被取代、被重組，還是因 AI 擴張？OpenAI 最新報告的 6 個關鍵發現

近來企業談 AI 對工作的影響，常常很快就把討論收斂成「哪些工作會消失」。

OpenAI 在 2026 年 4 月發布的《The AI Jobs Transition Framework》，核心觀點是：AI 曝險程度（AI exposure）本身不足以支撐管理判斷。

對部門主管、轉型負責人，以及人資與組織發展主管來說，報告帶出的問題是：哪些職務可能先被重組、哪些工作內容會先改變、哪些能力補強可以更早開始，而不是等到人力壓力出現後才回頭處理。

本篇 Aiworks 將逐一拆解這份報告的 6 個核心發現，協助你在 AI 與工作的討論中，從「哪些工作會消失」移往更有管理意義的問題：哪些工作會先被重組、哪些人工必要性仍不可被取代，以及企業該從哪裡開始做準備。

Key takeaways 1：曝險程度高，不等於短期就會被取代

「AI 做得到」不直接等同於「工作很快就會消失」。AI 曝險程度（AI exposure）只能告訴我們 AI 在技術上碰得到哪些工作內容，卻不足以單獨預測哪些工作會先被自動化、哪些工作會被重組，或哪些工作反而會因此擴大。

在企業裡，大家最容易看到的是工具能力進步很快，但真正決定工作是否改變的，還包括責任歸屬、工作現場、客戶互動、需求是否擴大，以及組織有沒有把技術真正放進日常流程。也因此，高曝險工作不一定會立刻走向裁減，很多時候反而是先出現工作內容重分配、角色邊界移動，或服務量擴大。

像客服、教學、護理、法律支援這些工作，就算有不少任務已經可以被 AI 支援，但不代表它們會在短期內直接被拿掉。真正先改變的，通常是哪些任務先交給 AI、哪些部分仍由人承擔、哪些流程因此被重新安排。

Key takeaways 2：四種 AI 轉型過程中的職業類型

OpenAI 把短期內的工作變化拆成四個問題：AI 能力（AI capability）、人工必要性（human necessity）、需求彈性（demand elasticity），以及當下是否已出現實際使用（Realized Exposure）。

根據這些問題，將工作分成四種類別：較高自動化風險（higher automation risk）、將被重組（will reorganize）、隨 AI 成長（grow with AI）、短期變化較少（less immediate change）。

在涵蓋 900 多個職業、覆蓋美國 99.7% 就業的分析中，18% 屬於較高自動化風險、24% 更可能被重組、12% 可能因 AI 擴張而成長、46% 則短期內變化較少。從數據中可以看出，工作變化最常見的樣子，未必是立刻消失，而更可能落在變化較慢或先被重組這兩種路徑。

較高自動化風險（higher automation risk）：AI 不只碰得到主要任務，人工必要性也相對較弱，需求擴張又不足以抵消效率帶來的人力壓縮。這類工作更接近一般人直覺理解的「可能被自動化」。
將被重組（will reorganize）：AI 能處理不少任務，但工作中仍然有很強的人工必要性，所以工作不會直接消失，而是任務結構會改變，剩下來的人需要把更多時間放在判斷、溝通、照護、風險承擔或例外處理上。報告裡對律師、教師、護理等工作的討論，就比較接近這種脈絡。
隨 AI 成長（grow with AI）：效率提升之後，需求有可能被放大，結果不是工作變少，而是服務變得更可近、使用頻率更高，甚至市場規模更大。報告提到某些創意、設計或軟體相關工作，就有這種可能性。
短期變化較少（less immediate change）：不代表完全不受影響，而是目前這四個因素放在一起看，還沒有明確指向某一種明確結果。這類工作短期內變化可能比較慢，但不表示之後不會動。

