PPT_補充
B04當智慧成為基礎,統計學及財務分析走下神壇
從工具、Agent 到社會系統：能力民主化、工作重組與治理的新時代
核心重點
核心主題 |
重點 |
最大轉變 |
AI 正從「回答問題的工具」走向「能拆解目標、操作工具、連續完成任務的 Agent」。 |
智慧成本下降 |
工業革命降低體力成本；AI 可能大幅降低部分認知工作的邊際成本。 |
專業民主化 |
統計、財務、程式、研究等能力的操作門檻下降，更多人可透過自然語言使用專業工具。 |
職位不是一次消失 |
目前更常見的是工作內容被拆解、自動化與重組；ILO 指出多數受影響工作較可能被轉型而非整體消失。 |
Agent 能力延長 |
METR 的 time-horizon 指標顯示，前沿 AI 能可靠完成的長任務難度持續快速上升；但這不是「自主運作時間」的直接等號。 |
學徒制問題 |
若初階工作被大量自動化，未來新人如何累積判斷力、成為 Senior，將成為教育與企業的人才問題。 |
組織重構 |
企業可能從「人操作軟體」變成「人管理多個 AI Agent」，小團隊可能擁有更大的產能。 |
治理速度落差 |
AI 能力進展以月為尺度，法規、教育與組織調整常以年為尺度，形成制度落後風險。 |
治理新方向 |
Hassabis 主張建立類似 FINRA 的 Frontier AI Standards Body，對前沿模型進行動態、發布前的能力與安全測試。 |
核心判斷 |
真正值得觀察的不是單一 benchmark，而是 Agent duration、Reliability、Cost、Tool use 與 Organizational adoption。 |
一、為什麼說 AI 正從工具走向基礎設施
早期生成式 AI 的典型互動是「人問一句、AI答一句」。下一階段的 Agent 則更像一個可接受目標、拆解任務、查找資料、操作軟體、反覆修正並交付結果的數位工作者。當 AI 被嵌入搜尋、辦公、財務、程式設計、客服、醫療與企業流程後，人們可能不再特別說「我用了 AI」，就像今天很少特別說「我使用了電力」。
因此，AI 的長期影響可能不是多了一個新軟體，而是「認知能力」本身逐漸變成可大量供應的基礎資源。
二、Hassabis 的警訊：能力進展快於理解與治理
2026 年 7 月，Google DeepMind 執行長 Demis Hassabis 發表〈A Framework for Frontier AI and the Dawning of a New Age〉，認為 AGI 可能距今僅數年，並將其影響比作電力或火，而非一般網路產品。他同時強調，全球正處於激烈的商業與地緣政治競賽，前沿能力的進展速度已超過人類對技術本身的理解。
這項判斷不能被當成確定預言。AGI 的定義、時間點與經濟效果仍存在高度爭議。真正值得教學上重視的是：連最前沿的研究者都把「不確定性」與「治理速度」列為核心問題。
Hassabis 提出的方向 |
教學解讀 |
Frontier AI Standards Body |
建立前沿模型的專門標準與測試機構。 |
動態能力門檻 |
Frontier-class 不應用固定名稱，而應用會持續更新的能力基準定義。 |
發布前測試 |
先測試資安、生物風險、規避安全機制、欺騙行為等，再決定部署。 |
產業＋公共監督 |
類似 FINRA 的公私協作／自律監管模式，但需要外部監督與獨立專家。 |
必要時協調減速 |
當風險達到特定門檻，可討論共同降低發展速度。 |
三、AI 能力的下一個關鍵：不只是更聰明，而是能做更長的任務
METR 以「人類專家完成某項任務所需時間」衡量 AI 能力，稱為 task-completion time horizon。2026 年更新顯示，前沿模型可成功完成的長任務難度仍快速提升。METR 的早期研究估計，50% 成功率對應的任務長度在過去數年約每 7 個月翻倍。
要特別避免誤讀：這個指標不是說 AI 可以連續自主工作同樣長的實際時間，而是說它能完成「人類需要那麼久才能做完」的任務。它衡量的是任務難度，而不是鐘錶時間。
觀察指標 |
為什麼重要 |
Task horizon |
AI 能完成多複雜、多步驟的工作。 |
Reliability |
90% 與 99.9% 成功率對企業採用的意義完全不同。 |
Cost |
完成同一項認知工作的成本若持續下降，會改變公司規模與外包模式。 |
