馬里蘭州 AI 經濟影響追蹤器推出，招聘增長與職位取代風險同步上升
馬里蘭州主計長 Brooke E. Lierman 於 11 月 5 日推出馬里蘭州 AI 經濟影響追蹤器，將招聘增長與勞動力可能被取代的預測並列呈現。這個公開儀表板匯集了回答不同問題的證據：僱主在哪些範疇尋求 AI 專才、企業預計人手如何變動，以及哪些職業面臨自動化風險。
這些問題對不同人士都很重要。正在求職的開發者需要招聘需求的證據。企業東主需要了解實施成本及人手安排。州政府官員則需要評估就業模式轉變會否影響家庭收入及公共財政。
核心張力在於已觀察到的活動與預測中的衝擊之間。Tufts University 對可能出現的職位取代作出建模，而 University of Maryland 的研究人員則追蹤市場上招聘 AI 技能的需求。單憑任何一項指標，都不足以判定馬里蘭州勞動力是否因採用 AI 而得益或受損。新儀表板令這項區分成為解讀結果的關鍵。
馬里蘭州 AI 經濟影響追蹤器建立共同起點
這次推出為馬里蘭州提供 AI 經濟影響的公開參考，但不會將每一項指標都視為已成定論的就業結果。
主計長的 AI 經濟追蹤器結合大學研究、政府就業數據及企業調查結果。儀表板安排每季更新，並會隨着新證據出現而作額外修訂。針對經濟及財政情境的研究簡報，計劃於 2027 年推出。
首批數字包括截至 2026 年 9 月、馬里蘭州共有 3,600 個要求技術性 AI 技能的獨特招聘職位。另一個經建模的情境則預計，未來兩至五年可能出現相當於全州就業人數 7.2% 的職位取代。這些數字描述的是不同的人群、時期和證據類型。
招聘廣告記錄僱主公開表達的招聘意向。職位取代估算則描述在特定假設下可能出現的未來。將兩者相減，會對 AI 的淨就業影響得出誤導性的評估。
這項區分應影響官員如何討論儀表板。預測有助於在損失實現前，識別哪些範疇值得優先準備；但它不能證明預計的損失已經發生，也不能證明每名受影響的勞工都需要轉換職業。
同樣的審慎態度亦適用於招聘證據。招聘廣告可以在已完成招聘反映於就業統計前，揭示職位要求的變化；但它們不能證明有多少申請人獲得聘書、空缺是否一直未能填補，或招聘是否只是用以替補離職僱員。
儀表板的公開形式讓讀者可以質疑這些解讀。僱主、研究人員和勞工可以查閱背後的定義，而非完全依賴單一標題數字。這種可查閱性令分歧更具體，亦可能更有用。
例如，勞動力機構可以問：技術職位的招聘機會，是否符合面臨職位衝擊勞工的經驗？對專門開發者需求增加，並不會自動為行政人員帶來可及的替代機會。資歷、地點和經驗要求都值得分開檢視。
公共問責亦取決於能否保留隨時間推移的變化紀錄。若假設改變，讀者需要了解估算為何出現變動。否則，預測改善可能反映方法修訂，而非勞工處境有所改善。
因此，馬里蘭州 AI 經濟影響追蹤器為審視工作建立起點。其實際價值將取決於後續發布能否協助讀者追蹤採用、企業決策與就業結果之間的關係。
招聘需求揭示機會，但未能判定整體就業平衡
對建立 AI 系統人才的需求，不能代表每一名因使用 AI 而工作改變的勞工。
由 University of Maryland 研究人員與 LinkUp 領導的 AI 職位地圖項目，研究僱主刊登的招聘廣告。研究人員使用專門的大型語言模型，即經訓練用於理解及生成語言的軟件，為所刊登的職位分類。
該項目的方法旨在區分實質的技術要求與隨意提及 AI 的內容。研究人員認為，單靠關鍵字搜尋可能錯誤分類招聘廣告。這個方法上的選擇相當重要，因為職位描述中的措辭轉變，否則可能被誤認為經濟需求正在改變。
提及某項 AI 產品的招聘廣告，未必是在描述建立該技術的職位。相反，僱主亦可能要求相關技術知識，卻未有使用最廣為人知的產品名稱。分類方式決定哪些招聘廣告會納入最終統計。
對求職者而言，這有實際含義。有關 AI 就業擴張的標題，並不能證明一般認識聊天機械人便符合僱主要求。讀者需要檢視該類別背後實際的職責及資歷要求。
