企業 AI 支出強度與員工人數成長

資料來源#

• 2026 State of Scaling: The Great Sorting
• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment
• AI and Job Postings: From Destruction to Creation?
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think
• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence
• China, Open Source & AI Competitiveness — Andrew Ng
• Ramp's latest data on China vs. the American AI Labs
• September 2026 Ramp AI Index: Cracks in the AI thesis, part 2
• The Human-AI Substitution Principle: When will you be replaced by AI in your organization?
• The state of AI in 2026: On the road to ROI

摘要#

Kharazian、Simon 與 Stevens（Ramp × Revelio Labs，2026 年 6 月）的主要發現是：採用生成式 AI 的企業，在採用後成長得更快，但效果受到支出強度門檻的限制。研究將 Ramp 的企業信用卡與帳款支付逐筆紀錄（可揭示企業實際支付給 AI 供應商的款項）連結至 Revelio Labs 的勞動力歷史資料，涵蓋 21,559 家美國企業。研究發現，支出強度高的採用者在採用後 24 個月內，總員工人數成長約 10.2%，初階員工人數成長約 12.0%；支出強度低的採用者則沒有統計上可辨識的變化。增長逐步顯現（呈現「學習曲線」），涵蓋多種職能，但集中在資訊業；而且採用者群體有很強的自我選擇性。至少就實際採用的企業而言，結果「與 AI 採用將造成廣泛失業的預測相反」。

這篇論文的方法論貢獻與研究發現同樣重要：據作者所知，這是首項大規模結合企業層級實際 AI 支出與勞動力紀錄的研究，以植基於真實支出的揭示式採用指標，取代職業暴露度代理指標與主管問卷。早期技術研究可用資本設備追蹤的技術不同，生成式 AI 是透過軟體訂閱和 API 呼叫購買。這項指標在各種衡量方式中的位置，可參見遙測資料與問卷測量及暴露度分類：觀察、理論、回報、預期。

證據說明。 empirical——以行政等級支出與勞動力面板資料進行分期差異中的差異設計，而非實驗室實驗。以下每項主張都伴隨兩項限制。**(1) 選擇效應：採用者在採用前就規模較大、技術程度較高、薪酬較高、成長較快，也更常獲得 VC 支持（表 2）；因此，天真地比較採用者與從未採用者，會把 AI 效果與原有成長混為一談。(2) 識別：**主要估計仰賴條件式平行趨勢假設（Callaway–Sant'Anna，搭配產業固定效果，將採用者與同一最終支出強度組中尚未採用者比較）。大多數結果的採用前趨勢平穩，但不是全部——支出強度高組的總員工人數有 11 個採用前期間中的 3 個被標記；學士／MBA 則有 4–5 個。機制（採用者為何成長）仍未獲解釋。

新穎的指標：從支出端衡量採用#

過去研究透過職業暴露度（LLM 可以執行哪些工作——Eloundou 等人、Webb、Felten 等人）或問卷衡量 AI 對勞動的影響，因為當時沒有企業層級的直接採用資料——生成式 AI 是透過軟體訂閱和 API 呼叫購買，不像早期技術研究可追蹤並進行基準比較的資本設備。暴露度指數只會因職業而異，不會因企業而異，因此「兩家僱用相同員工的企業，AI 採用程度可能大不相同，而暴露度指數無法區分兩者」。即使是最佳的觀察暴露度研究（Massenkoff 與 McCrory 的 Anthropic-Economic-Index 指標——暴露度分類：觀察、理論、回報、預期中的「觀察暴露度」），仍然停留在職業層級。

Ramp 的資料填補了這項缺口。作者使用 Ramp AI Index 供應商／逐筆項目分類器（基礎 LLM、GPU 雲端、模型服務／推論、程式碼代理、API token、AI 圖像／影片、AI 搜尋），觀察企業何時開始支付 AI 供應商款項、支付多少，以及付給誰：

• 採用（G_i）= 首次出現連續三個月、每月 AI 支出 ≥$100 的期間起始月份；之後視為持續採用。這會排除員工一次性的實驗，同時涵蓋組織層級的持續採購。
• 強度 = PEPM（採用後前三個月的每位員工每月 AI 支出，除以基準員工人數）。低 = 底部兩個三分位組，高 = 頂部三分位組。差距達一個數量級：低強度採用者平均每位員工每月 $2.78，高強度採用者則為 $33.67——相當於企業聊天訂閱與持續投資於程式碼代理、API 及多種模型之間的差別。

若以採用率衡量，這個連結面板的付費採用系列落在以企業加權的 Census BTOS 基準（18% 的企業／以就業人數加權則為 32%）與主管問卷（Yotzov 等人約 69%；Atlanta Fed 約 78%）之間——這是針對商業支出活躍、科技業偏高的樣本所衡量的「揭示式付費使用」，並非全國代表性採用率。

受強度門檻影響的結果#

主要估計值（Callaway–Sant'Anna，在各強度組內比較尚未接受處置者，NAICS 產業 FE；log point 約等於百分比，為第 0–24 個月的平均值）：

結果	低強度 vs. 尚未採用	高強度 vs. 尚未採用
總員工人數	−0.6%（不顯著）	+10.2%*
初階員工人數	−1.7%（不顯著）	+12.0%*
非初階員工人數	+0.4%（不顯著）	+7.4%*
經理級以上員工人數	+1.0%（不顯著）	+6.5%*

（*** = p < 0.01。）各強度組之間的模式是論文的核心證據：AI 支出最高的企業，員工人數增幅最大；低強度採用者則看起來與未採用者相同。「企業聊天訂閱似乎還不夠……幾個月的試驗性支出也不夠。」

**增幅沿著學習曲線累積。**高強度組總員工人數的事件研究係數在採用時約為 0（0.003），3 個月時為 0.020，接著是 0.071（6 個月）→ 0.188（12 個月）→ 0.277（約 32%，18 個月）→ 0.452（約 57%，24 個月）。因此，24 個月平均 +10.2% 低估了終點數值；觀察期較長時，納入的企業較少，後段估計的信賴區間也較寬。最早的成長約在採用後 6–12 個月出現——這與企業需要時間建立最佳實務、整合工具，接著才招聘人手的情況一致。

初階職位結果與其引發的矛盾#

初階職位 +12.0%（Revelio 的資歷尺度為 1–2）是論述負載最重的發現，因為它直接違背「AI 正在消滅初階／初級職位」的普遍說法。這項說法最明確的外部表述——Brynjolfsson、Chandar 與 Chen 的〈Canaries in the coal mine〉（Stanford Digital Economy Lab；原始文件 §2 引用）——指出 ChatGPT 發布後，暴露度最高的職業中，22–25 歲員工的就業率下降 約 16%。Ramp 的結果指向相反方向。（2026-09-22 更新：知識庫現已收錄《煤礦裡的金絲雀？近期人工智慧就業影響的六項事實》原文。現行標題數據是截至 2026 年 6 月的跟不上步伐缺口 19%，衡量方式與 16% 不同——見下方調和分析。）

兩者並非直接矛盾；衡量的對象不同（標示層級——兩者皆為 empirical）。Brynjolfsson 等人依據企業內跨職業的暴露度差異進行識別（整體經濟中，暴露職業裡的年輕員工人數減少）。Kharazian 等人依據企業間的採用差異進行識別（密集採用 AI 的企業中，初階員工人數增加）。若初階職位的縮減集中在未採用或低強度採用企業的暴露職業中，或反映出人力流向採用企業，同時密集採用者廣泛擴增初階員工人數，兩者就能同時成立。兩者都不能直接反駁對方；它們描述的是互補的面向（職業暴露 vs. 企業採用），分析單位完全不同。對自動化與樂觀的關聯中以觀感呈現的初階職位流失恐懼而言，Ramp 論文是客觀反證——超過三分之一的受訪員工認為初階同事失去工作的機率高於 60%——但僅限於研究所觀察到的採用企業群體。

