深度探秘

紀錄能看到「做了什麼」，看不到「怎麼想」

前兩章的分析材料，都是使用紀錄：什麼時候問了什麼問題、產出了什麼東西、用了多少運算資源。這些數字很客觀，卻有一個天生的盲點——它們只能告訴我們使用者「做了什麼」，卻無法告訴我們使用者「怎麼想」。

舉例來說，紀錄可以告訴你「這個人常常請 Claude 直接把整份報告寫完」，但它沒辦法告訴你：這個人是因為信任 AI 才這樣做，還是因為工作太忙迫不得已？他對這件事有沒有不安？他覺得自己的工作會不會因此消失？

要回答這些問題，唯一的辦法就是直接問。因此在 2026 年 4 月，Anthropic 推出了「Anthropic Economic Index Survey」（AEI 調查），並用隱私保護技術，把調查回答跟同一個人的實際使用資料串接起來。這樣一來，我們不只知道「這個人怎麼用 AI」，還知道「他對 AI 有什麼感受、期待什麼」。

串接的方法是：針對每位填問卷的人，隨機抽樣他在 5 月中到 6 月初之間、跨 Claude.ai、Cowork、Claude Code 三個介面總共最多 20 個對話工作階段（session）。同時排除掉工作階段數量少於 5 個的人，減少樣本噪音。最後成功串接的樣本大約 9,700 人。

生活妙喻

監視器 vs 訪談

想像一間便利商店裝了監視器，可以完整記錄「誰在幾點幾分拿了什麼商品去結帳」。這些畫面非常精確，卻永遠回答不了「這位客人今天心情好不好」「他覺得這間店的服務有沒有進步」這類問題。

如果店長真的想知道顧客怎麼想，唯一的辦法是走過去問——做一份簡單的問卷或訪談。但訪談也有它的侷限：不是每個顧客都願意填問卷，願意填的人可能本來就比較有意見、比較常來店裡（也就是樣本有偏差）。

AEI 調查就是這種「訪談」，補足監視器紀錄看不到的心理層面；但也像所有訪談一樣，填問卷的人不是隨機抓來的路人，而是「原本就在用 Claude、又願意花時間填問卷」的一群人。

實用超能力

看報告數字前，先看樣本組成

在解讀任何調查結果之前，養成一個習慣：先看「誰回答了這份問卷」，再看「他們說了什麼」。

AEI 調查的樣本組成，跟美國實際的職業分布差很多（見 Figure 3.1）：

這個落差告訴我們：這份調查更能代表「知識工作者，尤其是工程師與管理者」怎麼看 AI，而不能直接套用在所有職業身上。有趣的是，管理職雖然只佔 Claude 使用工作階段的 4%，卻佔調查回答的 23%——這意味著很多管理者是用 Claude 做「管理工作之外」的事情（例如寫信、整理資料），而不是把 Claude 當管理助手。

下次看到任何一份 AI 相關調查報告時，先問自己：這份樣本代表誰？結論能不能套用到我自己所處的職業或情境？

深度探秘

「暴露度 exposure」到底在量什麼

研究 AI 對工作的影響時，常常會用一個詞叫職業暴露度（occupational exposure）：某個職業裡，有多少比例的任務「可以用 AI 做」。這聽起来是一個問題，其實藏著兩種完全不同的量法：

1. 觀察暴露度（observed exposure）：實際去看 Claude 的使用紀錄，統計「這個職業的哪些任務，已經真的被人拿來讓 Claude 做」。這是一個回顧式、保守的量尺——只算已經發生的事。
2. 理論暴露度（theoretical exposure）：不看實際使用情況，而是評估「以 AI 現有的能力，理論上可以做到這個職業裡多少任務」。這是一個前瞻式、樂觀的量尺——算的是能力上限,而非實際使用。

兩者的關係很直覺：理論暴露度幾乎必然大於或等於觀察暴露度，因為「AI 理論上能做」的事，不代表「已經有人真的拿去用」。造成兩者落差的原因很多：有些人還沒發現可以用 AI 做某件事、有些工作流程還沒調整、有些任務即使 AI 能做，出於信任或流程限制也不會真的交給它。

