2030 年 AI 會怎麼影響經濟?三種情境的完整數字、兩類工作清單,和三高策略
Anthropic Institute 在 2026 年 9 月發表了一份研究,叫 Economic Scenarios for Transformative AI。它用一個模型,算 AI 影響溫和、中等、極端三種情境下,2030 年的美國經濟會長什麼樣子,還問了 10,980 個美國人怎麼看。
先講結論。三種情境裡,經濟都比沒有 AI 的時候大,多 1.6% 到 32.4%。差很多的是工作和錢怎麼分。極端情境裡,用腦的人失業率是 17.9%,將近每 5 個有 1 個。用腦的工作薪水比沒有 AI 的 2030 年少 11.5%,動手的工作反而多 33.6%。多賺的錢,大部分流向資本。
作者沒有說哪一種會發生,也說三種現在都還不能排除。
這篇是 IG 輪播的完整版,分三個部分:三種情境的完整數字、兩類工作的清單、三高策略。
三種情境差在哪
差別在企業用 AI 用得多不多。論文的算法是:到 2030 年,整個經濟的工作任務裡,有多少受到 AI 影響。
| 溫和 | 中等 | 極端 | |
|---|---|---|---|
| 受 AI 影響的工作任務 | 4% | 12% | 30% |
| 論文怎麼形容 | AI 是小技術,經濟照原本的路走 | 比網路更重要的技術 | 超出歷史上任何一次 |
中等情境的 12%,大約是用腦工作的兩成。極端情境的 30%,大約是用腦工作的一半。
三種情境的完整數字
下面是論文表 3 的白話版,講的是 2030 年初的美國。
| 沒有 AI | 溫和 | 中等 | 極端 | |
|---|---|---|---|---|
| 經濟規模,比沒有 AI 多多少 | 0 | +1.6% | +8.3% | +32.4% |
| 2030 那一年的成長率 | 2.0% | 2.4% | 5.4% | 15.4% |
| 平均薪水 | 0 | +0.7% | +2.1% | +9.7% |
| 用腦的工作薪水 | 0 | +0.4% | −0.3% | −11.5% |
| 動手的工作薪水 | 0 | +1.1% | +5.9% | +33.6% |
| 每 100 元,薪水分到 | 60.0 | 59.4 | 56.1 | 45.2 |
| 每 100 元,資本分到 | 40.0 | 40.6 | 43.9 | 54.8 |
| 薪水總額 | 0 | +0.6% | +1.4% | +0.5% |
| 資本收入 | 0 | +3.1% | +18.9% | +81.4% |
| 用腦的工作機會,跟 2026 年中比 | 0 | −0.5% | −3.9% | −21.5% |
| 用腦的人失業率 | 2.9% | 2.9% | 4.5% | 17.9% |
| 整體失業率 | 3.8% | 3.9% | 4.6% | 11.9% |
薪水、薪水總額、資本收入這幾列,都是跟「沒有 AI 的 2030 年」比。資本指的是出錢、出設備的人,股東是其中一種。
有三個地方很容易讀錯。
−11.5% 不是被減薪 11.5%。 沒有 AI 的話,薪水每年大約漲 2%。極端情境裡,用腦的薪水沒漲,還比 2026 年略低,所以跟「沒有 AI 的 2030 年」比起來少 11.5%。
15.4% 是 2030 那一年的成長率,不是每年平均。 論文說,如果一直維持這個速度,收入每 5 年翻一倍。過去一百年,美國是 35 年翻一倍。
溫和和中等的失業,跟極端差很多。 論文說,如果是溫和或中等的情形,這種規模的變動美國勞動市場過去消化過。極端情境的整體失業率是 11.9%。論文拿來對照的是,金融海嘯之後美國的年失業率最高不到 10%。
兩類工作的清單
研究把美國 22 個職業大類切成兩組,我簡稱用腦、動手。分的不是職位高低,是工作內容。模型裡只有用腦這組直接受 AI 影響。
分類照論文的註腳。台灣的職業舉例,是我對照美國職業分類一個一個查的。
用腦的工作,12 類,佔美國就業 62.4%
| 論文分類 | 台灣看得懂的職業 |
|---|---|
| 管理 | 老闆、總經理、部門主管、店長、專案經理 |
| 商業與財務 | 會計、記帳士、人資、採購、財務分析、核保 |
| 電腦與數學 | 工程師、程式設計師、資料分析師、MIS |
| 建築與工程 | 建築師、土木技師、機械工程師、繪圖員 |
| 生命、物理與社會科學 | 研究員、化驗師、市調分析 |
| 社區與社會服務 | 社工、就業輔導員、牧師與傳道人 |
| 法律 | 律師、法務、地政士、書記官 |
| 教育與圖書 | 中小學老師、補習班老師、大學講師、幼兒園老師、圖書館員 |
| 藝術、設計、媒體 | 平面設計、剪輯、攝影、記者、編輯、自媒體 |