**親自查閱並調和，而非取平均的反向指標（2026-09-22）。**知識庫現已收錄 Canaries 論文原文——《煤礦裡的金絲雀？近期人工智慧就業影響的六項事實》，2026 年 8 月修訂版，使用 ADP 行政薪資微觀資料至 2026 年 6 月（empirical；Stanford Digital Economy Lab說明指標限制）。有三項修正與一項更明確的解讀：

• 數字變了，衡量方式也變了。論文不再以企業衝擊調整迴歸作為標題數據（2025 年 7 月版本為 13%，2025 年 9 月版本為 16%），改採不需任何模型選擇的簡單描述性差異：2025 年 7 月版本為 15%，截至 2026 年 6 月則為 19%。因此，16% 和 19% 並非同一條擴大中序列上的兩個數值；知識庫不應再將它們當成如此引用。以人數水準來看，2022 年 11 月至 2026 年 6 月，暴露度最高的兩個五分位組中 22–25 歲員工人數下降約 11%，暴露度最低的三個五分位組則增加約 10%。
• **矛盾沒有消失；論文並從結構上解釋了為何無法化解。**ADP 企業識別碼經過匿名化，「因此無法合併以職缺刊登或財報電話會議為基礎的外部採用指標」。因此 Canaries 完全看不到企業；它依據跨職業暴露度差異進行識別，而本面板依據跨企業採用差異進行識別。兩者皆為 empirical，兩者可以同時成立：密集採用企業的初階職位增加 +12.0%，仍可與整體經濟中暴露職業的年輕員工減少 19% 並存，前提是初階職位縮減集中在未採用者的暴露職業中，或採用企業正在吸收重新配置的初階員工。兩項指標都無法檢驗這種調和方式，而取平均只會產生一個不代表任何事物的數字。
• 最接近連結兩者的分析，方向偏向 Canaries。由於缺乏企業識別碼，論文改以 Anthropic Economic Index 使用情形建立州級採用分級：領先採用州中，暴露職業的年輕員工減幅最劇烈（暴露度最高五分位組約 −19%），新興採用州則最小。這項採用梯度與本面板的方向相反——地理位置只是企業採用的粗略代理指標，但這是兩種指標唯一重疊的切分方式，而且它並不支持「採用者會聘用初階員工」的解讀。
• **Canaries 自身附錄中，一項朝另一方向的提醒。**最能控制本面板旨在處理之混淆因素的估計——加入企業時間固定效果的企業內 Poisson 事件研究，也就是「這些年輕人是否只是在員工人數縮減的企業工作？」——跨版本逐漸減弱，對暴露度最高五分位組已不再顯著（2025 年 8 月版為 −11.7 log point，p=0.02；以相同篩選條件套用於目前資料則為 −5.3，p=0.26）。第四個五分位組則維持穩定。描述性差異擴大，企業條件化估計卻減弱；引用時兩項事實都應交代。

組成，而不只是規模。觀察勞動力占比（表 4）可見，高強度採用者的員工組成更年輕：初階員工占比**+1.15pp**，經理級以上占比**−1.52pp**——初階員工人數成長速度高於企業其他員工。低強度採用者則方向相反（初階員工占比 −0.52pp，經理級以上 +0.66pp）。所以密集採用的故事不只是「企業規模變大」，而是「企業規模變大，而且員工組成更偏向初階職位」。

需求面的對照：職缺刊登及其不一致之處#

上述一切衡量的都是支付 AI 供應商款項之企業的員工人數存量。Indeed Hiring Lab（Guillermo Gallacher，2026 年 7 月 8 日）提供同一問題的流量面向——全體經濟而非僅限採用者的職缺刊登。它在水準上指向相同方向，在組成上則指向相反方向。

文章正文的敘述如下（以下每項數字也都出現在正文及圖表說明中）：

• 自 Claude Code 發布以來，美國軟體開發職缺刊登增加 15%（該序列以 2025 年 2 月 24 日為 100），同期整體職缺刊登下降 7%。
• 回升是從深谷開始：軟體開發職缺刊登仍比 2020 年 2 月的水準低約 27.5%，整體職缺刊登則幾乎已回到當時水準。
• 回升集中於特定類別，並不廣泛：2025 年 5 月至 2026 年 5 月，軟體開發職缺刊登的增幅中，71%來自資深職位，**37%**來自職稱提到 AI 的職缺刊登（兩者有重疊）。Gallacher 的解讀是：「對能與 AI 共事的資深專業人士，需求正在增加；這不一定代表所有軟體職位都普遍復甦。」
• 不同觀察期間的職業暴露度與職缺刊登關係正負號反轉：2022 年 5 月至 2026 年 5 月，職業的 AI 暴露度越高，職缺刊登減幅越大；2025 年 5 月至 2026 年 5 月，暴露度越高，回升幅度越大。兩種關係都被描述為具有統計顯著性，且明確未經控制。

證據說明與利益衝突。這是 empirical，因為採用的是經測量的行政資料，但分析者是Indeed Hiring Lab，使用 Indeed 自家的求職平台資料；研究以部落格文章而非研究報告形式發表。每個數字都伴隨三項限制。(1) 職缺刊登 ≠ 工作。單一求職平台的職缺流量，只是勞動需求中經過篩選的一部分——受哪些雇主和產業在平台刊登、涵蓋哪些國家，以及職缺刊登行為（重複刊登、長期有效職缺）影響，這些都不是員工人數面板會呈現的因素。(2) 因果歸因是主張，並未經識別。文章直言「相關不代表因果」，但接著仍依賴時間上的巧合：Claude Code 發布、「vibecoding」一詞出現，以及職缺刊登跌至谷底，都發生在 2025 年 2 月。某產品發布時出現回升，並不證明產品造成回升；文章本身引用的 New York Fed 資料指出，AI 暴露職業的就業減少早於 ChatGPT 發布便已開始，因此跌至谷底既是既有趨勢的終點，也是新趨勢的起點。要證明因果，需要此設計所欠缺的變異來源，例如企業或地區對代理式工具的暴露度差異、未暴露但可比較職業的配對控制組，或採用時點變異——上文 Ramp 面板實際採用的方式。應將它視為轉折點的描述，而非效果估計。(3) 此處刻意不引用僅見於圖表的數值。國際比較中六個經濟體的名稱與各自占比，以及兩張散佈圖的相關係數與 p 值，只存在於來源網站上的靜態圖片中，沒有本地副本可供核對。正文只指出，多數大型已開發經濟體的軟體職缺占比正在上升，「德國與法國除外」，並稱暴露度關係具有「統計顯著性」。（來源內部有一處小不一致：國際比較圖說只點名德國呈下降，與正文所說的德國及法國不同。沒有圖表就無從核查，因此知識庫保留正文版本並加上此註。）

**與支出面板一致之處。**兩項指標都指出，AI 密集相關的勞動需求正在上升，而非崩跌；兩者也都發現需求集中在軟體領域，而非遍及整體經濟（Ramp：只有資訊業顯著；Indeed：整體市場下滑，但軟體開發職缺增加）。Indeed 的正負號反轉，也是本頁核心論點在職缺面的呼應——同一個職業層級暴露度分數，在一個期間預測下降，在下一個期間卻預測成長，因此暴露度並非對某份工作的固定判決。

不一致之處，而且差異落在最醒目的數字上。Ramp 的組成面標題結論是，密集採用者的員工組成偏初階：初階員工人數增加 12.0%，是增幅最快的層級；初階員工占比增加 1.15pp，經理級以上則減少 1.52pp。Indeed 的組成面標題結論是，職缺回升偏資深：增幅中有 71% 來自資深職位。兩者描述的並非同一個對象：

	Ramp × Revelio	Indeed Hiring Lab
單位	企業月份員工人數（存量）	求職平台職缺刊登（職缺流量）
群體	21,559 家支付 AI 供應商款項的美國企業	單一求職平台上的所有美國職缺刊登
比較	採用者 vs. 尚未採用者，產業 FE	2025 年 2 月前後，無控制組
期間	採用後第 0–24 個月	2025 年 5 月至 2026 年 5 月
組成	初階員工增幅最快（+12.0%）	增幅中有 71% 來自資深職位