這兩把量尺就是本章接下來用來對照「大家自己感覺」的兩個客觀基準。

生活妙喻

廚房裡的「已經在煮」跟「食譜上寫的都能煮」

把一個家庭廚房想成一個「職業」，把電鍋想成「AI」。

• 觀察暴露度：打開電鍋的使用紀錄本，看這個月裡電鍋實際煮過哪些菜——煮飯、煮粥、燉湯。這是「已經發生的事」。
• 理論暴露度：翻開電鍋隨附的食譜書，看書裡列出電鍋理論上能做的所有菜色——可能還包括蒸蛋糕、做優格、煮咖哩。這是「說明書上宣稱能做的事」。

食譜書上列的菜，一定比家裡真正煮過的菜多，因為：可能沒人想到用電鍋做優格、可能家裡沒有需要蒸蛋糕的場合、也可能有人不信任電鍋能把某道菜煮好而堅持用瓦斯爐。這正好對應理論暴露度通常高於觀察暴露度的原因——能力存在，不代表真的被使用。

實用超能力

看到「AI 暴露度」數字時，先問是哪一種

下次在新聞或報告裡看到「某職業有 XX% 的任務可以被 AI 取代」這種說法，養成反射性地問一句：這是觀察到的，還是理論上的？

這個區分非常實用，因為兩種數字給人的感覺天差地遠：

• 如果是理論暴露度很高但觀察暴露度很低，代表「潛力還沒被開發」——可能是教育訓練不足、流程沒有調整、或者信任還沒建立起來，這反而是一個機會訊號，不是立即的威脅訊號。
• 如果觀察暴露度已經很高，代表「這件事已經真實發生」，變化已經在路上，值得認真規劃應對。

用一個簡單的判斷流程圖來記住這個邏輯：

flowchart TD
    A[看到某職業暴露度數字] --> B{這是觀察暴露度\n還是理論暴露度}
    B -->|觀察暴露度| C[代表已經真實發生\n變化正在進行中]
    B -->|理論暴露度| D[代表能力上限\n未必已經被使用]
    D --> E[落差可能來自\n信任不足或流程未調整]

本章後面會看到，受訪者「自己感覺」AI 能做多少工作，其實落在觀察暴露度跟理論暴露度之間，而且更靠近理論暴露度那一端——也就是說，人們對 AI 能力的主觀感覺，比實際觀察到的使用量更樂觀。

深度探秘

第三把量尺：自我報告的暴露度

上一節介紹了兩把客觀量尺——觀察暴露度與理論暴露度。這一節要加入第三把量尺：自我報告的暴露度（reported exposure），也就是直接問受訪者「你覺得 AI 現在能獨立完成你多少比例的工作任務？」讓他們從 5 個等級（從「幾乎沒有」到「幾乎全部」）中挑一個。同時也會問「你覺得一年後呢？」（anticipated exposure，預期暴露度）。

研究結果發現一個一致的模式：自我報告的暴露度，系統性地高於觀察暴露度。也就是說，人們主觀感覺 AI 能做的事，比實際觀察到的 AI 使用量還要多。

這個落差可能的解釋有兩個：

1. 不是每個人都做職業裡的每一項任務：調查更容易觸及那些「本來就更依賴 AI」的人，這些人自然會覺得 AI 能做的比例更高，但這不代表整個職業的平均使用量真的這麼高。
2. 調查對象本身就偏向重度使用者：正如上一節提到，願意填問卷的人，往往本來就更常用 AI，所以他們的主觀感受會偏向高估。

同時，因為理論暴露度是能力的「上限」而非實際使用量的量尺，理論暴露度也系統性地高於自我報告的暴露度——形成「觀察 < 自我報告 < 理論」這樣一個排序關係。

生活妙喻

問「健身這件事你做了多少」給不同答案的人

想像一個健身房會員調查：「你覺得你已經用到會員資格裡多少的訓練潛力？」

• 如果去問全體會員平均每人真正的到場次數（觀察暴露度），數字通常偏低，因為很多人辦了卡卻很少去。
• 如果去問願意花時間填健身滿意度問卷的會員「你自己覺得用了多少潛力」（自我報告暴露度），這群人往往本身就比較常去健身房、比較投入，所以他們回報的使用比例會偏高。
• 如果去問教練「理論上這張會員卡能提供多少訓練效果」（理論暴露度），答案幾乎一定是「幾乎全部」，因為這是設施能力的上限，跟誰真正用它無關。

