核心概念

AI 能力可以無摩擦地跨越國界，但職業結構的改變卻受制於在地的許可制度、社會機構與服務交付現實。這個根本不對稱性，正是 OpenAI 經濟研究團隊將《AI 就業轉型框架》延伸至歐盟的起點。

2026 年 6 月 29 日，OpenAI 發布《歐盟 AI 就業轉型框架》（The AI Jobs Transition Framework for the EU）。研究採用 ESCO（歐洲技能、能力、資格與職業）分類體系，結合歐盟統計局（Eurostat）就業數據，系統性分析 AI 能力如何轉化為 EU 各成員國的職業變化壓力。相較於先前針對美國的同類框架，歐盟在「較高近期自動化潛力」職業的就業比重整體偏低，部分原因在於歐洲職業結構的差異。

四類轉型原型

報告將歐盟職業劃分為四類「轉型原型」（transition archetypes）：

1. 可能隨 AI 成長（約 12% 就業） AI 降低成本後，服務可及性擴大，帶動需求增加或讓更多專案變得可行。代表性領域如知識服務、創意產業、科技顧問——其輸出品質因 AI 輔助提升，市場規模也隨之擴張。盧森堡、瑞典、荷蘭在此類的就業比重較高。

2. 較高近期自動化潛力（約 14% 就業） 可被 AI 系統較完整接管的職業類別，多為結構性重複任務。德國、希臘、義大利在此類比重較高，與製造業和文書密集型就業結構相關。

3. 可能重組（約 27% 就業） 人類仍居交付核心，但工作流程與所需技能組合將大幅改變。這是影響規模最廣的類別——從護理、教育到法律服務，人與 AI 的協作模式需要重新設計。即使人員不被取代，工作的性質與所需能力也會產生質性轉變。

4. 近期變化較小（約 47% 就業） 在現有 AI 能力邊界內，整體職業結構尚無立即衝擊，通常涉及高度身體在場、人際判斷或地方知識的工作。

框架定位：準備地圖，而非就業預測

這是報告最重要的認識論聲明。彙總就業統計數據具有嚴重滯後性，只有在企業、工人與機構已完成初步適應後，變化才會出現於總體指標。歐洲擁有健全的職業分類、培訓、職缺、薪資及官方統計系統——若能將這些系統與 AI 能力衡量和職場採用指標整合，即可在衝擊出現於頭條勞動市場數據之前，提前識別轉型壓力與機遇所在。

關鍵要點

  • 重組影響範圍遠大於直接自動化：27% 就業屬「流程重組」，14% 屬「高自動化潛力」，顯示「人 × AI 協作設計」才是政策與教育的核心挑戰，而非單純的職缺消失
  • 成員國差異要求差異化應對：盧森堡與希臘面臨截然不同的轉型壓力，單一歐盟政策難以覆蓋，報告明確呼籲建立國家層級的就緒計畫（national readiness plans）
  • 預警系統缺失是主要制度風險：總體就業數據滯後於實際轉型，需建立連接 AI 能力指標與就業監測的早期預警機制，否則政策永遠追在市場後面
  • 監管強化與機構投資並行：報告建議加強各成員國統計系統與 AI 採用數據的整合，並在機構層面建立「調整壓力」的可量化追蹤指標

延伸觀點

歐洲政策圈的三個補充視角與 OpenAI 報告相互印證：

漸進侵蝕而非突然裁員（Carnegie Endowment，2026）：研究者指出，AI 不會造成突然的大規模失業潮，而是透過「漸進式任務替代和工作流程自動化」逐步侵蝕職位。德國估計未來 15 年內，160 萬個工作崗位將因 AI 而改變或消失。緩慢性反而製造長期不確定感，在政治上比急性衝擊更難應對——受影響的工人往往無法清楚歸因，也更難動員制度性支援。

性別差異是不可忽視的結構性盲點：女性從事高 AI 暴露職業的可能性近乎是男性的兩倍。文書處理、資料輸入、行政協調等歷史上女性比例較高的職業，恰好是現有 AI 能力較強的領域，形成系統性的性別政策風險，需要在設計再訓練方案時優先考量。

技能焦慮與技能缺口同時存在（EU Employment Summit，2026）：AI 技能的供給短缺和工人、企業主的廣泛準備度焦慮「並存」——前者是人才供給問題，後者是信心與路徑問題，兩者需要截然不同的政策工具。有效的歐洲應對框架需要三大支柱並行：跨成員國的社會保護網、可持續的職業再訓練基礎建設，以及讓公民認為轉型過程公平的制度公信力。

OpenAI Agent 工作轉型研究：任務複雜度躍升與非技術職能擴張 | OpenAI 經濟研究交流計畫（Economic Research Exchange）

反向連結

以下頁面引用了本頁：