兩者原則上可以調和——密集採用者可增加初階員工人數，同時整體經濟中新增職缺偏向資深職位；而職缺流量不會告訴我們企業現有員工的資歷組成。但這種調和方式只是個假設，並非測量結果，而且方向十分重要：Indeed 的分布與 Brynjolfsson「Canaries」模式一致（截至 2026 年 6 月，暴露職業中 22–25 歲員工的跟不上步伐缺口為 19%；較年長年齡層都沒有類似缺口——本文先前引用的 −16% / +8% 是 Lovett 對較早版本的二手轉述），而 Ramp 的初階員工結果則與之相反。Gallacher 本人也承認這一點——即使職缺回升，「勞動市場仍可能正經歷偏向資深職位的技術變遷。」知識庫現已各收錄一項針對初階職位問題、採用不同分析單位的指標，而兩者的分歧仍未解決。

第三種看法，但完全沒有指標。Andrew Ng 於 2026 年 7 月接受 Washington Post 訪問（中國、開放原始碼與 AI 競爭力——Andrew Ng，practitioner-opinion），從實務工作者的角度主張相同方向，並將其延伸為預測：針對 AI 末日失業的「恐懼論述」，他表示「軟體工程職缺正在增加……整個產業健康且持續成長」；他還說：「有人說 50% 的人會失業，街上可能會暴動。那不會發生。」他的機制是，AI 提高了與人類互補之能力的價值：「坦白說，我們找不到足夠的熟練 AI 工程師……AI 讓軟體工程師更有價值。」接著他把軟體業的情況推廣至其他經濟領域——「軟體業將證明自己是我們會在其他產業看到之趨勢的先兆或前兆」——最後指出，重新培訓而非取代人力才是核心問題：「挑戰不是處理失業末日……挑戰是如何協助每個人取得所需的新技能。」

有兩個理由值得記錄，也有一個理由值得打折看待。這是第三項獨立得出 AI 相關勞動需求上升而非崩跌的主張，並補上兩項實際測量都未涵蓋的機制（互補性提高人力價值，而不只是採用者擴編）。但他沒有提供任何資料，而且他的總結恰好忽略了上表意在補足的組成差異：「整個產業健康且持續成長」可以同時符合 Indeed 的 +15%，也可以與同一頁提到的資深職位占比 71%，以及目前仍低於 2020 年 2 月水準約 27.5%、正靠回升逐步填補的缺口並存。他對其他產業的推廣屬於 prediction；知識庫中的產業切分正是我們應審慎看待此預測的原因——經測量的員工人數效果只有資訊業達到顯著，而 Ng 正是從這個產業推論其他領域。

**一個月後重申，並明確提出條件（2026 年 8 月）。**在 Silicon Valley Girl 訪談中（Andrew Ng：AI 最大的機會不在你想的地方，2026-08-28，practitioner-opinion），Ng 再次提到職缺增加：「軟體工程職缺數量正在上升，這與那些……散播末日恐慌的人所說的相反。」他還補充三項未經佐證的觀察：「我認識的優秀軟體工程師都比以前更忙」；他認識的雇主「各種資歷層級的熟練人才都招不滿」；以及他自己辦公室的實習生，包括一位高中生，「表現出色、效率很高」，因為「他們都非常熟悉 AI 原生工作方式」。真正重要的新增內容，是他現在附加的條件：「如果有人現在還像 ChatGPT 出現前的 2022 年那樣寫程式，就會陷入困境……要培養其他 AI 做不到的 60% 到 70% 工作所需的技能。」這是一項組成主張——某一類工程師的需求上升，另一類則下降——正是上表 Indeed 回升中資深職位占 71%、職稱提及 AI 占 37% 的分布所衡量的，也是七月「整個產業健康且持續成長」所省略的內容。他的實習生是本文唯一與初階職位差異相關的資料點，而且只是提出此主張者自己辦公室中的單一案例。

涵蓋多種職能，集中於單一產業#

對高強度採用者而言，多種職能的員工人數都在成長（表 3）：銷售 +10.3%、行政 +7.8%、工程 +7.3%、初階工程 +6.3%、客服 +6.3%、科學家 +5.6%；財務（+4.6%）及行銷（+5.7%）則達到邊際顯著（行銷的採用前期間資料較弱）。**營運是唯一沒有成長的類別。**值得注意的是，職能被認為受到 AI 影響的程度，與其員工人數增加或減少並沒有強烈關聯——這與「受到影響的職能會縮編」的直覺相反。教育程度結果也有類似趨勢（學士 +10.3%，MBA +4.9%），但被標記的採用前期間更多；JD 沒有變化，PhD 則為正向但不顯著。

產業集中是標題結論最明顯的限制。依廣義 NAICS 類別估計（表 5），總員工人數增幅只有資訊業達到統計顯著（+13.4%，11 個採用前期間中有 0 個標記）——包含軟體、網路與媒體企業。專業／技術服務業的估計值為正，但不顯著；其他產業則接近零。作者認為「現在仍處於早期」：AI 在商業上成熟的效益，目前在程式碼代理與軟體工程工作流程中最明顯；核心產出的成本降低，讓擴大整間企業更有價值；而要擴散至非技術產業，則需要重新設計 AI 供應商尚未掌握的工作流程。因此，按現有測量結果來說，「AI 帶動就業成長」目前指的是資訊業，而不是已獲證實的廣泛經濟事實。

與從未採用者相比的穩健性#

與從未接受處置的企業相比（表 6，僅供描述，非主要估計），估計值更大且仍按支出強度排序——總員工人數高強度 +12.6%，低強度 +6.5%——但採用前趨勢受到嚴重污染（低強度組 11 個採用前期間有 11 個被標記；高強度組 11 個中有 8 個），正好呈現尚未接受處置者設計意在消除的選擇效應。作者說提供此結果是「為求完整」，這樣的權重安排恰當：它會膨脹效果，因為採用者原本就比始終未採用者成長得更快。

同一項指標，每月發布：Ramp AI Index（2026 年 7 月）#

上文論文是對 Ramp AI Index 供應商／逐筆項目分類器的研究應用。Ramp 也以月度市場指數形式發布這個分類器；Ara Kharazian 於 2026 年 7 月 8 日發布的文章（empirical，Ramp 首席經濟學家）是知識庫收錄的第一項資料。支出管道相同，切分方式不同：不再研究採用 → 員工人數，而是查看美國企業每月支付給哪些對象，追溯至 2023 年 1 月。

將它視為 Ramp 自己的帳本。Ramp 衡量的是自家企業信用卡與帳款支付客戶——這群客戶商業支出活躍，也偏向 VC 支持企業，並非美國企業的隨機樣本（上文論文對採用率的描述也如此）。Ramp 也有商業利益，希望成為最具權威性的 AI 採用資料來源，因此指數的標題框架同時是行銷呈現與測量結果。**趨勢方向遠比水準值可信。**數字有兩種分母，容易混淆：供應商占比序列的分母是符合資格的企業（其中 54.96% 在 2026 年 6 月有任何 AI 支出）；模型服務與支出序列的分母則是有 AI 支出的企業。