同樣都是「受 AI 影響」，對應到的管理問題可能完全不同。

Key takeaways 3：很多工作會先被重組，而不是先被消除

OpenAI 分析涵蓋美國 900 多個職業後，將短期內工作變化分為四種類型。其中「短期變化較少」占比最高（46%），其次是「將被重組」（24%）、「較高自動化風險」（18%），以及「隨 AI 成長」（12%）。可見短期內工作變化最常見的形式，是重組而非消失。
source: Fig. 3, The AI Jobs Transition Framework, OpenAI, 2026 — OpenAI 分析涵蓋美國 900 多個職業後，將短期內工作變化分為四種類型。其中「短期變化較少」占比最高（46%），其次是「將被重組」（24%）、「較高自動化風險」（18%），以及「隨 AI 成長」（12%）。可見短期內工作變化最常見的形式，是重組而非消失。
*source: Fig. 3, The AI Jobs Transition Framework, OpenAI, 2026*

根據分類可以發現，很多高曝險工作，更可能先被重組，而不是先被消除。

這裡的「重組」，不是抽象地說工作會改變，而是指任務會被重新切分。某些重複性高、格式明確、可以標準化的任務會先交給 AI；而剩下來的人類工作，會更集中在審查、解釋、例外處理、跨部門協調、現場互動，或對外承擔結果。也就是說，職稱可能還在，但工作內容、績效標準與角色邊界已經變了。

這一點對企業尤其重要。組織內部最常見的誤判，不是完全沒看到變化，而是太晚意識到問題早已從工具導入，移到工作內容分配。

Key takeaways 4：人工必要性不是一句口號，而是三種不同來源

報告把人工必要性（human necessity）拆得比一般討論更細。它不是泛泛地說某些工作需要人，而是把原因分成三種來源：法規 / 問責必要性（regulatory and accountability necessity）、關係必要性（relational necessity）、實體必要性（physical necessity）。

像律師被放在法規 / 問責這一側，教師與護理人員更接近關係必要性，現場型工作則更靠近實體必要性。同樣是「需要人」，原因可能完全不同，而這會直接影響組織該怎麼設計 AI 與人的分工。

人工必要性（human necessity）並非單一概念，而是可以拆分為三種來源：法規 / 問責必要性、關係必要性與實體必要性。同樣都是「需要人」，背後的理由可能完全不同。
source: Fig. 1, The AI Jobs Transition Framework, OpenAI, 2026 — 人工必要性（human necessity）並非單一概念，而是可以拆分為三種來源：法規 / 問責必要性、關係必要性與實體必要性。同樣都是「需要人」，背後的理由可能完全不同。
*source: Fig. 1, The AI Jobs Transition Framework, OpenAI, 2026*

法規 / 問責必要性（regulatory and accountability necessity）：有些工作就算 AI 能做很多事，最後仍需要人來簽核、承擔責任或做正式決定。法律、醫療、合規等工作，就常有這類特性。
關係必要性（relational necessity）：工作價值建立在人與人互動、說服、照護、信任或教學關係上。即使 AI 能支援內容生成或資料整理，真正讓服務成立的仍然是人際互動本身。教師、護理、諮詢、顧客服務等角色，通常都帶有這層特性。
實體必要性（physical necessity）：工作必須在現場完成，需要人的身體行動、臨場判斷或現場操作。這類工作即使在資訊處理面被 AI 支援，整體工作仍高度依賴人。

這個拆分方法讓「為什麼某些工作仍需要人」不再只是直覺，而能被放進比較清楚的管理語言裡。

Key takeaways 5：效率提升不一定帶來人力縮減

報告把需求彈性（demand elasticity）拉進來看：AI 讓工作更有效率之後，不代表人力需求一定下降。如果成本下降讓更多人用得起、用得更多，工作量反而可能被擴大，這也是為什麼有些工作會落到「隨 AI 成長」類型。

這個邏輯可以用比較直覺的方式理解：如果某項服務原本很貴、很慢、很難客製，AI 讓它變便宜、變快、變容易取得之後，市場需求可能不減反增。這時候，人的工作不一定減少，而是會改變型態，甚至因為總量上升而持續增加。