Tool use |
能否操作瀏覽器、Excel、ERP、程式環境、資料庫，而不是只回答文字。 |
Organizational adoption |
企業是否真的因此改變流程、招聘、產出與人力配置。 |
四、就業不是「全部取代」，而是「任務重新分配」
ILO 2025 的全球研究指出，約四分之一勞工所在職業具有某種程度的生成式 AI 暴露，但多數工作較可能被轉型而非整體消失。2026 年 ILO 進一步提醒，「AI 暴露」只是工作可能被改變的指標，不能直接解讀為未來失業率。
同時，ILO 2026 的經驗證據綜述指出，目前已觀察到生產力提升，但效果不平均；大規模工作消失仍有限，風險反而包括年輕工作者的入門機會被侵蝕、工作組織改變、以及不平等擴大。
錯誤說法 |
較精確的說法 |
AI 會把四分之一工作消滅 |
約四分之一工作具有某種 AI 暴露；暴露不等於失業。 |
只有低技能工作受影響 |
新一代 AI 對認知、分析、行政與管理工作也有很高暴露。 |
有 AI 就一定提高公司生產力 |
實驗常見效率提升，但企業層級的產出、薪資與就業效果仍不一致。 |
AI 只會減少工作 |
部分工作下降，同時也會創造新職位、重組職責與提高某些技能需求。 |
五、工作世界：從「人操作軟體」到「人管理 Agent」
世界經濟論壇《Future of Jobs Report 2025》估計，到 2030 年，各種宏觀趨勢合計可能創造 1.70 億個職位、取代 9,200 萬個職位，淨增加約 7,800 萬個。其企業調查中，77% 的雇主計畫因 AI 進行員工技能升級，41% 則預計因部分任務自動化而減少人力。
這反映一個重要現象：AI 不一定讓企業「沒有人」，而可能讓每一個人控制更多產能。未來一名員工可能同時管理研究 Agent、財務 Agent、客服 Agent 與程式 Agent。
企業形態 |
過去 |
AI Agent 時代 |
工作單位 |
一個人完成一串任務 |
一個人定義目標，多個 Agent 並行執行 |
管理 |
Manager 管員工 |
人可能同時管理員工與 AI Agent |
規模 |
增加產出通常需要增加人數 |
小團隊可能用 AI 放大產出 |
技能 |
熟悉工具操作 |
問題定義、驗證、整合與責任判斷 |
瓶頸 |
人力與時間 |
可信度、資料、算力、權限與治理 |
六、專業走下神壇：真正下降的是操作門檻
統計學、財務分析與程式設計看似不同，但正在出現同一結構：AI 先把專業的「操作層」變得便宜。
領域 |
過去的門檻 |
AI降低的門檻 |
仍然需要人的部分 |
統計學 |
公式、R／Python／SPSS |
自然語言完成分析與圖表 |
抽樣、偏誤、因果、不確定性 |
財務分析 |
Excel、財報、估值模型 |
自動讀報表、建模型、做簡報 |
假設、商業判斷、風險與責任 |
程式設計 |
語法、框架、除錯 |
自然語言生成程式與 Agent |
架構、安全、測試與系統思維 |
研究 |
搜尋、整理、摘要 |
AI進行大量初步研究 |
來源品質、論證、真偽與意義 |
因此，「專業走下神壇」不等於專業失去價值，而是專業價值從「操作工具」上移到「定義問題、辨識錯誤、驗證結果、做出負責任的決策」。
七、學徒制斷裂：AI 可能先改變新人的成長路徑
白領專業常靠大量初階工作訓練判斷力。Junior analyst 從更新 Excel、做比較表、改簡報開始；Junior programmer 從寫簡單功能、debug 開始。如果 AI 把這些初階任務大量自動化，企業會得到效率，但也可能失去培養下一代 Senior 的訓練場。
因此未來教育不能只教學生『怎麼叫 AI 做』，還要刻意保留診斷、驗證、反思與人工完成部分任務的練習。AI 時代的人才問題，可能從「如何提高生產力」轉成「如何在自動化環境裡養成真正的判斷力」。
八、AI 的五個結構性瓶頸
瓶頸 |
說明 |
可靠性 |
偶爾出錯的模型無法直接進入高風險流程。 |
能源與算力 |
AI能力需要資料中心、晶片、電力與資本支撐。 |
資料與權限 |
企業資料往往封閉、敏感、格式混亂，Agent 未必能直接取得。 |
組織流程 |
有 AI 不等於流程已重設；舊制度可能抵銷技術效益。 |
治理與責任 |
AI做錯決策時，法律責任、審核與安全界線必須清楚。 |
九、案例
案例 1：從 Chatbot 到長任務 Agent
