大語言模型會先衝擊哪些產業：從 Workforce Disruption 看 AI 影響

Fri, 15 May 2026 09:03:35 +0800

討論大語言模型對就業的影響，最容易走向兩個極端：一種說 AI 會替代所有白領，另一種說它只是提高效率，不會改變職位結構。

更接近現實的說法是：LLM 不會按產業整齊地消滅工作，而是先重組任務。誰的工作裡有大量閱讀、寫作、摘要、分類、檢索、解釋、客服、程式碼、報表和流程文件，誰就會先感受到 workforce disruption。

這種衝擊不是簡單失業，而是三件事同時發生：一部分任務被自動化，一部分職位被 AI 增強，一部分入門級、重複型、協調型工作被重新定價。

判斷框架

判斷一個產業會不會被 LLM 影響，不要只看產業名稱，要看任務結構。

高暴露任務通常有幾個特徵：輸入主要是文本、表格、程式碼、圖片或文件；輸出主要是文本、結構化資料、方案、郵件、程式碼或報告；判斷規則可以寫成 checklist；成果可以被人快速審核；錯誤成本可控；任務頻次高、流程重複。

低暴露任務則通常依賴現場操作、複雜人際關係、責任背書、真實世界感知、監管許可或高風險決策。

所以，LLM 最先影響的是產業裡的知識處理層、文件層、溝通層和初級分析層。

客服和客戶營運

客服是最先被 LLM 改造的領域之一。大量問題可以從知識庫、歷史工單和流程規則中回答。LLM 能做意圖識別、自動回覆、工單摘要、升級判斷、質檢、話術改寫和多語言支援。

受影響職位包括一線文字客服、工單處理員、售後支援、客服質檢、客戶成功助理和知識庫維護。

但客服不會全部消失。複雜投訴、重大客戶、強情緒溝通、退款爭議和合規邊界仍然需要人。變化更可能是：一個人管理更多會話，低複雜度問題自動處理，高複雜度問題升級給更少但更熟練的人。

行政、文秘和後台營運

WEF Future of Jobs Report 2025 把文書、秘書、收銀、票務、資料錄入等角色列為明顯承壓方向。ILO 的生成式 AI 職業暴露研究也指出，文書類工作暴露最高。

這類職位的共同點是資訊整理和流程流轉：會議紀要、日程協調、郵件起草、表格整理、資料錄入、文件歸檔、報銷和審批材料、內部通知。

很多企業不需要重構整個系統，只要把 AI 接進辦公套件、IM、郵件和文件系統，就能減少大量低價值手工操作。

行銷、廣告和內容生產

行銷會被深度改造，原因不是 AI 能寫幾句廣告語，而是內容生產鏈條被壓縮。

一次活動可能需要調研、定位、文案、海報、短影片腳本、落地頁、郵件、社群版本和 A/B 測試素材。現在 LLM 和多模態工具可以把這些環節變成高並發生成和快速迭代。

受影響職位包括初級文案、SEO 編輯、社群營運、廣告素材策劃、郵件行銷、商品描述編輯、內容本地化和品牌語氣改寫。

真正留下價值的，不是會寫文案，而是懂使用者、懂渠道、懂轉化、懂品牌邊界。

軟體開發和 IT 服務

軟體開發不是簡單被替代，而是被重新分層。

LLM 對程式碼生成、程式碼解釋、測試補全、重構建議、遷移腳本、文件生成、日誌分析、錯誤定位都有幫助。McKinsey 也把軟體工程列為生成式 AI 潛在價值最高的職能之一。

最容易被衝擊的是簡單 CRUD、樣板程式碼、單元測試補齊、腳本自動化、API glue code、文件、低複雜度 bug 修復和初級前端頁面。

複雜系統設計、跨團隊協作、架構取捨、線上事故、性能、安全和遺留系統遷移仍高度依賴經驗。

金融、法律、媒體和教育

金融、保險、銀行會受到很大影響，因為它們有大量文件、合規、分析、客服和銷售流程。投研摘要、客戶問答、風險報告初稿、合規材料檢索、貸款材料預審和理賠文本處理都會被改造。

法律和合規也高度暴露：合約初稿、條款摘要、盡調資料整理、判例檢索、合規問答、法律意見書初稿、文件審閱和版本對比都適合 AI 輔助。但責任、策略、談判、庭審、客戶信任和監管許可仍是人的壁壘。

媒體、出版和翻譯會被直接衝擊，因為語言生成和轉換是 LLM 的核心能力。快訊改寫、摘要、標題、多語翻譯、字幕整理和初審會更便宜，但調查報導、深度採訪、事實核查和編輯判斷仍需要人。

教育不會消失，但會重構。LLM 可以做個性化答疑、作業回饋、測驗生成、教案初稿、課程大綱和模擬面試。助教、題庫編輯、教案編寫、基礎答疑和學習報告生成會先被影響。

顧問、研究、醫療和生命科學

顧問、研究、審計、人資和企業服務高度依賴資訊收集、結構化分析和文件表達，因此行業資料初篩、競品分析、訪談紀要、PPT 初稿、週報、JD 生成、履歷篩選和員工手冊問答都會被 AI 改造。

醫療採用會更謹慎，但影響也會很深。LLM 更容易先進入病歷摘要、醫患溝通材料、醫學文獻綜述、臨床試驗文件、藥物研發資料整理、醫保和理賠材料、醫療客服和醫生助手。

核心診斷和治療責任不會輕易交給模型，但文書和知識檢索負擔會下降。

哪些產業相對沒那麼快

相對不容易被 LLM 快速衝擊的產業，通常依賴實體世界、現場操作、真實風險和強人際互動，例如建築施工、護理和養老現場服務、維修技工、物流搬運、餐飲後廚、消防應急、農業現場作業和高端手工製造。

但「沒那麼快」不代表不受影響。排班、培訓、報價、客服、庫存、設備維護記錄、質檢報告和內部知識庫仍會被 AI 改造。

真正會變的是職位結構

LLM 帶來的 workforce disruption，不只是產業名單，而是職位結構變化。

第一，初級職位減少。重複寫作、資料整理、基礎分析、簡單程式碼、客服回覆，更容易被 AI 接管。

第二，中級職位工具化。會用 AI 的員工能同時處理更多任務，不會用的人會顯得更慢。

第三，高級職位更強調判斷。策略、審查、責任、複雜溝通、系統設計和風險取捨會更值錢。

真正的問題不是 AI 會不會影響你的產業，而是你的工作裡有多少任務可以被文本化、流程化、清單化審核。

小結

當前大語言模型最先影響的領域，集中在知識密集、文本密集、流程密集的方向：客服、行政、行銷、軟體、金融、法律、媒體、教育、顧問、醫療文書和研發支援。

監管強、錯誤成本高、信任要求高的行業會更偏向增強；流程重複、輸出可審核、替代成本低的職位會更偏向自動化。

對個人來說，最重要的準備不是恐慌，而是拆解自己的工作：哪些任務可以交給 AI，哪些任務必須由人負責，哪些能力能讓你成為審核者、編排者和最終負責人。

參考資料：

World Economic Forum, Future of Jobs Report 2025: https://www.weforum.org/publications/the-future-of-jobs-report-2025/
International Labour Organization, Generative AI and Jobs: https://www.ilo.org/publications/generative-ai-and-jobs-global-analysis-potential-effects-job-quantity-and
McKinsey, The economic potential of generative AI: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
OpenAI / OpenResearch / University of Pennsylvania, GPTs are GPTs: https://openai.com/index/gpts-are-gpts/

人工智慧 on KnightLi的博客