分類: Work 工作職場

[大衛選讀] 怎樣才能幫自己加薪？這是每位工作者都在意的事情。所以積極的人會去購買線上課程，參加研習營、讀書會，就是為了多發展出一些能力，讓自己多點機會能升職加薪。

說實在的，我也當過人事主管跟企業主。聽到同仁去自學 Python, 那當然很好阿。但是手邊的專案工作暫時還用不到，也就只能微笑讚許學習動能很高，給予口頭獎勵。

AI 時代下，我們為了適應變化，企業跟個人都必定要長出新能力。那些能力的增長，是否能轉化成看得到的價值跟薪資報酬？加薪的關鍵在哪裡？人工智慧的近期浪潮下，這是趁勢套利的機會，還是技能折舊的開始？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

薪水漲不上去，你是否也陷入了「穩定」的陷阱？

在現在這個技術快速顛覆、全球競爭白熱化的時代，我們對「好工作」的定義正在被徹底改寫。過去，畢業之後找一家穩固的大企業逐步往上爬，是人人稱羨的職涯路徑。如今，這份穩定卻可能反而變成，個人薪資成長與職涯發展上的隱形天花板。

這樣的反轉衝突，在歐洲尤其明顯。《經濟學人》近期的文章，一針見血地描繪了當代歐洲的困境：歐洲經濟已經得了硬化症 (Eurosclerosis)，儘管整體經濟仍在緩步成長，但失業率卻居高不下，新的就業機會少之又少。

數據顯示，高達四分之一的歐洲員工在同一家公司服務超過 20年，相較之下，這個比例在美國只佔十分之一。

這樣低度的勞動市場流動性，雖然表面上看起來很安穩；但實際上就業市場的停滯，已經阻礙了創新、拖慢了高效率企業的擴張，最終導致了整體薪資成長的停滯。

講經濟發展太沈重，大家更關心的應該是自己的薪資能不能高一點。從歷史數據來看，跳槽者的薪資成長，總是高於留在原地的人。為什麼在個人職涯中，跳槽是爭取加薪最有效的方式？答案就在以下幾個關鍵的經濟學理論中：

你的薪水不是老闆說的算，是「別家公司」決定的

職涯顧問多半會告訴你「想加薪，就跳槽」，這不僅是職場經驗談，更是有經濟學理論支撐的經濟現實。

現代勞動市場理論把職場描繪成一個「工作階梯, Job Ladder」。這個模型假設，整個勞動力市場是由無數個生產力與薪資水平高低不同的企業，所共同組成的層級體系。對工作者來說，真正顯著的薪資成長，並非來自於在同一家公司內的年度微調；而是透過從低薪、低生產力的企業，往上跳躍至高薪、高生產力企業的過程。

有趣的是，這個過程並不是由人才驅動的，而是企業為了求成長，積極向外挖角所造成的。

所以，一個在職員工的薪資議價能力，並不來自於對內的貢獻，而是來自於外部的競爭比價。一個工作者越容易轉換到新工作、有越多公司想要挖角，就擁有更高的薪資談判力道。

即使最終選擇了留下，這種「潛在的流動性」也會迫使現在的老闆，必須持續提出比外部更具競爭力的薪酬獎金，才能留得住人。

你該等內部晉升嗎？麥肯錫：80% 的機會在公司外面

從人力資本理論 (Human Capital Theory) 的角度來看，每次換工作，都是一次將個人技能、知識與經驗，跟工作職位進行配對優化 (optimal match) 的過程。

身為工作者，你的技能在現有職位上，可能並沒有被充分利用到。尤其是自我進修之後，工作內容卻沒有跟著轉變時。這時候，跳槽到另一個能更能發揮自己專長的新工作，不僅更有成就感，同時也能獲得更高的報酬。

[大衛選讀] 剛畢業的設計師跑來問我：「為什麼現在企業都只想僱用有經驗的人，不願意給新鮮人一個機會？」

這個現象在今年歐美地區的新就業市場中尤其明顯，在資工、會計、法律等領域，有將近一半的畢業生在找第一份工作上，已經遇到了極大困難。

人工智慧發展下，企業寧可大力加碼投資自動化科技，也不願意雇用沒有經驗的職場新手。近期我閱讀了世界經濟論壇 (WEF)、Deloitte, PwC 以及 McKinsey 等多篇就業趨勢報告，幾乎一致指出：全球勞動力市場正在經歷一場前所未有的技能重塑。