這項區分亦影響勞動力政策。訓練某人評估 AI 生成的工作成果，與訓練某人開發模型，是在回應不同需要。兩種學習形式都可能有用，但它們為不同職責作準備。
試想一個示例性的軟件團隊正決定如何引入 AI 輔助工具。團隊可能招聘一名專才，負責將工具接駁至內部系統，同時要求現有開發者審閱生成的程式碼。這種安排一方面創造專門需求，另一方面同時改變既有職位。
這個例子是一項可能的組織選擇，並非有文件記錄的馬里蘭州招聘結果。它說明為何技術職位招聘增加，不能解答更廣泛的就業問題。新專業知識可以支援提高產出的工作流程、重塑職責，或減少未來招聘。
地區比較亦需同樣審慎。刊登較多 AI 職位的地區，可能有更大的僱主基礎或不同的行業組合。原始總數不能說明個別勞工在該處是否有更佳前景。
招聘廣告的佔比提供另一個角度，但同樣有所限制。AI 佔比上升，可能反映技術招聘增加、其他範疇招聘減少，或兩者兼有。讀者在將百分比解讀為整體勞工市場強勢前，需要了解背後的實際數量。
最有用的比較會保持定義和時期一致。將部分年度的招聘廣告與完整年度比較，可以描述動力，前提是差異仍然清楚表明；它不應悄然變成一般年度增長比較。
對僱主而言，這些區分帶來清晰說明勞動力計劃的壓力。慶祝 AI 招聘的公司應交代：這是在擴充能力、取代外判服務，還是改變現有職責。就業後果取決於這些選擇。
儀表板令技術招聘變得可見。下一項分析工作，是將該需求與可及的職業路徑、已完成的招聘，以及從未被冠以 AI 標籤的職業變化連繫起來。
僱主計劃令現有員工與新入職者承受不同壓力
人手編制維持穩定，可以與進入機構的機會減少並存。
馬里蘭州的 企業 AI 基準調查於 2026 年 6 月至 7 月期間，訪問近 300 名高級決策者。州長辦公室表示，91% 受訪者以某種形式使用 AI，而 58% 仍屬基本使用者。
同一份發布資料稱，64% 受訪者計劃讓現有僱員透過 AI 完成更多工作，而非招聘額外人手。只有 4% 預期 AI 會減少人手。大多數經常使用 AI 的受訪者形容生產力改善幅度輕微。
這些是受訪者所報告的經驗和預期。它們不能證明每一間馬里蘭州僱主都使用 AI，也不能證明預期的人手決策一定會發生。調查提供對企業思考方式的觀察，但讀者不應過度概括其適用範圍。
儘管如此，當中的人手安排結果指出一項重要區分。機構可以保留現有僱員，同時決定不填補原定空缺。現有員工感受到的是延續性，求職者面對的則是一個消失了的機會。
這種可能性改變政策制定者應監察的事情。裁員公告捕捉得到明顯的人手縮減，但無法涵蓋每一項不作招聘的決定。若勞動力應對措施只聚焦於被取代的僱員，便會忽略那些難以取得首份職位的人。
對僱主的壓力同樣具體。要求員工產出更多，意味管理層有責任確認額外能力是否真實存在。若審閱和修正耗盡節省下來的時間，起草加快未必代表交付加快。
一個示例性的顧問團隊說明了這個問題。AI 輔助可能縮短初步客戶文件的準備時間，但有經驗的員工仍需核實證據、理解客戶情況，並為建議承擔責任。
若團隊因初步起草所需時間減少而削減初級職位招聘，便必須考慮未來員工如何培養判斷力。看似例行的工作亦可以提供受督導的實踐機會。移除這些工作而不以其他學習機會替代，會產生另一項組織問題。
這是一項分析上的推論，而非證明馬里蘭州顧問公司已採取這種做法。它解釋為何僱主預期值得接受有關培訓、督導及晉升的後續提問。
這項基準調查亦對推銷生產力主張的供應商施加壓力。買方需要區分正面的使用者印象與有文件支持的營運改善。工具即使感覺有幫助，也未必改變完成已獲批准交付成果所需的時間。
對知識工作者而言，當前問題是機構如何界定成功使用 AI。單看產出量可能鼓勵過早下結論。審閱負擔、準確性、服務質素和學習機會，都應納入評估。
保存可供追溯的工作流程決策紀錄，有助於進行這種評估。有組織的 AI 知識庫可以為檢視變化提供背景，但單靠文件記錄不能證明生產力或就業影響。
調查清楚表明，勞動力分析必須檢視機構內部的決策。採用 AI 是否帶來更廣泛的機會，部分取決於僱主如何在增長、工作量、招聘及員工發展之間分配額外能力。
