日本大學生就職率 98%，為何仍面臨 AI 職涯危機？町工場、中小企業與失去的新人訓練

晶片觀測站2026/10/1719 min read

30秒摘要

日本企業缺工、大學畢業生就職率達 98%，但生成式 AI 正逐步接手新人用來學習的基礎工作。從町工場技術傳承、中小企業數位化到新卒一括採用，深入解析日本職場可能出現的經驗落差。

重點摘要

012026 年日本大學畢業生就職率為 98.0%，但不能據此推論所有年輕人的職涯品質良好。
022026 年日本中小企業白皮書指出，缺工與獲利能力限制迫使企業提升附加價值及勞動生產力。
03日本總合研究所提出生成式 AI 可能削弱新人在職訓練，形成未來才顯現的經驗落差。
04AI 可以協助地方企業保留知識與提高效率，但無法自動解決技術傳承與事業承繼。

缺人的日本，為何仍可能出現年輕人的職涯危機？

日本勞動市場出現一個看似矛盾的現象：企業普遍抱怨找不到員工，大學畢業生的就業數據也相當漂亮，但人工智慧正在改變新人進入職場後學習工作的方式。日本厚生勞動省與文部科學省公布，2026 年 3 月大學畢業生截至 4 月 1 日的就職率為 98.0%，與前一年持平。這裡的就職率是以希望就業者為分母，不是全體畢業生，也不能直接衡量薪資、工作滿意度或長期職涯品質。高就職率顯示整體求職環境尚未崩潰，卻不保證新人的工作內容與成長機會沒有改變。

町工場的難題：沒有新人，技術要交給誰？

日本地方的町工場通常指規模較小、專精特定加工或零件的製造業者。這些企業的競爭力可能建立在多年累積的加工經驗、客戶信任、設備調校和不容易寫成手冊的現場知識。當熟練技師退休，企業不一定找得到足夠年輕員工接班。AI 可以協助整理作業標準、搜尋過往工單、生成報價草稿、輔助排程，機器視覺也可能協助檢查特定瑕疵。但這些工具必須先有可用資料，還需要熟悉製程的人驗證。若老技師的判斷從未被記錄，單靠購買一套 AI 系統並不會自動保留技術。

白皮書的警告：維持現狀本身可能就是風險

日本經濟產業省在 2026 年中小企業白皮書指出，勞動供給受限、工資上升與企業獲利能力不足正在改變經營環境。白皮書強調，企業不能只追求短期削減成本，還需要改善定價、提高產品附加價值、進行成長投資，並透過 AI 與數位化優化勞動投入。這並不代表政府認定所有中小企業都應以 AI 裁員。相反地，當人口減少造成長期缺工時，導入技術可能是為了維持原本無法繼續提供的服務。真正的經營問題在於：省下來的時間是否能轉化為更高品質、更好的交期或新的客戶，而不是只把原本的低毛利工作做得更快。

小企業的數位化，不是裝上聊天機器人就完成

在小型製造業，報價資料可能存在老闆的電子郵件、紙本筆記與個人記憶中；在地方旅館，預約紀錄可能散落於不同平台；在建築公司，工程照片、圖面與修改紀錄未必有統一版本。AI 需要可靠的資料與明確的工作流程，否則只會加快產生錯誤答案。日本中小企業白皮書討論的數位轉型，包含設備投資、價格轉嫁、組織管理與人才培育，不是單一軟體採購。對資金有限的公司而言，先整理產品資料、標準化工作流程、建立權限與備份，往往比追逐最昂貴的大模型更實際。

新卒一括採用：日本企業為什麼還願意招收沒有經驗的人？

日本長期存在新卒一括採用，也就是企業集中招募即將畢業的學生，再透過內部輪調與在職訓練培養人才。這種制度和只招聘具備立即上手技能的職位導向市場不同。日本總合研究所 2026 年研究認為，人口老化、缺工與會員型雇用制度，可能使日本不至於立即出現與部分海外市場相同規模的青年就業衝擊。然而，企業繼續招人不代表訓練機制會維持原樣。當 AI 接管入門工作，傳統由簡入難的成長路徑可能被掏空。

新人原本在做的事，正是 AI 最先學會的事

整理會議紀錄、比對資料、製作簡報初稿、彙整客戶問題、修改基礎程式、製作例行報表，常是新人理解公司運作的入口。這些工作看似重複，卻能讓員工學習判斷哪些資料可靠、如何詢問前輩、如何發現例外與錯誤。生成式 AI 能協助完成其中一部分，但若企業只要求新人把 AI 的輸出交出去，便可能減少他們練習判斷的次數。反過來說，如果公司讓新人先提出自己的解法，再使用 AI 比較與檢查，工具也可能提高學習效率。差異在於管理制度，不在於是否使用 AI。

