任務飽和：廣泛但淺層的 AI 擴散

資料來源#

• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence
• GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks
• Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy

摘要#

Google's ATLAS v1.0 的核心發現是：AI 幾乎已觸及各種工作類型，卻幾乎沒有觸及其中的多數工作內容。 Gemini 的使用出現在 68% 的詳細 O*NET 職業中，這些職業合計占美國民間工作者的 88.4%；但在有使用情形的職業裡，工作者使用它處理的任務，中位數只占該職業任務的 21%。廣度幾乎無所不在；深度則只有五分之一。

「任務飽和」是 ATLAS 採用的操作性基本概念：在某職業所包含的 O*NET 任務陳述中，使用量達到最低使用者門檻的比例（每項任務全球至少 25 位獨立使用者；每個職業至少 50 位）。這是衡量是否出現的指標，而非使用量指標——刻意如此，因為相較於精確頻率，是否出現更能抵抗分類器雜訊（Usage-Telemetry Classifier Validation）。

證據說明。 empirical — 2026 年 4 月 6 日至 19 日間，收集 1,465 萬筆去識別化 Gemini 互動，並映射至 O*NET v30.2。僅涵蓋第一方消費者及免費 API 介面，屬觀察性研究。任務層級數據依賴一個分類器，而它對 O*NET 任務的精確分類準確率為 22.6%；ATLAS 透過測量是否出現而非計數，並彙整為 Autor–Thompson 任務類型（符合率 70.4%），以降低此問題。完整限制請見 Google AI & Economy ATLAS。

分布情形#

分類	結果
有任何觀察到的使用情形之詳細職業	68%（約占美國就業人口 88.4%）
有觀察到使用情形的 O*NET 任務，整體	約 20%
任務飽和度為零的職業	29%
至少 25% 任務達飽和的職業	30%（占美國就業人口 44–50%）
至少 50% 任務達飽和的職業	11%（占美國就業人口 26–31%）
至少 75% 任務達飽和的職業	3%（占美國就業人口 9–10%）
有任何使用情形時的飽和度中位數	21%

飽和度最高的職業包括軟體 QA 分析師與測試人員、人力資源專員、文件管理專員、市場研究分析師，以及網路／系統管理員——這些職務的任務清單格外偏向文字工作。在有任何使用情形的職業中，飽和度最低的是教師（特殊教育、幼兒園、專上英文）及助產士。觀察不到使用情形、且規模最大的職業則有食品調理工作者、速食廚師、餐飲服務員，以及短期代課教師。

擴展邊際受體力活動限制#

使 29% 飽和度為零的職業與其他職業不同的因素，並非技能、薪資或聲望，而是工作有多少部分需要體力活動。飽和度為零的職業，手動任務占比明顯較高；而認知與人際任務，尤其是非例行認知任務，則主導了 AI 會出現的職業。

不過，這條界線並非密不透風；這也是 ATLAS 最被低估的發現：手工業者確實會使用 AI，處理體力工作中包含的認知任務。工業機械技師（手動任務占 44%）會產生數千筆對話，內容涉及分析測試結果與機器錯誤訊息。汽車維修技師（83% 為手動任務）則產生超過一萬筆對話，內容包括測試車輛零件、重新接線系統，以及檢查零件磨損情況；其多模態對話占比超過工作基準的 2 倍。藍領工作被排除在外的說法，錯在一個關鍵細節：AI 是透過診斷與解讀層進入體力工作，也會透過相機進入。

密集邊際集中在非例行認知工作#

依據 Autor–Thompson (2025) 的五類任務分類——例行／非例行 × 認知／手動，加上非例行人際任務：

任務類型	占 O*NET 任務全集比例	占 Gemini 互動量比例
非例行認知分析	35%	65%
所有認知任務（例行＋非例行）	約 50%	86%
手動	28%	約 5%
人際	22%	約 9%

這與先前科技浪潮出現了斷層。Autor et al. (2003) 與 Acemoglu & Autor (2011) 將數位化建模為偏向例行工作：電腦取代可編碼的工作，並補足非例行問題解決，從而造成職業兩極化。LLM 轉而瞄準另一端——它們最常吸收的，正是以規則為基礎的運算從未能觸及的不可編碼任務。正如 ATLAS 所說：「AI 相關影響不會只局限於例行任務。」

