未來工作辯論存在證據問題

關於人工智能對就業影響的討論中，“暴露度”是一個核心概念。2023年，Eloundou等人發表的論文“GPTs are GPTs”提出，80%的美國工人至少有10%的職業任務可能受到大語言模型的影響，19%的工人有50%以上的任務面臨風險。這一數字迅速傳播，被國際貨幣基金組織、經濟合作與發展組織引用，甚至出現在美國參議院的政策提案中。然而，這些評分最初旨在回答技術可行性問題，而非預測實際影響。

評分基於2023年初的GPT-4模型能力，而此後AI能力已顯著提升。同時，評分使用美國勞工部的職業分類系統，無法直接適用於其他國家的勞動力市場。此外，工作被分解為可評分的獨立任務，忽略了工作中涉及的判斷、人際關係和情境因素——這些往往是工作最核心的部分。原作者承認了這些侷限，但評分在跨越邊界後，侷限性被放大。

政策制定者面臨壓力，需要知道哪些工人需要支持、哪些行業面臨風險。靜態暴露評分成為主要依據，但評分基於過時模型、美國分類和任務分解，用於指導2026年及以後的決策，涉及非美國勞動力市場和工作，其侷限性並非簡單累積，而是互為疊加。值得注意的是，數據集中沒有數據工人的獨立類別——這些工人實際為AI系統提供勞動力，卻被政策討論所忽視。

研究界並未停滯。動態指數評估當前AI能力，並聯系真實勞動力市場數據，一項研究發現暴露度每增加10分，就業率下降5.6至8.5個百分點。集成方法結合多種暴露框架，提供更可靠估計。任務框架擴展研究任務在職業中的組合方式。以工人為中心的衡量加入工人意願和適應能力。採用和使用數據揭示AI實際應用情況。

未來工作辯論需要回答三個問題：AI能力是否顯著提升、這對經濟意味着什麼、最優政策響應是什麼。政策制定者應將暴露評分視為多種信號之一，加強工人保護、投資再培訓基礎設施。研究人員應構建政策所需證據基礎，更新測量工具，超越美國勞動力市場，將工人視為認識夥伴。80%的暴露數字描述的是特定時刻特定假設下的技術可行性，不是預測，更不是指令。未來工作將由研究者、政策制定者和工人共同塑造，證據基礎應能勝任此任務。