Pekerjaan yang Diubah AI dan Bukan Digantikan

Oleh Victor Hoang · Dikemas kini 22 September 2026

AI tidak menggantikan pekerjaan. Ia menggantikan tugas di dalam pekerjaan, membiarkan yang lain, dan menambah beberapa tugas baharu, seperti menyemak hasil kerjanya sendiri, yang tidak wujud sebelum ini. Sesuatu peranan berubah bentuk apabila cukup banyak tugas berpindah, tetapi pekerjaan itu sendiri jarang lenyap sekali gus. Perbezaan itu, tugas berbanding pekerjaan, ialah perbezaan antara perancangan yang baik dengan membaca tajuk berita yang menakutkan.

Setiap angka "X% pekerjaan akan diautomasikan" yang anda lihat sejak 2013 mengukur sesuatu yang berbeza daripada apa yang kebanyakan orang sangka. Sesetengahnya mengira pekerjaan, sesetengah mengira tugas, sesetengah mengira pendedahan teori, dan sesetengah mengira apa yang pekerja sebenarnya lakukan dengan AI hari ini. Tiada satu pun menjawab apa yang diperlukan pemimpin: apa yang berlaku kepada carta organisasi ini dalam lapan belas bulan. Artikel ini menamakan ramalan itu dan penulisnya supaya anda boleh menilainya sendiri, dan menghuraikan apa yang sebenarnya berlaku apabila satu pertiga tugas sesuatu peranan beralih. Untuk bukti kajian terkawal yang lebih luas di sebalik AI dan kerja secara umum, bukan hanya ramalan pekerjaan, lihat bagaimana AI mengubah kerja dan apa yang ditunjukkan oleh bukti.

Mengapa "Adakah AI Akan Mengambil Pekerjaan Saya" Ialah Soalan yang Salah

Jawatan ialah satu himpunan. "Penganalisis kewangan" menghimpunkan penarikan data, pembinaan model, dan membentangkan satu angka kepada VP yang gelisah. "Wakil khidmat pelanggan" menghimpunkan membaca e-mel yang marah, menyemak pesanan, memutuskan sama ada untuk melonggarkan dasar, dan menulis balasan yang tidak berbunyi seperti surat borang. Tiada dua tugas yang mempunyai hubungan sama dengan AI. Sesetengahnya padanan corak yang dikendalikan model dengan baik hari ini. Sesetengah memerlukan menimbang sejarah pelanggan berbanding dasar yang tiada siapa tulis, satu keputusan pertimbangan, bukan carian.

Memperlakukan "penganalisis kewangan" sebagai satu unit yang tidak boleh dibahagi dan bertanya sama ada AI akan "mengambilnya" menghasilkan jawapan ya-atau-tidak kepada soalan yang tidak pernah ya-atau-tidak. Soalan yang jujur ialah tugas mana yang berpindah, mana yang kekal, dan apa yang ditambah setelah yang berpindah itu tiada. Itulah bingkai yang digunakan ahli ekonomi buruh selama dua dekad, dan itulah yang digunakan artikel ini sepanjang masa, kerana ia meramalkan apa yang berlaku seterusnya.

Tugas, Bukan Pekerjaan, Ialah Unit yang Penting

Ahli ekonomi MIT David Autor membina kerangka pemodelan yang masih digunakan kebanyakan ahli ekonomi buruh untuk perkara ini, dalam kertas 2013 bertajuk "The Task Approach to Labor Markets". Dakwaan terasnya: teknologi tidak bersaing dengan pekerjaan, ia bersaing dengan tugas di dalamnya. Komputer atau model menggantikan tugas yang mengikut peraturan eksplisit yang boleh dikodkan (apa yang Autor panggil tugas rutin) dan melengkapi pekerja pada tugas yang memerlukan pertimbangan fleksibel atau komunikasi yang bergantung pada konteks yang tidak dapat ditangkap oleh peraturan.

Kerangka itu menerangkan sesuatu yang tidak pernah dapat diterangkan oleh tajuk berita "47% pekerjaan berisiko": mengapa juruwang bank tidak lenyap apabila ATM muncul, dan mengapa paralegal tidak lenyap apabila perisian semakan dokumen menjadi baik. Teknologi menyerap sebahagian rutin pekerjaan itu dan membiarkan tugas yang memerlukan pertimbangan, hubungan, atau akauntabiliti untuk masih dilakukan manusia. Campuran tugas pekerjaan itu berubah. Jawatannya kebanyakannya tidak.

