AI 取代工作已成定局？拆解「最後一代人類勞工」論（2026）

2026 年 7 月 30 日，velora 在 X 發布〈The Last Generation of Human Workers〉，把工廠、卡車、倉儲、辦公室與醫療串成一個關於AI 取代工作的迫切問題。原文正文其實比標題克制：它主張人類角色正從重複執行轉向監控、判斷與協作，並預言有些職涯消失、有些演化，也會出現新職業。真正需要查證的，不是作者是否宣告所有職業都將消失，而是他把「工廠會需要更少人」與「AI 革命也會創造新職業」說得過於確定，卻沒有界定速度、淨就業與轉型成本由誰承受。

先把原文的論點說完整

velora 的敘事不是「明天所有人都失業」，而是一條從實體世界一路延伸到白領與專業工作的自動化曲線：

1. 工廠先開始：機器接手重複、危險與高精度動作，人轉向監控、維護與例外處理。
2. 運輸正在追上：自動駕駛卡車累積道路里程，長途貨運被視為下一個大規模改造場域。
3. 倉儲已悄悄重組：移動、分揀與搬運由機器處理，人負責系統尚難穩定完成的環節。
4. 白領不再置身事外：摘要、報表、排程、初稿與資料整理等可數位交付的任務，開始被生成式 AI 吸收。
5. 醫療也在改變：影像判讀、篩檢、文件與手術輔助被軟體和機器介入，但安全、責任與適用範圍仍限制自動化。
6. 結尾並不預言人類停止工作：作者認為技術通常改變社會需要的工作，而非消滅所有工作；有些職涯會消失、有些演化、新職業會出現，個人的答案是持續學習並善用 AI。標題也在結尾被重新定義為「最後一代相信工作永不改變的人」。

“It means routine work is disappearing first.”

velora，〈The Last Generation of Human Workers〉

這句話的中文意思是：「先消失的是例行工作。」它是整篇最值得追問、也最需要定義的一句：若 work 指例行任務，方向有證據；若指包含例行任務的職位正在消失，證據不足。原文其實多次踩下煞車；它的弱點不是把所有工種排向同一個消失終點，而是沒有量化「較少人」究竟是多少、轉變會多快，以及新工作能否抵銷損失。

真正的分界：AI 取代工作之前，先自動化的是任務

一份工作不是單一動作，而是一束任務：蒐集資料、套用規則、移動物件、說服客戶、承擔責任、處理意外。AI 能做其中一項，只代表技術曝險；它要一路變成裁員，至少還要走完下面這條鏈：

模型或機器做得到 → 企業採用得起 → 流程真的重整 → 節省時間轉成減員，而不是更多產出 → 新需求不足以吸收人力

任何一環斷掉，結果都可能從「替代」變成「互補」。例如，AI 讓一位分析師一天完成原本三天的工作，企業可以少雇人，也可以用同一團隊服務更多客戶。技術能力相同，勞動結果可能相反。

國際勞工組織（ILO）2025 年全球指數以包含 29,753 項任務的職業分類為基礎，並對其中 2,861 項代表性任務蒐集 52,558 筆評估資料；指數估計全球約四分之一就業處於某種生成式 AI 曝險，最高曝險級別占 3.3%。ILO 的結論不是四分之一工作會消失，而是多數職業更可能被改造。這裡的「曝險」是技術潛力，不是已發生的裁員率。

OECD《Employment Outlook 2026》比較澳洲、加拿大、歐盟與美國的年輕勞動市場進入者失業差距，以及高低 LLM 曝險職缺；在其觀察資料中，2023 年底沒有出現一致、持續的結構斷點，美國初階職缺也沒有在企業開始密集使用 LLM 時呈現不成比例且持續的下降。OECD 強調這只是初步結論，且可能遮住特定職業與產業的損失。

工廠、倉庫與無人卡車：規模是真的，邊界也是真的

原文對實體自動化的方向判斷大致正確。國際機器人聯盟（IFR）統計，2024 年全球工廠運作中的工業機器人約 466.4 萬台，較前一年增加 9%。Amazon 也在 2025 年宣稱，其營運網路部署的第 100 萬台機器人已上線，分布於 300 多座設施。這些數字證明部署不是概念展示，但 Amazon 的效率與培訓成效仍是公司自述，不能當成整個產業的獨立結論。