| 醫療專業人員 | 醫師、護理師、藥師、牙醫、物理治療師、醫檢師 |
| 業務銷售 | 業務、房仲、保險、專櫃、收銀員 |
| 辦公室與行政支援 | 行政助理、客服、出納、櫃檯、資料輸入 |
動手的工作,10 類,佔美國就業 37.6%
| 論文分類 | 台灣看得懂的職業 |
|---|---|
| 醫療照護支援 | 照服員、看護、牙助、居家服務員 |
| 防護服務 | 保全、警察、消防員 |
| 餐飲 | 廚師、服務生、飲料店員、洗碗 |
| 清潔與環境維護 | 清潔人員、園藝、大樓維護 |
| 個人照顧服務 | 美髮、美甲、按摩、保母、健身教練、寵物美容 |
| 農林漁牧 | 農場僱工、漁工 |
| 營造與開採 | 工地、泥作、配管、鋼筋 |
| 安裝維修 | 水電師傅、冷氣、汽修、機車技師、電梯維修 |
| 生產製造 | 工廠作業員、產線、焊接、烘焙師傅 |
| 運輸與物料搬運 | 貨車司機、外送、倉儲、計程車 |
這條線的意思是「比較可能受 AI 影響的那一邊」,不是「會失業的那一邊」。論文自己也說,任何兩分法都是簡化。
護理師為什麼在用腦那邊、動手那邊哪幾類已經有機器人在做,我在這一篇一個一個整理過。
三高策略
這一段是我讀完研究後的整理,不是 Anthropic 的結論。
研究把同一類工作的人薪水算成一樣,所以它答不出「同樣是用腦,誰會留下來」。這題我另外找了研究,整理成三個方向,我叫它三高。
高判斷力
AI 把選項列好,要不要做、選哪個由你決定。
怎麼練:每一件 AI 幫你做完的事,交出去之前自己加一段判斷。為什麼選這個、風險在哪、不做會怎樣。
研究依據:史丹佛數位經濟實驗室的 Canaries in the Coal Mine,2026 年 8 月的更新版。在最容易受 AI 影響的職業裡,22 到 25 歲的就業,比原本該有的水準低 19%,有經驗的人沒有出現這種落差。下滑集中在 AI 主要是替人做的職業。AI 主要是幫人做的職業,就業持平或成長,有經驗的人更明顯。作者也說,整體來看沒有看到大規模的工作被取代。
高真人互動
客戶因為信任你才簽約,這件事 AI 替不了。
怎麼練:把時間從螢幕前移到人面前。業務多見客戶、少改簡報。主管多跟人一對一、少看報表。
研究依據:哈佛經濟學家 David Deming 2017 年的研究。1980 到 2012 年,需要大量人際互動的工作,佔美國勞動力的比例多了將近 12 個百分點。這是 AI 之前就有的長期趨勢。
高實作
親手做出成品、人到現場處理狀況。
怎麼練:找你的工作裡要親手做出成品、或要人到現場的部分,把它做深。
研究依據:Anthropic 這份研究本身。極端情境裡,動手的工作薪水比沒有 AI 的 2030 年多 33.6%,因為需要人在現場的事變得缺人。前提是機器人沒有突破。
AI 把報表、簡報、作業處理掉,就是為了讓你有時間做這三件事。
三條不用全走。挑一條,最多兩條。完整的三步和每一條的練法,我寫在這一篇。
這份研究沒算的四件事
沒算機器人。 動手的工作薪水會漲,前提是機器人沒有突破。作者說,這也是他們不算 2030 年以後的主要原因。
只算美國。 數字不能直接套到台灣。
沒說哪一種會發生。 三種情境都沒有給機率,也沒有算政府出手、景氣好壞、金融市場的動盪。
同一類的人算成一樣。 轉行的人在模型裡馬上領到新工作的薪水,現實通常沒這麼順。
作者自己說,走的是哪一種情境,一兩年內可能就會比較清楚。
想用 AI 讓生活與工作更輕省,追蹤 AI 生活實驗室 👉 @life.coach.mtcity;想每天看見 AI 可以做什麼,追蹤 @ailifelab.co,我們一起玩 AI!
這篇不是投資建議。數字是美國 2030 年的模型推算。
資料來源:
- Anton Korinek, Charles I. Jones, Szymon Sacher, Tess Cotter, Peter McCrory, Economic Scenarios for Transformative AI, The Anthropic Institute Working Paper No. 2026-02(2026 年 9 月)
- Erik Brynjolfsson, Bharat Chandar, Ruyu Chen, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab(2026 年 8 月更新版)
- David J. Deming, The Growing Importance of Social Skills in the Labor Market, The Quarterly Journal of Economics 132(4), 2017