真正的風險可能在五年後才浮現

日本總合研究所的分析提出一項重要風險：如果新人在職涯初期失去必要的實務訓練，當這批人五至十年後需要負責專案、管理團隊或判斷複雜問題時，能力落差才可能明顯浮現。這是研究者提出的風險情境，不是已經觀察到的全國性結果。由於公司仍然正常招募、年度績效數字也可能改善，企業甚至不容易察覺訓練機制正在弱化。短期生產力與長期人才品質可能因此出現衝突。

大企業與地方中小企業，競爭的不只是薪水

大型企業通常較有能力提供較高起薪、正式訓練計畫、專業主管與跨部門輪調。地方中小企業則可能提供更早接觸真實客戶、製程與決策的機會，但也可能因為人手不足，缺乏完整的帶教制度。對大學畢業生來說，職涯風險不是單純選大公司或小公司，而是進入企業後能否獲得有效回饋、累積可轉移的技能，以及在 AI 出錯時仍有能力獨立判斷。對地方企業而言，若只靠低薪與情感訴求招募新人，可能更難和資源雄厚的大公司競爭。

文組、理工與資訊科系，受到的衝擊並不相同

行政、行銷、翻譯與內容工作中，部分標準化初稿較容易受到生成式 AI 影響；資訊科系學生則可能面臨基礎程式撰寫與測試自動化，讓企業提高對系統理解、除錯、安全與產品能力的要求。理工科的實驗、設備維護、現場量測和安全責任，通常還有較多實體環境限制。這些是依工作任務特性做出的風險分析，不代表某個學系已經出現確定的失業潮。即使同一職稱，不同公司對 AI 的採用程度也可能差異很大。

學歷與能力的關係，可能被重新檢驗

當 AI 可以快速生成一份漂亮的報告或程式碼，作品的外觀不再能充分證明學生掌握背後原理。企業可能更重視現場解題、口頭說明、實作紀錄、團隊協作與錯誤修正過程。大學也面臨同樣問題：若課程評量仍只看最終提交的文件，學生可能在沒有完整理解的情況下取得好成績。更有效的教育方式，可能需要增加實驗、專題口試、實習與反思紀錄。不過，這仍是教育制度的政策選擇，不能假設所有日本大學都已完成轉型。

AI 是缺工解藥，還是讓新人更難成長的陷阱？

對一間只有十名員工的地方公司來說，AI 能讓老闆少花時間處理文書，讓技師把精力留給品質控制，甚至延後因缺工而停業的風險。但如果省下來的工作恰好是新人原本用來學習的入口，公司就需要刻意設計新的訓練方式。例如保留由新人親自完成的案例、安排師傅講解 AI 無法處理的例外情況、建立錯誤案例資料庫，並讓新人在真實但可控的工作中承擔責任。這些措施有成本，卻可能決定企業十年後還有沒有能獨當一面的人。

從事業承繼到地方衰退：不是每間公司都會被 AI 救回來

日本中小企業面臨的風險還包括經營者高齡化、接班人不足、地方市場萎縮與價格談判能力弱。AI 可以降低部分行政負擔，卻無法創造不存在的顧客，也不能自動解決債務、租金、能源成本或缺乏繼承者的問題。對部分公司來說，合理的選擇可能是與其他企業合作、併購、移轉技術或有計畫地結束營業，而非不計成本導入新技術。把所有停業都歸因於 AI，或把 AI 當成萬能解方，都是過度簡化。

對畢業生而言，未來真正稀缺的是什麼？

如果基礎文字與程式產出愈來愈便宜，能定義問題、查證資料、理解客戶、評估風險與承擔責任的人，可能更有價值。對想進入町工場的年輕人，懂得製程、量測、品質管理，再加上基本資料分析能力，可能形成很好的組合；對文組學生，產業知識、採訪能力、資料驗證與跨文化溝通，也不會因為 AI 能寫文章就自動失去價值。這不是保證某種技能永遠安全，而是強調不能只把職涯建立在單一、容易標準化的產出上。

日本真正要回答的問題

日本面臨的不是單純的「AI 會搶走多少工作」，而是更複雜的三重挑戰：缺工企業如何繼續營運、地方技術如何傳承、年輕人在 AI 普及後如何取得足夠的實務經驗。若企業只追求立即節省工時，可能犧牲未來的人才；若完全拒絕數位化，又可能因缺工與成本壓力退出市場。成功的轉型，需要把生產力投資和人才培養放在同一張資產負債表上。真正值得關注的，不只是今年畢業生找到多少工作，而是十年後，他們是否有能力接下日本產業的下一棒。