三個問題聽起來很像，答案卻天差地遠——正是因為它們分別衡量「全體人的實際行為」「特定子群體的主觀感受」「設施本身的能力上限」三件不同的事。

實用超能力

區分「事實」與「感受」，理性看待自己對 AI 的判斷

這個「觀察 < 自我報告 < 理論」的排序，其實給我們一個很實用的自我檢查工具：下次覺得「AI 已經能做我工作的一大半」時，先想想這個感覺可能被高估了。

用一個簡單的表格整理三種暴露度：

具體的行動建議：

1. 當你自己或同事說「AI 已經能做大部分的工作了」時，先分辨這是根據「已經實際試過、真的成功」的觀察，還是「聽說 AI 很厲害、感覺應該可以」的主觀印象。
2. 制定團隊或組織的 AI 導入計畫時，優先參考觀察暴露度（已驗證能做到的事），而不是單純依賴大家的主觀感受，才不會過度樂觀地規劃資源配置。
3. 同時也別完全忽視理論暴露度——它提醒我們「還有沒被開發的潛力」，可以作為未來投資學習與流程調整的方向。

深度探秘

近六成的人，都覺得明年會更強

調查問了受訪者兩個問題：

1. 「AI 現在能完全獨立完成你多少比例的工作任務？」（5 個等級，從「幾乎沒有」到「幾乎全部」）
2. 「你預期一年後，AI 能完全獨立完成的比例會是多少？」

結果顯示：接近六成的受訪者，對「一年後」選了比「現在」更高的等級。換句話說，多數人相信 AI 的能力會持續進步，而且幅度不小——超過三分之一的人認為，一年後 AI 將能完成他們工作中「大部分」或「幾乎全部」的任務。

更有趣的是後續的分析：當研究者把這種「預期進步幅度」拿去跟受訪者的所在國家、工作經驗、職業暴露度等變數比較時，發現一個看似矛盾的結果——雖然大家「現在」對 AI 能力的感知差異很大（有人覺得能做很多，有人覺得做得很少），但「預期一年內會進步多少」這件事卻相當一致。也就是說，一個軟體工程師跟一個建築工地主管，可能對「AI 現在能做多少」意見大不相同，但兩人對「明年 AI 會進步多少」的預期卻差不多。

生活妙喻

「漸漲的潮水」——水位不同，漲幅相似

把不同職業對 AI 能力的感知，想像成海邊不同地點量測到的水位。有些地方地勢低，現在水位已經淹到腳踝（代表現在暴露度感知較高）；有些地方地勢高，水位還在遠處的沙灘上（代表現在暴露度感知較低）。

但如果你去問「潮水在接下來一年會再漲多高」，不同地點量到的漲幅卻出奇地相似——因為潮水上漲是整片海洋一起發生的現象，不會因為某個地點地勢比較高，漲潮的速度就變慢。

這正是本節「一致的進步預期」想傳達的畫面：AI 能力的提升像是整片海洋一起上漲的潮水,不同職業「現在」站的位置高低不同（水深不同），但大家預期「接下來一年」水位會上漲的幅度卻很相似。這也是為什麼本節標題用「rising tide 潮水上漲」來形容——這種能力提升被視為廣泛、一致發生的現象，而不是只集中在少數職業。

實用超能力

用「一致的漲幅」重新理解職涯規劃

這個「潮水上漲」的現象，對個人職涯規劃有一個很實際的啟示：不要只看自己這個職業現在被 AI 影響的程度，還要留意「大家都預期會持續進步」這個共識。

用一個簡單的流程圖整理這個邏輯：

flowchart TD
    A[調查兩個問題] --> B[AI現在能做多少比例的工作]
    A --> C[AI一年後預期能做多少比例]
    B --> D[不同職業之間差異大]
    C --> E[不同職業之間預期漲幅相似]
    D --> F[反映現有暴露度落差]
    E --> G[反映對AI整體進步速度的共同信念]