Anthropic 2026 年 Economic Index 指出，Claude 的使用已從以對話為主，快速轉向 Claude Code、Cowork 等較長時間的 agentic tasks。這說明 AI 使用型態正在從「一問一答」轉成「把一段工作交給 AI」。
管理意義：公司採購 AI 時，評估標準不能只看回答品質，還要看任務成功率、工具使用、權限控制、日志、可追溯性與失敗時的人工接管。
案例 2：AI 暴露最高的可能不是工廠，而是辦公室
ILO 2026 指出，新一代 AI exposure 指標與早期自動化研究不同：過去較擔心例行體力與低薪工作，現在高認知、分析、行政、管理職也可能有較高暴露。金融分析、會計、行政與部分程式工作都是重要案例。
管理意義：企業不能只把 AI 當作『裁減基層』工具，而要重新設計整條知識工作流程與人才梯隊。
案例 3：Frontier AI 為什麼可能需要像金融業一樣的監管
Hassabis 主張參考 FINRA，建立會持續更新測試標準的 Frontier AI Standards Body。其邏輯是：固定法律條文往往跟不上模型能力，因此需要專門機構、技術測試與持續更新。
管理意義：如果 AI 成為像金融或電力一樣的基礎設施，監管的對象就不只是『產品內容』，而可能是模型能力、部署條件與風險門檻本身。
十、練習與簡易解答
練習 1｜暴露不等於失業
題目：某研究說「25% 的工作暴露於 GenAI」。學生 A 說：『所以 25% 的人會失業。』這個推論哪裡有問題？
簡易解答：暴露表示工作中的部分任務可能被 AI 改變或自動化，不等於整個職位消失。實際結果還受到採用速度、成本、法規、組織設計與新任務產生等因素影響。
練習 2｜Agent 的可靠性
題目：某 AI Agent 完成財務報告的成功率是 90%。若公司每天處理 100 份報告，粗略估計每天可能有幾份需要人工修正？
簡易解答：約 10 份。100 × (1 - 0.90) = 10。這也說明在高風險流程中，90% 成功率可能仍遠遠不夠。
練習 3｜學徒制問題
題目：如果 AI 已能完成 80% 的 Junior Analyst 例行工作，公司是否應該停止招募 Junior？
簡易解答：不一定。短期可能節省成本，但若完全停止培養新人，數年後可能缺少具備實務判斷的 Senior。較好的做法是改造 Junior 工作，讓新人更多參與驗證、情境判讀與 AI supervision。
練習 4｜判斷哪個指標更重要
題目：A 模型 benchmark 高 5%，但實際企業任務成功率只有 85%；B 模型 benchmark 稍低，但企業任務成功率 98%。在高風險流程中應優先考慮哪一個？
簡易解答：通常 B 更值得考慮，因為真實任務的可靠性往往比單一 benchmark 更接近企業需求；仍需同時考察成本、速度、安全與失敗型態。
練習 5｜制度速度差
題目：AI 模型每半年能力大幅升級，但法規每三年才修訂一次，可能產生什麼問題？
簡易解答：規則可能很快過時，形成治理落差。可考慮使用動態標準、專門技術機構、定期更新測試與風險分級。
十一、課堂討論
- 如果 AI 可以完成大部分初階白領工作，教育應該如何重新設計？
- 「AI 是電力」這個比喻在哪些地方成立？哪些地方可能過度誇張？
- 企業應該用 AI 取代人，還是用 AI 擴大人的能力？兩者如何取捨？
- 如果一個 AI Agent 能連續完成一天的人類工作，但只有 80% 成功率，它算不算真正的生產力革命？
- Frontier AI 的監管應由政府、產業自律，還是國際組織主導？
十二、重點整理
- AI 的核心轉變，是從回答工具走向能完成多步驟工作的 Agent。
- 真正的經濟影響取決於可靠性、成本、工具使用與企業採用，而不是單一 benchmark。
- AI 暴露不等於失業；目前更有證據支持工作被重組、部分任務自動化與新人機會受壓。
- 專業的操作門檻下降，但判斷、驗證、因果、風險與責任的重要性提高。
- AI 可能造成學徒制斷裂，因此教育必須刻意培養在自動化環境中的判斷能力。
- 治理的核心難題，是技術以月為尺度進步，而制度往往以年為尺度改變。
- 如果 AI 最終成為基礎設施，真正的問題將從『誰會用 AI』變成『誰控制、誰受益、誰負責』。
真正的大革命，不只是機器變聰明，而是「思考」開始成為可以大量生產、複製與分配的資源。