HKEJ Column

ChatGPT 問世不過數年，關於人工智能（AI）與就業的討論已明顯轉向。起初，人們擔憂AI是否會搶走人類工作；如今更值得深思的是：當所有人都能使用AI時，誰才有能力繼續留在牌桌上？

以往接受高等教育的人，一方面為了掌握專業技能與知識，另一方面是向未來僱主證明自己的能力。時至今日，AI卻在同時改寫這兩個目的：知識獲取變得容易，部分專業技能亦不再稀缺。照此推論，學歷似乎正在貶值。

生成式AI與昔日的自動化技術不同，影響範圍不再只是重複性體力勞動，還包括寫作、翻譯、編程設計、資料分析等傳統意義上的知識工作。過去需要多年積累才能完成的任務，現在只需幾個提示詞。

表面看來，AI 似乎正在拉平人與人之間的能力差距。如果機器能幫助每個人寫得更快、畫得更好、編程效率更高，那麼名校、學歷與專業訓練的重要性是否也隨之下降？

筆者團隊的研究表明，答案未必如此。

從 2022 年初至2025 年底，我們追蹤了一個全球大型線上勞動平台近3萬名自由工作者，並以 2022 年 11 月 ChatGPT 公開發布作為一次外生性技術衝擊(exogenous technological shock)。研究發現，在 ChatGPT 問世之前，從事程式編碼、資料處理、寫作、翻譯及內容設計等生成式 AI 較易介入的知識型任務勞動者，此後所受的衝擊尤為明顯【註】。這些職業包含不少相對容易被拆解和標準化的任務，也因較早受到生成式AI能力擴張的影響，其收入、工時與就業機會均出現相對較大幅度的下降。換言之，工作內容愈容易被生成式AI產出，其就業風險愈大，且更早面臨市場需求變化與競爭加劇。

基於「人人學AI」的熱潮，有必要澄清：懂AI不代表不容易被取代。「會用AI」與「從事不容易被AI取代的工作」是兩個不同概念，關鍵在於工作任務與AI能力有無重疊。一個程式設計員可能精通技術，但如果他的主要工作是標準化代碼生成，仍可能受到AI衝擊。相較之下，一些包含問題定義、跨界整合、綜合判斷與團隊協調的工作，例如策略顧問、項目管理或複雜決策支持，其核心任務較難被標準化，也難以被生成式AI直接替代。

值得注意的是，我們發現此次技術衝擊對就業者的影響並非平均分布。隨着教育程度提高，部分勞動者在面對AI衝擊時展現出較強韌性。在收入與工作機會方面，這一差異尤其明顯，博士學歷勞動者的相對就業調整不顯著，而教育程度較低的勞動者則承受尤為明顯的負面影響。至於大學背景也呈現不同趨勢：畢業於排名較高大學的勞動者受到的衝擊明顯較小，而來自排名較低或非排名大學的勞動者，收入降幅尤為顯著。

為什麼會出現這種情況？其中一個解釋與能力有關。高等教育真正的價值，也許從來不在於讓人學會如何完成具體任務，而是培養分析問題、創新與判斷力，以及應對複雜多變情境的能力。當AI承擔愈來愈多標準化工作，這些難以標準化的能力反而更加重要。另一個解釋則關乎訊號理論（signalling theory）。線上勞動市場（online labour market）存在明顯的訊息不對稱，僱主在正式合作前往往難以判斷陌生工作者是否可靠。當AI能輕易生成優美文案、代碼甚至作品集，表面上看起來不錯的包裝已顯廉價；僱主反而可能更倚重學歷、名校背景、過往聲譽等較難複製的可靠訊號。這兩種機制在線上勞動市場中均可發揮作用。

這並不代表高學歷勞動者可以免受AI衝擊。確切而言，高學歷者面臨技術變革時，在收入與就業機會方面展現出相對較強的韌性。這種差異也顯示生成式AI未必會簡單削弱教育的價值，而可能正在重塑教育回報的本質。過去，一個人的優勢體現在掌握某項可直接執行的專業技能；未來，隨着部分標準化任務逐步被AI承擔，更主要的教育回報來源將是能否界定問題、整合知識、並判斷AI輸出的可靠性。

這對大學教育也是一種警示。AI愈容易完成標準化流程，勞動者之間的競爭優勢就愈取决於難以標準化的能力。如果課程內容仍聚焦於訓練學生完成標準化任務，而相關領域恰好是AI所長，那麼學生在畢業後，也未必因此獲得更大的職場成就與韌性。相反，跨界整合與持續創新能力會比熟練某種專業技能更經得起外部技術衝擊引致的迅速變化。企業培訓同樣如此。訓練員工使用最新的AI工具固然重要，但工具更新極快，幾年後可能已被取代；真正需要挖掘的是借助新工具重組創新與解難能力。

我們應重新審視怎樣的教育仍具市場吸引力。面對生成式AI的迅速普及，教育最直接的回應往往是增加AI課程、強化工具訓練，甚至倡導「人人學AI」。這些做法有其必要性，但也容易把教育改革簡化為工具使用的普及。真正需要回答的問題是：當AI工具本身愈來愈容易獲取，哪些能力會形成持久的競爭優勢？

未來的能力差異，未必在於誰更早學會某個模型，而在於能否判斷AI的答案是否可信，以及如何把AI生成的內容轉化為有價值的方案。如果大學教育只訓練學生學會AI擅長的標準化技能，學歷回報自然會下降；但如果教育能夠培養分析判斷、知識整合、溝通協作以及適應新技術等較難標準化的能力，其價值可能更多體現在面對技術衝擊時的適應與調整能力上。

筆者團隊的數據提供了一定間接支持：AI衝擊後，教育程度較高者與擁有高排名大學學歷者，在收入及就業機會上受損相對較輕，整體展現出較強韌性。換言之，教育程度與高排名大學學歷所代表的市場優勢，在AI衝擊下並未消失；與之相關的跨領域可遷移認知能力以及學習新技術的比較優勢，在AI時代反而能成為收入與就業上的緩衝。

對廣大勞動者而言，與其不停追逐下一個熱門工具，不如累積一組更難被工具取代的能力。對大學而言，不應只是增設幾門AI課程，而應重新思考人才培育究竟能賦予學生什麼核心能力。對政策制定者而言，再培訓不能只停留在工具操作層面，而應著重協助受AI衝擊者達致技能轉換與職涯轉軌。

綜上可見，教育需回應的不是單一的工具理性問題，而是一組更為根本的生存命題。生成式AI壓低了部分標準化任務的成本，勞動市場的競爭優勢因而會傾向較難標準化的綜合適應力。所以，AI 時代學歷是否仍然重要？或許答案是：學歷本身不是護城河，學歷背後那些AI難以複製的能力才是。

註：Lin, Q., Lu, A., & Fang, C. (2027). Educational premium in the age of AI shock: Empirical findings from online labor markets post-ChatGPT era. 60th Hawaii International Conference on System Sciences (HICSS 2027).

盧清漣博士
港大經管學院數字經濟與創新研究所外部聯屬研究員、蒙納士大學信息科技學院商業信息系統高級講師

（本文同時於二零二六年九月十六日載於《信報》「龍虎山下」專欄）