具體來說，可以怎麼運用這個觀察：

1. 不要只用「我的工作現在還沒被 AI 影響」來判斷未來也不會——近六成的人預期未來一年會有明顯進步，這代表變化的速度可能比現狀感覺到的更快。
2. 把心力放在「跟 AI 協作的能力」，而不是單純比較「AI 現在能不能做我的工作」——因為幾乎所有職業的人都預期能力會提升，與 AI 協作的技巧，可能比死守某個「AI 做不到」的任務更保值。
3. 記住這是預期，不是事實——潮水確實在漲，但漲多快、多久漲到什麼程度，仍有相當大的不確定性，不必過度恐慌，也不該完全無視。

深度探秘

越有錢的國家、越資深的人，反而覺得 AI 能做的比較少

調查發現兩個看似違反直覺的關係：

1. 國家所得越高，回報的 AI 暴露度越低：高所得國家的受訪者，平均回報 AI 現在能做的工作比例，比低所得國家低了大約 10 個百分點。這個結果乍看奇怪——高所得國家通常科技基礎設施更完善，理論上更該覺得 AI 很好用才對。可能的解釋是：AI 對低所得國家勞工日常任務的替代比例其實更高，即使從「職業層級」的暴露度指標來看，高所得國家分數更高（因為那裡有更多知識工作職業）。換句話說，職業本身容不容易被 AI 取代，跟這個人在職業裡實際承擔的任務會不會被取代，是兩個不同層次的問題；而 IMF 也提到，低所得國家的勞工可能缺乏讓 AI 從「取代」變成「輔助」所需要的互補技能與基礎設施。
2. 工作經驗越多的人，回報的 AI 暴露度越低：擁有 15 年以上經驗的人，回報 AI 現在能做的比例，比剛入行第一年的人低了大約 10 個百分點。這群資深工作者在後續的開放式問題中提到，AI 缺乏判斷力、情境理解、以及建立信任與管理人際關係的能力——這些是靠多年經驗累積的隱性知識（tacit knowledge），很難被一套通用的模型複製。

有趣的是，這兩個變數只影響「現在」的感知，卻幾乎不影響「未來一年進步幅度」的預期——呼應上一節「潮水上漲」的一致性：起點不同，但漲幅預期相似。

生活妙喻

老師傅看得到「還沒寫進食譜的訣竅」

想像兩位廚師：一位剛入行一年的新手，一位做了 15 年的老師傅。給他們看一套「AI 食譜機器人」，能根據文字指令自動配菜、算好比例、甚至建議烹調步驟。

新手廚師可能會覺得：「哇，這台機器好像什麼都能做，我大部分的工作內容它都能處理！」因為他的判斷力還在建立中，很多決定本來就是照著食譜、照著標準流程做。

老師傅則可能搖搖頭：「機器能照食譜做出標準的菜，但它不知道『今天這批食材比較老，火要小一點』『這位常客不喜歡太鹹』這些靠經年累月觀察跟客人打交道才學到的訣竅。」老師傅腦中裝的是大量「沒有寫進任何食譜書」的隱性知識與人際判斷，這些恰恰是 AI 最難複製的部分。

同樣的道理放到國家層級：高所得國家的知識工作者手上握有更多這種「隱性判斷力」職務，而低所得國家的勞工日常任務可能更貼近標準化流程，這也部分解釋了為什麼高所得國家的人反而感覺 AI 能做的「沒有那麼多」。

實用超能力

把「隱性知識」變成你的差異化資產

如果你是相對資深的工作者，這個發現給你一個實際可以行動的方向：主動辨識並強化自己身上那些「AI 難以複製」的隱性能力，而不是被動等待被取代。

可以問自己以下幾個問題，找出自己工作中最不容易被標準化的部分：

1. 哪些決定，我是靠經驗直覺做的，而不是照著一套明確的規則？ 這些往往就是隱性知識所在。
2. 哪些工作牽涉到「跟人建立信任」，而不只是「產出一份文件或分析」？ 建立信任、管理團隊、處理衝突，都是文中特別點名 AI 難以取代的領域。
3. 我能不能把這些隱性知識，講清楚、教給別人？ 如果可以講清楚，某種程度上它也可能被學習或部分自動化；如果講不清楚、只能靠情境判斷，這通常代表它是更難被複製的核心價值。

