Oliver Wyman AI 職業保障調查發現印度工人願以薪酬換取保障

Oliver Wyman 的 AI 職業保障調查發現，79% 受訪在職印度人願意放棄部分薪酬，以換取免受 AI 取代的保障。

受訪者表示，願意放棄至少 10% 薪酬以獲得這項保證。報告指出，全球僅有 47% 在職受訪者表達同樣意願。

這項差距令印度的結果不僅是另一項抽象的 AI 焦慮指標。工人正為就業保障賦予具體的財務價值，同時在工作和個人生活中迅速採用 AI。

核心衝突在於僱主預期的生產力，以及工人相信自己將承擔的就業風險。Oliver Wyman 形容 AI 能創造產能，但員工預期企業會將部分產能轉化為更小規模的團隊。

這種預期尚非實際職位流失的衡量。它反映一項信任問題，可能在裁員出現在官方數據之前，影響採用、留任、管治及人力規劃。

Oliver Wyman AI 職業保障調查為恐懼標價

印度受訪者不只是表示 AI 令他們憂慮；大多數人願意在假設情況下減薪，以換取不被取代的保障。

這項結果來自 Oliver Wyman Forum Global Voices Survey 的印度專項分析。該機構於 2026 年 10 月 15 日發布更廣泛的 AI reality check。

研究涵蓋 15 個市場收集的逾 25,000 份回覆，並於 2026 年 4 月及 8 月進行兩輪調查。

Oliver Wyman 亦採用了其 2026 CEO Agenda 研究中 415 名行政總裁的回覆。這些高管回覆為更廣泛的投資、組織變革及 AI 回報分析提供參考。

