Stanford HAI AI 熱潮最新報告揭示收益不均
Stanford HAI 於 11 月 15 日發表中期研究結果,將破紀錄的 AI 投資與未明朗的公眾態度及不均衡的就業結果並列。Stanford HAI 的 AI 熱潮最新報告挑戰了一項看似理所當然的假設:金融市場的信心會自動轉化為廣泛共享的經濟信心。
AI Index 編輯 Sha Sajadieh 表示,2026 年全球企業 AI 投資已超過 1 萬億美元,較 2025 年全年總額高出 46%。這衡量的是已承諾投入的資本,而非已實現的生產力、投資回報,或僅投放於美國數據中心的開支。
核心張力在於投資者所資助的未來,與勞工及社區實際經歷的未來之間。追蹤 ChatGPT 發布後情況的早期研究,提供了就業基準。最新報告則探問,擴大投資是否同時帶來更廣泛的接受程度。對僱主、基建開發商和企業採購者而言,這些結果需要分開的證據支持。
Stanford HAI AI 熱潮最新報告帶來甚麼改變
這份最新報告將投資、公眾期望和就業訊號放在同一場討論中,但不把它們視為可以互相替代。
Sajadieh 的 AI 熱潮評估在研究人員籌備下一份預定於 2027 年 4 月發布的 AI Index 之際,公布此前未發布的研究結果。這是一份中期評估,而非已完成的年度報告。
其公眾研究結果難以簡單歸類為樂觀或悲觀。在所有受訪國家中,預期 AI 會消滅職位的受訪者,多於預期 AI 會創造職位的人。不過在全球範圍內,過半數受訪者仍認為其好處多於壞處。
在美國,60% 成年人表示,新的本地數據中心會令他們感到不安。兩大政黨的多數人士均表達這種不安。
這些發現涉及不同問題和不同人群。它們無法證明同一批受訪者同時歡迎 AI、害怕被取代,並反對附近興建基建。
分析上的結論很直接:接受程度取決於人們被要求接受的是甚麼。支持一項技術的整體潛力,與信任僱主的部署方式或歡迎附近的實體發展項目,並不相同。
投資者評估預期回報。勞工評估收入、機會及議價地位。居民評估特定項目在當地帶來的後果。即使沒有人誤解這項技術,他們的判斷仍可能出現分歧。
這項區分改變了企業應如何解讀採用情況。一名使用 AI 助手的人,已展示其願意使用該服務;但這不代表他必然支持與其擴張相關的每個基建項目或就業決定。
同樣地,反對某項擬議發展,並不代表反對所有 AI 應用。把所有這些回應視為單一認可評分,會抹去真正重要的選擇。
因此,這份報告為熱潮提出了更嚴格的檢驗。投資反映財務承諾;至於該承諾是否能為提供資本的機構以外帶來持久利益,則須由其他證據證明。
這亦是時機重要的原因。中期發布讓讀者能在年度刊物整合相關差異前檢視新浮現的情況。它們應促使更仔細的審視,同時為修訂及更完整的方法論細節留下空間。
對 Stanford HAI AI 熱潮故事而言,眼前的改變在於成功的定義。更多支出可以與尚未解決的問題並存,包括誰能受益、誰要調整,以及誰真正擁有發言權。
僱主在判定裁員前先面對招聘問題
即使證據無法將 AI 確定為因果因素,就業壓力仍值得關注。
最新評估指出,暴露程度較高職業中的年輕勞工持續出現就業下跌,尤其是在客戶服務領域。報告亦指出,一些以輔助式 AI 使用為特徵的職業跌幅更深,包括市場推廣和 IT 管理。
這項觀察擴大了研究人員需要探問的問題。它不能證明 AI 導致了這些變化,也不能證明每個使用輔助工具的僱主都減少了人手。
8 月 12 日發布的早期 職涯初段就業分析提供了有用背景。Erik Brynjolfsson、Bharat Chandar 和 Ruyu Chen 研究了截至 2026 年 6 月的 ADP 薪酬紀錄。
他們指出,在高度受影響職業中,22 至 25 歲勞工的就業表現相對於受影響程度較低的同儕,落後 19%。這項比較不代表 AI 消滅了當中 19% 的職位。
