AI 正在壓縮入門工作？中年人的經驗，可能成為下一輪生產力槓桿

2026/9/12 · ArleeFather

如果 AI 可以先寫電郵、整理資料、製作報告、分析數據和建立程式初稿，企業還需要多少入門職位？

這個問題，對剛畢業的年輕人是一道入口問題：如果以往用來累積經驗的初級任務逐漸減少，我要從哪裏證明自己有能力？

對中年工作者，它則是一道轉型問題：當 AI 可以更快完成我熟悉的工作，我多年累積的經驗究竟會貶值，還是會變得更重要？

最近幾份來自美國、英國，以及香港、台灣、馬來西亞和新加坡的研究與招聘數據，暫時沒有提供一個簡單答案。它們沒有證明 AI 正在全面取代年輕人，也沒有證明中年人必然受惠；但幾組結果放在一起，已經顯示一個值得留意的方向：

當可以寫成規則、容易驗收的初級任務變便宜，經驗所累積的情境判斷、客戶理解、責任承擔與帶教能力，可能變得相對珍貴。

美國的警號：AI 可能首先改變「怎樣入行」

美國人口普查局一份 2026 年 working paper，使用大學畢業生的行政紀錄，比較不同 AI 暴露程度科系在 ChatGPT 出現前後的就業軌跡。

研究發現，在迴歸調整後，AI 暴露最高一成科系的畢業生，初次就業機率相對下降 5 個百分點，初期完整季度收入相對下降 13%。差異在離開入職階段後有所收窄，但沒有完全消失。

另一項由 Stanford Digital Economy Lab 使用 ADP 薪酬紀錄進行的分析，也看到相似訊號：22 至 25 歲、身處高度 AI 暴露職業的員工，截至 2026 年 6 月的就業水平，比假設他們與同齡、較低暴露職業同步增長的趨勢低約 19%。變化主要來自招聘放慢，而不是在職員工突然被大量解僱。

這兩份研究都不等於已經證明「AI 造成青年失業」。第一份以畢業科系的 AI 暴露程度作比較；第二份是描述性分析，而且不同職業在 AI 普及以前已有不同趨勢。宏觀經濟、企業削減成本和疫情後的招聘調整，都可能同時影響結果。

但兩者共同提出了一個比「AI 是否搶工作」更具體的問題：AI 可能首先改變的，不是所有人的工作，而是新人進入某些白領行業的方式。

過去，畢業生可以由整理資料、撰寫初稿、基本分析和簡單程式開始，在反覆修改中了解客戶、建立判斷和學會承擔責任。如果企業認為這些任務可以先交給 AI，新人失去的不只是一個職位，還可能是由低風險工作逐步累積經驗的學習階梯。

英國的情況相似，但因果仍未確定

英國也出現類似警號。Skills England 2026 年報告引述的招聘數據顯示，2025 年畢業生網上職缺按年下降 45%，一般入門職缺下降 25%。報告亦引述研究指出，AI 暴露較高的公司較少刊登職缺，初級職位的跌幅大於整體職位。

可是，英國官方同時提醒，畢業生職缺早於生成式 AI 普及前已經開始下降，目前仍難把 AI 的影響與較廣泛的勞動市場變化分開。

回到香港：職缺急跌，但年輕就業人口未同步崩跌

香港的數字已經發出警號。香港政府在 2026 年 5 月回覆立法會時指出，聯校就業資料庫中適合大學畢業生的全職職缺，由 2022 年約 80,000 個下降至 2025 年約 31,000 個；當中行政職位減少近九成，資訊科技及程式相關職位減少近八成。

這些恰好是生成式 AI 較容易協助處理、而且常被視為白領入門路徑的工作。

但另一組數字令故事沒有那麼簡單：15 至 29 歲、具學位程度的在職人口，2024 年約為 270,000 人，2025 年約為 268,000 人，並沒有跟隨刊登職缺的跌幅急劇下滑。