使用意圖：自動化少見，且限於例行工作#

ATLAS 將每個對話群組的意圖分為五類。這個模式是報告對大規模失業論述的核心反駁：

意圖	非例行認知	例行認知	人際	手動
任務自動化（端到端）	6.5%	26.9%	2.9%	4.2%
部分草擬與生成	41.5%	43.8%	37.3%	7.0%
審查與潤飾	3.8%	4.5%	約 1%	約 0.6%
發想與策略	18.6%	2.6%	31.1%	6.0%
資訊檢索與學習	29.6%	22.2%	27.6%	82.1%

由此可見三件事。例行認知工作的自動化意圖是非例行工作的 4 倍——只要任務可編碼，過去的替代邏輯依然成立，只是已無法描述大部分使用情形。手動任務的使用幾乎全是學習：82.1% 用於資訊檢索，也就是技師閱讀診斷資料，而非機器取代技師。至於人際工作則以草擬與發想為主，幾乎沒有自動化——AI 代寫困難的電子郵件，卻不會代替人們進行對話。

ATLAS 謹慎指出，這是意圖，不是結果：它看不到 Gemini 以外發生的工作，因此無法說明 AI 完成了整份工作的多少比例。報告也指出，即使確實自動化了任務，「也不必然等同於職業自動化，因為協調成本、互補任務與組織摩擦十分普遍」——這與《AI 的組織互補因素》從採用端提出的論點相同。

專業程度的反轉#

這項發現最難與 wiki 其他內容並存。ATLAS 重現了 Autor & Thompson 的專業程度衡量方式（100 減去任務陳述詞語詞形還原後的平均 Standard Frequency Index——專家用語罕見，但熵值低），將約 19,000 項 O*NET 任務按專業程度分為四分位，並計算各組 Gemini 使用相對於任務全集的過度代表程度：

任務類型	Q1（最低專業程度）	Q2	Q3	Q4（最高）
非例行認知	2.60×	1.64×	1.72×	1.78×
例行認知	0.89×	1.65×	1.60×	1.18×
人際	0.68×	0.42×	0.26×	0.38×
手動	0.14×	0.23×	0.17×	0.23×

使用情形最過度集中於專業程度最低的非例行認知任務——是基準的 2.6 倍，明顯高於其他三個四分位的 1.6–1.8 倍平坦區間。然而，使用 AI 的工作者往往較富裕、教育程度也較高：職業的收入中位數每增加 1%，使用強度便與之關聯增加超過 2.5%（單變量分析為 2.68；控制教育程度後為 1.86，R² 0.337）；以 Gemini 對話加權後，美國收入中位數從 $62,252 升至 $82,919，以 token 加權則升至 $86,157。

因此，整體樣貌是：**高專業程度的工作者，使用 AI 時反而更常把低專業程度的任務交給 AI。**這是最有力的增強論解讀；它與《Agentic Coding 中的專業報酬》相容，而非相牴觸——專家提供判斷力，並卸下不需要判斷力的部分。Autor & Thompson 的模型指出了影響方向：自動化某職業中非專家負責的支援任務，會增加剩餘人類專業能力的稀缺性，推高薪資、同時降低就業；自動化其專家任務，則會削弱進入門檻並壓低薪資。ATLAS 目前的數據指向前者。

**勞動市場的另一半，首次解讀（2026-09-22）。**只有將 ATLAS 的預測與實際就業及薪資相比，才能檢驗；而 ATLAS 並未觀察這些結果。Brynjolfsson、Chandar 與 Chen（2026 年 8 月修訂）同時觀察了兩者，採用截至 2026 年 6 月的 ADP 行政薪資資料，並同樣借助 Autor & Thompson 模型解讀結果。他們的事實 6 指出：**調整是透過就業，而非基本薪酬進行。**受 AI 影響最大的五分位中，22–25 歲者的就業下跌約 11%；受影響最小者的就業則成長約 10%——差距約 20 個百分點。薪酬方面，「不同年齡或暴露程度五分位的薪酬趨勢差異不大」。在留任者中，暴露程度較高的職務實質基本薪資成長略慢（不限於年輕人）；新進員工方面，年輕工作者的起薪與暴露程度無關，而年長者在高暴露職務的起薪成長則略快。