研究人員發現,調整主要是透過減少招聘,而非增加離職。他們亦表示,未有發現與 AI 相關、廣泛遍及整個經濟體的職位流失。
他們的警示同樣重要。調整教育程度後,差距有所收窄;部分差異早於生成式 AI 廣泛使用前已出現;結果亦隨分析方法而有所不同。他們明確將研究結果描述為非因果關係。
對僱主而言,這令焦點轉向踏入行業的入口。一支穩定的工作團隊可以掩蓋日益收窄的招聘渠道。現有員工或可留任,但獲得發展機會的新入行者可能變少。
假設某個客戶支援部門引入助手。管理層或會保留現有人手,同時決定日後出現空缺時不再補人。這會影響機會,卻未必帶來相應的解僱潮。
另一個部門可能利用同樣能力改善服務,並處理以往未能滿足的需求。由於其客戶、預算和增長目標不同,其招聘決定也可能不同。
這些例子說明的是可能機制,而非 Stanford 模式已有紀錄的解釋。單憑薪酬趨勢,無法判定個別管理人員作出了哪些決定。
這項區分對年輕勞工尤為重要,因為招聘帶來的不只是即時收入。入門職位亦提供受監督的實務訓練、專業人脈,以及處理正式培訓無法完全複製的例外情況的經驗。
若僱主減少這些職位,他們將面對如何培養未來專才的長遠問題。購買更好的軟件,並不能自動回答機構將如何培養成熟判斷力。
因此,企業採購者需要更廣闊的實施成功定義。更快的產出固然重要,但監督、錯誤處理、員工發展和責任分配同樣重要。
壓力落在管理人員身上,他們必須說明實際的營運選擇。除非人手配置和培訓決定能令這種說法可信,否則把工具描述為支援員工,難以帶來多少安心。
審慎解讀 Stanford AI 對就業的影響,應保留證據的兩面。機會不均值得調查;現有模式卻不足以支持對 AI 導致裁員作出一概而論的結論。
協助勞工不保證增加招聘
工具的即時功能與僱主最終的人手決定,是不同的結果。
自動化與增強式協作之間的區分在此很有用。自動化是把工作交由軟件處理;增強式協作則是人與軟件共同完成工作。
Anthropic 的按工作任務劃分的經濟指數透過職業任務檢視 AI 使用情況,而非把整份工作視為不可分割的單位。其證據來自涉及 Claude 的活動。
這種方法有助辨識人們如何使用助手,但並不直接衡量每個僱主的人手規劃、每名勞工的經驗,或整個 AI 市場。
比較供應商時,這是一條值得保留的界線。Anthropic 的使用證據描述的是 Claude 互動。OpenAI 的 ChatGPT 處於另一個產品環境。兩款產品的對話都不應自動代表所有職場活動。
更廣泛的就業問題,是當一項任務變得更容易後會發生甚麼。管理人員可把節省下來的工夫用於擴大產出、改善質素、減少工作量,或重新考慮人手安排。
這些選擇部分取決於需求。客戶正等待服務的機構,與難以銷售既有產出的機構,面對的是不同決定。
因此,一個支援式介面並不保證帶來擴張型就業策略。員工或仍掌握每項任務的控制權,但管理層可能改變其預期所需員工數目。
反過來的情況亦有可能。把一項重複工作自動化,可以讓勞工騰出更多時間處理客戶重視的工作。這種可能性避免了把任務自動化與職位消失畫上簡單等號。
確實有實際效益的證據。Brynjolfsson、Danielle Li 和 Lindsey Raymond 發表的客戶服務生產力研究發現,平均生產力提升了 15%。
該研究透過每小時解決的問題數目衡量生產力。不同勞工的效果有所差異,說明平均值不應被當成普遍承諾。
這項研究為完全負面解讀職場 AI 提供了具體平衡。輔助工具可在真實服務環境中提升表現,但任務表現與就業增長仍是不同問題。
假設一名支援部門經理面對更高的解決效率,可能選擇縮短輪候時間;另一名經理則可能以更少的計劃招聘維持服務目標。單憑生產力結果,無法在兩種回應中作出判定。
這正是熱潮就業敘事中的核心取捨。企業可以創造有用工具,同時勞工仍不確定由此產生的收益將如何分配。
