工作的新未來：人工智慧正推動快速變革與不均等的效益

概覽

• AI 正在推動職場的快速變革，其劇烈程度超過了以往各版《工作新未來》（New Future of Work）報告所涵蓋的範疇。

• AI 正在改變人們協作的方式，而不僅僅是讓他們工作得更快或能遠端辦公。將 AI 視為協作夥伴的組織正獲得最大的收益。

• AI 的收益尚未均勻分配，這凸顯了行業領導者需要構建能擴大機會的 AI。未來並非預先決定，它將由我們今天的選擇所塑造。

• 在 AI 驅動的世界中，人類的專業知識變得更加重要，而非更不重要。人們正從單純的執行工作，轉向引導、評論和改進 AI 的工作。

在過去的五年中，《工作新未來》報告記錄了工作方式的演變。今年，這種轉變感顯得尤為劇烈。以往的版本側重於技術在透過自動化任務、加速溝通和擴大資訊獲取來提高生產力方面的作用，以及遠端辦公的興起。今天，生成式 AI 讓這場轉型進入了快進模式。AI 不再只是加速現有的工作流程，而是越來越多地參與其中，塑造人們創造、決策、協作和學習的方式。

數十年來，微軟各地的研究人員一直將這些變化視為鮮活的體驗而非抽象的趨勢來進行研究。在不同的組織和職業中，人們正以不均衡、具創意且有時令人驚訝的方式嘗試 AI。許多人正在節省時間、擴展能力並承擔更複雜的工作，但未來的真正機會在於利用 AI 幫助我們更好地共同工作。

《工作新未來》報告匯集了微軟內外的研究，旨在了解 AI 進入職場時發生的情況。透過數十位作者和編輯的努力，報告利用大規模數據分析、實地與實驗室研究以及理論證據，探討誰在操作 AI、為何使用，以及它如何重塑生產力、協作、學習和判斷。報告強調了變革展開得尤為迅速的職業，以及這些技術更廣泛的社會影響。

綜合來看，這些發現指向一個核心洞察：工作的未來並非只是發生在我們身上的事情。我們正透過個人的選擇、團隊建立的規範、組織採用的系統以及研究人員的發現，積極地建構它。與此同時，AI 的角色仍在演變，並產生了一系列影響——其中一些可能被視為正面或負面。以下是基於研究對當前時刻的快照，以及它能教給我們關於如何共同創造一個全新且更好的 AI 工作未來的啟示。

採用與使用

生成式 AI 進入職場的速度很快，可能比大多數早期技術都要快。但誰在使用以及如何使用的模式，將決定誰能獲益。早期採用的報告顯示了顯著的滲透率：在一項德國調查中，38% 的受僱受訪者表示在工作中使用 AI。但不同行業的使用率和信心差異很大，且男性報告在工作中使用 AI 的頻率高於女性。目前尚不清楚這種差異是由職業分佈、對新工具的適應程度還是其他因素驅動的。這提出了一個挑戰：不均衡的採用可能會轉化為採用者與非採用者之間在生產力提升、學習機會、下游職業路徑等方面的差異。

從全球範圍看生成式 AI 的採用情況，可以發現進一步的差異。高收入國家在整體使用量上仍處於領先地位，但增長最快的是中低收入地區。當當地語言服務不佳時，人們會轉而使用英語以獲得可靠的結果。如果沒有對基礎設施和多語言模型開發的投資，AI 可能會加劇現有的鴻溝，而非縮小它。

在組織內部，使用或不使用 AI 的決定更多是由文化而非戰略簡報決定的。當人們信任雇主並感到實驗是安全的時候，他們會嘗試新工具。他們會堅持使用能讓工作變得更好的工具，但可能會拒絕那些看似旨在取代他們的工具——這是勞工普遍擔憂的問題。許多最有用的應用並非來自自上而下的倡議，而是來自員工的嘗試、發現真正有幫助的地方，並與同事分享這些見解。研究表明，在設計職場技術時納入員工的觀點，能促進生產力和福祉的永續改善。

我們也開始看到人們實際上用 AI 做什麼。在 Anthropic，對數百萬次用戶對話的分析發現，37% 的 Claude 使用與軟體和數學職業有關。一項對 Microsoft Copilot 對話的研究發現，它對銷售、媒體、科技和行政角色的資訊工作者活動具有高度適用性。但更廣泛的一點很簡單：大多數職業都包含至少一些 AI 可以發揮作用的任務。