職位取代預測取決於採用假設
經建模的風險值得作出準備，但仍應與對任何個別勞工未來的預測區分開來。
塔夫茨大學的職位脆弱性指數估計各職業及地區可能出現的職位取代情況。其全國核心情境指出，未來兩至五年約有 930 萬個脆弱職位。不同採用情境的估計介乎 270 萬至 1,950 萬個。
該大學表示，由於缺乏足夠可靠的證據，評估並未計入新增職位。將此指數視為經濟前景時，這項限制相當重要。它評估的是職位被取代的其中一條途徑，卻未能完整平衡就業增加與流失的影響。
這個區間亦令採用假設成為結果的核心。單靠技術能力，並不能決定僱主何時會調整人手。機構必須判斷某個系統是否有用、是否負擔得起實施成本、是否足夠可靠，以及是否適合其所承擔的責任。
一個說明性的醫療工作流程可展示這個分別為何重要。軟件協助處理文件工作，或可減少準備紀錄所需時間。人手是否隨之改變，則取決於臨床需求、覆核要求、機構決策，以及僱員在文件工作以外所處理的工作。
這個例子並不能確立馬里蘭州醫療就業的結果。它說明了為何職業層面的估計，不能取代對特定機構實際工作方式的檢視。
AI 曝險程度，即一份工作的任務與 AI 能力重疊的範圍，是較早期的分析步驟。職位取代還需要額外假設，即機構是否以軟件取代勞動力。實際就業結果則須在這些決策作出後才可觀察。
當預測進入公共討論時，這些差異便變得重要。關於工作在技術上受到曝險的說法，可能逐漸演變成該職位將會消失的主張。每一次轉變，都抹去了原始證據仍然包含的不確定性。
脆弱職位與沒有其他選擇的勞工之間亦有分別。有些僱員可轉往相關職責；另一些人即使其職業的平均風險看似相近，仍面對令調整變得困難的限制。
有關勞工適應能力的研究明確指出這項差異。Brookings 研究人員及合作夥伴除了檢視曝險程度外，亦研究儲蓄、年齡、可轉移技能及本地機會。他們的分析發現，調整資源有限的勞工面臨集中的脆弱性。
這個觀點提出了一項有別於單純按技術曝險程度排列職業的政策優先事項。評估培訓支援的官員應問：誰能實際使用這些支援？課程供應並不能解決時間安排限制、財政壓力或附近就業選擇有限等問題。
因此，有效的回應應把風險估計與轉型所需條件連結起來。勞工需要可達成的去向，以及通往該去向的實際路徑。泛泛地建議人們更熟悉 AI，無法解答這些問題。
這項預測仍可作為準備工具，其負責任的使用方式包括說明情境、承認未納入的影響，以及檢視新出現的證據是否支持所假設的變化速度。
獨立就業證據令簡單的職位敘事變得複雜
不同研究方法可得出不同發現，而未必是在描述同一個根本問題。
史丹福大學一篇關於早期就業影響的工作論文，檢視截至 2026 年 6 月的 ADP 薪酬紀錄。作者指出，未發現廣泛、遍及整個經濟體的職位取代證據。
他們亦發現，AI 曝險職業中的年輕勞工就業結果較弱，主要反映在招聘減少。作者將其發現描述為早期、描述性的指標，而非因果估計。他們承認不同資料集之間存在差異，分析選擇亦會影響結果。
這個組合挑戰了非黑即白的詮釋。沒有廣泛職位取代，並不代表每個群體的前景都毫無變化；某一群體結果較弱，亦不代表整個經濟因 AI 而流失職位。
薪酬紀錄與招聘廣告亦捕捉就業的不同階段。廣告描述的是招聘意向；薪酬紀錄則描述資料集內的僱傭關係。兩者都未能呈現商業需求、招聘、聘用及離職之間的完整過程。
預測則透過詢問假設的未來條件下會出現甚麼情況，帶來另一個視角。因此，將前瞻性情境與目前的薪酬數據比較時必須審慎。差異可能反映時間與範圍，而非直接矛盾。
對馬里蘭州讀者而言，有用的比較在於方法。馬里蘭大學的項目提供招聘需求廣告的證據；塔夫茨大學研究潛在脆弱性；史丹福大學則檢視其薪酬樣本中的觀察到的就業模式。
Maryland AI Economic Impact Tracker 將這類問題帶入州級政策討論。讀者不應把它們同時存在理解為爭奪唯一權威答案的競賽。關鍵在於哪一項證據適合正在考慮的決策。