我更在意的是，這波人工智慧的浪潮，究竟帶來了哪些結構性的人力需求變化？剛畢業的職場新鮮人，又該怎麼面對？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

你需要知道的就業困境：經歷差距 (experience gap)

在人工智慧時代，一個越來越棘手的挑戰浮現出來，那就是「經歷差距 (experience gap)」。

這個詞反覆出現在 Deloitte《2025年全球人力資本趨勢報告》中，指的是雇主要求的實務經驗，與求職者實際擁有的經驗之間的落差。而這個落差似乎正越來越大。

華頓商學院管理學教授 Peter Cappelli 一語道破：「現在每個人都想僱用已經有三年經驗的人，但卻沒有人願意給他們三年的時間」

這讓年輕人陷入了現實困境：沒有經驗就找不到工作，沒有工作就無法累積經驗。這個因果不斷輪迴下去。

過去：新人的「練功場」

在傳統職場中，新人通常從基礎、重複性高的任務開始，也就是所謂的繁瑣工作 (grunt work)。例如，律師事務所的菜鳥可能要花大量時間整理和審閱文件，行銷新人可能要負責蒐集市場資料並製作報表等。

這些看似單調的工作，其實是新人學習的入門機會。他們可以藉此熟悉產業的運作模式和術語、在風險較低的環境中犯錯和學習，並且觀察資深同事如何應對複雜問題，從而培養專業的直覺和判斷力。

現在：AI 搶走了學習的機會

然而，人工智慧導入之後，初階就業市場就變了個樣。AI 正開始大規模自動化那些重複性高、以資訊蒐集和整合為導向的任務；然而這些任務在傳統上，卻是新人做中學的核心。

這不只是取代工作機會，更是重塑了初階工作的本質。當 AI 把那些過去專門給新人練功的「入門級任務」都拿走時，這將帶來以下兩個問題：

問題一：「學習的階梯」被 AI 拆掉

通常知識工作者的學習歷程中，最下面的第一階就是資訊蒐集、內容摘要、草擬文件等重複性的知識型工作。

在蒐集資料時，新人必須判斷哪些資訊是相關的、哪些是次要的；在草擬摘要時，他們必須練習如何精準地提煉重點。這些看似基礎的認知任務，正是鍛鍊批判性思維和邏輯推理的起點 。

AI 一下子就把資訊彙整的工作做好了，短期看似提高的效率，長期下來則是直接剝奪了新人練習的機會，拆掉了學習階梯的第一塊踏板。

[大衛選讀] 經濟學人近期在財經與經濟專欄中刊出一篇文章《How AI Will Divide the Best from the Rest》指出，AI 可能加劇就業市場的兩極化發展。高階人才和能夠掌握 AI 技術的人，將獲得最多的好處，而低階勞工則會面臨被取代的風險。

身為經濟學人的長期讀者，相較於過往傾向 AI 賦能弱者的論述，我可以明顯感受到，報導的風向正在轉變… AI 究竟會讓人人都變強，還是加大能力差異，或甚至是取代所有人？

本文選讀彙整了多篇文章，內容整理如下，原文連結則放在留言中。

早期的樂觀預期：AI 幫助平等賦能 (AI as an equaliser)

說早期，其實也不過就是兩年前。2023年4月，史丹福大學 Erik Brynjolfsson 和麻省理工學院的 Danielle Li 與 Lindsey Raymond 的研究發現，生成式 AI 工具提高了新手客服人員的生產力達 34%，幫助他們更快更有效地進行問題查詢。相較之下，資深員工幾乎沒有獲得同等的效能提昇，因為 AI 只是強化了他們已經在使用的方法。

在這階段的研究裡，AI 技術似乎特別能夠幫助到，那些表現較差或技能較低的人群，使他們能夠生產出更高質量的工作成果，進而縮小與高績效者間的差距。

別高興得太早，故事還沒結束。

最新發現：AI 更可能會擴大差距 (AI as a Divider)

