自動化—樂觀的連結

資料來源#

• Anthropic Economic Index report: Cadences

摘要#

Anthropic Economic Index 於 2026 年 6 月進行的 Cadences 調查（約 9,700 名受訪者，回答內容與其實際使用情況相連）得出了最違反直覺的結果：把最多工作交給 Claude 的人，對自己未來在勞動市場的前景最樂觀——而不是最焦慮。 在六項工作品質面向中，較高的自動化占比都預測出更正面的期待。這顛覆了直觀上的恐懼：高度委派者既然把自己自動化到了最接近邊界的位置，應該會是最擔心的人。

證據註記。 empirical，但應審慎看待：這是一項針對非代表性樣本的自我回報調查（Claude 使用者偏向電腦／數學職類，約 30%，管理職約 23%；女性僅 12%），並透過保護隱私的抽樣方式與使用情況連結（每人至少 5 次工作階段）。這是相關性研究——報告明確表示，無法完全排除選擇效應。調查設計請見 Anthropic Economic Index。

自動化占比與情緒方向#

報告區分了使用上的自動化與增強模式（這條脈絡貫穿每一份 AEI 報告）。自動化占比是指一個人對話中屬於指令式（「翻譯這份文件」）或回饋迴圈（「編輯這封電子郵件……讓它更口語」）的比例——相對於任務迭代、學習或驗證。協作模式分類器的五種模式如下：

模式	特徵
指令式	人類委派整項任務，互動極少
回饋迴圈	反覆進行，人類主要從環境取得回饋
任務迭代	反覆進行，人類精煉 AI 的輸出
學習	人類尋求理解，而非完成任務
驗證	人類使用 AI 檢查自己的工作

在六項工作品質面向——薪酬、工作安全感、尋找新工作的能力（經濟面向），以及意義、自主性、人際互動（內在面向）——較高的自動化占比都預測出更高的樂觀程度。 最大的效果出現在未來薪酬與尋找工作的能力。在控制 Claude.ai 使用年資（作為早期採用者熱情的代理變數）後，這段關係依然存在，因此並不純粹是選擇效應——不過報告提出兩個仍待驗證的機制：委派具有資訊性（把整項任務交出去，能了解 AI 能做什麼），以及熱衷者會自我選擇成為委派者。

沒有明顯的技能退化——但有一項保留#

委派會卸下思考、侵蝕技能的疑慮，在這裡並未顯現：高度委派者回報的學習速度與其他人相同（「學得更多」的比例不隨自動化占比變化），而認為 AI 讓自身技能更有價值的人，其比例會隨自動化上升。 整體自我回報為：速度提升（86%）、工作範圍擴大（82%）、品質提升（69%）、節省成本（27%）；學得更多（68%）；技能更有價值（57%）。

報告相當謹慎：這些都是自我評估；即使人們覺得自己正在學習、且市場價值上升，技能仍可能退化——因此資料無法排除能力萎縮。這正是與 AI Brain Fry（監督疲勞可測量地提高錯誤率）以及 outsource-thinking-not-understanding 所擔心的問題之間，直接的實證張力：機制不同（情緒／自我回報 vs. 測量錯誤），訊號感受相反。兩者可以同時為真——人們感覺更有價值，卻在悄悄失去技能。

對失業的感知：擔心他人，而非自己#

• >⅓ 的人認為，未來 12 個月內自身、同儕、初階與資深同事的職責很可能會大幅改變。
• 10% 的人認為自己遭遇非自願失業的機率很高——略低於美國實際約 13.4% 的年化離職率，但樣本偏向穩定的知識工作者（風險低於基準），因此仍可能反映出升高的感知風險。
• 人們更擔心他人，而不是自己——尤其是初階同事（超過 ⅓ 的人認為初階同事失業的機率高於 60%）——這是熟悉的自利偏誤；他們也更擔心低收入國家。

性別：即使在同一職業內，使用方式仍不同#

女性（占連結樣本的 12%）即使在控制職業後，使用 Claude 的方式仍不同：Claude Code 占比低 0.24 個標準差（−6.3 個百分點）、自動化占比低 0.33 個標準差（−7.3 個百分點），更多採用迭代式使用，且在聊天上的活躍分鐘數更多（協作參與程度更高）。鑑於自動化—樂觀連結，這項使用差距值得持續觀察，因為它可能造成期待分歧。

人們所期望的未來#

在以開放式問題「放膽夢想」作結時，最常見的主題是：

1. 在有意義的工作上進行人類—AI 協作（超過一半）——仍然重要的職涯、新產業。
2. 自動化繁瑣工作 → 更多自由時間（略超過一半）——卸下乏味工作，保留追求意義的空間。
3. 共享繁榮（約 ⅓）——讓 AI 帶來的收益廣泛分配。