對組織與管理者來說，這也是一個提醒：在設計 AI 導入計畫時，不要只看「這個職業的暴露度分數」，還要看清楚職務裡有多少比例仰賴難以標準化的判斷力——用一個簡單的表格對比：

深度探秘

先認識「自動化」與「增強」兩種使用模式

在深入這一節的核心發現之前，先理解一個關鍵區分：Anthropic 過去的報告中，把使用者跟 Claude 協作的方式分成幾種模式，其中最重要的兩種對照是：

• 自動化模式（Directive／Feedback Loop）：使用者把整個任務直接交給 Claude，自己幾乎不參與過程，例如「幫我把這份文件翻譯成英文」，或給一次性的回饋後就讓 Claude 完成，例如「把這封信改得更輕鬆一點」。
• 增強模式（Task Iteration／Learning／Validation）：使用者跟 Claude 反覆來回、逐步修改，或者是為了學習理解、或是用來驗證自己的想法，人始終深度參與整個過程。

「自動化使用比例」就是一個人的對話中，屬於自動化模式的比例有多高。

本節的核心發現是：自動化使用比例越高的人，回報的 AI 暴露度（現在跟一年後）都越高。這個現象背後至少有兩種可能的因果方向，而且兩者都合理，調查資料無法完全區分：

1. 委託帶來資訊：把整個任務交給 AI 做的人，能直接觀察到 AI 到底能不能把事情做好，這是最直接的「眼見為憑」，所以他們對 AI 能力的判斷更貼近真實觀察。
2. 信任帶來委託：本來就相信 AI 能力強的人，更願意放手把任務整個交給它，所以是「先信任、才委託」，而不是「先委託、才發現能力強」。

研究者也發現，用「工作相關使用比例」或「Claude Code 使用比例」取代「自動化使用比例」，也能觀察到類似的正向關係——這三者本身也彼此相關（Claude Code 天生偏自動化、工作任務也常常偏自動化）。

生活妙喻

把整台車交給代駕，才知道代駕開得好不好

想像兩種找代駕的態度：

• 甲君：每次都全程自己開車，只偶爾在停車困難的路段讓代駕開一小段。他很少有機會完整觀察代駕的技術，對代駕「到底能不能勝任整趟路程」的判斷比較保守。
• 乙君：長途出差時直接把整趟路都交給代駕，自己在後座休息。他有更多機會親眼看到代駕怎麼應付高速公路、市區巷弄、突發狀況，因此對代駕整體能力的評價也更高。

這個比喻同時也藏著兩種可能的因果關係：也許乙君本來就比較信任代駕這個職業，所以才敢一開始就把整趟路都交出去；也許是因為交出去之後親眼見證了代駕的能力，才越來越信任。這正是本節提到的兩種因果方向——你也說不清楚，是先有信任才委託，還是先委託才建立信任，但無論哪一種，「委託程度」跟「對能力的評價」這兩件事會一起往同一個方向移動。

實用超能力

善用「小範圍委託」逐步建立你自己的判斷

這個自動化悖論，給我們一個很實際的個人策略：如果你想更準確地判斷 AI 到底能不能勝任某項任務，比起單純看報告或聽別人說，更有效的方法是「小範圍地把任務真正交出去試試看」，親自累積第一手觀察，而不是只憑印象猜測。

可以參考以下漸進式的委託策略：

flowchart TD
    A[選一個風險較低的小任務] --> B[完全交給AI自動完成]
    B --> C[檢視結果品質]
    C -->|品質達標| D[逐步擴大委託範圍]
    C -->|品質不足| E[改回增強模式協作\n人保持深度參與]
    D --> F[累積對AI能力的第一手判斷]
    E --> F

同時也要留意這個悖論的另一面：不要單純因為「我比較常把任務整個交給 AI」，就直接推論「AI 一定能做到我工作的大部分」——你的自動化使用比例高，可能只是因為你剛好習慣把某幾類低風險任務交出去，而不是因為 AI 真的能勝任你工作的全貌。保持「觀察到的事實」與「主觀信任程度」這兩者的區隔，才能做出更理性的判斷。