Kertas Autor yang lebih baharu pada 2024, "Applying AI to Rebuild Middle Class Jobs", menambah bahagian kedua: automasi mempunyai kesan penyingkiran, apabila teknologi mengambil alih tugas yang dahulu dilakukan manusia, dan kesan pemulihan, apabila ia mencipta tugas baharu yang hanya boleh dilakukan manusia, atau manusia yang menyelia mesin. Gelombang automasi lepas memulihkan hampir sebanyak tugas yang disingkirkannya, walaupun jarang untuk pekerja atau garis masa yang sama, itulah sebabnya peralihan terasa mengganggu walaupun jumlah pekerjaan jangka panjang bertahan. Hujah Autor untuk AI lebih optimistik lagi: kerana ia boleh mengekodkan sebahagian pertimbangan pakar dan menyerahkannya kepada pekerja yang kurang bertauliah, ia boleh meluaskan siapa yang berpeluang membuat keputusan berisiko lebih tinggi, bukan sekadar mengautomasikannya. Itu potensi yang dinyatakan, bukan hasil yang telah muktamad.

Jenis Tugas Mana yang Sebenarnya Terdedah

Bukan setiap tugas dalam sesuatu peranan mempunyai hubungan sama dengan keupayaan AI. Mengumpulkan tugas mengikut jenis, bukan mengikut jawatan, itulah yang menjadikan ramalan berguna dan bukan kabur.

Tugas rutin berasaskan peraturan: sangat terdedah

Tugas dengan input yang jelas, output yang jelas, dan peraturan yang menghubungkannya ialah kategori paling terdedah, dan telah begitu sejak sebelum AI generatif. Kemasukan data, semakan dokumen format piawai, penjadualan, dan penjanaan laporan bertemplat termasuk di sini. AI (dan RPA sebelumnya) tidak perlu memahami kerja itu, ia hanya perlu peraturan itu eksplisit dan pengecualian jarang berlaku.

Sintesis maklumat dan draf pertama: sangat terdedah, tetapi lebih ditambah baik daripada dihapuskan

Meringkaskan dokumen, menggubal e-mel, atau menghimpunkan penyelidikan daripada pelbagai sumber ialah tepat apa yang dilakukan dengan baik oleh AI generatif semasa. Tugas itu tidak hilang daripada pekerjaan. Ia mengecil daripada "habiskan dua jam menulis" kepada "habiskan lima belas minit menyunting," yang mengubah kemahiran yang dituntut peranan itu, daripada menghasilkan kepada menilai, tanpa menghapuskan peranan itu.

Keputusan pertimbangan dalam ketidakjelasan: tahan

Memutuskan sama ada untuk membuat pengecualian dasar, menimbang keutamaan yang bercanggah dengan maklumat tidak lengkap, atau membuat keputusan yang membawa akauntabiliti jika silap kekal tahan, bukan kerana model tidak dapat menghasilkan jawapan, tetapi kerana seseorang mesti memikul akibat jawapan yang salah. Di sinilah reka bentuk human-in-the-loop layak dengan namanya: model mencadangkan, manusia memutuskan dan memikulnya.

Kehadiran fizikal, hubungan, dan kepercayaan berisiko tinggi: tahan

Tugas yang memerlukan kehadiran fizikal, membina hubungan dari semasa ke semasa, atau menjadi orang yang dipercayai pelanggan dengan sesuatu yang tidak akan mereka beritahu chatbot kekal tahan atas sebab berbeza: nilainya datang sebahagiannya daripada siapa yang melakukannya, bukan hanya apa yang dihasilkan. Rundingan, perbualan prestasi yang sukar, atau kerja penjagaan secara bersemuka termasuk di sini. Premium manusia menerangkan mengapa sesetengah syarikat sengaja menempatkan manusia pada titik sentuh khusus ini, sebagai strategi dan bukan keputusan kos.

Tugas baharu yang dicipta AI: pengesahan, orkestrasi, pengendalian pengecualian

Ini kategori yang terlepas pandang oleh kebanyakan ramalan kehilangan pekerjaan, kerana ia tidak wujud ketika ramalan itu ditulis. Apabila AI mengambil lebih banyak kerja rutin dan penggubalan, seseorang mesti mengesahkan outputnya, memutuskan alat atau ejen mana yang patut mengendalikan sesuatu permintaan, dan menangkap kes di mana model menghasilkan sesuatu yang salah dengan penuh yakin. Ini tugas baharu, bukan tugas lama yang mengecil, dan ia cenderung jatuh kepada orang yang sama yang tugas rutinnya baru diautomasikan, sebahagian sebab mengapa "pekerjaan itu lenyap" jarang sepadan dengan apa yang sebenarnya berlaku.

