砍 40% 人、獲利反漲 62%：AI 白領失業潮，恐慌與數據之間

TL;DR

• Block 砍掉 40% 員工約四千人之後，Q1 2026 調整後 EPS 年增 26%，全年預估從 $2.22 拉高到 $3.85、年增 62%。這波裁員跟 2022 年的虛胖回壓性質完全不同，這次是成本結構永久性下修。
• 兩位 George Mason 經濟學家把恐慌算給你看：「AI 造成 50% 失業」跟「每週工時砍一半」在數學上幾乎是同一件事，差別只在分配。而人類已經砍半過一次：1850 年人均年工時 3,000 小時，今天剩 1,500 小時，換來的是週休二日跟退休這種發明。
• Chicago Booth 的 Alex Imas 給出白領失業真的發生需要的三種劇本：全面自動化、需求彈性撐不住、單任務工作先被吃掉。結論反直覺：越「純」的工作越危險，越「雜」的工作反而安全。
• 最先被打到的不是底層：產出可驗證的軟體工程師、只會搬資訊的 information mover 型 PM（Meta 前 VP 估產業一半）、以及名校畢業以為能直通年薪兩百萬美金的上層中上階級。
• Goldman Sachs CEO David Solomon 親自打臉瘋傳的「入門級白領職缺掉 16%」：那只是窄樣本。但他同時承認年輕人正在失去磨基本功的過程，而他的核心判斷是：知識被商品化之後，講電話變成超能力。
• Gen Z 開始反撲：2026 年 5 月美國畢業典禮季連續出現對 AI 演講的噓聲。對照數據很殘酷：全美資料中心到 2030 年只能創造約 6.5 萬個營運工作，還比不上科技業今年前四個月裁掉的十萬人。
• 六集收斂出來的個人策略：judgment 取代 execution、把 AI-first 練成工作習慣、做出第一個讓你上癮的 side project，真的被裁就照 revenge startup 的 playbook 開公司。

2026 年 6 月，Goldman Sachs 董事長兼 CEO David Solomon 做了一件他八年只做過兩次的事：親自在《紐約時報》投書，標題講得很直接，AI 末日論被誇大了。同一個月，兩位 George Mason 的經濟學教授在 a16z Podcast 上把失業恐慌拆成一道數學題。再往前推一個月，Arizona 大學的畢業典禮上，Eric Schmidt 講到「AI 會改變你的人際關係」時全場開始騷動；同一週 University of Central Florida 的講者講到「AI 是下一個工業革命」，被噓到當場愣在台上。

恐慌、數據、反撲，全部擠在同一個季度。過去三個月我聽了六集不同的 podcast，講的人身分完全不同：行為經濟學家、Meta 的產品 VP、投過六七百家公司的天使投資人、寫了二十年經濟學部落格的兩位教授、投資銀行 CEO。把六條線攤開來拼，會得到一張比任何單集都完整的地圖：AI 白領失業潮裡，哪些是數據支撐的事實，哪些是敘事放大的恐慌，哪些職位真的先被打到，以及個人現在該做什麼。

這篇就是那張地圖。

一、先把數學攤開：恐慌裡有多少是分配問題假扮總量問題

a16z Podcast 找來 Tyler Cowen 跟 Alex Tabarrok，兩位 George Mason 的經濟學教授，經營 Marginal Revolution 部落格超過二十年。Tyler 開場丟了一個對照組，我覺得是這一季所有 AI 失業討論裡最該先看的框架。

假設我跟你說，AI 會造成 50% 的失業，一半的工作年齡人口丟掉飯碗。聽起來是社會崩潰等級的災難。但換個說法：以後每週工時砍一半，大家只要做一半的工作。這聽起來根本是夢想成真。問題是，這兩件事在數學上幾乎是同一件事，總工作量一樣，差別只在分配。一個是讓一半的人完全沒事做，一個是讓所有人少做一半。