對團隊管理者來說，這也是個提示：與其只問員工「你覺得 AI 能做多少」，不如直接觀察「員工實際上把哪些任務交給 AI、結果品質如何」，後者是更可靠的觀察暴露度資料。

深度探秘

從「工作內容改變」到「工作真的消失」

調查問了受訪者一系列關於未來 12 個月的預期，而且不只問「你自己」，還問了「你的同輩」「資淺同事」「資深同事」四種對象，範圍包括：

1. 工作責任是否會明顯改變：超過三分之一的受訪者，認為自己、同輩、資淺或資深同事的工作內容「很有可能」或「非常有可能」出現顯著變化。
2. 是否會非自願失去一份想保住的工作：約一成的受訪者，認為自己失業的可能性是「很有可能」或「非常有可能」。

這個 10% 的數字要怎麼理解？文中提供了一個對照基準：美國官方統計（BLS JOLTS）顯示，過去 12 個月非自願離職（layoffs and discharges）的年化比例大約是 13.4%。也就是說，受訪者主觀預期的失業機率（10%），其實略低於美國整體實際的非自願離職發生率。但因為這份調查的受訪者偏向知識工作者、且工作相對穩定（這類人本來的失業風險基準值可能更低），所以這個「略低於平均」的 10%，實際上可能已經反映出偏高於這群人平常基準的擔憂。

另外，當被問到「造成你預期工作變動或失業的原因」時，在認為自己可能失業的受訪者中，38% 明確把原因歸咎於 AI——但這個數字是把「工作變動預期」與「失業預期」兩個問題合併計算，所以嚴格來說是「歸咎於 AI 的比例」的上限估計，實際比例可能更低。

生活妙喻

擔心地震，卻更擔心別人家的房子

把「工作變動與失業的擔憂」想像成一場「地震風險評估」。

每個人都被問：「你自己家的房子有多大機率會在地震中受損？」「你朋友家呢？」「你的長輩家呢？」

有趣的現象是：多數人對「自己家」的評估通常比對「別人家」樂觀——這不是因為自己家真的蓋得比較堅固，而是一種常見的心理傾向：人往往覺得自己的處境比別人的處境更安全、更能掌控，即使客觀條件其實差不多。這正是本節「人們更擔心別人失業，卻對自己相對樂觀」現象的生活版本。

有趣的是，文中特別提到這個現象跟 COVID 疫情期間觀察到的模式很類似：當時人們對「自己的財務狀況」的自我評分，往往比對「整體國家經濟」的評分更正面——即使兩者面對的是同一場疫情衝擊。

實用超能力

特別關注「資淺同事」的處境，而不只是自己

這一節有一個特別值得放大的發現：受訪者對「junior 資淺同事」的失業風險最擔憂——超過三分之一的人認為資淺同事在未來一年失去工作的機率超過 60%，這個比例明顯高於他們對自己、同輩、或資深同事的擔憂程度。

這給不同角色的讀者，帶來不同的實用啟示：

如果你是管理者或資深工作者：

• 這個發現提醒你，團隊裡最需要被關注、被主動協助適應 AI 變化的，可能不是你自己，而是剛入行、經驗尚淺的同事。
• 可以主動思考：資淺同事負責的哪些任務，最接近「容易被 AI 標準化」的類型？有沒有辦法幫他們轉向更需要判斷力、更難被取代的工作內容？

如果你自己是資淺工作者：

• 這份調查反映的是普遍的擔憂，不是針對你個人的預言。與其被這個數字嚇到，更實用的做法是參考前面幾節提到的：主動累積「難以被標準化的隱性能力」——包括情境判斷、人際信任建立等，而不是被動等待風險發生。

對所有人：

• 記住上一步的「地震比喻」——人天生會低估自己的風險、高估別人的風險（或者反過來對自己過度樂觀），保持一點客觀，同時對自己與對他人的處境給予同等程度的關注，是更理性的態度。