然而，近期 MIT 麻省理工學院在 2024年12月的研究中發現，頂尖研究人員在使用人工智慧來探索新材料時，研究效能的提升可以達到一倍以上；但是換到能力後段三分之一的研究員，有沒有使用 AI 則幾乎看不出差別。

這是因為擁有豐富專業知識的頂尖科學家，可以從AI生成的各種可能性當中，識別出較有希望的建議，並排除糟糕的選項。相較之下，能力後段的研究員則很難從大量五花八門的輸出中，篩選出有用的假設。

隨著更多研究證據的出現，早期認為 AI 會成為「偉大平等工具」的樂觀預期已開始動搖，取而代之的是 AI 可能會擴大現有差距的擔憂。

差異的關鍵：任務複雜度

仔細比較前後的差異，會發現兩年前的研究，更多關注在那些相對標準化和結構化的任務上，例如客服諮詢回應、基本文件生成，或是合約起草。在這些領域中，AI 確實能夠提供明確的指導和協助，對缺乏經驗的人員尤其有效。

然而當工作牽涉到複雜判斷、創造性思維，以及綜合分析的困難任務時，那就沒有標準答案了。高技能專業人士比起一般人，更能夠準確評估 AI 輸出的質量好壞、識別其侷限性，並將 AI 生成的結果與自身專業知識，有效地連結整合起來。

這種能力上的差異，在簡單任務中或許看不出來，但在複雜任務中卻會被明顯放大。

這形成了一種倒置效應：一旦任務的複雜性提高，AI 弭平人類能力差距的效果似乎會減弱；甚至會完全倒過來，進一步加大了能力上的差距。

強者更強，但可能最終還是逃不過自動化

經濟學家估計，過去 40 年來美國工作者的薪資差距不斷擴大，其中超過一半是由於以前由人類勞工完成的任務被自動化所取代。他們發現，經濟產出中，支付給工人的薪資比重不斷下降，而用於機械和軟體的支出卻不斷增加。

[大衛選讀] 近期紐約時報旗下的 Hard Fork 做了一則專訪，訪問 OpenAI 前任資深顧問 Miles Brundage，談 AGI 發展趨勢，以及對於大眾的影響。

過去六年深入參與 AGI Readiness 的研究工作，他認為現在是一個很瘋狂的狀況。一方面 AI 技術發展正在向前不斷加速，但是另一方面政府跟社會似乎都還沒有做好應變的準備，大眾的認知也跟先進實驗室的發展現況有相當落差。

對他來說，趨勢很明顯。不需要幾十年，而是在未來幾年內，人工智慧將能夠全面勝任人類在電腦上能做的各種工作。提早退休的時代將會比我們預期地更早來臨，隨著經濟快速發展，若能搭配好的租稅與社會福利制度，大多數人無需工作也能過活。

變革之大，教育與工作的意義，將需要重新被探索跟定義。在那之前，為了更好的在後人工智慧時代下生活，Miles Brundage 建議，人們應該趁現在，趕快積極儲蓄，並且充分了解人工智慧的能與不能。

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

我們已經準備好迎接又快、又劇烈的 AGI 變革嗎？

Miles Brundage 曾任牛津大學人類未來研究所的研究員，之後加入 OpenAI，參與通用人工智慧準備 (AGI Readiness) 的研究工作，以確保 OpenAI 在建構更強大的人工智慧系統時，能夠安全地釋出這些系統，讓社會享受到人工智慧帶來的益處，同時減輕風險。

他在 OpenAI 工作六年後，宣布離開的消息引起了很多關注。他一直非常積極地呼籲大家關注這些系統的風險。但他在離職的過程中表示，他不認為 OpenAI 或任何其他先進人工智慧實驗室已經為人工智慧的到來做好了準備，而整個社會也還沒做好準備。

如果去仔細閱讀各個先進人工智慧實驗室發表的東西，會發現他們普遍承認還沒有完全掌控一切。所以這是一個很瘋狂的情況：一方面是技術進步非常快，另一方面是了解最多的人卻說我們還沒做好準備。

