為什麼黃仁勳關於 AI 創造工作的說法是錯的

AI 會創造少量新職位，但它先消滅的工作更多、速度更快，且受衝擊的是整條職涯梯子。

黃仁勳說 AI 正在創造大量工作，這個說法方向錯了。AI 目前最明顯的效果，不是擴張雇用，而是用更少的人完成同樣甚至更多的產出，新增職位雖然存在，卻集中在少數高技術環節，遠遠補不上被壓縮掉的工作量。

企業導入生成式 AI 的第一目的也不是增聘，而是降本增效。客服中心可以從 50 人縮到 30 人再加聊天機器人，內容團隊可以用一名操作者配合模型取代原本的寫手、編輯與分析師組合。這不是傳統意義的「創造工作」，而是把勞動需求往下切薄。

第一個論點：AI 不是廣泛的就業引擎

第一個問題是，黃仁勳把「任務增加」誤認成「工作增加」。AI 確實會帶來晶片設計、資料中心維運、模型訓練與企業導入顧問等新職位，但這些工作高度集中在少數公司與少數地區。美國不需要幾百萬人去維護 GPU 叢集，它需要的是更少、更專業的一小群人。

這種規模落差非常關鍵。Nvidia 可以賣出更多晶片，雲端業者可以建更多機櫃，創業公司也可以把 AI 疊進產品，但每一步都在提高產出，卻沒有按相同比例增加雇用。這就是自動化的典型路徑：一個工廠更有效率，但不會因此變得更擁擠；一名員工管理更多系統，而不是更多同事。

歷史也支持這個判斷。電子試算表沒有消滅會計，但它大幅減少了做帳所需的人力；ERP 系統沒有消滅企業營運，但它讓原本需要多人處理的流程被整合到更少的人手上。AI 只是把這種替代速度推得更快，因為它碰到的是文字、摘要、分類、檢索這些最容易標準化的腦力工作。

第二個論點：再工業化不等於再就業

黃仁勳把 AI 說成美國再工業化的機會，聽起來有說服力，因為它借用了製造業復興的語言。但工業政策和勞動政策不是同一件事。蓋晶圓廠、資料中心、散熱與電力基礎設施，確實會帶來建設與維運工作，可是這些職位的數量，遠小於資本投入與產值擴張的規模。

以製造業為例，過去美國汽車、家電、鋼鐵產量持續上升，但每單位產出所需的人力卻一路下降。這不是例外，而是技術進步的常態。AI 也在走同一條路，只是速度更快、擴散更廣。工廠變大，不代表雇用變多；產值增加，也不代表職缺同步增加。

更重要的是，AI 生態的價值分配極度集中。晶片、雲端、模型與企業軟體的利潤，大多流向少數平台公司與供應商。即使整體 GDP 上升，新增收益也未必會轉化成大量中產工作。結果可能是「資本密集、就業稀疏」的 AI 經濟，這和黃仁勳描繪的繁榮圖景差很大。

反方可能怎麼說

若替黃仁勳做最強版本的辯護，他的核心觀點不是「AI 不會取代任何人」，而是「每一波技術都會重塑工作」。試算表沒有讓會計消失，網際網路沒有讓銷售消失，雲端也沒有讓 IT 消失。每一次工具升級，都會催生新的流程、角色與產業分工，AI 也不例外。

這個說法還有一個現實面的優點：恐慌會傷害採用。若企業與政府把 AI 當成末日敘事，就可能延遲訓練、規範與整合，反而錯失生產力提升。對工程師與創業者來說，先把工具用起來，通常比先宣判勝負更有價值。

但這個反方論點只說對一半。過去的技術多半是擴充勞動，而 AI 更直接地替代認知型工作，正好打到現代辦公室經濟的核心。新的職位會出現，但它們不會以同樣速度吸收被裁掉的人，也不會在同樣的入門層級大量開放。這代表的不是單純轉型，而是職涯入口被抽空。

你能做什麼

如果你是工程師、PM 或創辦人，不要把 AI 導入當成「不影響人力」的效率專案。你應該先量化它會消滅哪些任務，再看哪些工作需要重新設計，最後才談新增產能。把指標從 throughput 擴展到 displacement，追蹤哪些流程被自動化、哪些新人職位被壓縮、哪些技能變得更難進場，這比只看節省多少工時更重要。真正負責任的做法，是把 retraining、內部轉職與人機分工一起設計進產品和組織，而不是等裁員發生後才補救。