最重要的結果涉及印度的在職受訪者。79% 願意放棄至少 10% 薪酬，以換取 AI 永不取代自己的保證。

可比較的全球比例為 47%。在所有市場中，68% 願意放棄部分薪酬，以加入承諾絕不以 AI 取代員工的僱主。

這些問題描述的是假設性的選擇，而非經協商的僱傭合約。調查中並非每位受訪者都實際獲得過將較低薪酬與可執行職位保障配對的提議。

不過，這項門檻令結果格外具體。接受減薪 10% 的受訪者，反映的是一項顯著的感知成本，而非對技術變革的輕微憂慮。

報告亦詢問員工，若 AI 令其團隊產出倍增，他們認為會發生甚麼。工人將較小團隊列為最不理想的結果，卻列為最預期會出現的結果。

這種反轉揭示更深層問題。員工聽到生產力論述，卻有許多人將其理解為警告：僱主最終需要更少人手。

Oliver Wyman 以「工人不會接納一個他們相信將自己排除在外的未來」概括這種張力。調查顯示，這種信念已影響員工如何看待薪酬及保障的價值。

印度的數字必須放在脈絡中理解。公開報告列出全球回覆總數及涵蓋市場，但其公開摘要未有提供印度確切的子樣本規模。

報告亦未能證明有多少僱主可在法律或財務上提供永久免受 AI 相關取代的保障。這項發現衡量的是假設性保障下的偏好，而非該保障的可行性。

即使有這些限制，這項比較仍然重要。印度受訪者對就業保障的需求，明顯高於較廣泛的國際樣本。

這種回應同時出現在他們於生活其他範疇對 AI 表現高度熱情之際。因此，不能將其簡化為對這項技術的普遍反對。

印度對 AI 職位流失的焦慮與快速採用並存

印度結果最引人注目的地方，是恐懼與 AI 採用同步上升，而非取而代之。

同一項研究發現，59% 印度受訪者在尋找新產品或服務時，會首先諮詢 AI。全球比較數字為 33%。

當 AI 建議與朋友、親屬、社交媒體或網上評論的意見相衝突時，十分之六印度受訪者會跟隨 AI 建議。全球比例為 32%。

另有 81% 表示，若 AI 代理找到更合適的選項，他們會考慮轉換品牌。全球有 60% 表達同樣意願。

72% 印度受訪者會容許 AI 代理未經自己先行核對便為其消費。相應的全球結果為 49%。

這些發現描繪出人們對 AI 作為消費決策工具的異常高信心，也令就業方面的結果更難被歸咎於對技術不熟悉。

人們可以信任 AI 系統挑選產品，同時不信任僱主對同一技術的部署計劃。消費者採用與職場信心是兩項不同判斷。

購物者可以拒絕不良建議、更換服務，或不購買產品。員工通常對工作重設、人手決定、績效衡量或自動化目標的控制則較少。

調查亦發現，79% 印度每日使用 AI 的用戶曾在工作中淡化自己的 AI 能力。全球結果為 62%。

這種行為乍看似乎矛盾。工人經常聽到 AI 熟練程度將改善職涯，但部分人避免宣傳僱主正要求的技能。

其中一個可能解釋是防衛性行為。員工或會擔心，揭示更快的 AI 輔助工作流程，會帶來更多工作、更高目標，或成為需要較少同事的證據。

Oliver Wyman 的全球發現支持這項憂慮，但未能證實這是每位受訪者的原因。僅有 8% 職場 AI 用戶表示，公司已建立分配 AI 節省時間的全公司標準。

另有 54% 表示由個人決定這些時間如何處理，或根本不存在明確決定。生產力變得可見，但其回報及歸屬仍不清楚。

這種不確定性可能鼓勵工人將改善成果留給自己。一個節省數小時的人，可能會靜靜使用這些時間，而非邀請管理層重新界定其職位。

這種動態亦可能削弱衡量能力。行政人員或許知道員工使用 AI，卻未必能將零散的節省時間，與收入、服務質素或營運成本連結起來。

Oliver Wyman Forum 行政總裁 John Romeo 以公司財務業績說明這個問題。他認為，AI 創造產能，但領導者必須決定如何運用這些產能。

對工人而言，未解答的問題更為個人化。新增產能是為更好的工作騰出空間，還是成為削減職位的理據？