這些轉變伴隨著社交副作用。多項研究顯示，使用 AI 的員工可能會被認為能力較弱，即使他們的產出與未使用 AI 的人完全相同。這種「認知懲罰」是否在不同群體間分佈不均仍是一個懸而未決的問題。然而，使用過 AI 的主管往往能更公平地評價 AI 輔助的工作。這表明，在 AI 能夠被公開且不帶偏見地使用之前，可能需要廣泛的接觸。

PODCAST 系列

AI 測試與評估：來自科學界與工業界的啟示

了解微軟如何借鑒其他領域的經驗，將評估與測試推進為 AI 治理的支柱。

立即收聽

對工作與勞動力市場的影響

了解誰在使用 AI 以及為何使用，有助於評估其價值，但更難的問題是它如何影響生產力和勞動力市場，這可能並不那麼直接。生產力可以透過節省時間、提高工作品質或僅僅是感到更有能力來提升。受訪的企業 AI 用戶報告每天節省 40-60 分鐘，而基於模型的評估顯示，尖端系統在越來越多的任務上可以達到接近專家的品質水平。但 AI 也可能降低生產力。在一項美國調查中，40% 的員工表示他們在過去一個月收到過「垃圾工作內容」（workslop），即看起來精美但並不準確或無用的 AI 生成內容。當這種情況發生時，任何節省的時間都會迅速消失，品質實際上會受損。

我們仍未完全掌握這對更廣泛的工作和勞動力市場意味著什麼。大規模的實證研究並未發現對失業率、工作時數或職位空缺有明顯的總體影響。然而，AI 似乎正在減少年輕、缺乏經驗的勞工的機會。初級職位對經驗和知識的依賴較少，更容易被自動化。實證證據顯示，在 AI 暴露度高的工作中，22-25 歲勞工的就業人數相對於暴露度較低的工作下降了 16%，且在企業採用 AI 後，初級職位的招聘似乎有所放緩。這種模式引發了一個長期擔憂：將那些能讓勞工學習技能的工作自動化，可能會破壞專業知識隨時間累積的方式。這一觀點得到了理論模型和實證證據的支持。

與此同時，AI 也在改變哪些技能重要。在招聘廣告中提到 AI 技能的職位，強調分析性思維、韌性和數位素養的可能性幾乎是其他職位的兩倍。對更容易外包給 AI 模型的任務（包括數據相關任務或常規翻譯）的需求持續下降。即使整體就業保持穩定，AI 已經在重塑工作的結構，且這一趨勢將持續下去。

隨著更多實證證據的出現，理論工作有助於勾勒未來的框架。一個反覆出現的主題是，隨著 AI 的進步，人類的判斷力——發現機會、在模糊情況下工作或從產出中做出選擇——變得更有價值。而利用 AI 增強人類能力的組織，往往最終會創造出新型態的工作，而非僅僅消除現有的工作。如果 AI 要實現其支持廣泛繁榮增長的潛力，未來的道路與其說是取代任務，不如說是擴展人們的能力。

人機協作

隨著 AI 能力的增強，人機互動的本質正在發生變化。AI 系統在決策、創意和溝通中扮演著越來越重要的角色，AI 系統被定位為「協作者」。這引發了關於如何支持人與 AI 之間的「協作」、我們可以從人與人的互動中學到什麼，以及 AI 系統的能力在何處創造了不同的機會和要求等問題。

有效協作的核心是「共同基礎」（common ground）：讓各方能夠協調和溝通的共同理解。在人類對話中，我們不斷透過澄清、確認和後續問題來檢查一致性。然而，目前的 AI 系統往往跳過這些步驟，生成的反應假設了理解而非建立理解。研究表明，這種對話基礎的缺乏可能導致人機互動的崩潰。令人鼓舞的是，像 CollabLLM 這樣的系統，透過提示 AI 提出澄清問題並進行多輪回應，已顯示出改進的任務表現和更具互動性的交流。

信任是協作的另一個基本面向。雖然 AI 可以處理大量資訊，但它在決策中的有用性取決於它對人類目標的掌握程度，以及人們對其能力的理解程度。使用不了解個人目標的 AI 可能會導致比不使用 AI 更糟的結果。然而，人們往往高估 AI 的能力，這扭曲了他們對何時以及如何使用它的判斷。支持「選擇性委託」的系統可以改善這些決策，特別是當 AI 被編程為在其回應中考慮到這種選擇性方法時。