Apa yang Berlaku kepada Sesuatu Pekerjaan Apabila 30% Tugasnya Beralih

Bayangkan pasukan sokongan di mana satu pertiga volum tiket dahulunya soalan mudah yang berulang: set semula kata laluan, status pesanan, bayaran balik piawai. AI kini mengendalikan bahagian itu dari awal hingga akhir, sama ada diautomasikan sepenuhnya atau dengan manusia meluluskan balasan yang dicadangkan dalam beberapa saat. Tiada ahli pasukan yang kehilangan pekerjaan pada hari itu. Apa yang berubah ialah komposisi apa yang tinggal.

Dua pertiga yang selebihnya cenderung lebih sukar: kes yang tidak jelas, pelanggan yang marah, pengecualian yang tidak sesuai dengan skrip. Wakil yang dahulu menghabiskan sebahagian besar syif untuk tiket mudah kini menghabiskan sebahagian besarnya untuk yang sukar, ditambah tugas baharu yang tidak wujud setahun lalu: menyemak balasan automatik AI untuk kesilapan nada atau fakta. Peranan itu masih wujud. Kemahiran yang diganjarinya beralih daripada "mengendalikan volum dengan pantas" kepada "mengendalikan ketidakjelasan dan menangkap kesilapan AI," profil pengambilan pekerja yang berbeza dan sering bilangan kakitangan yang lebih kecil, walaupun tiada pekerjaan individu yang dihapuskan secara terang-terangan.

Itulah corak yang patut dirancang, bukan binari "adakah pekerjaan ini akan wujud dalam lima tahun." Sesuatu peranan boleh bertahan melalui peralihan dan masih memerlukan lebih sedikit orang serta kemahiran berbeza daripada deskripsi kerja yang difailkan. Bertanya "tugas mana yang beralih, dan apa yang diperlukan oleh himpunan yang tinggal" memberi jawapan yang betul berbulan-bulan sebelum "pekerjaan mana yang diautomasikan" berbuat demikian.

Fakta Utama

• Teknologi menggantikan tugas rutin yang boleh dikodkan dan melengkapi pekerja pada tugas yang memerlukan pertimbangan atau penyelesaian masalah tidak berstruktur; automasi secara sejarah kedua-duanya menyingkirkan dan memulihkan tugas dari semasa ke semasa. Sumber: Autor, "The Task Approach to Labor Markets" (NBER, 2013)
• Peluang tersendiri AI, menurut Autor, ialah meluaskan pembuatan keputusan peringkat pakar kepada lebih ramai pekerja, bukan sekadar mengautomasikan tugas, walaupun ini potensi yang dinyatakan, belum lagi hasil yang diukur pada skala besar. Sumber: Autor, "Applying AI to Rebuild Middle Class Jobs" (NBER, 2024)
• Anggaran Frey dan Osborne 2013 yang sering dipetik bahawa 47% pekerjaan AS berisiko tinggi untuk dikomputerkan ialah penilaian peringkat pekerjaan, bukan pengukuran peringkat tugas, dan tidak dapat mewakili pekerjaan yang berubah dan bukan lenyap sepenuhnya. Sumber: Frey and Osborne, "The Future of Employment" (Oxford Martin School, 2013)
• Menggunakan kaedah berasaskan tugas sebaliknya, OECD mendapati hanya kira-kira 9% pekerjaan merentasi 21 negara berisiko automasi tinggi, kira-kira satu perlima angka Frey dan Osborne. Sumber: Arntz, Gregory, and Zierahn, "The Risk of Automation for Jobs in OECD Countries" (OECD, 2016)
• Hampir sedekad selepas angka 47% diterbitkan, pekerjaan AS dalam pekerjaan yang ditandai paling berisiko tidak runtuh seperti yang tersirat oleh ramalan itu. Sumber: ITIF, "Oops: The Predicted 47 Percent of Job Loss From AI Didn't Happen" (2022)
• Pada 2025, 47% tugas kerja dilakukan terutamanya oleh manusia, 22% terutamanya oleh teknologi, dan 30% oleh gabungan, pecahan yang dijangka WEF bergerak lebih hampir kepada sekata menjelang 2030. Sumber: World Economic Forum, Future of Jobs Report 2025
• Laporan WEF yang sama menganggarkan 170 juta pekerjaan baharu dicipta dan 92 juta tersingkir di seluruh dunia menjelang 2030, pertambahan bersih 78 juta, bersama hampir 40% kemahiran teras pekerjaan berubah. Sumber: World Economic Forum press release, January 2025
• BLS kini memberikan setiap pekerjaan terperinci penilaian pendedahan AI rendah, sederhana, tinggi, atau "sangat tinggi", tetapi dengan jelas tidak membezakan sama ada pendedahan itu bermakna tugas diautomasikan atau ditambah baik. Sumber: BLS, "Artificial Intelligence (AI) Exposure Categories"