決定開辦哪項技術課程的培訓機構，需要招聘資訊；為脆弱勞工準備支援的機構，需要風險及轉型證據；測試招聘是否改變的研究人員，則需要隨時間一致的觀察與可信的比較。
歸因仍是最困難的一步。利率、客戶需求、機構重組及其他因素，都可隨 AI 採用而一同改變招聘。某項勞動力指標在採用後出現變動，本身並不能證明採用行為導致該變動。
這種不確定性應影響公共措辭。官員可以把某個模式描述為與可能機制一致，同時解釋其他可能原因。他們應把更強的因果主張留給專為區分這些解釋而設計的研究。
勞工經驗可協助找出總體數字忽略的問題。初級工作分配減少或覆核責任加重的報告，值得檢視。然而，個別敘述不能證明這些改變在馬里蘭州有多普遍。
同一標準亦適用於樂觀例子。一家公司採用 AI 後擴張，提供了一個值得研究的個案；但這並不能證明可比公司都會擴張，亦不能證明 AI 單獨解釋其表現。
最有力的詮釋，會在證據仍不完整之處保留分歧。馬里蘭州現已有一個整理這些證據的平台。要建立技術能力與就業結果之間的聯繫，仍需要重複量度及審慎比較。
下一輪更新應連結招聘、人手決策與財政曝險
最具資訊價值的後續資料，將顯示不同指標是否開始同步變動。
首個值得留意的訊號是招聘證據。後續發布應讓人可使用一致定義及相配期間比較技術招聘。讀者應檢視變化是否延伸至不同僱主和職業，還是仍集中於少數範圍。
較廣泛而持續的增長，將強化技術需求正擴展至狹窄機會以外的論點；集中的增長則支持較有限的結論。任何一種結果本身都不能確立對整體就業的影響。
如能取得有關實際聘用的證據，將會增加另一個面向。仍未填補的廣告職位，與由本地申請人填補的職位，會引出不同問題。在把招聘活動轉化為經濟機會的主張時，這些分別相當重要。
第二個訊號，是僱主預期是否成為可觀察的人手決策。後續調查可詢問企業採用 AI 後實際改變了甚麼，而非完全依賴預期影響。招聘、離職、內部調動及培訓值得分開關注。
若僱主報告產出增加，同時維持入門機會，將支持一種更具包容性的生產力收益敘述。若在員工總數穩定下招聘減弱，則會加深對新入行者機會的憂慮。
這些是需要檢視的條件，並非預測馬里蘭州企業必定會走向其中一條路。若儀表板能協助區分兩者，其用途便會增加。單靠整體就業總數，無法解釋機會如何在機構內部改變。
第三個訊號，是勞動力結果與州政府財政之間的聯繫。主計長計劃發布的研究簡報，提供了一條檢視這項關係的途徑。讀者應尋找清楚說明的假設及替代情境，而非單一標題數字。
財政分析應區分招聘減少與職位取代，以及暫時干擾與持久收入變化。它亦應說明潛在收益如何納入評估。否則，即使有詳細的就業模型，財政圖像仍可能不完整。
所有這些訊號都需要透明說明修訂。預測改變時，應解釋是底層證據、採用假設還是分析方法出現變化。沒有這些說明，讀者便無法判斷情況是否改善，還是模型只是演變。
因此，未來數月應用於核對基線及追蹤已安排的發布，而非期待最終定論。經濟證據的發展並不均勻。一項負責任的更新可以縮窄問題，卻未必能解決其周圍所有不確定性。
對僱主而言，這意味著在宣稱成功前應記錄決策。記錄哪些職責改變、工作如何被覆核，以及招聘計劃是否轉變。這些細節令日後比較比泛稱員工變得更有生產力更可信。
對勞工而言，實際回應是檢視機會與風險背後的職責。了解僱主的要求、哪些地方仍需要判斷，以及哪些技能可轉移至相鄰工作。避免把一個職業類別視為個人的職涯預測。
先從 Maryland AI Economic Impact Tracker 的定義開始，然後依次追蹤招聘、人手及財政證據。當標題聲稱 AI 正在創造或消滅職位時，請檢查它描述的是廣告、僱主預期、模型化風險，還是觀察到的就業情況。詢問比較是否使用相配的期間及群體。作出工作場所決策時，保留任何承諾生產力收益背後的假設，並在實施後重新檢視。作出公共政策決策時，應問哪些勞工能取得建議的支援，以及將量度哪些結果。對馬里蘭州下一輪更新而言，有用的問題很具體：新證據是否顯示誰獲得機會、誰面對限制，以及哪些企業決策造成了差異？