深度探秘

六個面向都更樂觀，尤其是薪資與再就業能力

延續前面「自動化悖論」的線索，這一節把鏡頭轉向情緒與期待：自動化使用比例越高的人，對 AI 未來一年帶來的影響，是更悲觀還是更樂觀？

調查測量了六個工作品質面向的預期影響，分成兩組：

• 經濟性面向：薪資（pay）、工作保障（job security）、找到新工作的能力（ability to find a new job）
• 內在性面向：工作意義（meaning）、自主性（autonomy）、人際互動（human interaction）

結果是：在全部六個面向上，自動化使用比例較高的人，都比使用比例較低的人更樂觀——認為 AI 會帶來正面影響的比例更高。其中效果最大的兩個面向是未來薪資跟找到新工作的能力。

這個結果乍聽有點矛盾：直覺上，把工作交給 AI 做得越多，不是應該更擔心自己被取代嗎？但資料顯示恰恰相反——委託程度跟樂觀程度是同向移動的。這跟上一小節「自動化悖論」的邏輯一脈相承：委託得越多，越了解 AI 真正能做到什麼（也做不到什麼），這種第一手的了解，反而降低了不確定感帶來的焦慮，也讓人看到 AI 帶來的實際好處。

同時要注意，研究者也檢查過一個常見的質疑——會不會只是「本來就對 AI 很興奮的人，才會又委託又樂觀」？他們控制了使用者在 Claude.ai 上的使用年資（作為「早期採用者 vs 後期採用者」的替代指標，代表對 AI 的熱衷程度），結果發現控制後這個關係幾乎沒有改變，說明這個現象不完全是單純的「愛用者選擇效應」。

生活妙喻

常騎自動駕駛車的人，反而更放心把方向盤交出去

想像兩種開自動駕駛車的人。

甲君幾乎沒用過自動駕駛功能，偶爾按一下就緊張地手握方向盤盯著；因為他對這套系統了解有限，總覺得「萬一它突然失控怎麼辦」，對這項技術帶來的整體改變也比較悲觀懷疑。

乙君天天長途通勤都開自動駕駛，累積了大量實際經驗，清楚知道系統在哪些路況表現很好、哪些路況需要自己接手。因為有這些第一手經驗，他對自動駕駛技術整體發展的態度更樂觀——不是因為他天真樂觀，而是因為他真的看過系統多次成功完成任務,同時也清楚它的邊界在哪裡。

這個對照，正好呼應本節「委託越多、越樂觀」的現象：不是委託本身讓人變得盲目樂觀,而是委託帶來的第一手觀察經驗,讓使用者對這項技術的能力與邊界有更具體、更踏實的認識，這種認識轉化成了對未來的信心。

實用超能力

生產力提升的三個面向，以及技能是否真的在增值

這一節還補充了另一組重要資料：大多數受訪者都回報從 AI 得到實際的生產力好處，可以整理成一個表格：

同時，68% 的受訪者表示透過 AI「學到更多」，57% 感覺自己的技能因為 AI 而變得更值錢。而且——這種「技能增值感」隨著自動化使用比例提高而上升，但「學到更多」這個比例，不論自動化使用比例高低，幾乎維持平坦不變。

這個對比回應了一個常見的憂慮：「如果什麼都交給 AI 做，人會不會因此少學習、技能退化？」資料顯示，重度委託的人，並沒有回報「學得比較少」——他們學習的自我評分跟輕度委託的人差不多。但文中也很誠實地提醒：這些都是自我評估，而技能退化這種事，有可能在一個人「自認為學得還不錯」的同時悄悄發生，所以這份資料並不能完全排除技能退化的可能性，只能說「目前看不到這個現象的直接證據」。

實用的行動建議：如果你正在增加委託 AI 的比例，不妨主動幫自己設一個檢查點——例如每隔一段時間，刻意不用 AI 協助，自己重做一次類似的任務，確認自己的核心能力沒有在不知不覺間流失。

深度探秘

女性用 Claude 的方式,系統性地跟男性不同

調查樣本中，女性只佔已串接受訪者的 12%，但她們展現出的使用模式,跟男性有明顯且一致的差異——而且這些差異在控制了職業差異之後依然存在，代表不是單純因為男女從事的職業不同所導致。具體差異包括：