願意以薪酬交換保障，代表其中一個答案。許多受訪者重視明確的就業承諾，多於 AI 驅動生產力帶來的不確定上行空間。

生產力承諾與小型團隊預期相碰撞

僱主將 AI 描述為增強工具，但許多工人預期其收益將用於減少人手。

增強是指運用技術擴展一個人的能力，而非消除其職位。替代則是將工作、責任或整個職位，從人類轉交自動化系統。

大多數職場部署同時包含兩者。AI 助手可以縮短草擬時間，同時把判斷、問責及客戶關係保留給員工。

當企業討論生產力時，兩者之間的平衡便變得具有政治意味。百分比改善對投資者而言頗具吸引力，但工人會立即追問誰得到好處。

員工可能獲得較短工時、更高薪酬、更佳工作分配，或更多時間服務客戶。僱主則可能提高產出要求、放慢招聘，或裁減職位。

Oliver Wyman 發現，理想結果與預期結果之間存在明顯差異。當選擇如何運用倍增產出時，員工將縮減人手排在最後。

但在預測僱主反應時，他們將較小團隊排在第一。理想與預期結果之間的落差，是本文的主要衝突。

這亦令管理層承受壓力。領導者不能一方面要求員工公開試驗，另一方面卻刻意不清楚交代對就業的後果。

僅靠清晰溝通無法解決問題。工人會將企業說法與招聘決定、重組計劃、工作量變化及晉升機會作比較。

調查發現，只有 37% 白領行政人員相信領導層已設定明確 AI 目標並傳達進度。僅有 11% 非管理人員同意。

這種差距顯示，員工與高層領導者對同一項計劃有不同體驗。行政人員看到的是項目組合、預算、試點及策略目標。

個別貢獻者看到的，則是新工具進入特定工作流程。他們亦看到職位空缺不獲填補、初級工作消失，或績效要求改變。

中層管理人員處於兩種觀點之間的困難位置。他們必須落實新系統，同時回答高層計劃未必處理的問題。

培訓途徑亦在改變。74% 中層管理級別或以上的白領受訪者表示，AI 正在執行過去用作培訓初級員工的工作。

在印度，45% 白領管理人員表示，AI 正在執行初級員工過去從中學習的大部分工作。全球比較數字為 25%。

這項轉變造成一種較隱性的流失。一間公司可能保留既有人手，卻削弱新工人累積經驗的途徑。

初級工作往往包括草擬、研究、文件處理、分析及例行客戶支援。這些工作可提供日後承擔更重判斷工作所需的脈絡。

若 AI 吸收這些工作，企業便需要替代培訓模式。否則，它們可能保留現有專業知識，卻削弱培養未來專才及管理人員的人才管道。

更廣泛的報告發現，80% 每日 AI 用戶從 AI 學到的知識至少與從管理人員學到的一樣多。47% 表示 AI 教導他們更多。

這項發現顯示，工人為何即使憂慮仍持續採用這項技術。AI 可以同時是有用的導師及潛在替代者。

因此，這種張力並非人類對抗機器，而是僱主對增強的承諾，對上工人對人手縮減的預期。

AI 職場焦慮確實存在，但職位流失證據仍然參差

願意犧牲薪酬衡量的是感知風險，而非 AI 已消滅的職位數目。

調查回應可早於勞動市場結果出現變化。它們亦可能反映新聞報道、僱主訊息、個人使用 AI 的經驗及更廣泛的經濟不確定性。

史丹福研究人員近期的 job-loss research 提供重要的平衡觀點。研究檢視了美國工人的信念、AI 採用、職位招聘廣告及裁員情況。

研究人員估計，截至 2026 年上半年，30% 至 40% 的美國勞工已使用生成式 AI。平均而言，勞工認為自己在兩年內因 AI 而失業的機率為 20%。

然而，研究發現，在較受 AI 影響的職業中，職位空缺或裁員並沒有出現具統計顯著性的反應。就這些指標而言，恐懼已先於可觀察到的替代現象出現。

研究人員發現，憂慮程度會隨使用強度增加而上升。對於將 AI 應用於核心職能的人士而言，這種憂慮亦較強，包括從事程式設計的人士。

這種模式與印度研究結果中的矛盾相似。更熟悉這項技術，既可能讓人看見其實用性，亦會令其可取代人力的潛力更容易被想像。

來自 Boston Fed 的研究亦區分了個人憂慮與預期的行業衝擊。

