,150 億美元的 IT 服務市場，包括 Tata Consultancy Services、Infosys、Wipro、HCLTech 與 Cognizant 等企業都面臨客戶要求以更少人力完成更多工作的壓力。

傳統印度 IT Outsourcing 模式的一項重要商業邏輯，是利用大量工程師按照人數與工時向客戶收費。

但 AI 自動化開始削弱『更多人等於更多產出』的關係，企業也逐漸從 Headcount-Based Billing 轉向以成果為基礎的 Outcome-Based Contract。

Reuters 指出，AI 自動化正在降低企業對 Entry-Level Coder 的需求，傳統依靠大量招聘新鮮人，再逐步培養成中高階工程師的人力金字塔因此受到衝擊。

這正好與 Stanford 在美國勞動市場看到的現象互相呼應。

AI 最先改變的可能並不是最頂端的專家，而是企業原本用來培養下一代人才的最底層職位。

一個更深的問題：沒有 Junior，未來哪裡來的 Senior？

短期來看，企業減少 Junior Headcount 非常合理。

假設過去需要一名 Senior Engineer 搭配三名 Junior Engineer 完成的工作，現在 Senior Engineer 使用 AI Coding Agent 就可以完成大部分初步程式碼、測試、文件與 Debugging，那麼企業自然會重新計算招聘三名 Junior 的必要性。

從 Productivity 的角度來看，這甚至可能是一件好事。

相同團隊可以完成更多工作，公司成本下降，產品推出速度提高。

但從長期 Human Capital 的角度來看，這裡存在一個更棘手的問題。

Senior Engineer 並不是出生時就是 Senior。

今天的資深工程師通常也是十年前從 Junior 開始，透過大量低風險任務、錯誤、Code Review、Mentorship 與實際專案逐漸建立 Tacit Knowledge。

如果企業把大量 Entry-Level Task 交給 AI，並因此停止招聘 Junior，公司短期生產力可能提高，但產業的人才培養管道也可能逐漸變窄。

十年後，企業可能發現 AI 很擅長完成大量標準工作，卻沒有足夠的人類專家能夠處理 AI 無法自行解決的複雜問題。

這可以被稱為 Talent Pipeline Problem。

它可能會成為 AI 自動化比短期失業率更深遠的勞動市場影響。

AI 目前更像是在改寫職涯階梯，而不是一次消滅所有工作

截至目前，Stanford、Richmond Fed 與企業就業資料都還不足以支持『AI 已經造成全面失業潮』這個結論。

Stanford 明確表示，目前沒有觀察到 Economy-Wide Job Displacement。

Richmond Fed 也指出，AI 並不能單獨解釋最近整體 Job-Finding Rate 的下降。

甚至 Adecco 也認為，AI 更可能重新設計工作內容，而不是直接導致全球就業市場崩潰。

但這不代表 AI 對勞動市場沒有作用。

相反地，真正值得注意的地方可能是影響正在以非常不平均的方式發生。

經驗豐富、擁有大量 Tacit Knowledge、能夠利用 AI 提高生產力的員工，可能因此變得更加重要。

而剛進入職場、工作內容主要由標準化知識與可明確描述任務構成的年輕工作者，反而可能首先面臨招聘需求下降。

這意味著未來幾年的 AI 就業問題，真正值得觀察的指標可能不只是 Unemployment Rate。

Entry-Level Job Openings、Hiring Rate、Job-Finding Rate、職涯起薪、畢業生就業率，以及不同 AI Exposure 職業之間的差異，都可能比單純的總體失業率更早透露 AI 對勞動市場的真實影響。

AI 失業潮也許還沒有出現。

但如果企業開始認為『資深員工加 AI』比『資深員工加三名新人』更有效率，那麼第一個真正被 AI 改寫的，可能不是人們原本想像的工作終點，而是年輕人進入職場的第一階。