AI 不斷進步的能力正在推動人們角色的轉變。這包括軟體生產，曾經從頭到尾編寫代碼的開發者，現在越來越多地在審查和完善 AI 生成的建議。作家和設計師更多地扮演策展人和編輯的角色，引導 AI 產出而非從零開始創作。這種轉變需要新的技能——如撰寫有效的提示詞、審核 AI 回應以及維持品質監督——以及支持這些技能的新工具。

目前的聊天介面對於這些演變中的工作流程來說往往過於受限。除了對 AI 系統的能力、局限性和運作方式的知識，以及實現干預所需的領域專業知識和情境意識外，監督還需要對系統活動、決策和產出的可觀察性。新的介面設計正在湧現以解決這一問題，包括 AI 推理的可視化、共享編輯空間，以及允許人類和 AI 輪流主導任務的混合主動系統。這些創新旨在保留人類的主動權，同時使 AI 更加透明和具備響應性。

最終，工作的未來在於建立人與人之間互補的互動，借鑒人類協作的知識，同時承認人機互動的獨特挑戰，並利用 AI 能力來實現這一點。

團隊合作中的 AI

AI 系統從底層設計開始就是為了服務個人而非團隊。因此，當人們以團隊形式使用 AI 時，其表現往往不佳，甚至低於個人使用 AI 的表現，這並不令人意外。

好消息是，越來越多的研究致力於支持團隊和群體互動的 AI。研究人員採用兩種廣泛的方法：(1) 以過程為中心的策略，即構建 AI 來促進特定的團隊過程，如資訊共享；(2) 以結果為中心的策略，即訓練端到端的 AI 系統，嘗試從短期和長期的團隊結果中學習。

前者的例子包括在小組討論中提供「魔鬼代言人」觀點或幫助放大少數派觀點的系統。後者的例子包括嘗試幫助團隊做出正確決策或推動會議達成目標的系統。

來自集體智慧（collective intelligence）等領域的理論表明，這兩種方法都具有巨大潛力：AI 可以開啟全新的協作模式，這些模式與我們以前擁有的模式截然不同且更具生產力。一個顯著的例子是 AI 使得「臨時團隊」更具可行性，組織內（甚至跨組織）的一群特定人員可以為了徵結某個特定問題而聚集在一起，問題解決後隨即解散。

從哲學角度來看，甚至將個人與大型語言模型（LLM）的互動理解為一種團隊合作也是有用的。事實上，對於像 LLM 這樣的技術，「集體智慧」或許比「人工智慧」是更準確的術語。LLM 汲取了數百萬人的知識——這些人撰寫網頁內容、在 Reddit 和維基百科發帖、與聊天機器人互動並生成其他類型的數據——並根據需求提供給個人。每次你與 LLM 互動時，你都在與數百萬人的成果互動，而無需承擔那種規模協作所帶來的、幾乎不可能實現的行政開銷。

思維、學習與心理影響

生成式 AI 正在改變認知和學習，同時引入新的心理動態。這使得關於主動權、努力和福祉的設計選擇變得越來越重要。

生成式 AI 中出現的一個核心模式是從「在實踐中思考」（例如撰寫文件）轉向「從產出中選擇」（例如提示 AI 撰寫文件）。除非配合能讓人保持認知參與的使用者體驗，以及適應工作變化的技能提升/再培訓，否則這可能會削弱支撐人類專業知識的判斷力和實踐。AI 也可以被設計為支持思考而非取代思考，例如透過引發反思、搭建推理框架，以及透過替代方案和評論幫助人們「決定如何決定」的工作流程。對於構思和創意，收益可能是脆弱的。在錯誤的時間使用 LLM 可能會降低原創性和自我效能感，且重複的認知卸載即使在移除 AI 後也可能持續存在。為了避免用長期能力換取短期準確性，AI 體驗應幫助用戶練習挑戰和完善 AI 產出所需的判斷力。

AI 在教育中的應用已經非常廣泛，但其中大部分活動是透過通用工具而非教育專用產品進行的，而培訓和政策仍在追趕中。在學習情境中，AI 為了滿足職場任務而設計的速度和便捷性可能與教育需求相衝突。學習往往受益於「合意的困難」（desirable difficulties），過度依賴摘要和綜合可能會使學習變得淺薄，除非有周全的支持。這可能涉及在尋求 AI 幫助前先嘗試解決問題，以及要求學生證明和檢查產出的問題驅動型輔導。程式碼教育仍然至關重要，但需要將重點從記憶語法轉向以抽象和問責為中心，例如問題框架和批判性審查。職場培訓可以透過幫助員工將 AI 重新定義為思考夥伴、引發反思性互動並強化校準和驗證習慣，來應對過度依賴和「垃圾工作內容」的生產力問題，使員工保留最終決定的責任。