**供應商競爭，補上正文沒有提供的日期。**文章指出，2026 年 6 月 Anthropic 占企業 42.4%，OpenAI 則為 39.5%（「基本持平，微降 0.1 個百分點」）。找回的月度序列比「持平」更明確：

• **交叉點可確定在 2026 年 5 月。**2026 年 4 月：OpenAI 39.63% vs Anthropic 38.57%。5 月：39.54% vs 41.01%。Anthropic 一個月內超越 OpenAI，到 6 月已領先 2.9pp。
• OpenAI 在 2025 年 11 月以 41.36% 見頂，自 2026 年 2 月起每月都在下滑（41.17 → 40.28 → 39.63 → 39.54 → 39.47）。月比持平；與自身峰值相比則下跌約 1.9pp。這是 42 個月序列中，OpenAI 在企業採用占比首次出現持續下滑。
• Anthropic 的變化非常近期，而且相當劇烈：2025 年 12 月為 18.40%，到 2026 年 6 月升至 42.40%，六個月增加 24.0pp；前一整年則只增加 7.8pp。同期整體 AI 採用率只增加 9.0pp，因此 Anthropic 的大部分增幅來自已經在付費使用 AI 的企業，而非新採用者。
• 由同一張表推算（Ramp 未提及）：在有 AI 支出的企業中，OpenAI 的滲透率在 2026 年 1 月至 6 月間從 87.5% 降至 71.8%，Anthropic 則從 46.2% 升至 77.2%。改以 AI 支出企業作為分母，而非所有企業，呈現的變化約會加倍，因為分母本身也在增加。

文章完全未提及的四家供應商，均由圖表資料集還原。Google 在整個序列中幾乎持平——2023 年 1 月為 4.73%，2026 年 6 月為 6.38%，始終介於 4.6–6.4% 之間——同期整體 AI 採用率則從 7.5% 升至 55.0%。Microsoft 只達到 1.73%。xAI 占 3.03%，曾在一個月內明顯翻倍（2025 年 6 月至 7 月從 1.72% 升至 3.30%），之後便持平。DeepSeek 的直接數據線是四者中最有趣的，也是在一篇討論中國模型的文章中最明顯缺席的：它在 2025 年 1 月 R1 新聞熱潮期間達到 0.23% 峰值，接著下滑一年；2026 年回升後也只達到 0.29%——約為模型服務代理指標的二十分之一、Anthropic 的 146 分之一。

這種模式也是該指標最清楚的觀測範圍警訊。企業合約規模遠大的兩家供應商——Microsoft 與 Google——在此處的數據線卻最小。可能的解釋是支付管道，而非市場本身：企業協議、雲端承諾支出抵扣與議定發票，不像 OpenAI 或 Anthropic 訂閱那樣會透過企業信用卡支付。應將供應商占比解讀為透過信用卡／帳款支付管道付款給供應商的企業占比；這適合衡量席次與 API 採購，不適合衡量超大規模雲端供應商的服務使用量。另見遙測資料與問卷測量。

與本頁的連結：這項指數採用論文自己的 PEPM 單位衡量支出。論文依每位員工每月 AI 支出區分強度：低強度採用者平均 $2.78，高強度採用者平均 $33.67。2026 年 6 月指數的中位數則是一般 AI 支出企業 $10.59、使用模型服務／推論平台的企業 $248.41。因此，模型服務群體不只是「高強度」——其支出約為高強度組平均值的 7 倍，是該組內的極端尾端；而本頁發現這個群體的員工人數成長約 10%（初階職位約 12%）。這只是指示性比較，並非完全一致：論文的 PEPM 是整個面板觀察期間中，各企業採用後前三個月的群體平均值；指數的 PEPM 則是 2026 年 6 月的中位數。找回的序列還補充兩點：倍數從 2024 年 6 月的 14.9 倍擴大至 2026 年 1 月的 27.4 倍，之後又縮小至 23.5 倍，因為 AI 支出企業的每位員工支出中位數在五個月內幾乎翻倍（$5.59 → $10.59，+89%）；「23 倍」差距目前正在縮小，而非擴大。

而整篇文章圍繞的發現是：中國／開放模型的採用是疊加式，不是替代式。完整分析請見開放權重前沿差距——簡言之，5.8% 的 AI 支出企業使用模型服務平台（Ramp 對開放原始碼與中國模型的代理指標），其中96.4% 仍直接支付 OpenAI 或 Anthropic 款項，而且比率高於 AI 支出企業的基準，而非低於。

下一期，以及指數首次下滑的月份（2026 年 9 月）#

Kharazian 於 2026 年 9 月 9 日發布的文章（empirical，同一指標、相同利益衝突，同樣以五張 Datawrapper iframe 圖表呈現）是他稱為《AI 論述中的裂縫》系列第二篇，也是首篇以模型公司營收空頭論述撰寫的版本。其中四個序列與本頁相關。

採用率仍在增加，但每月增幅都在減速。2026 年 8 月，56.1% 的合格美國企業有 AI 支出（文章稱「56%，增加 0.4 個百分點」），相較於2026 年 6 月的 55.0%（2026-09-22 更新：已由《2026 年 9 月 Ramp AI Index：AI 論述中的裂縫，第二部分》取代）；Anthropic 為 43.8%（月比 +0.34pp），OpenAI 為 39.8%（+0.09pp），因此上文記錄的 2.9pp 領先差距現在增至 4.0pp。更值得注意的是採用率增幅的減速；只有從找回的序列中才能看出（知識庫計算，Ramp 未提及）：整體採用率的月增幅自 3 月起每月都下降——+2.17 → +1.71 → +1.19 → +0.78 → +0.76 → +0.43pp。Anthropic 自身的暴增也按照相同節奏減弱——+6.66 → +4.43 → +2.45 → +1.38 → +1.06 → +0.34pp——因此，造就五月交叉點的採用過程已逐漸耗盡可轉換的企業；Anthropic 八月的增幅現在也低於 xAI。

另外兩家供應商的變化超過標題提及的兩家，但文章都沒有點名——與七月版本有同樣的盲點。xAI 八月增加 +0.66pp（3.97% → 4.63%），是當月單一供應商最大增幅，近乎 Anthropic 的兩倍；Microsoft 達到 2.01%，高於一年前的 1.35%。Google 仍持平於 6.15%，在 44 個月來從未離開過的 4.6–6.4% 區間內。DeepSeek 的直接數據線創下 0.34% 的系列新高——仍約為 Anthropic 的 1/128，而且在一個以廉價模型為主題的系列中依然未被提及。

**新切分：按群體區分的每位員工支出，以及該序列首次下跌。**這一期以三群體 PEPM 序列取代「一般 vs. 模型服務」支出切分。2026 年 8 月：AI 支出企業的中位數為 $12.50，頂端十分位數為 $675.46，頂端百分位數為 $7,205.13。這篇文章討論的是前 1%——較七月公布的 $7,976 下跌 9.7%；模型公司「絕大多數企業營收都由這個群體帶動」。

**下跌只出現在最無法支撐此結論的群體。**AI 支出企業的中位數從 6 月的 $10.94 → $11.90 → $12.50（兩個月增加 14%），頂端十分位數從 $521.96 → $675.46（增加 29%）；只有頂端百分位數下跌。Ramp 自身的方法說明指出，該群體「代表一小群企業」，而且「比中位數及前 10% 的估計更不穩定」。Kharazian 也先提出季節性解讀——八月工程師放假，每年 11–12 月也有類似下滑——之後才進一步立論。

此外還有版本差異問題，會讓標題數字縮小到約四分之一。（比較同一指數兩期版本的知識庫計算；Ramp 公布的是輸入資料，並未提出這項結論。）Ramp 會隨較晚交易入帳而上修近期月份，並在此披露其中一次調整：七月頂端 1% 的 PEPM 初次報告約為 $7.4K，後來修訂至約 $8.0K（+8%）。比較兩期已納入資料中重疊的月份，其他支出序列也呈現相同情況——2026 年 6 月的 PEPM 中位數在七月版為 $10.59，九月版則為 $10.94（+3.3%）；6 月模型服務採用率從 5.77% → 6.00%（相對增加 +3.9%）——而二元供應商占比序列幾乎沒有變動（6 月整體採用率從 54.96% → 54.95%）。**企業家數序列首次發布時就已接近定稿；美元支出序列則還不是。**因此標題所稱的 −9.7%，比較的是經修訂的七月與尚未修訂的八月。若以首次發布資料進行同口徑比較，$7,205 對比約 $7.4K，約為 −2.6%；而八月數值很可能也會上修。下跌可能是真的，但發布的降幅有一部分是版本差異造成的；基於同樣原因，從這項指數最新月份讀出的每月變化都會有向下偏誤。