一般受訪者對十年後的期待，核心是協作，而非取代。

為什麼重要#

「委派滋生焦慮」的故事太過簡單。越接近自動化的人，越傾向樂觀，也更認為自己的技能有價值，且沒有自我回報的學習損失——這讓政策問題從「委派會不會使勞工士氣低落」轉向「為什麼最接近自動化的使用者感覺最好，而這種感覺反映的是現實，還是選擇效應」。這是對能力面向 delegation shift 的認知面向制衡。

相關連結#

• Anthropic Economic Index — 這項研究計畫；本文是其第 3 章調查的核心發現
• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 回報的與預期的暴露程度也會隨自動化占比上升；本頁是情緒面，該頁則是能力信念面
• Conversation-to-Delegation Shift — 自動化占比是調查端對同一個「提問→執行」轉變的衡量，OpenAI 則以 tokens 衡量
• Returns to Expertise in Agentic Coding — 鏡像般的梯度：經驗較豐富的工作者回報較低的暴露程度、也更懷疑；高度委派者則最樂觀
• Experimental Learning Impact of Generative AI — 這項調查無法提供的客觀、隨機化技能衡量：它證實 AI 下學習可以持續（增強型使用者），同時揭露了被「自動化占比」混在一起、無法區分的空洞一半（自動化使用者）
• AI Brain Fry — 直接的張力：測得的監督疲勞與錯誤增加，對上自我回報的無技能退化；機制不同，訊號感受相反
• Outsource Your Thinking, Not Your Understanding — 「技能感覺更有價值」與委派會侵蝕理解、而理解正是技能有價值的原因，形成對照
• AI Employee Framing — 兩者都是勞動力認知的研究結果；委派技能在此有所助益，把代理人視為員工的框架則在彼處適得其反
• Organizational Complements to AI — 樂觀集中在高度委派者身上，與互補條件一致（技能、工作流程決定誰能受益）
• AI Usage Cadences — 另一章的配套文章，討論使用節奏，對應本章的認知
• Conversation Artifacts — 高度委派者產出更多計算密集型成果；是這項情緒發現的輸出面配套
• The Three Loops of AI-Native Building — 這種落差的一個可能案例：Andrew Ng 自我回報，自我測試代理人「顯著」降低了他的 QA 負擔，正是遙測資料一再無法證實的那種「委派讓人感覺良好」主張
• Firm AI-Spend Intensity and Headcount Growth — 對此處記錄的初階職位流失恐懼提供客觀反證（超過 ⅓ 的受訪者認為初階同事未來 12 個月失業機率高於 60%）：在密集採用 AI 的企業，入門職位人數在 24 個月內成長 12%，其占勞動力比例也上升——Ramp × Revelio 觀察到的採用企業，並未印證這項擔憂

開放問題#

• 選擇效應 vs. 處置效應：使用年資控制會削弱、但不會消除「熱衷者自我選擇成為委派者」的故事。若採用個人內設計（在採用自動化工作流程前後測量情緒），這項效果是否仍然成立？
• 自我回報的「沒有學習損失」無法偵測真實的能力萎縮；是否存在一致的客觀技能衡量，或測得的技能會偏離感受到的技能（朝 AI Brain Fry 的方向）？部分已有答案： Contractor & Reyes's randomized experiment 提供了這項調查所缺少的客觀、無 AI 輔助技能衡量，並給出一個兩者皆是的答案。它同意 AI 下學習可以持續（增強型使用者在一週後、無 AI 輔助的測驗中仍保有 +0.29 個標準差的進步），因此感受到的技能與測得的技能可能一致。但它也發現了問題所擔心的分歧：一旦移除 AI，自動化使用者的進步就會消失——而「自動化占比」這條調查自身的軸線把兩種類型混在一起，因此平坦的自我回報學習曲線可能掩蓋真實的技能退化部分。（研究對象不同——是在受監考實驗室中的菁英大學生，而非工作者——因此它使職場能力萎縮問題更清晰，而不是將其終結。）
• 樣本主要由電腦／數學職類與管理職組成，且 88% 為男性；自動化—樂觀連結在代表性人口中還能維持多少？

資料來源#

• Anthropic Economic Index report: Cadences — Anthropic Economic Index report: Cadences（2026 年 6 月 26 日），第 3 章「Perceptions」：§AI and jobs、§Skill value and learning、§How usage differs between genders、§What do people hope for