職缺數目與實際就業人數量度的並不是同一件事。企業可能改用其他招聘渠道，也可能減少新招聘但保留在職員工；2022 年亦處於疫情後復常、人才流動和招聘需求急變的特殊時期。因此，「八萬跌至三萬一千」是一個需要研究的警號，不能直接寫成 AI 已消滅六成香港畢業生職位。

香港大學商學院的初步研究亦指出，香港的職業結構對生成式 AI 有較高理論暴露，但目前可觀察到的實際就業調整，未有美國部分研究所見般明顯。研究團隊同時說明，香港缺乏可供學術研究使用的長期職業數據，LinkedIn 資料亦未必能完整代表本地和中資企業員工。

所以，對香港最誠實的結論是：入門職缺正在收窄，AI 很可能是企業重新分工時考慮的因素之一，但我們仍未有足夠證據把整個變化歸因於 AI。

台灣：AI 相關機會增加，但「會用工具」已經不足以區分人才

台灣目前呈現的訊號與香港不完全相同。

根據 104 人力銀行的招聘平台資料，2025 年 5 月有約 52 萬個工作機會歡迎社會新鮮人，高於 2021 年同期約 40 萬個。到 2026 年第一季，歡迎新鮮人的 AI 相關工作機會超過 6.7 萬個，其中 62% 沒有限定科系；2025 年主動應徵 AI 相關職務的新鮮人亦按年增加 46%。

這些數字不能證明台灣的入門市場沒有受到自動化壓力。「工作機會」來自單一招聘平台，不等於最終聘用人數，也未必代表互不重複的全職職位；所謂 AI 相關工作亦可能包括只在職務說明中提到 AI 的一般職位。

不過，它至少顯示另一種可能：在半導體、電子資訊、製造、零售和專業服務等產業仍在吸收 AI 應用人才時，AI 不一定只刪減入門位置，也可能重新定義企業願意招聘哪一種新人。台灣的問題可能不是「完全沒有入口」，而是入口開始要求年輕人同時具備工具能力、產業知識和實作證明。

這亦可以從政策設計中看到。台灣經濟部的「AI 新秀計畫」不是只提供短期工具課程，而是把一年訓練分為產業專業、AI 應用實作和企業實習三部分。計畫本身不能證明訓練一定改善就業，但這個次序很值得留意：先理解行業問題，再用 AI 解決真實任務，最後進入企業接受現場驗收。

馬來西亞：真正壓力可能是技能錯配，而不只是職位消失

馬來西亞又提供了第三種情況。

TalentCorp 對 AI、數碼化與綠色經濟的勞動力影響研究，分析十個主要經濟產業的 949 種職位，估計未來三至五年約有 62 萬名員工，即研究涵蓋勞動力的 18%，會受到顯著影響。研究指出，容易受影響的職務多涉及重複、可預測和由數據推動的工作，當中包括部分入門職位。

這是一項前瞻推算，並不是 62 萬個已經消失的工作；而且研究同時涵蓋 AI、一般數碼化和綠色經濟轉型，不能把預測影響全部歸因於生成式 AI。

官方就業數據暫時亦沒有顯示全面崩跌。馬來西亞統計局的 2025 年勞動力資料顯示，15 至 24 歲青年失業率由 2024 年下降至 2025 年的 9.6%；但約 205 萬名具大專教育程度的在職人士仍處於技能相關低度就業，比例為 35.6%。

因此，馬來西亞更突出的問題可能是 skills mismatch：人有工作，卻未必能進入與教育和能力相符的高技能崗位。當 AI 接手更多例行工作，如果企業沒有同時創造較高價值的任務和培訓階梯，年輕人即使成功就業，也可能長期停留在不能累積專業判斷的位置。

新加坡作為區域參照：入門市場暫時相對穩定

新加坡的情況再提醒我們，亞洲並沒有一條共同路線。新加坡人力部的 2025 年職缺報告顯示，入門級 PMET 職缺由 2024 年約 34,600 個減至 2025 年約 32,500 個，整體仍大致維持在約三萬個的水平。政府也表示，AI 對 fresh graduate 招聘的具體影響仍未確定。