Ramalan, Dinamakan dan Disemak

Setiap angka automasi besar dalam pembentangan bilik lembaga mempunyai penulis, kaedah, dan had yang dinyatakan, dan tiada satu pun daripada ketiganya biasanya sampai ke slaid. Menamakannya membezakan ramalan yang berguna daripada yang menakutkan.

47% Frey dan Osborne (2013): apa yang sebenarnya diukur

Frey dan Osborne, kedua-duanya di Oxford, melabel 70 pekerjaan secara manual sebagai boleh diautomasikan atau tidak melalui pertimbangan pakar, kemudian melatih model pembelajaran mesin untuk melanjutkan label itu merentasi pangkalan data O*NET penuh. Outputnya ialah satu skor risiko bagi setiap pekerjaan, bukan bagi setiap tugas, jadi ia tidak dapat mewakili pekerjaan di mana sesetengah tugas boleh diautomasikan dan yang lain tidak, yang menggambarkan kebanyakan pekerjaan. Pengkritik turut menyatakan ia mengklasifikasikan pekerjaan seperti model fesyen dan pemandu bas sekolah sebagai berisiko tinggi dengan cara yang tidak sepadan dengan struktur pekerjaan tersebut. Angka 47% ialah anggaran sahih yang disemak rakan sebaya tentang potensi pengkomputeran di bawah pilihan pemodelan tertentu. Ia tidak pernah ramalan bahawa 47% pekerja akan menganggur dalam dua puluh tahun, dan kaedah berasaskan tugas, bukan yang ini, ialah amalan terbaik kini.

Pembetulan berasaskan tugas oleh OECD

Apabila Arntz, Gregory, dan Zierahn menjalankan semula soalan serupa menggunakan komposisi tugas dan bukan label keseluruhan pekerjaan, anggaran seluruh OECD turun kepada kira-kira 9%, daripada 6% di Korea hingga 12% di Austria. Soalan luas yang sama, jawapan yang sangat berbeza, kerana unit analisis berubah daripada "pekerjaan" kepada "campuran tugas sebenar pekerjaan." Jurang sepuluh kali ganda itu ialah hujah terbaik untuk membaca melangkaui angka tajuk berita kepada kaedah di bawahnya.

Apa yang sebenarnya ditunjukkan oleh dekad yang berlalu

Menjelang 2022, Information Technology and Innovation Foundation meneliti apa yang berlaku kepada pekerjaan yang ditandai Frey dan Osborne sebagai paling berisiko. Kehilangan pekerjaan besar-besaran pada skala itu tidak berlaku. Itu tidak bermakna automasi tiada kesan, ia bermakna kesannya muncul sebagai peralihan tugas dan kemahiran di dalam pekerjaan yang bertahan, tepat seperti yang diramalkan oleh kerangka berasaskan tugas dan yang tidak dapat dilihat oleh kerangka berasaskan pekerjaan.

Future of Jobs 2025 oleh WEF: pecahan terbaik yang didokumenkan semasa

WEF meninjau lebih 1,000 majikan yang mewakili 14 juta pekerja merentasi 55 ekonomi untuk laporan 2025nya, data terkini tentang bagaimana kerja sebenarnya terbahagi antara pelaksanaan manusia dan mesin. Garis asas 2025nya, 47% manusia sahaja, 22% teknologi sahaja, 30% gabungan, itu sendiri bukti untuk pandangan peringkat tugas: kebanyakan kerja bukan "diautomasikan" atau "tidak" secara bersih, ia terbahagi di dalam peranan.