**與本頁的連結。**指數每月發布本面板的強度變數，但沒有連結至員工人數。頂端百分位數的 PEPM 為 $7,205，約為面板高強度組平均值（$33.67）的 214 倍；AI 支出企業中位數為 $12.50，現在已超過定義面板虛無組的低強度組平均值（$2.78）的 4.5 倍。若強度門檻是 PEPM 的絕對門檻，而非相對排名，這條序列每月上升時，超過門檻的企業占比也會逐月上升——月度指數可以解答這個問題，面板則無法回答。

同一結果的另一種門檻：看成長，而非強度（ICONIQ，2026 年 9 月）#

本頁的結果是由使用強度所決定：大量支出於 AI 供應商的公司會增加員工人數，淺嚐者則不會。ICONIQ 的《2026 State of Scaling》（ICONIQ Venture & Growth，2026 年 9 月，empirical——137 家軟體公司的季度營運資料）以不同的左側門檻衡量相同結果：營收成長。依營收年增率分組的員工人數中位數變化（n = 390 / 200 / 197 / 76 個公司季）：

營收年增率	2022–23	2024	2025	2026
100%+	119%	65%	115%	146%
50–100%	47%	38%	46%	34%
25–50%	17%	12%	18%	6%
<25%	(6%)	(5%)	4%	2%

兩者的形狀相同，重點正在於此。 兩種測量工具都呈現陡峭梯度：分布頂端大幅擴張，底部則持平——本頁的高強度採用者員工人數成長約 10%，ICONIQ 的營收成長 100% 以上公司則達 146%。兩者都不是替代的結果。但兩種門檻不能互換，而差異很有啟發性：AI 支出強度與營收成長彼此相關，卻不是同一個變數；ICONIQ 也從未依 AI 狀態切分這張圖，因此無法區分「積極投入 AI 的公司會招人」與「快速成長的公司會招人」。這正是本頁論文控制、而 ICONIQ 沒有控制的混淆因素。應將此視為在第二個族群（有創投支持的軟體公司，而非論文的全經濟範圍樣本）上，對趨勢方向的佐證，而非重複驗證。

族群邊界，就畫在同一份文件裡。 同一份報告明確列出 2026 年被歸因於 AI 的上市公司員工縮編——Amazon 9%、Dell 10%、Atlassian 10%、Snap 16%、Coinbase 14%、Cisco 5%、PayPal 20%、Intuit 17%、Cloudflare 20%、Meta 10%、GitLab 14%、Oracle 13%、monday.com 20%、Microsoft 2.1%，總結為「今年約 10–20%」（次級來源：TechCrunch 彙整申報文件、備忘錄與媒體報導，其中兩項標註為外部估計）。因此，在同一個十二個月期間，根據同一出版者的證據，私有、積極投入 AI 且高速成長的公司增加了 146% 的員工人數，成熟的上市公司則裁減了 10–20%。這正是本頁所說的「採用 AI 的公司」與「原生於 AI 的公司」之間界線，在一份報告中呈現為兩個符號相反的數字；這也是目前最清楚的答案，說明為什麼「AI 是否減少員工人數」總是得到互相矛盾的答案——AI Investment Story, Not Efficiency Story 提供營收端的對應分析。

ICONIQ 觀察到的機制，正是本頁第一個開放問題所問的。 在「ICONIQ Network 的觀點」一節中，傳導機制不是重整，而是抑制職缺遞補：員工流失「日益被視為避免、延後或降低職級遞補的機會」；「不遞補政策……明確連結到 AI 驅動的銷售、內容、營運與分析職能生產力提升」；「公司在評估 AI 驅動的生產力增益期間，採取招聘凍結，再決定是否核准增加員額」。這項觀察沒有量化——只是投資人對自家投資組合的定性解讀，沒有附上涉及公司的比例——但它指出一種影響淨員工人數的管道，不需裁掉任何人就能發揮作用；而支出與員工人數的面板只會顯示持平，無法解釋原因。

這個面板對正式替代模型能釐清什麼#

Banerjee 與 Singh 的 HAT 模型（arXiv 2607.20781，2026 年 7 月，practitioner-opinion——沒有資料的正式模型）推導出七項可檢驗預測，說明組織何時會以 AI 取代員工。這個面板是知識庫中唯一對這些預測所描述結果的公司層級測量，並與其中三項有關：

• 關於 P1（非連續式自動化）。 模型預測，員工結構的變化會在跨越門檻時出現劇烈的階段轉換——「自動化相關裁員或職務重新分類激增」，而非平滑擴散。高強度事件研究呈現的形狀恰好相反：在第 0/3/6/12/18/24 個月，數值為 0.003 → 0.020 → 0.071 → 0.188 → 0.277 → 0.452，呈現學習曲線上的複利成長。採用本身可能看似突然（OpenAI 內部職能的 Codex token 占比在單月內從 20% 升至 75%）；但 P1 實際指出的員工結構調整並非如此。
• 關於 P2（中階管理層脆弱性）。 模型預測 AI 會先削薄中間層，再影響頂層或底層，優先自動化協調職務。在這裡，高強度採用者的主管及以上員工人數增加 6.5%，入門職級成長最快，達 12.0%；只有占比朝預測方向移動（主管及以上 −1.52 個百分點，入門職級 +1.15 個百分點）。組成上的傾斜與預測方向一致，但實際數量並不一致；占比縮減的層級，並不是人數減少的層級。反向測量也得到相同情況——Brynjolfsson、Chandar 與 Chen 發現，在 AI 暴露程度最高的職業中，22–25 歲員工減少 16%，而同一批職業裡 35–49 歲員工增加 8%。
• 關於 P6（部署規模加速）。 模型的 Min$' = T_k/n_k + M'_k 預測，大型公司會因訓練成本可分攤至更多部署，而率先跨越替代門檻。樣本選擇表與此一致——這裡的採用者在採用前確實規模更大、技術程度更高、薪酬更高，也較常有創投支持——但存在混淆；這個面板真正區分結果的變數是每位員工的支出強度（每月 2.78 美元對 33.67 美元）與經過時間，而非可用來攤提成本的員工人數。公司即使將 AI 部署至每個職位，仍可能落入零效果組。這是互補因素的故事，而非成本攤提的故事；HAT 自身的限制 2 也承認 n_k 對其而言是外生變數。

以同一工具評估預期與實際結果（McKinsey，2026 年 8 月）#

本面板根據接近薪資資料的紀錄衡量員工人數。勞動力文獻的另一半是調查中的預期，而《The state of AI in 2026》（McKinsey / QuantumBlack，2026-08-25，empirical，但為自我回報資料）是資料庫中第一個能讓前瞻性勞動力預期，以同一工具後續觀察到的實際結果來評估的來源（圖表 16；2025 年 n=1,753，2026 年 n=1,521）：

	總體減少	幾乎沒有變化或沒有變化	總體增加	不知道
2025 年對來年情況的預期	32	43	13	12
2026 年回報該年度實際情況	14	66	8	13
2026 年對來年情況的預期	39	43	10	8

預期高估實際結果超過兩倍。 三分之二的受訪者表示，AI 對該年度總就業人數幾乎沒有影響或沒有影響；然而在該年度開始前，三分之一的受訪者預期員工人數會減少。各職能也重現相同模式（圖表 17）：十一個職能中，每一個的實際回報減幅都小於前一年預期的減幅；在行銷與銷售（預期 33 → 回報 14）、製造（30 → 13）、知識管理（27 → 11），以及策略與企業財務（28 → 15）中，實際減幅約為預期的一半。軟體工程是實際結果最接近預測的職能之一（預期 31 → 回報 22，比例為 0.71；知識管理、行銷與銷售、製造則為 0.41–0.43），而且它在來年預期中排名第三高（36，僅次於服務營運的 44 與供應鏈管理的 38）。

