如果所有人都成為觀察者：我們還需要工作嗎？錢還有意義嗎？
AI 把執行變便宜之後，工作不會消失，錢也不會失去意義，但兩者的重心都會移動：工作先從執行移到判斷，最後變成自己選擇要做的事；錢從工資移到所有權。這篇用經濟學的研究，回答前兩篇留下的問題。
1930 年，全球正深陷經濟大蕭條的泥淖，經濟學家凱因斯卻在悲觀的氛圍中，寫下了一篇極具前瞻性的預言〈我們孫輩的經濟可能性〉。他預言，一百年後，隨著科技進步與資本累積，人類的生活水準將翻上四到八倍。到時候，經濟問題不再是挑戰，人們每天只需要輪班三小時、一週工作十五小時，就能過上優渥而充裕的生活。
距離凱因斯口中的「一百年後」只剩幾年，我們的生產力確實狂飆，但他的預言只對了一半——工時確實變短了，卻遠遠沒有短到一週十五小時：美國人的年工時只降到 1,789 小時（約一週 34 小時），德國降得最多，也還有 1,335 小時（約一週 26 小時）。機器替我們扛下了越來越多的粗活，人類卻像是停不下來的倉鼠，依然在滾輪上狂奔。
前兩篇的討論停在兩個結論：現在最有效的與AI協作的工作方式是——交出執行，留下標準與判斷；而照迭代速度推算，判斷只比執行晚到大約一年。這留下了一個更大的懸念：如果有一天，AI 連標準和判斷都做得比人好，所有人都退到了「觀察者」的位置，會發生什麼事？照 Feng 等人的定義，觀察者不能提供意見，也不能改變 AI 的方向，手上唯一的控制權只剩「緊急關閉」。
到那個時候，我們還需要工作嗎？錢還有意義嗎？
這一天還沒有到，但可能比想像中近，所以下面每一個問題都會分成兩層來看：走到那一天之前正在發生的事，以及真的到了那一天會怎麼樣。
一、AI 進化的速度：一年之內，從 2.5% 到 41.3%
先複習上一篇的數字。Remote Labor Index 曾拿 240 個真實的遠端接案專案來測試 AI。2025 年 10 月發表時，表現最好的 AI 只有 2.5% 的專案能做到客戶接受的品質；到了 2026 年 7 月，這個數字變成 16.1%；而 2026 年 11 月，官網首頁的數字直接跳到 41.3%，並顯示最近三個月大約每 3.3 個月就翻一倍。當然，這是一組固定的專案樣本，不代表四成的遠端工作明天就會全盤自動化；排行榜也沒有公布信賴區間。但照這個速度，再翻一次就超過八成；就算越接近滿分進步越慢，推算也是 2027 年內超過九成。從 2.5% 到 41.3% 只花了一年，這個斜率，已經足夠讓人背脊發涼。
二、但現實世界的經濟齒輪，轉動得比想像中慢
不過，總體經濟的變動從來不是線性暴衝的。2024 年諾貝爾經濟學獎得主 Daron Acemoglu 用任務模型估算過：AI 在十年內對總要素生產力的提升，其實不超過 0.66%。背後的邏輯很直觀：整體的效果，等於「受影響的任務占多少」乘以「每個任務省下多少成本」，而前者目前在龐大的全球經濟中，依然只占一小部分。
經濟學家 Anton Korinek 與 Donghyun Suh 把這兩種矛盾放進同一個模型推演：
- 如果自動化夠慢，人類永遠有事可做，工資可以持續上漲。
- 如果人類能做的任務複雜度有上限，而 AI 全部做得到，工資終將崩跌。
哪一種情境會發生？取決於一個目前沒有人知道答案的問題 -- 有沒有什麼任務，是 AI 永遠學不會、也做不到的？
三、我們還需要工作嗎？
這個問題其實拆開來看是兩個層次：
我們需不需要靠工作賺錢？以及，我們需不需要工作本身？
1. 歷史上，自動化改變了工作內容，但沒有消滅工作
MIT 的 David Autor 與同事比對了美國近八十年的職業名稱，發現 2018 年的就業人口中，有大約 60% 從事的是 1940 年根本還不存在的新職稱。
另一個經典例子是提款機。經濟學家 James Bessen 指出，在 1988 到 2004 年間，隨著 ATM 普及，美國都會區每家分行需要的櫃員從 20 人降到 13 人。但因為分行營運成本變低，銀行反而開了更多分行，都會區分行數暴增 43%，櫃員的工作總數不僅沒減少，還轉型了——他們的工作從「在櫃檯數鈔票」，變成了「經營客戶關係與理財顧問」。
但歷史不是保證。過去的機器只取代了局部的體力與機械任務，人類可以轉移陣地。 Korinek 與 Suh 的模型擔心的正是：
當有一天連「判斷」都能被全面複製，無處可去時，這條歷史鐵律就會失效。
2. 最早的訊號已出現
改變其實已經發生了，只是它沒有均勻地降臨，而是精準地挑選了最脆弱的人。
史丹佛大學的 Erik Brynjolfsson 團隊在 2026 年 8 月更新的薪資數據顯示：在最容易被 AI 取代的職業中，22 到 25 歲社會新鮮人的就業率，比同齡且不易被取代的職業低了約 19%。相比之下，資深工作者完全沒有出現類似的落差。
下滑集中在那些 AI 主要用來「取代」任務的職業；至於那些 AI 主要是用來「輔助」的職業，就業則持平或上升。
這和前面的邏輯完全扣合，資深工作者手上有標準和判斷，AI 替他們執行，如虎添翼；但新手還沒有建立判斷，而他們原本是靠著做「執行」的雜務來累積經驗、拿到通往內圈的門票。
AI 率先消滅的不是工作，而是那條讓人學會判斷的梯子。
3. 判斷的價值暫時還在上升
經濟學家 Agrawal、Gans 與 Goldfarb 曾用一個精妙的視角看 AI：他們認為 AI 本質上是讓「預測」變得極其便宜的技術。當預測變便宜，和它搭配的「判斷」——決定哪一個結果才值得要——反而變得更值錢。
AI 可以在毫秒之間同時處理上萬個變數、推演出人類大腦根本無法理解的複雜決策，但並不是所有人都可以快速理解AI給出的推論，甚至更少有人可以直接看到AI答案錯誤的地方。再加上目前AI的預測還會犯錯，現在的「判斷」才會如此的昂貴。