因此，看到「效率提升」時，企業不宜直接把它翻譯成「所以人會變少」，中間還要看需求會不會被放大。

Key takeaways 6：技術上做得到，不等於市場上已經真的用了

報告中將「理論上能做」和「現在真的被使用」之間的差距區分開來，以能力超前（Capability Overhang）來描述這件事：幾乎所有職業類別中，AI 的理論曝險都明顯跑在實際採用前面。報告也提到，在它判定較容易受自動化壓力影響的工作中，ChatGPT 的使用大約是其他較不受影響工作的 3 倍；但即使如此，實際使用仍明顯落後於理論曝險。

例如較高自動化風險的工作，雖然實際使用已經相對高，但距離理論能力仍有很大一段距離。這也顯示出技術能力、工作採用和人力結果之間，並不是同步發生的。

無論哪一種類型，理論曝險程度都明顯超前於實際採用，就連較高自動化風險的工作也不例外。技術做得到，不代表組織已經在用，這段落差仍然存在。
source: Fig. 5, The AI Jobs Transition Framework, OpenAI, 2026 — 無論哪一種類型，理論曝險程度都明顯超前於實際採用，就連較高自動化風險的工作也不例外。技術做得到，不代表組織已經在用，這段落差仍然存在。
*source: Fig. 5, The AI Jobs Transition Framework, OpenAI, 2026*

企業看到技術可行性時，不能直接把它等同於短期的人力結果。技術能力、組織採用、流程整合、法規限制和市場需求之間，仍然有很長一段距離。

如果只用一條線去看「AI 對工作影響」，企業內部的討論很容易在過早恐慌和過度安心之間擺動。要取得平衡，應該將注意力拉回任務組合（task mix）、工作流程（workflow）、審查責任（review responsibility）與角色邊界（role boundary）這些更早發生變化的位置，而不是直接跳到職稱會不會消失。

不同類型的工作，代表不同類型的變化

既然工作會落在不同類型，後續出現的變化形式自然也不只有一種。

如果某些工作更接近較高自動化風險，代表它們更可能先面對工作量縮減或職位壓力；如果某些工作更接近將被重組，代表變化更可能先出現在任務重新分配、工作內容改寫與角色邊界移動；如果某些工作有機會隨 AI 成長，則更接近服務量擴張、使用頻率提高，或市場規模被放大的路徑。不是所有受 AI 影響的工作，都會走向同一種結果。

這個框架提供的不是一張簡化版的取代名單，而是一套判讀工作變化的角度：哪些工作可能先被重組、哪些地方人工必要性仍然不可取代、哪些工作會因需求擴張而持續成長，以及哪些工作在短期內仍看不到明確方向。

AI 曝險程度告訴你「門」在哪，但人工必要性才決定你能不能「走進去」。

企業在評估「哪些工作會被 AI 影響」時，多數人問的是：「這個工作，AI 能做幾成？」但這個問題的答案只告訴你 AI 的技術邊界，不告訴你哪裡該動、哪裡先動、動了之後組織會發生什麼事。

Aiworks 認為，真正該問的問題是：這個工作裡，有沒有非人不可的部分？如果 AI 讓每個人的產出翻倍，需求會跟著翻倍，還是人力需求會減半？這兩個問題的答案，才決定一個工作的去向，是被取代、被重組，還是因為 AI 而擴張。

曝險程度是地圖，但企業真正需要的是導航。導航不只需要地圖，還需要知道你現在在哪裡、要去哪裡，以及路上會遇到什麼阻力，也就是人工必要性與需求彈性這兩個維度。搞清楚這三件事，企業才能把「AI 能做什麼」轉化成「我們該從哪裡開始、怎麼排序」的具體決策。

參考來源：The AI Jobs Transition Framework, OpenAI, 2026

📩 想為你的組織打造 AI 協作能力？

Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。

▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼

（若表單未正常顯示，請點擊此連結進入表單填寫頁面）