這對上方的結果代表什麼，又不代表什麼。 這不是矛盾，也不是取代既有結論：兩種工具中最常見的結果都是員工人數沒有因 AI 而減少；本面板觀察到的正向員工人數效果，則以支出強度為條件，而全球調查完全沒有衡量此項。兩者的測量單位不同，應予以釐清——Revelio 衡量觀察到 AI 支出的公司，其總員工人數變化；McKinsey 則請受訪者將就業變化歸因於 AI。這是一種反事實判斷，而非實際計數；13% 的「不知道」也坦率呈現了這一點。

可延伸的教訓是校準預期。 這是資料庫唯一能評估調查前瞻性 AI 與勞動力預期的案例，而預期高估了 2.3 倍。面對目前預期來年員工人數會減少的 39% 受訪者，應將此折扣納入考量——尤其是當這項預期被引用為勞動市場影響的證據時。評估結果本身也有幾項限制：兩波調查來自同一面板的不同受訪者，而非追蹤同一群人；2026 年調查詢問的問題略有不同（歸因的變化，而非預期）；曾高估的人也有動機低報自己原先的預測。

延伸閱讀#

• The Enterprise AI Adoption Gradient — 從供應商帳本而非客戶卡片觀察同一件事：OpenAI 的 ChatGPT Enterprise 帳戶紀錄連結到 Compustat。它同意本面板的發現：採用門檻取決於公司規模以外的因素（該文使用 FY2021 SG&A／R&D／資本化軟體存量），而它是知識庫中唯一一種無法提供採用率的採用測量工具——其上市公司採用者樣本是受揭露動機驅動的隨機樣本，因此 417 家採用者對 11,784 家未採用者的數量是抽樣產物，採用者與未採用者的差異也因此成為向零偏誤的下界

• AI Product Economics Maturation — 從單一損益表內部觀察同一項取捨：一家 ARR 超過 5 億美元的金融科技公司財務長指出，token 支出達到「薪資總額的約 5–10%」，接著便「從未來員工人數計畫中扣除」；也就是 AI 支出在預算層級取代招聘，而非透過裁員——本頁的面板只會將這個機制記錄為員工人數曲線持平

• Organizational Complements to AI — 上述 HAT 替代模型的完整內容及其七項預測對照知識庫其餘資料的檢驗都在該文；本頁則提供 P1、P2 與 P6 的公司層級反證

• Task Saturation: Broad but Shallow AI Diffusion — 與員工人數成長而非人力替代相符的任務層級形態：AI 已觸及多數職業，但僅涉及五分之一的任務；非例行認知對話中，以端到端自動化為目的者不到 10%

• Systems Thinking Over Specialization — 對入門職級員工成長的具名公司佐證：Netflix（AI 密集採用者）稱實習生與新鮮人招聘「對我們的人才策略真的很重要」，明確反駁初階職位減少的說法

• Organizational Complements to AI — 本頁以付款紀錄呈現的機制：強度門檻（聊天訂閱沒有作用，持續支出於程式碼代理／API 則有作用）以及6–12 個月的學習曲線，是通用技術「互補因素延遲」在公司層級的測量——價值只會在互補的工作流程／技能／組織重整完成後才出現，而非在購買時立即出現

• AI Investment Story, Not Efficiency Story — 來自不同資料集、對「投資而非效率」的獨立佐證：採用公司的員工人數增加（範圍廣泛，包括入門職級與銷售），也就是在產出增加之前先招聘，而非縮減——這是員工人數面向的伴隨證據，對應 Emergence 發現的目前每位員工營收較低

• Cost-per-Task Over Cost-per-Token — 將指數中的價格與 token 層級系列解讀為模型選擇的判斷：每百萬 token 的加權平均有效價格下跌 41%，降至 0.68 美元，低於 3 月的 1.15 美元高峰；買方群體則明確以每 token 價格為由，預設選擇較弱的模型

• Standardize the Infrastructure, Not the Tools — 9 月指數中的 token 占比切分，在此被視為一項組織發現，而非市場發現：採用全公司模型預設值的公司，正在行使閘道論點所主張的可移植性；這個工具觀察得到結果，卻看不見背後機制

• Telemetry vs. Survey Measurement — 第三種測量工具：揭露 AI 供應商的支出，並連結到勞動力紀錄；論文明確主張用它「取代凌亂的調查與暴露度測量」（圖 1 顯示，同一期間的調查採用率估計值介於 18% 至 78%）——如同 Faros 的遙測資料，以行為而非感受為依據，但同時衡量採用與勞動面向

• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 本論文增加的觀察軸：分類法中的四種測量全是職業層級的暴露度；Ramp 的則是公司層級的實際採用（誰在何時實際付費、支付多少）——暴露度指數在結構上無法捕捉公司與職業之間的差異（兩家員工完全相同的公司，其採用程度可能大不相同）；這是新增的測量軸，與分類法中的職業層級及市場推定軸並列

• The Automation–Optimism Link — 對該文記錄的入門職級／初階職位失業憂慮提供客觀反證：密集採用者的入門職級員工人數增加 12%，占比也上升

• Founder as Agent Orchestrator — 對精簡團隊解讀的反向訊號，並有族群上的限定：這些是採用 AI 並成長約 10% 的成熟美國公司，不是從創立第一天就精簡運作的 AI 原生新創——採用 AI 的公司增加員工，而非以 AI 取代員工（與 AI Investment Story, Not Efficiency Story 中「平均而言 AI 公司會擴編」的說法一致）

• Returns to Expertise in Agentic Coding — 專業能力溢價的勞動需求解讀：Indeed 的反彈職缺有 71% 要求資深人才，37% 標示 AI 職稱；也就是雇主正在刊登職缺，尋找能與 AI 協作的資深專業人士。該文衡量工作階段中的專業溢價，本頁則呈現職缺中的相同溢價——這也是最不利於本頁入門職級結果的組成證據

• The Tragedy of the Cognitive Commons — 職缺刊登資料直接涉及的人才管道問題：暴露程度最高職業的職缺確實回升了，而且回升者多為資深職位。因此，職缺回升本身不代表人才再生機制也已恢復；這正是該文區分職位恢復與培育內容恢復的理由

• AI-Native Startup Lifecycle — 在公司生命週期層級呈現相同的反向訊號：「員工人數在 Scale 階段維持持平」的論點描述的是 AI-原生公司；本論文的採用者則是 AI 密集使用與擴張同時發生的既有公司，因此「AI ⇒ 更精簡」只適用於特定族群，並非普遍現象

• The Open-Weight Frontier Gap — 同一月度指數的需求面分析：本頁強度分布中 PEPM 最高的尾端（每位員工每月 248 美元，約為高強度組平均值的 7 倍），正是購買模型服務平台的群體；其支付給美國實驗室的費用高於基本費率——因此，這個工具中採用開放權重／中國模型的支出，是美國前沿實驗室支出的額外支出，而非替代

• Acceleration Whiplash — 第三種支出工具，也是第一個同時報告支出與工程成果的工具。 DX 的 2026 年第 2 季面板（vendor-claim，500 多家客戶組織）顯示，組織每季 AI 支出中位數在四季間從 約 1,500 美元升至約 44,000 美元，科技業支出則增加近 28 倍——它與本頁的兩種分母不同（Ramp 的 PEPM 是每位員工每月；DX 的則是每個組織每季），因此沒有員工人數假設便無法比較兩條序列。有一項數據可以作為粗略的一致性檢查，而非研究結果：約 44,000 美元／季相當於每月約 14,700 美元；若以 Ramp AI Index 在 2026 年 6 月每位員工每月 10.59 美元的中位數推算，則代表組織約有 1,400 名員工——對於購買開發者生產力平台的企業面板而言，這是合理的數量級，也提醒我們 DX 的組織中位數遠大於 Ramp 的樣本。（這是本知識庫對兩家供應商中位數所做的算術，不是任何一家供應商的主張。）除了提供第三條序列，DX 還補上結果面：其報告指出支出持續攀升，但自身的創新比率維持平穩，也就是支出加速速度超過任何已測得的轉化速度——這是工程指標對應本頁「支出強度能帶來員工人數成長」發現的證據，但兩者都尚未指出背後機制