把四個亞洲市場放在一起，看到的不是單一的「AI 淘汰新人」故事：

香港面對的是大學畢業生職缺明顯收窄，但實際年輕就業人口未有同步急跌；
台灣仍有大量歡迎新鮮人的 AI 相關工作機會，入口正由單一科系資格轉向跨域應用和實作；
馬來西亞整體就業保持增長，但高學歷低度就業與例行職務轉型形成雙重壓力；
新加坡的入門 PMET 職缺暫時相對穩定，仍未見與香港相同幅度的收縮。

同一批 AI 工具進入不同市場，結果仍會受到產業結構、經濟周期、培訓制度和企業怎樣重新設計工作的影響。我們不能看到美國的數據便假設香港必然沿着同一條路，也不能看到台灣的 AI 職缺增加，便認為所有初級工作都安全。

變便宜的，可能是任務；變昂貴的，是判斷

AI 最擅長處理的工作，往往有三個特徵：輸入可以清楚表達、步驟可以寫成規則、結果可以快速驗收。

例如把會議內容整理成摘要、從文件抽取欄位、按照範本回覆電郵、建立第一版簡報，或者根據規格生成一段程式。這些工作不會完全消失，但完成第一稿的成本正在下降。

困難的是，真實工作往往不只需要第一稿。

客戶口頭上要求 A，真正擔心的可能是 B；
一份看似正確的報告，可能用了不適合這間公司的指標；
某項方案技術上可行，卻可能破壞長期合作關係；
AI 可以按照規則執行，但現場出現的例外，可能根本沒有寫進規則；
一項錯誤最後由誰向客戶解釋、作出補救和承擔後果，仍然不能交給模型。

這些能力不一定寫在職位名稱上，卻是經驗的真正內容：知道甚麼時候不能照標準答案做、知道哪一個風險值得停下來、知道客戶沒有說出口的限制，也知道怎樣讓新人由一次錯誤中學會下一次判斷。

這正是中年工作者可能重新取得發展空間的位置。

不是因為年齡本身有價值，也不是因為做得久便必然判斷正確，而是中年人較有機會已經累積了一批通用模型沒有的 situational context：真實客戶、行業例外、失敗後果、關係網絡和責任經驗。

中年人的方向：不要只學 AI，要把經驗變成 AI 的槓桿

中年人面對 AI，最危險的兩個反應，一個是拒絕新工具，另一個是只追逐每星期出現的新功能。

較可行的路線，是一邊學 AI 提高現有工作的生產力，一邊把多年經驗整理成可以重複使用的判斷系統。

一、選一項經常重複、結果可以量度的工作

不要由「我要全面學懂 AI」開始。先選一項每星期都會出現的工作，例如整理客戶查詢、準備報價、檢查合約、研究供應商或建立報告初稿。

記錄原本所需時間、常見錯誤和返工次數，再讓 AI 協助其中一段。生產力提高不能只看 AI 多快生成第一稿，也要計算核實、修改、溝通和出錯成本。

二、把直覺寫成 Context、紅旗和驗收標準

每次發現 AI 不理解情境，不要只叫它「再試一次」。寫下它漏了甚麼：哪些客戶不能使用同一種處理方法？甚麼情況必須由人批准？哪一個數字看似正常，其實代表風險？

把這些經驗整理成案例、檢查表、評分準則和停止條件，便能同時提高 AI 輸出品質，也讓自己的經驗由個人直覺變成可以交付、教導甚至收費的資產。

三、由完成任務，升級到擁有結果

當產出變便宜，價值會逐漸移向定義問題、選擇方向、核實結果和承擔後果。

中年工作者應主動爭取擁有一個可衡量成果，而不只是完成一張待辦清單。例如，不只是「製作客戶報告」，而是負責令客戶理解下一個決定；不只是「建立自動化」，而是確保錯誤被發現、流程能回復、責任有人承擔。

四、同時測試崗位內與崗位外的價值

這套能力可以留在原有公司，成為 AI 工作流的設計、覆核和帶教角色；也可以在下班後，用一項範圍很小的服務測試創業可能。這亦延續了我在《中年不是 AI 時代的包袱》談過的方向：一人公司的起點，不是先追逐最多工具，而是找出自己比一般答案多知道了甚麼。