說白了，很多 AI 失業恐慌其實是「分配問題」假扮成「總量問題」。餅沒有變小，是怎麼切還沒解決。

而且工時砍半不是科幻，人類已經幹過一次。Alex Tabarrok 給的數字很有畫面：1850 年前後，一個人平均一年工作 3,000 小時，今天是 1,500 小時，剛好砍一半。1850 年的人差不多半輩子的清醒時間都在工作，今天工作只佔人生的 10%。換來的不是大規模永久失業，是更短的工時、更長的童年、更多教育、更長的退休。週休二日是二十世紀的發明，退休對大多數人來說是個很新的點子。

歷史上的失業預言戰績也擺在那裡。盧德份子砸的 Jacquard 提花織布機，用打孔卡片、用演算法控制，所以他們某種意義上是史上第一批攻擊「人工智慧」的人。那台織布機、拖拉機、Excel，各自永久消滅了多少就業？答案四捨五入是零。Excel 不但沒讓會計失業，反而讓會計需求變更多。連 David Ricardo 這種等級的經濟學家，1817 年寫《On Machinery》擔心機器搶工作時，坐下來認真想「新工作會是什麼」，一個都想不出來。新工作從來不是被預測出來的，是市場用工資跟價格一輪一輪迭代出來的。

Tyler 還順手打臉了一個網路瘋傳的說法：某研究團體宣稱 AI 會把經濟體的購買力全部吸乾、造成新的大蕭條。他說這不是意見問題，是經濟學家都認為它就是錯的。頂端要有暴利，底端就得有人有錢買產品，公司賺到錢會拿去雇人、投資、消費，錢不會憑空消失在黑洞裡。

到這裡為止，經濟學的共識其實很一致。Odd Lots 上 Chicago Booth 的行為經濟學家 Alex Imas 也引用了一份調查：問一群研究 AI 的經濟學家跟一群 AI 技術人員，對 2030 到 2050 的勞動市場衝擊做預測，兩邊高度一致，影響會有、但不至於天翻地覆，GDP 成長大概多個 2-3%。

但 Imas 補的那句話，才是整個題目真正的裂縫：「大家都在講結果，但真正被低估的變數是速度。」經濟學家引用農業和製造業萎縮的歷史曲線時，常常忘了那條曲線是幾十年的尺度，人類有足夠時間轉職、重新訓練、下一代選不同的學系。如果 AI 把整個轉型壓縮到五到六年呢？再培訓來不及、新工作還沒成形、被裁掉的人找不到位置重新上車。中間這段 gap 不是小事，是社會結構崩壞的前兆。

所以這篇的基調先定下來：總量恐慌大概率被誇大了，但速度跟分配的風險是真的。接下來看證據。

二、財報不會說謊：這波裁員跟上一波性質完全不同

理論歸理論，2026 年上半年的裁員清單攤開來是這樣：

公司	裁員比例	備註
Block	40%（約 4,000 人）	二月宣布，從一萬多人砍到不到六千
Cloudflare	20%	內部 AI 使用量三個月增加 600%，官方說法是為 agentic AI 時代重構公司
Coinbase	14%（約 700 人）	壓扁組織、要求 manager 也當 IC
Crypto.com	12%	同期跟進

2022 到 2023 那波裁員，本質是 COVID 期間招太兇的回壓，砍完你看到的是產出下降、工程師抱怨。這一波不一樣：砍完人產出反而上升，財報還向上修。

Block 是最硬的證據。Jack Dorsey 二月砍掉 40% 員工時，市場的反應是震驚跟懷疑。幾個月後 Q1 2026 財報出來：截至四月初，100% 的員工每天都在用內部 AI 工具 Goose，每個工程師的 production code 變更量提升超過 2.5 倍。調整後 EPS 85 美分，分析師預期 68 美分，年增約 26%；全年調整後 EPS 預估直接拉到 $3.85，對比 2025 年的 $2.22，年增 62%。GAAP 那面因為 4.95 億美金重組費用還是吞了 3 億淨虧損，但華爾街看的是前瞻指引：成本結構永久性下修，營收結構不變，毛利率永久性上移。這就是為什麼 Block 股價在裁員當天反而上漲。