• AI and Market Power — 歐洲行政微觀資料中關於競爭結果的姊妹研究，也是最需要正確理解本頁強度門檻的來源：OECD 發現，使用 AI 的法國與葡萄牙公司在五年內並未提高市場占有率排名，也沒有增加加價率，但其採用指標是二元的 ICT 調查問題，無法區分每月每位員工 2.78 美元與 33.67 美元兩種程度。兩項獨立佐證則指向相同方向——兩篇論文都將可測得的效果定位於相同產業（本頁是 Information，該文是 ICT），而 OECD 自己的未來研究清單也要求加入本面板所提供的強度測量

• Build Instead of Buy Under Agentic Coding — 將相同的付款管道邏輯應用於另一類供應商。該文的第二個開放問題要求將本頁工具應用於軟體支出，而非 AI 支出，因為若確實發生自行開發取代外購，回報這種現象的產業中，新採購 SaaS 供應商的支出應會減速

• Balance-of-Power Superintelligence — 本面板測量的正是該文預測所對應的結果。Zuckerberg 的宣言聲稱「近期統計顯示」個人能力成長可能快於自動化，卻沒有引用任何統計，並預測會有更多公司以更少人力營運；此處的強度門檻顯示，就業效果確實存在，但取決於採用深度，而非普遍席捲的趨勢

開放問題#

• 什麼營運機制能將密集 AI 支出轉化為招聘？ 論文證實了相關性（採用者，尤其是高強度採用者，會成長），但明確表示無法說明原因——產品加速、銷售生產力、工程效能、支援自動化、加快分析，或開拓新業務線都可能是候選機制；而已找到方法的公司也沒有分享的動機。相關證據（2026-08-04）：月度 AI Index 縮小了強度分布頂端的買家正在買什麼的範圍——每位員工每月支出 248 美元的群體，特徵是購買模型服務與推論平台，也就是透過 API 建置，而非購買更多席位。這描述的是支出，而非機制；但它將候選方向引向工程／產品效能，而非企業聊天工具的推廣。來自公司內部的具名管道（2026-09-22）：2026 State of Scaling: The Great Sorting 觀察到 ICONIQ 投資組合採取的是抑制職缺遞補，而非組織重整——利用員工流失來「避免、延後或降低職級遞補」；明確實施與「AI 驅動的銷售、內容、營運與分析職能生產力提升」掛鉤的不遞補政策；並在評估生產力增益、核准增員之前暫停招聘。這是資料庫中首個對本頁工具而言不可見的機制：它不透過裁員或招聘事件改變淨員工人數，因此支出與員工人數面板只會記錄持平。此觀察也完全沒有量化——是投資人對自家投資組合的定性觀察，沒有公司占比或效果量——而且它解釋的是員工人數沒有成長的機制，本條問的則是支出如何轉化為成長。可將之列為分布另一端的候選機制。
• 採用群體成熟後，效果會擴散到 Information 以外的產業嗎？ 目前顯著的成長只出現在 Information 產業；作者計畫在後續群體與採用超過 24 個月的時間範圍更新分析。專業服務、金融與非技術產業會跟進嗎？還是程式碼代理工作流程獨具特殊性？獨立佐證產業邊界的研究（2026-08-11）：OECD AI Papers No. 62 發現，在 21 個歐洲國家約 60 萬個公司年資料中，AI 專利帶來的加價率溢價僅在 ICT 產業顯著（AI × ICT +7.95%，而獨立的 AI 在納入固定效果後轉為負值）——結果不同（加價率而非員工人數）、工具不同（專利而非支出）、大洲也不同，但產業界線相同。該文將問題更精確地表述為：AI 能帶來效益的情況，是它成為公司的產出，而非投入。這不是對時間推移下擴散狀況的答案，但現在已有兩種工具一致指出效果目前出現在哪裡。
• 入門職級的成長會持續嗎？還是領先指標，之後會反轉？ 在逐漸縮小的樣本中，員工人數的成長持續累積至第 24 個月；高強度採用者超過 24 個月後，入門職級員工人數增加 12% 的結果是否維持，或反轉並趨近 Brynjolfsson「Canaries」的模式，尚未釐清。反向訊號（2026-08-04）：Indeed Hiring Lab 發現，2025 年 5 月至 2026 年 5 月軟體職缺刊登的反彈中，71% 是資深職位；期間晚於本面板涵蓋的平均時間，測量的是需求流量而非員工人數存量——這不是答案（單位不同、族群不同、沒有控制組），但卻是知識庫中第一項在員工組成上指向相反方向的證據。部分解答（2026-09-22）：Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence（empirical，ADP 薪資微觀資料截至 2026 年 6 月）釐清了比較中「Canaries」的部分——也就是本問題所問的 +12% 是否會反轉並趨近的模式本身仍在持續且擴大：暴露職業中的 22–25 歲員工「未能跟上」的差距達 19%，原因是招聘而非離職，且集中於 AI 使用具自動化特徵的職業。這並未解答持續性問題，原因出在資料結構，而非資料缺漏：ADP 的公司識別碼經過匿名處理，因此 Canaries 完全無法觀察公司層級的採用情形，也無法指出密集採用者超過第 24 個月後發生了什麼。兩種工具測量的是不同對象，應相互調和，而非取平均（見上文）。唯一重疊的切分方式——Anthropic Economic Index 使用資料所建立的州級採用程度分組——不利於本面板的結果：年輕員工減幅在領先採用州最明顯（暴露程度最高五分位約 −19%），在新興採用州最小。地理位置只是公司採用的粗略代理指標，因此它讓問題更尖銳，而非提供答案：要測試持續性，仍需公司層級面板追蹤同一批採用者超過 24 個月。
• 每位員工支出最高 1% 群體的減幅，是季節性下滑、資料版本差異，還是強度分布頂端開始進入平台期？ 三種解讀在資料中各有不同：季節性下滑會在 10 月反轉（Ramp 指出工程師 8 月休假，並觀察到每年 11–12 月都會出現相同下滑）；若將 8 月修訂為與 7 月同等基準，版本差異便會縮小——本頁跨版本計算顯示，同基準比較的降幅約 2.6%，而公布的數字為 9.7%；若是真正的平台期，則已修訂序列中會出現連續第二次下滑。觸發條件：Ramp AI Index 的 2026 年 10 月與 11 月版本重新公布相同群體序列。