• 女性把 Claude 用在工作用途的比例略低於男性。
• 女性使用 Claude Code 的工作階段佔比，比男性低 0.24 個標準差（大約低 6.3 個百分點）。
• 女性的自動化使用比例，比男性低 0.33 個標準差（大約低 7.3 個百分點）。
• 相對地，女性傾向用更迭代反覆的方式使用 Claude（也就是前面提到的「增強模式」比例較高），並且在 chat 介面上花費的活躍時間更長——這被視為一種更協作式互動的訊號。

研究者也檢查過，這個差異是否只是因為女性剛好比較少用 Claude Code（而 Claude Code 本身天生偏自動化），結果發現即使控制了 Claude Code 使用比例，這個性別差異依然存在。同時這個模式在控制職業分類之後也一樣穩健，說明這不只是「男女剛好從事不同職業」造成的表面現象。

把這一節的發現跟前面幾節串起來看會很有意思：如果自動化使用比例跟「AI 暴露度感知」「對未來的樂觀程度」都同向變化，那麼這裡觀察到的性別差異，可能也間接意味著男女在感知與情緒面的體驗上存在系統性落差——但這一點,原始報告並未直接檢驗，值得留意但不宜過度推論。

生活妙喻

有人愛用洗碗機全自動模式，有人愛自己邊洗邊調整水溫

把「跟 Claude 協作」想像成「洗碗」這件家事。

有一種人，買了洗碗機之後，習慣把碗盤丟進去、按下「全自動」模式，然後就完全放手不管，直到洗好取出——這對應「自動化模式」的高使用比例。

另一種人，即使有洗碗機，還是喜歡在旁邊看著、隨時調整水溫、多沖一次特別髒的鍋子、把某些精細餐具留下來自己手洗——這對應「增強模式／迭代協作」的高使用比例，人始終保持深度參與，跟工具保持一種持續對話的關係。

本節發現的性別差異，就像是：在使用同一台洗碗機的家庭裡，女性平均更傾向選擇「在旁邊持續參與、調整」的方式，男性平均更傾向選擇「設定好就放手交給機器」的方式。這不代表哪一種方式更好或更有效率，只是反映出兩種不同的、同樣合理的協作風格偏好。

實用超能力

十年後的 AI 經濟：五個最多人許下的心願

整份調查的最後一題，是一個開放式問題：「請大膽想像：十年後由 AI 塑造的經濟,你希望它長什麼樣子？」研究者用分類器把回答歸納成幾個主題,前三大主題依出現頻率排列如下：

1. 人機協作、有意義的工作（超過半數受訪者提及）：希望能跟 AI 一起工作完成有意義的任務，希望自己的職業依然重要，也希望新產業因此誕生、創造新的工作機會。
2. 自動化苦差事、換取自由時間（略超過半數提及）：希望 AI 能自動處理工作中枯燥乏味的部分,讓人有更多時間留給工作以外有意義的事。
3. 共享的繁榮（約三分之一提及）：希望 AI 帶來的經濟成果,能被廣泛分享,而不是只集中在少數人手中。

用一個簡單的圖來看這些心願跟前面幾節內容的呼應關係：

flowchart TD
    A[受訪者的心願] --> B[人機協作有意義工作]
    A --> C[自動化苦差事換自由時間]
    A --> D[共享的繁榮]
    B --> E[呼應章節開頭\n希望職業依然重要]
    C --> F[呼應委託帶來的\n生產力提升與樂觀]
    D --> G[呼應對失業與\n工作變動的擔憂]

有意思的是，前兩大主題乍看有點矛盾——一方面希望「跟 AI 一起工作、保有意義」，另一方面又希望「把苦差事自動化、換取自由時間」。但仔細想想，這兩者其實可以並存：人們想要的不是全有全無的選擇，而是一種平衡——讓 AI 接手枯燥重複的部分，把人的時間和精力留給真正有意義、需要人類判斷與情感投入的工作。這個心願，其實正好跟整份報告前面反覆出現的主題呼應：AI 帶來的變化，最好是「augmenting labor 輔助人的能力」而不是「displacing labor 取代人的價值」。