作者對這個無差異結果的解讀，正如本頁的待解問題所預期：「我們發現薪資變化有限，這表示至少在短期內，這些影響可能彼此抵銷」——非專家任務自動化推高薪資，專家任務自動化壓低薪資，兩者相互抵銷；另一種解釋則是薪資僵固。**因此，交叉訊號要看高暴露職業的相對基本薪資，並按年齡與留任者／新進員工拆分；目前首次讀到的訊號模糊，尚不足以確認預測。**有一項限制使這套衡量工具偏偏在答案所在之處最為薄弱：ADP 基本薪資「不包括獎金、加班費、佣金、股權與小費——這些組成部分恰恰在暴露程度最高、收入最高的職業中占比最大」。交叉效應最先出現的薪酬部分，正是這份資料看不到的部分。

為何這仍有爭議，而非定論#

ATLAS 並未替自己的薪資梯度選定一種解釋，而是明確呈現兩種觀點：

• 「專業人士正在把自己自動化到消失」——高薪白領是最頻繁的使用者，而且正將 AI 用於工作的認知核心。
• 「增強使專業溢價加深」——這些工作者自動化例行認知任務，並在非例行任務上與 AI 協作，提高非例行人類技能的報酬，擴大他們與無法善用 AI 者之間的差距。

其下是微觀與宏觀之間的落差（Imas & Shukla 2026）：受控實驗一再發現 AI 會壓縮專家溢價（新手追上專家），而真實世界的觀察研究則發現溢價擴大。ATLAS 提出的調和機制是內生採用邊際——採用並非隨機分配，因此追趕情境需要廣泛且一致的使用機會；採用集中時則會出現落差擴大情境，原因包括任務選擇（低技能工作者在 AI 幫不上忙之處使用 AI）、互補性判斷（驗證需要人力資本），以及偏向資深員工的需求（企業減少初階聘用，同時讓資深員工擴大產能）。

數據的脆弱之處#

引用 21% 時，應一併說明兩項注意事項：

1. **這是任務層級統計，而分類器只有 22.6% 的機率能正確指派精確任務。**Google 也點出這項落差，並稱之為「不應過度依賴極度具體任務分析的警訊」。補救措施確實有幫助——使用是否出現而非頻率，彙整為 Autor–Thompson 類型後符合率達 70.4%，人類評分者認為 85.8% 的任務標籤在經濟層面合理——但這些措施只能減輕問題，無法消除。完整說明見 Usage-Telemetry Classifier Validation。
2. **這與 AEI 的數據不一致。**ATLAS 觀察到約 20% 的任務有使用情形，低於 Anthropic 的 36%（Handa et al. 2025）及合併後的 49%（Appel et al. 2026）；它將差距歸因於更嚴格的隱私門檻。自動化方面的差距更大，且定義不同：非例行認知任務中，ATLAS 的比例為 <10%，Anthropic 的整體比例則為 43–45%；ATLAS 還指出，Anthropic 的自動化占比隨時間上升，而自己的快照完全沒有時間維度。