This Week in Startups 的 Jason Calacanis 把這個局面講成一場 prisoner's dilemma：對員工要不要忠誠？要。但只要有一個競爭對手先用 AI 把人砍光、把毛利拉起來、把省下的 RSU 拿去搶最強的人才，你的選擇空間就被壓縮成零。當一個大型 fintech 證明可以砍 40% 人然後 EPS 跳升，沒有任何 CEO 會放著這套 playbook 不用。這跟我之前在拆解 Klarna CEO 為什麼說 SaaS 已死寫的是同一條線：Klarna 從七千人砍到三千人，當時大家覺得是個案，現在看是整個產業的劇本。

不過這裡有個關鍵，兩邊的誠實話都要聽。Jason 自己提醒，把 2026 年所有裁員都歸給 AI 並不公平，有些公司只是借 AI 當藉口，把長期該做的裁員一次做掉，這跟 Shopify CEO Tobi Lütke 講的 AI 是大裁員的代罪羔羊是同一個觀察。而 Solomon 在 Odd Lots 上拆了另一個被瘋傳的數字：Stanford 那份「入門級白領職缺掉 16%」的研究，只涵蓋了社會敘事裡「大學畢業該去做的正確工作」那幾個產業。你畢業去當小學老師、去開店，都不在樣本裡。用這個窄鏡頭推論「白領要被團滅」，邏輯站不住。Goldman 自己今年新進人數約 2,500 人，跟疫情前差不多，他預期未來三年稍微縮，但不會縮到讓人驚呼的程度。他還特別點出一個統計陷阱：不要拿 2022 年當基準點，那是「bloat 的最高水位」，要看就看十年。

但另一組數字站在悲觀那邊。科技業 2026 年才過四個多月就裁掉超過十萬人，而猶他大學 Gardner Policy Institute 算過，到 2030 年全美資料中心進入營運期後，低自動化情境下總共只能創造約 6.5 萬個營運工作。號稱要吸走幾兆美金 CapEx 的 AI 基建，創造的就業還補不回產業四個月的裁員。

把這一節收攏成一句：總量沒有崩，但特定結構正在被永久重寫。所以真正該問的不是「會不會失業」，是「誰先被打到」。

三、哪些職位先被打到：一張風險地圖

這題 Alex Imas 給的框架最扎實。工作從來不是一個整體，是一堆 task 的集合。當報告說某職業「AI exposure 50%」，意思不是你有 50% 機會失業，是你的 task 清單裡有一半，AI 能完成其中至少一半的工作量。兩個 50% 疊起來，結論差很遠。

真正的分水嶺有兩個。第一個是 task 之間的互補性：如果你 80% 的工作是 rote work、20% 是你真正的比較優勢，AI 吞掉那 80%，你反而變強。但如果 task 彼此互補，像煮飯，90% 步驟都對、調味失手整道菜就毀了，那自動化任何一環的殺傷力都會被放大。第二個是消費需求彈性：AI 讓產能翻倍後，如果價格下降能刺激出更多需求，產業反而擴大雇用，軟體業過去幾十年就是這個劇本；如果彈性不夠，公司發現一半人力就能餵飽市場，就開始裁員。Imas 說這是現在經濟學最重要的問題，需要 Manhattan Project 等級的研究力度，在彈性曲線被搞清楚之前，所有 AI 勞動市場預測基本上是信仰。

白領失業要真的大規模發生，Imas 給了三種劇本：一、全面自動化，模型好到所有 task 都能做；二、生產力爆衝但需求彈性撐不住；三、單任務工作先被吃掉。第三種最值得細看：公司投資自動化是有成本的，所以會先挑「投下去可以完全省掉一個人頭」的地方動手。一個人只做一件事，自動化這件事就等於省掉這個人，ROI 很乾淨；一個人同時做五件事，自動化其中一件你還是得付他全薪，公司就沒誘因。結論是：越「純」的工作越危險，越「雜」的工作反而安全，這跟「複雜專業 vs 簡單勞動」的直覺二分法完全不同。