電腦在未來幾年內，或將全面勝任人類在電腦上能做的各種工作

在未來幾年內，很可能會出現人工智慧系統，在電腦上的工作能力完全超越並可取代人類，無論你是否要稱它為通用人工智慧 (AGI)。

趨勢很明顯，這些系統將能夠操作滑鼠和鍵盤，甚至可以在視訊聊天中看起來像真人。人們應該儘早思考這意味著什麼，政府也應該思考這對稅收、教育投資等意味著什麼。

在一個人工智慧可以勝任大部分工作的環境下，教育的意義是什麼？

並不是說所有的工作都會消失，但人工智慧的發展必然會帶來巨大的衝擊，人們需要提前思考這對於教育的深遠影響。

教育的目的是培養人們成為一個努力工作的好公民，還是讓他們能更加了解自身所在的世界？如果教育不是跟過去一樣，主要是為了就業做準備，那麼未來發展時，就會更需要去思考教育的真正意義是什麼。這肯定會變得很不一樣。

人工智慧的發展是真實深刻的，但是大眾的認知還沒有跟上

總會有一些人認為這都是科幻小說，他們不相信人工智慧正在接近人類水平的智慧，他們在生活中看不到 ChatGPT 或其他工具的用處，他們認為這基本上是科技巨頭的營銷炒作。

身為科技與社會跨領域研究的專家，Miles Brundage 觀察到科技業界人士與大眾之間的認知差距。這斷差既有趣，又值得深入探討並且試著弭平。

[大衛選讀] 預測未來有多難？最近讀了一些科技發明對於人類歷史的影響，再從當時人們的認知與預測，對照後續的真實發展，會發現要預測未來真的很困難。

從蒸汽機發明，到鐵路建設，以及設備電氣化等技術發展來看，人們對於新技術的直覺想像總是貧乏的，也往往會在長期範圍內，低估了新技術所帶來的深遠影響。

人工智慧很明顯會帶動第四次工業革命，要怎樣重新思考我們的工作？是要謀定而後動，還是打帶跑見機行事？

本文選讀彙整了多篇文章。內容整理如下，原文連結則放在留言中。

預測未來：從蒸汽機到人工智能，我們學到了什麼？

未來是一片未經探索的領域，而我們對於未來會如何的直覺往往是錯誤的。

眾所周知，哥倫布曾以為他正在開闢一條通往印度的新貿易路線，結果卻意外發現了美洲大陸。同樣地，對於未來工作的預測，通常跟我們真正到達未來時所看到的實際情況，往往相距甚遠。

以著名經濟學家凱恩斯在 1930 年代的估計為例，他預測在幾代人之內，每週將只需要工作 15 小時。他認為技術的進步將提高生產力，讓人類能夠用更少的工作時間享受同等的生活水準。雖然隨著歷史演進，工時確實有若干減少，但是自 1940 年代以來，典型的工作週仍停留在平均每天 8 小時，每週 5 天的水平。

為什麼我們的預測經常是錯的？

首先，人類是非理性和情緒化的，這使我們難以預測未來會怎樣發展。

在科學研究的基礎上，我們對大自然的理解，比對人性的理解要好得多。由於大自然的規則是由物理世界所定義的，是邏輯的、能被充分理解的，而且穩定不變。這使得科學家能夠在高度確定的狀況下，去理解複雜的物理過程，例如氣候變化。

但人性決定了人們將如何在社會經濟跟政治上，去做出反應。人性本質上是非理性和情緒化的，這使我們難以預測。這就是為什麼，氣候變化和許多其他事件對未來的影響，實務上難以準確預測的原因。

此外，我們在預測上的真正問題，並不在於技術貧乏或不精確，也不在於我們在短期內高估了新想法和技術的潛力；而是往往在長期範圍內，低估了它們的影響 (underestimating their impact in the long term)。

預測靠的是模型，也就是一種框定現況以及後續動態的方式 (model, a way of framing the present and its dynamics)。但是我們使用的模型，難以考慮到人類的慾望和創造力。未來是由無數人類所共同決策與塑造的，而正是這些人類的判斷，決定了我們將身處哪一個未來。

我們選擇如何使用技術，跟技術本身的特性同等重要，甚至更為關鍵。儘管新技術創造了新的可能性，但我們需要去決定，哪些可能性會真正發生，成為新的現實。