資料來源#

• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment — Kharazian、Simon 與 Stevens，A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment（Ramp Economics Lab × Revelio Labs，2026 年 6 月 30 日）：§3 資料（Ramp AI Index、採用／PEPM 定義、Revelio 資歷分組）、§4 樣本選擇與採用梯度、§5 Callaway–Sant'Anna 方法、§6 結果（表 3–6：員工人數、占比、產業、未曾接受處置組）、§7 結論
• AI and Job Postings: From Destruction to Creation? — Guillermo Gallacher，AI and Job Postings: From Destruction to Creation?（Indeed Hiring Lab，2026-07-08；empirical，約 1,158 字的部落格文章）。關鍵重點清單與「資深且精通 AI 人才的反彈」一節提供 15%／7%／27.5%／71%／37% 等數字；「其他受 AI 影響的職業也出現類似反彈嗎？」一節比較 2022–2026 與 2025–2026 的正負號轉變；結論承認了偏向資深人才的技術變革。**利益衝突：**Indeed 的研究部門分析 Indeed 自身的職缺資料——這是單一求職平台的職缺流量資料，不是勞動市場普查。**未引用的數據，因為它們只出現在來源網站代管的圖表影像中，沒有本機副本：**國際圖表中六個經濟體的名稱與各自占比（文字只指出德國與法國是例外），以及兩張散佈圖的相關係數與 p 值（文字聲稱顯著，卻未提供數值）。此來源沒有因果估計——研究設計沒有控制組，也沒有職業橫斷面以外的暴露度變異。
• Ramp's latest data on China vs. the American AI Labs — Ara Kharazian，Ramp's latest data on China vs. the American AI Labs（Ramp AI Index 月度信件，2026-07-08；empirical，約 840 字內文）。內文提供 42.4%／39.5%、從 4.5% 升至 5.8%、248 美元對 10.59 美元，以及 85.8%／93.2%／96.4%。本文引用的其他所有數據都來自還原的圖表資料集：文內四張圖表全是 Datawrapper iframe，沒有靜態替代版本；資料匯入流程擷取每張圖表自己的 dataset.csv，並在原始檔中重現完整月度序列（供應商占比從 2023-01 起，其餘三項從 2023-07 起）。這些表格是交叉日期、OpenAI 在 2025 年 11 月的高峰，以及 Google／Microsoft／xAI／DeepSeek 曲線的唯一來源——信件沒有提到這四家供應商中的任何一家。**利益衝突與抽樣方式：**Ramp 衡量自家公司卡與帳單付款客戶群（創投導向程度較高，並非美國企業的隨機樣本），並將自己定位為權威的 AI 採用資料來源；原始文件的 note: 欄位記錄了這兩點。自行推算、原文未載明的數字已在內文標示：依 AI 支出者重新基準化的滲透率序列、82.5% 同時使用兩者／3.6% 兩者都不用的拆解、23.5 倍且持續縮小的倍數，以及將 PEPM 248 美元與論文中的 33.67 美元高強度平均值比較；這些都是本知識庫根據 Ramp 表格所做的計算，不是 Ramp 的說法。方法與分母只記載於 ramp.com/data/ai-index，不在資料庫中
• China, Open Source & AI Competitiveness — Andrew Ng — Andrew Ng 受 James Hohmann 訪問，Washington Post Live「Building America」（2026-07-29，30:39；practitioner-opinion）。僅用於上文「第三種觀點」段落：職缺刊登的主張、沒有就業末日的立場、互補機制，以及將軟體視為先兆的一般化推論。文中沒有提供任何資料，也沒有引用任何數字；從軟體延伸至其他產業是 prediction。逐字稿來自 YouTube 自動字幕，資料匯入時已修正專有名詞的語音辨識結果——勞動力相關段落完整，但字幕的發言回合標記只能確保發言者歸屬在實質上可靠，無法逐字確定
• The Human-AI Substitution Principle: When will you be replaced by AI in your organization? — Banerjee 與 Singh，arXiv 2607.20781（2026-07-22；practitioner-opinion，正式模型，沒有實證資料）：§5.6 表 3（預測 P1、P2、P6 及其所述的實證特徵）、§4.5.2 定理 14 與推論 6（非連續性主張）、§4.3 推論 2（中階管理層脆弱性，以論文自行設定的單一交叉假設為條件）、§5.6.6 與 §5.8 限制 2（部署規模成本攤提，n_k 為外生變數）。完整討論見 Organizational Complements to AI
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think — Andrew Ng 受 Marina Mogilko 訪問，Silicon Valley Girl（2026-08-28，practitioner-opinion）：反覆提及職缺刊登的主張、工作比以往更忙與找不到有技能人才的說法、AI 原生實習生，以及再培訓條件。未提供資料
• The state of AI in 2026: On the road to ROI — Dan Tinkoff、Lieven Van der Veken 與 Michael Chui，和 Tara Balakrishnan 合著，The state of AI in 2026: On the road to ROI（McKinsey / QuantumBlack，2026-08-25，empirical，自我回報；線上調查，97 個國家的 1,719 位受訪者，於 2026 年 5 月 4 日至 6 月 8 日進行，依 GDP 加權）。本文引用圖表 16（2025 年預期／2026 年實際結果／2026 年預期三組比較）、圖表 17（相同資料的職能層級分析），以及關鍵重點的框架。自我回報、每個組織一位受訪者，是否歸因於 AI 由受訪者判斷；利益衝突——McKinsey 銷售 AI 轉型顧問服務。
• September 2026 Ramp AI Index: Cracks in the AI thesis, part 2 — Ara Kharazian，September 2026 Ramp AI Index: Cracks in the AI thesis, part 2（2026-09-09；empirical，同一張公司卡／帳單付款軌道上的內文約 3,600 字元）。內文提供 56%／+0.4 個百分點、43.8%／39.8%、最高 1% 群體下降 9.7% 及其 7,976 美元 → 7,205 美元的端點、每百萬 token 0.68 美元及從 3 月高峰 1.15 美元下跌 41%、45% 的前沿模型 token 占比，以及 6.4%／3.6% 的開放模型服務數字。本文引用的其他所有內容都來自五份還原的 Datawrapper 資料集（圖表 ID 為 HjOZl、kBIUV、0lGNa、W0I7q、ibX1m；頁面沒有靜態圖表影像，因此資料匯入流程擷取了每張圖表自己的 dataset.csv）：月度增幅、xAI／Microsoft／Google／DeepSeek 曲線、三組 PEPM 序列，以及跨版本修訂比較。**兩項來源追溯陷阱，在原始檔的 note: 中都有揭露，且都影響解讀：**支出 CSV 中 7 月最高 1% 群體的數值是修訂後的 8,024.58 美元，而內文引用的是原先公布的 7,976 美元；token 價格 CSV 的最後一筆（2026-09-02 的 0.603）落後於內文所說的「本週為 0.68 美元」，因 CDN 快取的端點落後於即時用戶端繪製圖表——目前數值以內文為準，序列形狀則以 CSV 為準。利益衝突與 7 月資料列相同：Ramp 衡量自家偏向創投導向的客戶群，並將自己推銷為權威的 AI 採用資料集。工具來源見 Ramp
• 2026 State of Scaling: The Great Sorting — ICONIQ Venture & Growth，2026 State of Scaling: The Great Sorting（2026 年 9 月，empirical；52 頁 PDF，由 docling 解析；137 家軟體公司的季度營運資料，包括投資組合公司與 11 家選定的上市公司）。本文引用依營收成長分組的員工人數變化序列（第 43 頁，透過兩輪閱讀頁面影像取得，並以 pdftotext -layout 交叉檢查）、上市公司勞動力縮編時間軸（第 20 頁——次級來源，來自 TechCrunch 彙整 SEC 申報文件、高階主管備忘錄與媒體報導的內容，資料匯入時根據只有影像的圖表人工抄錄），以及 ICONIQ Network 對職缺遞補的觀察（第 43 頁）。兩項注意事項：n 是公司季數，不是公司數（2026 年為 76，低於 197）；圖表依營收成長分組，從未依 AI 狀態切分，因此無法區分 AI 效果與成長效果。出版者的利益衝突見 ICONIQ
• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence — Brynjolfsson、Chandar 與 Chen，Canaries in the Coal Mine?，Stanford Digital Economy Lab，2026 年 8 月修訂版，140 頁（empirical，ADP 行政薪資微觀資料截至 2026 年 6 月）。這是反向測量工具，本文直接閱讀原始資料，而非透過第二手引述。本文引用 §1（已被 15%／19% 描述性測量取代的 13%／16% 回歸版本）、§2.2（約 11%／約 10% 的五分位數水準）、§2.4（招聘而非離職）、§6.3（州級採用層級，是唯一與本面板重疊的切分方式）、§1.1 與 §6.3（匿名公司識別碼，是兩種工具在結構上無法串接的原因），以及附錄 L（不同版本中的公司內 Poisson 估計逐漸趨近於零）。**解析註記：**重複面板標頭出現無害的 table-collapse（已對照 pdftotext -layout 確認）；表 2 的列錯位，本文未引用；表 A.6 的內容黏接在第 25 名之後。完整資料帳見 Source Notes