把六集裡點名的高風險職位排成一張表：

職位	為什麼先被打到	誰說的
軟體工程師	產出可驗證，對就是對、錯就是錯，訓練資料又多，所以 coding agent 進展遠快於其他白領應用	Alex Imas
卡車司機、倉儲	中國全自動倉庫已經沒有人類在迴路裡，剩下「從 A 開到 B」正逼近臨界點，自動化 ROI 極高	Alex Imas
information mover 型 PM	每天把團隊的東西重新包裝往上傳，這個超能力剛好是 AI 最先取代的，估佔產業一半	Nikhyl Singhal
pixel generator 型設計師	公司招 designer 只要畫介面的人，畫介面被 AI 包了，真正的 tastemaker 反而沒人記得	Nikhyl Singhal
入門級分析師	查資料、做投影片這些「該被磨基本功的過程」被商品化，16% 職缺下滑集中在這類產業	David Solomon
上層中上階級	法律、顧問、金融的預設晉升路徑被抽掉，傷的不是生存，是相對地位	Tyler Cowen

PM 那條線值得多講兩句，因為 Nikhyl Singhal 是 Meta 現任 VP of Product，帶過 Google Photos、當過 Credit Karma CPO，他經營的社群裡有 125 個 head of product。他的預測很尖銳：未來 12 到 24 個月會出現「裁三萬、招八千」的模式，表面是縮編，實際是勞動力結構 reset，被裁的三萬人是過去五年膨脹出來的中階管理跟 information mover，招回來的八千人全部是 AI-first 的 builder。更狠的是履歷邏輯反轉：你在 Meta 待六年學的內部流程跟會議文化，換到外面不再加分，甚至變成「這個人可能已經過氣」的標記。現在面試官問的不是你在大廠做過什麼案子，是你現在用什麼 AI stack、最近 vibe code 做過什麼。

而 Tyler Cowen 點名的輸家最反直覺。他認為底層的人多半會過得更好，因為通縮壓力會讓很多服務趨近免費；頂端會冒出更多億萬富翁。真正被修理的是「上層的中上階級」：讀好學校、以為乖乖照規矩就能升合夥人、年薪兩百萬美金、在 Connecticut 郊區買房的那群人。他們不會餓死，可能是從年薪兩百萬變成去 Houston 做年薪三十萬的工作，傷的是相對地位。危險的地方在於，這群人是社會上最會發聲的一群，律師、學者、記者都在裡面，當他們預期的地位之路被抽掉，政治後座力不會小。Tyler 很坦白說這是他最大的擔憂，而且他沒有答案。他跟 Tabarrok 也認帳：自己合寫的經濟學教科書總有一天會被 AI 取代，「我有時候會笑盧德份子，結果現在輪到我自己的飯碗」。

四、Gen Z 的反撲：第一批用 ChatGPT 唸完大學的世代

現在回到那兩場被噓的畢業典禮，因為它們是這條軸線上最容易被誤讀的訊號。

Eric Schmidt 在 Arizona 大學的腳本很標準：AI 是下一個科技革命，我知道你們這個世代很害怕，但未來還沒被寫死，你們有能動性。學生不買單。Jason 跟 Alex Wilhelm 在 TWiST 上的解讀很直接：學生根本沒在怕，他們是覺得被擺了一道。這群人大一是 2023 年，ChatGPT 剛出來，整個大學四年泡在 AI 裡，作業用 AI 寫、報告用 AI 寫，他們是 AI 最重度的使用者之一，深度遠超過台上講者的想像。你跟他們講 AI 多酷，他們的反應是：對啊我每天在用，但這跟我畢業找不到工作有什麼關係？

Stanford 大四生 Theo Baker 在紐約時報那篇《What AI Did to My College Class》把校園現場寫得很白：他不認識任何一個沒用 AI 完成過作業的同學，任何一堂課的講堂裡大約一半筆電開著 ChatGPT 或 Claude，教授假裝在批改、學生假裝在學習。對 ChatGPT 出現前進 Stanford 的人來說，「Stanford 學位等於高薪工作」那扇門已經砰一聲關上。當你已經看穿整個體系是表演，一個矽谷大佬上來告訴你 AI 是激動人心的未來，你不噓他噓誰？

Alex Wilhelm 給了一個很到位的類比：這像六零年代的反戰運動。年輕人不想被徵召進一個「正在取代他們」的 AI 軍隊，幫忙訓練那個會把他們踢出職場的東西。科技業一邊對全世界宣告「我們會取代很多工作」，一邊要求即將被輸出的勞動力鼓掌，這個錯位感是真實的。