真正有價值的不是會使用AI生出100個提案的人，而是能夠從100個提案裡面抓到最能夠改善現況的提案，這也就是判斷力為何在這個階段如此珍貴的原因。
但標題裡的「暫時」是認真的：這是走到那一天之前的答案。等 AI 連判斷都做得比人好，這一項也會交出去——到那時候，剩下的就是下面這個問題。
4. 就算不需要靠工作賺錢，人還是需要工作
如果未來政府發錢，或是靠資本養活所有人，人類會變得比較快樂嗎？
在孟加拉的羅興亞難民營裡，一項 2022 年發表的實驗將 745 人隨機分組：一組只領現金，另一組有工作且領同額薪水。結果發現，有工作對心理健康的改善，遠大於單純發錢；其中有 66% 的有工作者，甚至願意放棄現金補助，只求能無償繼續工作。（註：這項實驗背景在難民營，效果集中在男性，不能直接套用到富裕社會。）
鏡頭拉回美國，OpenResearch 在兩個州進行了為期三年的實驗：讓 1,000 位低收入者每個月無條件領取 1,000 美元。結果顯示，他們每週只少工作了 1 到 2 小時，勞動參與率僅下降 4.2 個百分點，多出來的時間大多拿去休閒；而他們的幸福感在第一年短暫上升後，就回到了與對照組相同的水平。
每個月 1,000 美元還不足以取代一份薪水，所以這個實驗不能證明「錢夠了，人還是會工作」。但把兩項研究放在一起，方向是一致的：就算有人送錢，多數人還是選擇繼續工作；錢補得了收入，卻補不了工作帶來的東西。
這正是凱因斯在 1930 年所擔心的。他當時就預言，當經濟問題解決後，人類將面臨史上最巨大的永久難題：
如何運用擺脫經濟壓力之後的自由？如何度過漫長的閒暇？
我認為，答案要從這個問題開始找：
哪一件事，就算沒有人付錢，我也願意做？
四、錢還有意義嗎？
如果未來AI真的接管了所有工作，東西越來越便宜，錢會不會變得沒有用？
1. 成長會卡在 AI 做不快的地方
經濟學家 Aghion、Jones 與 Jones 在 2017 年的論文中借用了「鮑莫爾成本病」的概念：經濟成長受限的，往往不是我們擅長、可以無限複製的事，而是那些不可或缺卻難以改善的事。
套用到 AI 上：AI 能把寫程式、翻譯、產出文案的成本降到接近零，這些東西在你未來的生活支出裡占比會越來越小；而那些無法被 AI 輕易放大的稀缺資源，例如：土地、能源、時間、信任和注意力，占比會暴增，錢會全部流向那裡。
只要還有稀缺的東西，錢就還有意義——它只是換了一個地方流動。
2. 財富從工資移轉到所有權
經濟學家 Karabarbounis 與 Neiman 分析各國資料發現，全球企業附加價值中，分給勞動（工資）的比例在三十年間下降了大約 5 個百分點，而這背後的主因就是機器與電腦等投資財變便宜了。
如果所有人都成了觀察者，這個趨勢會被推向極致：勞動的報酬趨近於零，所有的報酬與價值，最終都歸給了那些擁有 AI、資料、土地與能源的人。
因此，錢不會失去意義，失去意義的是「用時間換錢」這件事。 到那個時候，人生的核心問題不再是「我一個月賺多少薪水」，而是「我究竟擁有哪些資產與主導權」。
這也是這個劇本最殘酷的地方：手上沒有資產的人，到時候既沒有工資，也沒有所有權。這個分配問題經濟學還沒有答案，也超出這篇的範圍，但它正是「現在就該開始擁有」的理由。
五、我們現在該做什麼？
這篇討論的前提或許還沒有全面成真，也沒有人敢打包票未來一定會走向哪一個極端，但無論未來的劇本如何展開，以下三件事現在就值得開始做：
- 記錄下每天做出的正確/錯誤的判斷：趁判斷還值錢的這段時間，把它練成看得見的能力。
- 開始擁有一樣東西，而不只是出賣時間：一般人買不到 AI 公司、土地或電廠，但可以從小的開始——一點股權、一個自己的產品、一群信任你的讀者。
- 找到一件「沒人付錢你也願意做」的事：這是唯一一件不管走到哪個階段都用得上的準備。
結語
凱因斯猜對了機器會替我們做事，但猜錯了人類會因此停下腳步。在走到那一天之前，工作的重心會從執行移到判斷；如果所有人真的都退到了觀察者的位置，工作也不會真正消失——它只是從「別人付錢請你做的事」，變成了「你自己選擇要做的事」。錢也不會失去意義——它只是從「衡量你的時間值多少」，變成了「衡量你究竟擁有什麼」。
但是，如果有一天連資產怎麼配置都交給 AI 決定，擁有者自己也成了觀察者，那「擁有」還剩下什麼？
資料來源
- John Maynard Keynes，〈Economic Possibilities for our Grandchildren〉，1930 年：https://www.marxists.org/reference/subject/economics/keynes/1930/our-grandchildren.htm
- Our World in Data，〈Annual working hours per worker〉（1870–1938 年取自 Huberman 與 Minns，1950 年後取自 Penn World Table），2026 年 11 月 11 日讀取：https://ourworldindata.org/grapher/annual-working-hours-per-worker
- Feng、McDonald、Zhang，〈Levels of Autonomy for AI Agents〉，arXiv 2506.12469，2025 年 6 月：https://arxiv.org/abs/2506.12469