Kategori pendedahan AI oleh BLS: berguna, tetapi baca cetakan halusnya

Penilaian pendedahan terbaharu BLS ialah data kerajaan AS yang paling terperinci yang ada, tetapi BLS jelas bahawa "pendedahan" mengukur sama ada AI boleh menyentuh sebahagian besar tugas sesuatu pekerjaan, bukan sama ada ia akan menggantikan pekerjaan itu atau sekadar menjadikan orang lebih pantas pada kerja yang sama. Penilaian "pendedahan sangat tinggi" untuk perunding kewangan peribadi sesuai dengan corak augmentasi di sini: perunding itu masih wujud, campuran tugas berubah.

Cara Membaca Ramalan Seterusnya yang Dikemukakan kepada Pasukan Kepimpinan Anda

Sebelum angka kehilangan atau penciptaan pekerjaan dimasukkan ke dalam pembentangan lembaga pengarah, tanya tiga soalan. Apakah unit analisisnya, pekerjaan atau tugas? Angka peringkat pekerjaan melebih-lebihkan kedua-dua risiko dan keselamatan, kerana ia tidak dapat melihat perubahan separa di dalam sesuatu peranan. Apakah kaedahnya: pertimbangan pakar, model yang melanjutkan pertimbangan pakar, atau data penggunaan yang diperhatikan? Penggunaan yang diperhatikan, yang semakin tersedia daripada vendor AI dan kerja pendedahan BLS yang lebih baharu, paling hampir kepada realiti sebenar. Dan adakah ramalan itu menyatakan had dirinya sendiri, seperti yang dilakukan Autor, WEF, dan BLS? Ramalan yang tiada had ialah ramalan yang belum anda temui hadnya.

Apa Maknanya bagi Peranan yang Sebenarnya Anda Putuskan

Tiada satu pun ini berhujah bahawa kesan buruh AI kecil atau jauh. Angka WEF sendiri menganggarkan hampir 40% kemahiran teras berubah menjelang 2030, gangguan sebenar mengikut mana-mana ukuran. Hujahnya lebih sempit: rancang berdasarkan campuran tugas di dalam peranan anda, bukan jawatan pada carta organisasi. Audit tugas mana yang rutin dan boleh dikodkan, mana yang memerlukan pertimbangan atau kepercayaan yang belum boleh diwakilkan, dan tugas pengesahan atau orkestrasi baharu mana yang muncul secara senyap. Audit itu memberitahu anda di mana untuk mengambil pekerja, melatih semula kemahiran, dan mengecilkan bilangan kakitangan, walaupun tiada satu peranan pun secara teknikal "lenyap," berbulan-bulan sebelum ramalan jawatan memberitahu anda sesuatu yang berguna.

Pandangan peringkat tugas juga menerangkan mengapa sisi manusia memerlukan perhatian yang sengaja, bukan sekadar hamparan. Apabila campuran tugas sesuatu peranan beralih, begitu juga rupa "melakukan kerja yang baik" dan betapa seseorang mempercayai model yang kini disemaknya, soalan yang dibincangkan dalam rupa sebenar budaya AI-native dan bagaimana pasukan manusia-ejen menetapkan semula kepercayaan.

Beberapa risiko perlu dinamakan. Pengesahan dan orkestrasi tidak muncul secara automatik hanya kerana syarikat menggunakan ejen AI atau copilot; seseorang mesti memikul tugas menangkap kesilapan model, atau syarikat akan menemui jurang itu melalui output salah yang keluar atas nama seseorang, kegagalan yang dipanggil perpustakaan ini workslop. Penting juga untuk membezakan peralihan keupayaan yang tulen daripada pemasaran yang menyamar sebagainya, corak yang dibincangkan dalam apa itu agent washing. Dan kerana peralihan campuran tugas terkumpul seperti hutang teknikal, tidak kelihatan sehingga bil tiba, memperlakukan ini sebagai semakan sekali sahaja dan bukan audit berterusan ialah risiko tersendiri, yang proses asas tadbir urus AI dibina untuk menanganinya.

Jawatan pada carta organisasi ialah tempat paling kurang berguna untuk melihat apa yang AI lakukan kepada tenaga kerja anda. Senarai tugas di bawahnya ialah tempat perubahan sebenar berlaku, satu tugas demi satu tugas, ke kedua-dua arah.

Lain kali seseorang memberitahu anda sesuatu pekerjaan selamat atau ditakdirkan, tanya mereka tugas mana yang dimaksudkan.