其勞工調查發現，截至 2025 年底，僅略多於 10% 的受訪者擔心 AI 會令自己失業。這個比例較一年前的 5% 幾乎翻倍。

然而，60% 預期 AI 相關裁員或就業人數減少會在其所屬行業出現。勞工往往認為行業受衝擊的機會很高，卻覺得自己的職位相對安全。

同一項研究發現，AI 可以取代個別工作任務，卻未必會淘汰整個職業。由於技術處理了部分工作內容，僱員可能變得更有效率。

這種以任務為單位的觀點，有助解釋為何目前的就業數據與勞工焦慮可以出現落差。一個職業可以維持存在，但其人手需求、晉升階梯及日常職責均可能改變。

Oliver Wyman 的發現亦建基於一項措辭異常強烈的假設性保障。永久免受 AI 取代，消除了任何一般僱傭安排都無法消除的不確定性。

因此，受訪者或許是在更廣泛地衡量可預測性。他們的回答可能包含對裁員、技能貶值、晉升停滯、目標提高或不情願的職位變動的憂慮。

確切措辭仍然重要，因為該提議要求至少犧牲 10% 薪酬。結果顯示，對許多印度受訪者而言，不確定性帶來很高的主觀成本。

這並不表示 79% 的人預期會即時失業，也不表示他們在審閱實際合約條件後會接受合約。

跨國比較同樣需要審慎。不同市場之間的薪酬、勞工保障、家庭儲蓄、非正式就業及職業流動性差異甚大。

減薪 10% 並不會在所有地方造成相同的家庭影響。在每一個法律制度下，職業保障承諾的可信度亦不盡相同。

公開資料亦沒有提供印度特定百分比的誤差範圍。讀者應把這個數字視為強烈的情緒訊號，而非精確預測。

不過，獨立研究支持這種憂慮的大方向。多個市場的勞工愈來愈預期，AI 會減少就業或改變其行業結構。

尚未解決的問題在於速度。現有證據顯示，任務採用速度很快、憂慮正在增加、工作流程正在改變，但對於即時大規模淘汰職位的證據則較少。

管治問題令採用 AI 成為信任考驗

調查將職業不安全感與第二個問題連結起來：僱員採用 AI 的速度，快過組織建立管治機制的速度。

73% 在印度使用工作場所 AI 的人士表示，曾向 AI 工具輸入敏感的公司資料。全球比較數字為 50%。

敏感資料可以包括內部文件、客戶詳情、策略材料或專有數據。公開摘要並未說明每名受訪者實際提交了哪些資料。

另有 62% 的印度受訪者表示，不準確的 AI 生成資訊曾在過去一年造成實際問題。全球則有 46% 報告過類似經驗。

這些數字顯示，僱員並非只是從遠處觀察 AI。儘管規則不明確且已知存在可靠性問題，許多人仍在重要工作流程中使用 AI。

該綜合報告發現，當獲批准的 AI 可供使用、管治清晰並整合至日常軟件時，受訪者報告的生產力會較高。在這些條件下，88% 用戶表示生產力有所提升。

在上述條件大多缺乏的地方，52% 表示有所提升。管治似乎是在支持採用，而不只是施加限制。

規則亦可能變得適得其反。63% 認為其組織政策過於嚴格的僱員，曾使用未獲批准的 AI 工具。

當僱員認為處理方式恰當時，相應比例為 38%。過度限制可能將活動推往獲批准系統以外，卻無法減少需求。

這造成棘手的管理問題。組織需要保障措施，但這些措施亦必須照顧勞工使用 AI 的根本原因。

職業不安全感令合規更複雜。若僱員相信透明度會危及職位或增加工作量，他們可能避免披露有效的工作流程。

公司因而可能同時失去對生產力提升及數據風險的掌握。其官方 AI 計劃講述一個故事，非正式使用卻創造另一個故事。

因此，信任成為營運基礎設施。勞工需要就節省的時間、績效衡量、資料處理及其職位未來獲得可信的答案。

僅泛泛表示 AI 會協助僱員並不足夠。團隊需要規則，說明哪些任務可以自動化，以及哪些決定仍由人類掌控。

他們亦需要針對不準確輸出的升級處理途徑。當錯誤影響客戶、受監管決策或專有資料時，人類審核必須仍具實質意義。

公司應界定如何分享生產力提升的成果。選項包括改善服務、減少積壓工作、新產品、培訓時間及更可負擔的工作量。

這些選擇並不保證就業，卻能讓僱員判斷 AI 計劃是否有成本削減以外的目的。