- Mazeika 等人，〈Remote Labor Index〉，2025 年 10 月：https://arxiv.org/abs/2510.26787
- Remote Labor Index 官網（41.3% 與翻倍速度），2026 年 11 月 11 日讀取：https://www.remotelabor.ai/
- MLQ，〈Anthropic's Claude Fable 5.2 completes 41% of real freelance jobs on the Remote Labor Index〉，2026 年 11 月 10 日（排行榜沒有信賴區間；二手報導）：https://mlq.ai/news/anthropics-claude-fable-5-2-completes-41-of-real-freelance-jobs-on-the-remote-labor-index-double-the-next-model/
- The Decoder，〈AI agents can now complete 16 percent of freelance jobs at pro quality〉，2026 年 7 月 2 日（16.1%；二手報導）：https://the-decoder.com/ai-agents-can-now-complete-16-percent-of-freelance-jobs-at-pro-quality-up-from-2-5-percent-eight-months-ago/
- Daron Acemoglu，〈The Simple Macroeconomics of AI〉，Economic Policy 40(121)，2025 年；NBER Working Paper 32487：https://www.nber.org/papers/w32487
- Anton Korinek、Donghyun Suh，〈Scenarios for the Transition to AGI〉，NBER Working Paper 32255，2024 年 3 月：https://www.nber.org/papers/w32255
- Autor、Chin、Salomons、Seegmiller，〈New Frontiers: The Origins and Content of New Work, 1940–2018〉，Quarterly Journal of Economics 139(3)，2024 年，第 1399–1465 頁：https://www.nber.org/papers/w30389
- James Bessen，〈Toil and Technology〉，IMF Finance & Development 52(1)，2015 年 3 月：https://www.imf.org/external/pubs/ft/fandd/2015/03/bessen.htm
- Brynjolfsson、Chandar、Chen，〈Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence〉，Stanford Digital Economy Lab，2026 年 8 月修訂版：https://digitaleconomy.stanford.edu/news/canariesaug26/
- Hussam、Kelley、Lane、Zahra，〈The Psychosocial Value of Employment: Evidence from a Refugee Camp〉，American Economic Review 112(11)，2022 年，第 3694–3724 頁：https://www.aeaweb.org/articles?id=10.1257/aer.20211616
- Vivalt、Rhodes、Bartik、Broockman、Krause、Miller，〈The Employment Effects of a Guaranteed Income: Experimental Evidence from Two U.S. States〉，NBER Working Paper 32719，2024 年 7 月（2026 年 8 月修訂）：https://www.nber.org/papers/w32719
- Aghion、Jones、Jones，〈Artificial Intelligence and Economic Growth〉，NBER Working Paper 23928，2017 年 10 月：https://www.nber.org/papers/w23928
- Karabarbounis、Neiman，〈The Global Decline of the Labor Share〉，Quarterly Journal of Economics 129(1)，2014 年，第 61–103 頁；NBER Working Paper 19136：https://www.nber.org/papers/w19136
- Agrawal、Gans、Goldfarb，〈Prediction, Judgment and Complexity: A Theory of Decision Making and Artificial Intelligence〉，NBER Working Paper 24243，2018 年 1 月：https://www.nber.org/papers/w24243