機器擅長的是邊界明確、環境可控制、錯誤成本可管理的任務。倉庫地板和固定工站正好符合；抓取變形物、處理破損包裹、臨時改線、清潔與安全事故，則會把人重新拉回流程。自動化通常先改變人機分工與每單位產出所需人數，再決定整個設施到底增員或減員。

無人卡車也呈現相同落差。Aurora 在 2025 年於美國德州開出商業無人貨運路線；其 2026 年第二季股東信稱，截至當年 6 月底累積商業里程超過 600 萬英里，其中接近 44 萬英里為無人駕駛。這些是公司自述；總商業里程也包含有人監督的營運，不能全部寫成「無人里程」，而且目前部署集中在特定路線與運行條件。

公路外的瑣碎問題仍會卡住全流程。美國聯邦汽車運輸安全管理局（FMCSA）在 2025 年的研究說明中指出，無人商用車無法像司機一樣下車擺放路邊警示裝置。FMCSA 隨後在 2026 年 7 月核發一項三個月、附條件的有限豁免，允許符合條件的 Level 4 商用車以車頂或駕駛室警示燈替代三角架。這種看似不起眼、要靠短期監管安排處理的例外，正是「卡車會自駕」與「司機整份工作消失」之間的距離。

白領的入口任務正在承壓，未必先失去整份工作

白領工作的風險更隱蔽，因為它不需要先買一台昂貴機器。當輸入和輸出都已數位化，摘要、翻譯、客服回覆、初版程式碼與簡報草稿，幾乎可以立刻進入 AI 工作流。企業可能不必一次裁掉整個部門，也能透過少補人、減少初階職缺，讓資深員工用工具吸收部分新人任務。

這個風險已有訊號，但因果仍要克制。Stanford 研究團隊用 ADP 薪資資料觀察到，截至 2025 年 10 月，美國高 AI 曝險職業中的 22 至 25 歲勞工，就業相對下降約 16%，下降模式集中在偏自動化、而非偏互補的用途。研究本身沒有一個「沒有 AI 的美國」可作反事實，也以職業曝險和使用模式代理企業採用，因此最準確的說法是：結果與 AI 壓縮部分初階職位一致，不是 AI 已被證明單獨造成 16% 裁員。

更直接的需求收縮出現在自由工作平台。Demirci、Hannane 與 Zhu 分析約 140 萬則職缺，估計 ChatGPT 推出後八個月，較可自動化的寫作與程式職缺相對人工密集職缺減少 21%；圖像生成工具推出後，相關圖像職缺相對減少 17%。這是單一平台研究的相對效果，不能外推整體就業，卻顯示可跨公司交易的初階數位任務已率先調整。

另一邊，丹麥約 25,000 名勞工與 7,000 個工作場所的調查連結行政紀錄後，研究者可排除 ChatGPT 推出兩年內超過 2% 的平均收入或工時效果，企業採用也尚未造成可辨識的初階聘僱與離職差異。這項2026 年修訂研究不證明長期沒有衝擊，卻說明高使用率不會自動、立即轉成總體減員。

沿著原文「例行工作先消失」的判斷往下推，本文更擔心一個作者沒有討論的問題：如果企業持續減少新人用來學習的整理、初稿與修錯任務，職涯學徒階梯會不會被削薄？這是值得追蹤的風險，尚不是已被證明的結果。

醫療 AI：不是「醫師永遠最後決定」這麼簡單

原文說 AI 可以分析掃描影像、協助分診與診斷，方向成立；但「系統即時拿病人影像和數百萬病例比對」並不精確。多數模型是在訓練階段從大量影像或影像切片學到參數，推論時再把新影像套進模型；影像數也不能直接等同病例數。

同樣地，「醫師永遠保留最後決策」不能概括所有醫療 AI。FDA 對 IDx-DR 的 De Novo 文件與原始關鍵試驗顯示，這項處方軟體可在限定的糖尿病成人與指定眼底相機條件下，自動篩檢超過輕度的糖尿病視網膜病變。它不是通用醫師替代品，卻足以證明部分狹窄診斷流程可以在沒有專科醫師先解讀結果的情況下運作。