勞工亦保留一定主導權。建立一套 個人知識系統，可在工具及職位改變時保留脈絡、決策及專業知識。

這種做法不應將責任從僱主身上轉移。組織控制部署、績效制度、人手配置及工作場所數據的存取權。

印度的發現顯示，當採用速度超越這些制度性選擇時會發生甚麼事。僱員廣泛使用 AI，同時為免受其後果影響的保障定價。

僱主與勞工下一步應留意甚麼

下一階段的評價將取決於人手決策、職涯發展及可執行的勞動力承諾，而非僅是採用統計數字。

第一個訊號是大型僱主會否公布有關 AI 創造產能的清晰政策。這些政策應解釋，當團隊以較少工時完成同樣工作時，將會如何處理。

若政策將節省的資源用於增長、服務質素或減少工作量，便會削弱自動縮減人手的預期。沉默則會強化這些預期。

第二個訊號是初級職位招聘及培訓。Oliver Wyman 的結果顯示，AI 已能執行過去用以培養初級僱員的任務。

僱主應披露學徒計劃、評核、受監督工作及晉升將如何改變。培訓管道收窄，會令被替代的憂慮更具體。

重新設計的管道則可能指向增強人力。初級僱員或可監督 AI 輸出、更早與客戶合作，並在需要高度判斷力的任務中接受結構化練習。

第三個訊號是已宣布裁員與可量度勞動市場變化之間的差異。公司聲明往往列出多個重組原因，令 AI 的影響難以單獨辨識。

研究人員需要職業層面的招聘、職位空缺、薪酬及離職數據。任務曝露程度很重要，因為職位名稱可以維持不變，工作內容卻會改變。

Stanford 的發現目前削弱了 AI 正在美國造成廣泛即時替代的說法。若未來證據顯示，高曝露職業的需求下跌，將會加強印度勞工所反映的憂慮。

反之，若招聘保持穩定而任務結構改變，便支持重組的解讀。AI 會顯著改變工作，卻不會以預測的規模消滅就業。

勞工亦應留意公司如何獎勵 AI 能力。若更高技能只帶來更高目標，卻沒有更佳報酬或晉升機會，僱員會繼續隱瞞有用的做法。

若 AI 能力帶來更強流動性及更好的工作分配，開放態度便更合理。誘因設計將決定採用 AI 是維持非正式狀態，還是轉化為制度性知識。

職業保障承諾同樣值得審視。廣泛承諾永不以 AI 取代人員聽來令人安心，卻可能掩蓋多個未解問題。

承諾是否涵蓋承辦商、職位空缺及外判職位？它是否防止裁員，還是只禁止將 AI 列為原因？

它保障的是某個特定職位、公司內任何職位，還是僅提供一段再培訓期？這些細節決定勞工是否獲得真正保障。

政府及勞工組織亦可能加入討論。它們可以要求諮詢、透明度、培訓或影響評估，而毋須試圖凍結每一份工作描述。

此類介入本身亦有取捨。過度僵化的規則可能拖慢有用的採用，而規則太弱則令僱員承擔並非由他們造成的不確定性。

印度的角色尤其重要，因為其服務經濟包含許多由技術支援、並面向全球交付的工作。這些職位可受惠於 AI，同時亦面對任務層面的自動化。

Oliver Wyman 的 AI 職業保障結果捕捉了這種雙重曝露。受訪者似乎準備廣泛使用 AI，但許多人希望獲得保證，確保採用 AI 不會令自己變得可有可無。

僱主現在需要將生產力主張轉化為可信的勞動力計劃。這意味著公布如何處理節省下來的時間、保障培訓途徑，以及衡量人頭數以外的結果。

勞工亦應提出同樣具體的問題。哪些任務正在改變、誰會審核自動化輸出、績效目標會如何調整，以及職能萎縮的人將會怎樣？

79% 這個數字不應被解讀為預測五分之四印度勞工將會失業。它應被視為有關勞工感受到的議價能力的警號。

僱員相信，職業保障已變得足夠有價值，值得以收入中有意義的一部分來換取。這種信念可在任何替代現象出現前，影響留任情況及職場行為。

決定性的考驗不在於下一項調查會否得出更高百分比，而在於僱主會否令 AI 創造的產能，為創造它的人帶來可見的好處。

若人手下降而產出增加，調查背後的恐懼將顯得有先見之明。若公司保留職涯發展並重建培訓，願意以薪酬作交換的意欲或會減退。

目前而言，每一項工作場所 AI 提案都應回答一個實際問題：當技術令團隊更有效率時，僱員能得到甚麼？