相關連結#

• 企業 AI 採用梯度 — 在付費企業內部測得的廣而淺形態，而非跨職業衡量：文件與技術寫作觸及 56.3% 的每週活躍使用者，但占訊息 18.3%；主題概覽觸及 38.9%，占訊息 4.4%；由 48 個較小任務類別組成的長尾，則是訊息量中最大的單一區塊，占 27.3%。
• GDPval Benchmark — 以不同工具挑選同一勞動市場中的樣本，回答不同問題，提供互補視角。ATLAS 抽樣的是觀察到的使用情形，詢問 AI 至少觸及某職業多少比例的任務；GDPval 則自上而下依薪資總額選出職業（九個占美國 GDP 超過 5% 的產業，各選五個薪資最高、主要屬數位工作的職業，共 44 個，年薪總額達 3 兆美元），詢問交付成果是否勝過現任專業人士。搭配閱讀最有價值：本頁的答案是廣而淺（68% 的職業，中位數職業的任務有 21%），GDPval 則顯示，在最高薪職業組合的深層端，AI 與專業人士相比的勝出或平手率為 12.4% 至 47.6%，且隨任務時間長度顯著變化。兩種工具都看不到對方衡量的邊際——使用遙測無法告訴你產出品質如何，勝率也無法告訴你是否有人真的用模型處理該任務。
• Task Crossover — 本頁變動中的分母：飽和度衡量 AI 觸及某職業任務的比例；交叉研究則發現，哪些任務算是該職業的一部分本身也在變動（職業特定使用情形中，有 43.5% 不屬於使用者自己的工作）。
• Google AI & Economy ATLAS — 本發現所依據的計畫與資料集。
• AI Adoption in Scientific Work — 使用相同語料與兩週期間，重新篩選出約 36 萬筆科學互動，並改以科學任務分類法而非 O*NET 映射。這是本頁分布中較重的一端（SOC 19 占就業比重的 2.7 倍，核心 STEM 詳細職業則為 5.8 倍），也說明了「廣而淺」形態背後的原因：時間節省未能轉化為產出，因為限制移到了下游。
• Anthropic Economic Index — 另一套衡量方式；在不同產品與分類器上，觀察到 36–49% 的任務涵蓋率及 43–45% 的自動化比例，相較於 ATLAS 的約 20% 與 <10%。
• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 任務飽和度是另一個實驗室提出的、更嚴格的觀察到的暴露程度指標；四類暴露區分有助於避免把「68% 的職業」解讀成「68% 的工作面臨風險」。
• Returns to Expertise in Agentic Coding — 此處的組成（專家工作者將低專業程度任務交給 AI）是專業溢價背後的機制，並非反例：人類提供判斷力，並卸下不需要判斷力的工作。
• Organizational Complements to AI — ATLAS 自己也提醒，任務自動化不等於職業自動化，因為協調成本與組織摩擦仍會形成限制；這是從使用端提出的論點。
• Codified vs Tacit Knowledge Exposure — 本頁的專業程度反轉所預測、但無法觀察的勞動市場結果。專家／非專家（詞語罕見程度）與編碼／隱性（知識如何習得）是不同軸線——稅法既是專業知識，也完全可以編碼——但兩者對最先受影響的對象有相同判斷，而該頁背後的薪資序列，是首次以實際資料解讀 Autor & Thompson 薪資預測。
• Usage-Telemetry Classifier Validation — 本頁所有數據的衡量基礎。
• The Household Production Boundary — 其餘 86.5% 的使用情形；任務飽和度只描述對話式 AI 中屬於工作的 13.5%。
• Conversation-to-Delegation Shift — OpenAI Codex 數據所揭示的委派解讀；ATLAS 的 <10% 自動化意圖，是在消費者介面測得，而這些介面恰好排除了委派最集中的 Agentic Coding 流量。
• Jagged Intelligence (Ghosts, Not Animals) — AI 能力呈現任務層級而非職業層級的形態，因此任務飽和本來就只會是部分飽和。
• Role Averaging, Not Role Elimination — 職業有五分之一任務因 AI 協作而減少，不代表職業本身消失。
• Market-Priced AI Exposure (the AI Premium) — 市場技能圖譜不利於分析／科學工作，並獎勵互動／關係工作；這與手動及人際任務代表性不足的模式相同，只是從股票市場角度定價。
• Firm AI-Spend Intensity and Headcount Growth — 企業層級的對應情形：AI 採用下，員工人數成長受使用強度所限；這正是淺層且以協作為主的擴散應有的結果。
• Printing Press Software Democratization — QA 分析師與文件專員的飽和上限，反映出文字型工作遇上文字型工具時的情形。
• Post-Scarcity Macroeconomics — 此處測得的體力活動限制，正是 Musk 豐裕預測所仰賴的變數：他的主張是人形機器人的「末端執行器」能打開這道門，而 ATLAS 的擴展邊際衡量方式，正是未來檢驗此說法的途徑。
• Cognitive Capability Profiling for Task Suitability — 從認知角度說明廣而淺的形態。Prunty et al. 發現，職場活動匯聚於一組共同的認知核心（規劃、語意記憶、工作記憶、語言、程序記憶），這些核心在六個職業領域的 18 種活動中幾乎都占主導地位；六個經分析的 AI 系統則在知識、語言與社會認知方面一致表現強勁，在行動規劃（1.99）、工具性推理（1.22）與物體恆存（0.29）方面則一致較弱。這種組合直接預測了本頁的形態：只要活動需求落在認知核心範圍內，AI 就能廣泛觸及；若次要需求落在這三項弱點，滲透就會較淺。這是作用機制，而非佐證——他們的適用性分數只能作比較，並非經校準的數值，也沒有任何使用數據可供驗證，因此尚未以 ATLAS 的 21% 中位數檢驗此預測。