對知識型勞工而言,這項區分亦影響日常評估。助手加快撰寫速度,仍可能需要大量核對;助手改善檢索能力,則可能減少重複工作,而不改變人數編制。
與知識管理相關的方法,屬於這場實際討論的一部分。其價值取決於人們能否有效檢索、評估和應用資訊。
因此,採購者應區分產品聲稱與機構結果。「協助員工」描述的是預期互動;更好的工作成果、可持續的工作量和穩定的職涯路徑,各自都需要獨立證據。
11 月的研究結果令這項區分更難以迴避。相關問題不只在於 AI 是否與勞工協作,也在於機構如何運用由此產生的能力。
公眾接受程度取決於具體決定
財務支持無法取代面對不同後果的人所作出的同意。
公眾態度研究結果帶來另一種壓力來源。基建開發商和企業領袖不能假設,公眾對 AI 的一般興趣足以消除對特定部署的疑慮。
對居民而言,相關決定可能涉及其社區內的設施。對僱員而言,則可能涉及監察、問責或日常職責的改變。
這些是不同的決定,所需證據亦不同。一場正面的示範不足以解決土地用途爭議。一項投資公告亦不能證明僱員信任某項工作場所政策。
這個區別亦解釋了,為何對廣泛效益的期望可以與憂慮並存。人們經常會把整體發展與其具體實施方式分開評估。
一個人可能重視助理工具,同時質疑擬議設施能否在當地提供可接受的安排。另一個人可能歡迎某個應用程式,卻擔心基層職位的入職機會。
這些只是用作說明的可能情況,並非對受訪者的結論。要確立受訪者的理由,需要在標題式研究結果以外提出更多問題並進行分析。
因此,開發商不應把不安解讀為診斷結果。問卷回應可以顯示某個問題值得調查,卻未必能指出其根本原因。
有關設施的可能問題包括資源需求、公開承諾,以及本地效益如何分配。Stanford 的更新並未確立哪些考慮因素推動了其報告的結果。
這項限制令項目專屬證據更為重要。社區可比起有關科技進步的廣泛說法,更直接地評估已披露的計劃及可執行的承諾。
同一邏輯亦適用於企業內部。當管理層說明誰會核查輸出結果、誰會處理錯誤,以及職責如何改變時,員工便能更具體地判斷部署安排。
抽象的生產力承諾未能回答這些實際問題。清晰的實施政策會提供一些可供僱員審視和質疑的內容。
對基建企業而言,這反映出一個要求甚高的商業現實:融資與公眾接受程度必須透過不同程序逐步建立。一方面的成功,並不能解決另一方面的問題。
對企業採購方而言,採用同樣不只取決於能否取得一個能力出眾的模型。機構必須確認其使用方式是否符合自身責任、工作流程及與僱員的關係。
這些考慮屬分析上的推論,而非所報告態度的已量度成因。它們說明為何公眾研究結果應與投資數據並列理解,而不應變成反對投資本身的證據。
主要分野仍然是已獲融資的未來與人們實際經歷的未來。要縮窄這個落差,需要受影響人士能夠辨認的具體效益,而不是假設投入資金自然會說明一切。
證據仍容許出現不同結果
最有力的解讀,是同時保留警號與不確定性。
一則簡短的機構更新無法回答其研究結果引起的每一個問題。讀者需要區分已報告的模式,與自己認為最合理的解釋。
Canaries 就業儀表板追蹤不同職業群組及勞工特徵的薪酬就業結果,持續呈現匯總數據可能掩蓋的差異。
其分類有助研究人員整理比較結果,但不代表同一職業內的每個人都以相同方式使用 AI,或在完全相同的條件下工作。
一個受影響程度較高的職業包含不同僱主、工作任務及職涯階段。要把群組層面的結果轉化為對某位僱員的預測,仍需額外資料。
不同研究設計亦捕捉經濟的不同部分。薪酬紀錄描述參與企業的就業情況;行政人員調查描述機構報告的經驗;使用紀錄則描述與特定服務的互動。
這些來源即使不一致,也不代表其中任何一項毫無用處。廣泛調查可能發現整體變化不大,而詳細數據集則可能識別出壓力集中於新入行人士。
企業層面 AI 調查提供了一個相關比較。其摘要指出,研究於 2026 年夏季在七個國家訪問了近 9,000 名高級行政人員。
這些行政人員表示,過去三年整體就業幾乎沒有淨影響,並預期未來三年的淨影響亦不大。這些報告和預測關乎企業整體。