截至 2025 年初，FDA 表示已透過既有上市前路徑授權逾 1,000 項 AI 醫療器材。但「獲授權」只表示特定用途經過相應監管路徑，不代表能處理所有疾病、已證明改善每個臨床結果，也不代表取得授權後，其真實世界表現與更新風險就不需再監測。醫療的答案不是人或 AI 二選一，而是每一段流程各自決定誰判讀、誰覆核、誰負責。

“No profession is completely protected.”

velora，〈The Last Generation of Human Workers〉

中文意思是：「沒有任何職業能被完全保護。」若把它理解成沒有職業可以保證永遠不變，我同意。原文沒有主張所有職業以相同速度消失；現有證據也顯示曝險高度不均，而且同一職業裡可能同時出現被替代的任務與被放大的能力。

AI 取代工作已成定局？原文在結尾翻轉標題

原文最後明說，「最後一代人類勞工」不是今天活著的人，而是最後一代相信工作本身永遠不會改變的人。作者的答案是學習、適應與人機協作；他預言有些職涯會消失、有些會演化，也會出現新職業。

這個結尾比標題表面溫和，也更接近目前的任務重組證據。但歷史類比仍不能證明新增職位會及時、足量，或由失去舊工作的同一群人取得。現有資料較支持的是：職務先重組，損失可能集中於部分可數位化的初階任務。由此延伸出的風險是，我們可能是最後一代把大量例行任務當作職涯入口的人；這仍是待驗證的風險情境，不是已被證實的世代斷點。

原文判斷	證據較支持的版本	仍缺的關鍵證據
工廠需要較少但技能不同的人；倉儲工作會重組	機器部署已達大規模，任務與技能組合正在改變；淨人數結果依需求與流程而異	同一企業、同一產出的長期淨就業與工資
無人卡車將逐步減少需要司機的情境	限定路線的商業營運已開始，無人里程仍是總里程的一部分	跨天候、跨地區、含裝卸與事故處理的全流程成本
白領職位不會一夜消失，例行工作先被吸收	方向可信，部分初階與平台工作已有壓力，總體證據仍混合	排除景氣與招聘修正後的長期因果效果
醫療 AI 不取代醫師，最終決策仍屬醫師	人類監督依產品的核准用途與風險逐項決定；已有不需專科醫師先判讀的狹窄自主診斷流程	真實世界表現、責任分配與病人結果
有些職涯消失、有些演化，也會出現新職業	歷史支持新工作會出現，但受益者不一定是失去舊工作的人	轉職速度、技能門檻與新增職位數能否匹配

歷史證據確實支持新工作會出現。Autor 等人的研究估計，2018 年約 60% 的美國就業存在於 1940 年尚不存在的職稱；但 1980 年後的新工作愈來愈偏向高薪專業職位與部分低薪服務業，中等技能的新工作相對減弱。因此，歷史支持「出現」，不支持「足量、及時、由同一批失業者取得」。

原文在量化上最薄弱之處，是沒有定義「取代」與時間範圍。少招 10% 新人、把一個五人團隊變成三人、或讓整個職業消失，是三種完全不同的命題。沒有期限的「終將改變」幾乎無法被證偽，也無法幫讀者做決策。

未來兩年，比失業預言更值得追蹤的四個訊號

• 新人入口：高曝險職業的初階職缺、實際聘僱與內部晉升，是否持續弱於資深職位。
• 節省時間的去向：企業把 AI 帶來的產能變成更多產品、較短工時，還是更少人。
• 實體自動化的有效範圍：不要只看展示或總里程，要看無人里程、例外接管率、每次任務成本與事故責任。
• 新工作的可達性：新增職位需要什麼技能、在哪裡出現，以及原本受衝擊的人是否真的能轉入。

對個人而言，最實用的做法不是猜自己的職稱還剩幾年，而是把工作拆成三欄：可自動化的例行產出、可被放大的分析與創作、以及目前仍最需要人承擔責任的判斷、協調與信任。先用 AI 吃掉第一欄，把省下來的時間投入後兩欄；同時保留可展示的成果，證明你不只會操作工具，還能定義問題、驗證輸出並對結果負責。