尚待解答的問題#

• ATLAS 是沒有時間維度的兩週快照，而 AEI 報告的自動化占比則在上升。一年內任務飽和度中位數會改變嗎？方向為何？**仍沒有第二個觀察期間（2026-09-22）：**ATLAS 於 2026 年 9 月推出的後續研究 Google AI & Economy ATLAS: AI in Science (September 2026)，是對「約 1,500 萬筆匿名互動……於 2026 年 4 月初抽樣」（§2.2.1）這批相同語料做新分析——篩選科學領域並採用新任務分類法——另加互動式探索工具，並非第二次資料蒐集。該計畫表示將長期進行並發布後續版本；此問題仍須等待日誌取自較晚期間的版本才能回答。
• 專業程度反轉（專業程度最低的非例行認知任務為 2.6 倍）是在消費者介面測得。若是在刻意挑選較難任務的企業與 Agentic Coding 流量中，也會成立嗎？目前尚未；2026 年 9 月的科學後續研究再次說明排除範圍，仍未解答此問題（2026-09-22）：Google AI & Economy ATLAS: AI in Science (September 2026) 重新切分相同的消費者語料，並重申付費／企業 API 不在研究範圍內，且排除 Antigravity 等 Agentic 工具；報告表示「納入 Agentic 資料……是重要的下一步」（§6.1）。新分析提供的是消費者介面中較難任務的切分：科學分類器篩出的約 36 萬筆互動，在相同領域專業程度分類器上的分數比平均工作對話高 26%（token 高 19%，對話輪次高 11%），顯示相同流量中，刻意挑出的複雜切片在專業程度上高於基準。這是使用者群體端的數據，不是任務端的數據——它沒有觸及本問題所關心的 Q1 與 Q4 任務梯度。調查部分涵蓋全部 637 位受訪者的職涯階段，但沒有按此變項公布分組數據。
• Autor & Thompson 預測，AI 吸收某職業的專家或非專家任務時，薪資效果方向相反。ATLAS 快照指向非專家任務。如果這個交叉效應真的發生，會有什麼訊號？部分得到回答（2026-09-22）：Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence（empirical，ADP 薪資微觀數據截至 2026 年 6 月）提出了訊號，並首次進行觀察。訊號是受 AI 影響職業的相對基本薪資，按年齡與留任者／新進員工區分，並對照相同分組的就業差距。初步讀數幾乎沒有差異：22–25 歲者的就業差距約為 20 個百分點，但「不同年齡或暴露程度五分位的薪酬趨勢差異不大」；高暴露職務的留任者實質薪資成長略慢，年輕工作者起薪與暴露程度則無關。作者的解讀是，兩種 Autor–Thompson 效應短期內可能彼此抵銷，另一種可能是薪資僵固——因此，這個無差異結果既符合尚未發生交叉，也符合交叉已經開始。兩項因素使問題仍未解決。ADP 基本薪資不包括獎金、加班費、佣金、股權與小費，「這些組成部分恰恰在暴露程度最高、收入最高的職業中占比最大」；因此交叉效應最先浮現的薪酬部分，正是這套工具看不到的部分；而四年對薪資調整而言也很短。現有證據能確認的是，受 AI 影響職業的薪資尚未出現下跌——而專家任務被吸收時，薪資正會朝這個方向變動。

資料來源#

• GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks — Patwardhan et al.（19 位作者，OpenAI），arXiv 2510.04374 v1，2025-10-05，29 頁（empirical）。此處僅引用其不同的樣本選取工具：§2.1 與表 1（九個產業各占 2024 年第二季 GDP 超過 5%；每個產業挑選五個薪資最高、主要屬數位工作的職業，共 44 個，年薪總額達 3 兆美元）、§2.1 步驟 2 與 A.7（GPT-4o O*NET 數位任務分類器，採 0.60 加權門檻，並以 Acemoglu & Autor 2011 驗證），以及 §3.1 圖 5 的勝率範圍。完整說明及 COI 請見 GDPval Benchmark。
• Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy — ATLAS v1.0 §3 工作使用情形（§3.3 職業 AI 使用、§3.4 任務涵蓋率、§3.5 任務特徵、§3.6 任務意圖、§3.7 專業程度、§3.8 收入與教育），圖 3–9，表 1–2。
• 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，140 頁（empirical，ADP 薪資微觀數據截至 2026 年 6 月）。此處僅引用 §2.6（事實 6：透過就業而非基本薪酬進行調整、留任者／新進員工的區分，以及未納入薪酬項目的限制），以及文中對 Autor & Thompson (2025) 的明確解讀。完整說明見 Codified vs Tacit Knowledge Exposure；工具限制見 Stanford Digital Economy Lab。