例如，把熟悉行業的一個反覆問題，整理成一次審核、一份診斷報告或一套改善流程，先找三名真實客戶測試是否願意付費。中年人的優勢不是一開始便建立一間完整公司，而是可以把已累積的經驗同時放到崗位與市場中驗證。

年輕人的方向：學 AI，不只為了在原有招聘制度中排隊

如果入門職位減少，年輕人當然更需要學 AI。但「懂得使用 ChatGPT」很快便會像懂得使用搜尋器一樣，成為基本能力，而不是差異。

年輕人真正需要建立的，是在現有招聘體制以外也能證明價值的生存空間。

一、用 AI 製作可驗證的作品，而不是大量相似履歷

選一個真實問題，訪問使用者、建立一個小工具、整理一套資料，或者公開記錄由問題、假設、測試到結果的完整過程。僱主和客戶需要看到的，不只是漂亮成品，而是你怎樣處理不確定、核實 AI 和根據回饋修改。

二、主動尋找真實回饋和責任

AI 可以模擬老師，卻不能完全代替客戶拒絕、團隊限制和真實後果。年輕人需要刻意尋找實習、開源協作、小型客戶項目或社群服務，讓自己的決定接受現實驗收。

第一份經驗未必一定來自傳統全職職位，但必須來自有人真正使用、評價或拒絕你的成果。

三、學會建立自己的分發渠道

如果企業減少招聘，不能把所有機會都放在職位廣告上。持續公開作品、累積專業社群、建立可信的跨平台紀錄，甚至用一項很小的服務取得第一名客戶，都是在制度以外建立選擇權。

這不代表每個年輕人都要立即創業，而是不要讓一張履歷成為市場認識自己的唯一入口。

一個可以立即開始的雙軌實驗

無論處於哪個年齡，都可以用四星期完成一次小型測試。

第一星期：選問題。 找出一項反覆出現、有人真正關心的工作，不要先由工具開始。
第二星期：測 AI。 讓 AI 完成其中一部分，記錄時間、錯誤、遺漏和人工覆核成本。
第三星期：加 Context。 把專業判斷、例外、紅旗和驗收標準寫進工作流，再比較結果。
第四星期：接受現實驗收。 中年人可交給同事或小型付費客戶使用；年輕人可交給真實使用者、開源社群或潛在僱主評價。

最後不要只問「AI 是否做得更快」，而要問：成果是否更好？錯誤是否減少？別人是否願意採用、付費或把更重要的責任交給我？

中年人的空間可能更大，但不是自動得到的

如果入門工作的第一稿逐漸由 AI 處理，中年人的確可能有較大的發展空間。他們既可以在現有崗位把 AI 變成生產力槓桿，也可以把行業經驗、客戶理解和判斷標準轉化成顧問服務、產品化服務或一人公司。

可是，這個優勢有一個前提：經驗必須仍然適用，而且能夠被重新整理、測試和更新。拒絕 AI 的中年人，經驗可能逐漸與新的工作方式脫節；只懂重複 AI 答案的中年人，也不會因為年資而自然得到市場。

年輕人同樣不是注定失去機會。他們較少受舊流程限制，也可以用 AI 以很低成本建立作品、接觸客戶和探索傳統職位以外的新路徑。只是當企業不再提供足夠的初級練習，他們需要更主動地替自己創造真實問題、真實回饋和真實責任。

所以，這不是一場年輕人與中年人的競賽。

它真正改變的是學習與工作的次序：以前先取得職位，再透過初級任務累積經驗；現在，我們可能要先用 AI 和真實市場建立一部分能力證明，才取得下一個位置。

AI 令可以寫成規則的任務變便宜，卻沒有令情境、信任和責任變得廉價。

對中年人來說，機會是把經驗從履歷上的年資，變成可以被 AI 放大、被客戶驗證的系統。

對年輕人來說，機會是不要只等待制度提供第一級樓梯，而是利用 AI，在制度以外先搭出自己的第一級。

資料來源：

AI 創作 Productivity 生產力個人成長