最後，對話式 AI 越來越多地被用於社交和情感支持，這使得同理心和心理健康成為核心的設計與治理關注點，特別是因為其效果會因用戶背景和互動模式而有劇烈差異。這種變異性也提高了擬人化行為的風險。需要更明確的定義和衡量標準來了解系統何時顯得像人，以及隨之而來的後果。對設計空間進行更廣泛的規劃可以幫助設計者預見影響並選擇替代方案。

特定角色與行業

雖然《工作新未來》報告的大部分內容強調了協作、溝通和決策等廣泛的工作模式，但我們也研究了正在經歷尤為快速變革的特定職業。在今年的版本中，軟體工程和科學領域尤為突出。為了應對圍繞這些領域的一些誤解，我們探討了幾個迷思，包括：

• 計算 AI 生成的程式碼行數是一個有意義的生產力指標
• 目前的工具會立即將每位開發者變成「10 倍工程師」

採用主要取決於模型能力。除了破除迷思，我們還看到了軟體生命週期的真實轉變。歷史上，PM（產品/專案經理）專注於客戶需求、遙測、設計和回饋，而開發者編寫程式碼。有了生成式 AI，這些界限正在變得模糊。PM 報告稱承擔了更多技術工作並編寫了更多程式碼，而開發者在與 AI 代理互動時，越來越多地參與高層級的規劃和概念性思考。

這種轉變體現在「氛圍編碼」（vibe coding）的興起——透過迭代提示而非直接編寫和編輯程式碼來開發軟體。研究顯示，經驗豐富的電腦科學學生比新手更擅長氛圍編碼，能夠用較少量的針對性提示來引導模型。隨著人類與 AI 助手建立信任，工作變得更具共同創造性，使工程師能夠透過持續迭代保持在「心流」狀態。

這些變化共同指向了軟體構建方式的更深層轉型——包括程式碼生產的機制，以及團隊協調、規劃和協作的方式。

科學領域也看到了 AI 驅動的顯著加速。AI 透過協助研究人員識別有前景的想法、追溯已知結果以及發現跨領域聯繫，正在有效加速科學發現。基礎模型也使得處理多樣化的數據類型變得更容易，並能實現以前不可能的大規模實驗。

研究生產力的提高和品質的適度提升，對於早期職業研究人員和非英語科學家來說最為明顯，對他們而言，AI 既可以作為協作者，也可以作為獲取先進工具的一種方式。

然而，AI 引入了新的風險。當涉及生成系統時，數據來源、問責制和可複製性問題變得更加複雜。提示詞的微小變化可能會顯著改變結果，使結果更難驗證。模型可能會在不標註出處的情況下複製想法，或者完全產生幻覺，增加了來源檢查的負擔。而且由於許多模型傾向於順從性回應，科學家可能會高估 AI 生成見解的新穎性或正確性。

結語

生成式 AI 不會在遙遠的未來才到來，它現在就在重塑工作。以下是幾點核心啟示：

• AI 不僅僅是在加速工作——它正在改變我們共同工作的方式。
  今年的研究顯示了一個真實的轉變：AI 正從自動化任務轉向積極塑造人們創造、決策、協作和學習的方式。獲得最大收益的組織是那些將 AI 視為協作夥伴（而非附加工具），並建立起實驗文化、規範和信心的組織。

• AI 的收益是真實的，但尚未均勻分配。
  各國、各職業和各行業的採用率正在快速上升，但在獲取途徑、信心和使用方面的差距正在擴大。早期證據顯示，誰在使用 AI（以及如何使用）將決定誰能獲益。行業領導者需要確保 AI 擴大機會，而非加劇鴻溝。

• 在 AI 驅動的世界中，人類的專業知識更重要，而非更不重要。
  在軟體工程、科學和知識工作中，AI 正在轉型角色：人們正從執行工作轉向引導、評論和改進工作。那些能蓬勃發展的組織，將是那些投資於判斷力、批判性思維和負責任監督，並設計出能讓人保持深思熟慮參與的 AI 體驗的組織。

今年《工作新未來》報告中的研究既指出了機會，也指出了責任。未來並非預先決定。它將由我們今天的選擇所塑造——包括我們如何構建 AI 系統、組織如何採用它們，以及個人如何學習與它們並肩工作。微軟致力於研究這些正在展開的變化，將我們的理解建立在證據之上，並確保我們共同構建的未來是一個 AI 幫助我們所有人更好地共同工作的未來。