AI憑什麼替代你？說穿了就兩個字......

你的工作，不是被「搶」，是被「壓縮」了。 2026年6月，Anthropic 執行長 Amodei 在個人網站發布一篇長達數萬字的政策長文，核心論點是：AI 導致的就業減少不是暫時失靈，而是技術本身的內在屬性。他花大量篇幅討論如何應對，但對於這個「內在屬性」究竟如何運作，卻一語帶過。就在此時，一份由香港大學人工智慧、管理與組織研究中心（HKU CAMO）、中國信通院華東分院與模馭人工智能科技（上海）有限公司聯合發布的重量級報告，把這個關鍵缺口補上了。報告題為《AI大壓縮：智能經濟時代的生產範式轉移》，它回答的問題正是 Amodei 沒說清楚的那個：AI 到底透過什麼機制取代人類？答案只有兩個字——壓縮。 報告指出，在傳統知識工作中，人類其實扮演著昂貴且低效率的 API 角色。一個業務需求從提出到落地，必須經過產品經理、架構師、前端、後端、測試、維運等多層分工，層層接力。每一次交接都有資訊衰減，每一次翻譯都有損耗，每一次等待都是時間成本。報告給出一個極端案例：一套 AI 原生的 CRM 系統，傳統估算需要 50 人月，但一名工程師實際只用 1.5 人月就完成。那多出來的 49 倍成本，不是「工作量」，而是人與人之間的翻譯成本。 人類技術史上的三次重大躍遷，本質都是壓縮價值創造鏈條的中間環節。第一次壓縮能源，從鑽木取火到電網；第二次壓縮材料，從減材製造到 3D 列印；第三次壓縮資訊，從創作、排版、印刷、分發到直接發布。前三次消除的是認知活動的外部限制，而這一次，被壓縮的是認知活動本身。「人理解意圖→人操作工具→工具輸出結果」，這個鏈條被直接壓縮成「人理解意圖→AI 直接交付」。中間那個每天坐在格子間、在系統之間搬運資訊、在文檔裡翻譯需求的人，被壓縮掉了。 報告清楚指出，AI 大壓縮不是在單一維度發生，而是同時在四個方向展開。時間維度上，AlphaFold 將蛋白質結構預測從數年壓縮到數小時，合約審查從兩週壓縮到十分鐘。空間維度上，過去被地理位置鎖定的專業能力開始擴散，西北一家二甲醫院導入 AI 影像診斷後，不僅診斷時間從 15 到 20 分鐘縮短為 3 分鐘，還能檢出基層醫生容易漏掉的微小病灶。價值鏈維度上，傳統影視製作從創意、劇本、分鏡、選角、拍攝、剪輯、特效到成片，AI 原生模式直接跳過中間好幾層。組織維度更是明顯，Salesforce 部署 Agentforce 後，客戶支援團隊從約 9000 人調整到約 5000 人，同期 AI 承擔約一半的客戶對話，滿意度沒有下降；被馬斯克收購的 Cursor，僅靠數十到數百人的團隊規模，就成為 SaaS 史上最快從零成長到 10 億美元年營收的公司。報告用一句話點出本質：「產能的約束變量，從人手數，變成了算力供給。」

報告進一步建構了「動力—阻力」模型，將行業劃分為四個象限。快速滲透區包括軟體開發、內容創作、基礎財稅、客服與投研，這些領域數據高度數位化、容錯空間較寬，AI 導入已經不是「會不會」的問題。高潛突破區涵蓋醫療、法律、金融與先進製造，技術與監管壁壘高，但商業動力極強，AI 以「切片」方式從高容錯的子場景切入，再向核心決策環節擴展。規模普惠區如基礎辦公、標準化教育與通用聊天機器人，利潤較薄但能產生普惠效果。長期探索區則包括傳統非遺、高端奢侈品定製與涉密政務核心決策，短中期內 AI 幾乎無法介入。報告舉了一個容易忽略的案例：英國一家十餘人的蛋白質晶體設備公司，七年找不到合適的中國供應商，不是沒有產能，而是驗廠、語言與跨國協調的門檻太高。導入 AI 之後，24 小時內收到十餘家報價，兩年內項目數擴展到約 40 個，供應商從本地 2、3 家變成遍及全國 11 家。 價值鏈中間層被壓縮後，利潤並未消失，而是沿三個方向流動。一部分讓給終端用戶，過去昂貴的專業服務如私人醫生、專屬法律顧問、一對一財稅諮詢，開始變成可規模交付的基礎服務。一部分被基礎設施層截獲為「系統租金」，賣算力、大模型與雲服務的廠商以 Token 和 API 計費穩定收取全行業的數位運轉費用，就像工業時代的電網與鐵路。還有一部分流向意圖發起層，擁有核心業務場景、獨有數據與深度行業 Know-how 的企業，不需養龐大中間團隊，就能直接將意圖對接 AI 完成交付，利潤最為豐厚。這個結構與微笑曲線高度吻合，只是中間那段坍塌得更徹底。 回到工作者身上，報告的核心觀點是：AI 並沒有「搶」你的工作，而是把你工作中那些不產生核心業務洞察、只負責資訊轉譯與標準加工的部分壓縮掉。哈佛大學一項涵蓋 28.5 萬家美國企業、近 6200 萬名勞動者的研究發現，同一企業、同一時間段，入門崗位相較資深崗位的就業水平下降約 12%，而資深崗位持續增長。史丹佛數位經濟實驗室的數據更具體，22 到 25 歲的軟體開發者就業人數，到 2025 年中已較 2022 年高峰下降接近 20%。不是行業萎縮，是新人的入口在收窄。過去一個人從初級走向資深，靠的是寫基礎程式碼、除簡單錯誤、整理文件這些雜活，這些工作本身不值錢，卻是累積經驗的台階。AI 最先優化的就是這些台階，於是形成一個悖論：初級職位萎縮、資深職位強化，中間那條路斷了，但企業三年後將發現難以找到能扛大局的中層，因為新人連幹雜活的機會都沒有，根本無法累積 AI 取代不了的隱性知識、處理複雜異常的判斷力與跨部門協作的人際網絡。 報告最後指出，能夠留給人類的，終究只有三件事：定義目標、處理例外、承擔責任。機器可以優化任何目標函數，但無法判斷哪個目標值得優化；模型在既有分布內表現優異，但現實世界永遠有超出訓練範圍的邊界條件，需要人來解；AI 無法簽約、無法承擔法律後果、無法為破產負責。責任的不可讓渡性，或許將成為人類在生產關係中最終的錨點。 報告裡有一句冷靜的判斷：「壓縮不會因為任何組織拒絕採納而暫停。未被壓縮的中間層，只是尚未輪到。」從軟體開發到法律，從投研到跨國製造，每一個案例都在說同一件事：那些以為自己的工作很特殊、AI 暫時還夠不到的人，通常是下一批。報告結尾留下一句話：「觀望正在成為最昂貴的戰略選擇。」正如當年工廠圍繞電力重新設計生產線之後生產力才真正翻倍，面對 AI 大壓縮，最重要的問題是：你和你的工廠，什麼時候開始重新設計？