這個視角不同於詢問特定職業中的年輕勞工,是否落後於同儕。有限的整體影響,可以與勞動人口內部的顯著差異並存。
預測亦帶來另一項區別。行政人員的預期,是有關預計決策及情況的證據,並非其後實際發生情況的觀察。
同樣地,財務承諾反映對未來價值的預期。該價值最終如何分配,取決於採用情況、營運選擇、需求、競爭及其他條件。
審慎的分析亦應容許解讀隨時間改變。若受影響職業相對比較組別回復表現,有關持續分化的說法便會減弱。
若差異在多個數據集及分析方法中持續出現,憂慮便會得到更有力支持。無論對 AI 抱持熱情或懷疑,都不應預先決定結果。
就 Stanford 的 AI 對就業影響研究而言,合適標準是持續累積證據。單一研究應為討論提供參考,但不應成為解釋每個疲弱招聘市場的最終答案。
同樣的紀律亦適用於投資與公眾意見。資本承諾、調查回應與觀察所得結果,各自回答一個有界限的問題。把它們結合可提供背景,而非構成單一因果鏈。
這種不確定性不會抹去新聞價值,反而界定了實際挑戰:當證據仍不完整時,機構必須作出決定,並在更有力的結果出現後修訂決定。
三項訊號將檢驗落差會否收窄
下一批有用證據,將涉及趨勢是否持續、機構實際營運結果,以及受影響社區的具體回應。
首先,留意就業差異會否在其後每月發布中持續出現。相關比較涉及受影響程度較高及較低的職業,並須留意年齡及樣本組成的變化。
若落差在多次發布中持續,將加強對機會分配不均的憂慮。若落差收窄,則會削弱目前分化正變得根深蒂固的論點。
在這項比較中,招聘尤其值得留意。新入行人士的機會若有所復甦,將與主要依靠留住資深員工所帶來的就業穩定,反映截然不同的情況。
讀者亦應檢視支援使用型職業,是否與偏向自動化的群組走上相同軌跡。即使未能確立因果關係,持續差異亦有助研究人員細化問題。
其次,留意企業會否在 AI 承諾以外,報告實際的營運改善。投資計劃描述擬投入的資源;業務結果則描述機構實際獲得甚麼。
有用的披露會區分使用情況與結果。一間機構可以廣泛派發助理工具,卻未能證明它是否改善服務、減少返工,或支持額外需求。
如有資料,相關說法應附帶人手配置證據。生產力提升加上重新招聘,將支持更廣泛擴張的敘事;效益提升同時入職機會減少,則會加強分配不均的憂慮。
兩種組合都不能確立普遍規律。然而,與單看總開支相比,它們可為評估特定企業提供更穩固基礎。
比較亦需要一致的界線。全公司數字可以掩蓋部門之間的差異,而成功的試點計劃亦可能誇大擴大部署後的實際情況。
第三,留意特定社區及僱主如何回應擬議改變。有用證據包括決定、已披露的承諾,以及其後對這些承諾的遵守情況。
對一項設施而言,附帶清晰責任的批准,比起對 AI 的普遍支持可提供更多資訊。若分歧持續,便需要先檢視具體爭議,才可賦予廣泛解釋。
在機構內部,已公開的職責及培訓承諾,會令支援僱員的說法更容易評估。其價值取決於實施,而不只在於文字表述。
這些訊號構成對 Stanford HAI AI 熱潮敘事的檢驗。它們問的是,財務信心是否開始與可量度的機構效益,以及受影響人士可信賴的機會相符。
2027 年 4 月的 AI Index 應可提供更完整的參考點,但讀者毋須等到該報告,才可區分預期與結果。這個區別在評估招聘公告、部署說法及基建提案時已相當有用。
閱讀日後的 AI 公告時,應牢記這些區別。問清楚某個數字量度的是開支、使用量、產出、就業,還是對未來的預期。檢查證據代表誰的經驗,又遺漏了誰。當僱主承諾提供協助時,留意與該承諾一同出現的人手配置及培訓決定。當項目承諾廣泛效益時,審視其對受影響人士作出的具體承諾。Stanford HAI 的 AI 熱潮更新提供理由,讓我們一同追蹤這些問題,同時把各自的答案分開看待。哪一項即將公布的結果會真正改變你的評估:更強勁的招聘、經核實的營運效益,還是人們可據以追究機構責任的具體協議?