有意思的是，站在光譜另一端的 Solomon，在這件事上反而給了最誠實的承認。他自己 1981 年的暑期實習是一天打 100 通陌生電話，八週幾千通只有五個人願意聊；他當菜鳥時得去翻 microfiche、把股價抄到方格紙上自己算複利差。這些折磨本身就在學東西。現在一問就有答案，年輕人的腦真的吸收了嗎？他說 Goldman 還沒有答案，但正在認真想怎麼一邊用工具放大年輕人的影響力、更早把他們推到客戶面前，一邊不讓他們失去那層該被磨出來的基本功。一個說 AI 末日論被誇大的 CEO，承認年輕人正在失去某種東西，這兩件事同時為真，而且比任何一邊的極端敘事都更接近現實。

五、個人的應對策略：六集收斂出來的五件事

六集的來賓立場差很遠，但講到「個人該怎麼辦」的時候，答案收斂得驚人。

第一，把 judgment 當主修。 Nikhyl 的定義很具體：當 AI 一天能生出一百個版本的 feature，誰決定哪個上線、哪個改動會傷害品牌、哪個需求該拒絕？iteration 速度上升 10 到 100 倍之後，judgment 變成最稀缺、薪水溢價最高的能力。這跟 Imas 講的可驗證性是同一枚硬幣：AI 把可驗證的認知勞動打成廉價商品之後，人類剩下的工作叫驗證與判斷，我之前在當 AI 把智力變便宜，人類最後的工作叫「驗證」展開過這條論證。

第二，AI-first 是工作習慣，不是工具採購。 Jason 給的操作化定義值得抄：任何任務先問 AI「我怎麼把這件事做得更好」，任何重複性任務都跟 AI 一起設計、讓 AI 來做，至少先試。差別在於把 AI 當搜尋引擎只是省幾分鐘，把 AI 當一個會自我迭代的小員工管，它會自己長進。他放話自己公司年底前要全員到位，做不到的人不需要老闆開除，會自然被淘汰。

第三，做出第一個讓你上癮的東西。 Nikhyl 觀察 125 個 head of product 的轉型，每個人都有一個具體的開悟時刻：有人做了整理 inbox 的 chief of staff app，有人把家裡 15 個智慧家電 app 統一成一個介面。做完第一個就會上癮，然後你會開始覺得開會改 slide 難以忍受。不要從「我要學 AI 工具」開始，從「我生活中有什麼事很煩」開始。

第四，social maxing。 Solomon 的推論是：當知識、分析、投影片全被商品化，人跟人之間的信任、EQ、坐下來讓客戶願意跟你講話的能力，價值只會越來越高。CEO 說「那個人講話的方式我就是不喜歡」，這是人類情緒，模型替代不了。主持人 Joe Weisenthal 補的那刀更狠：手機十五年來已經毀掉太多人面對面的能力，就算把 AI 放一邊，這種技能本來就會越來越稀有、越值錢。Tyler 那邊的對應版本叫 messy jobs：一天要同時處理十一件講不清楚的事、要協調要判斷要拉人，叫你的小孩去做這種叫不出名字的工作，那才有未來。

第五，真的被裁了，開公司。 Stripe Atlas 的公司註冊量在 2026 Q1 出現階梯式跳升，Jason 的解讀是被裁的人沒有去找下一份穩定工作，他們在做 revenge startup。他的 playbook 很實戰：找兩三個被同一家公司裁掉的人，列出前東家做爛的、沒做的、永遠到不了的三個 product idea，先做最看好的，有 traction 就 double down，沒有就換下一個。目標不用是獨角獸，是他說的 delightful scale：一年五十萬到五百萬美金、自己賺錢自己快樂的小公司。當員工這條路變窄的同時，創業的固定成本被 AI 壓到史上最低，這兩件事是同一枚硬幣的兩面。

政策層那條線也值得放在雷達上。Imas 的個人傾向是擴大資本擁有權，讓原本靠勞動賺錢的人也能分享資本端的報酬，Odd Lots 主持人 Tracy Alloway 順勢丟出一個提議：Universal Basic ETF，每個人每月領 S&P 500 的一小片。這個想法不荒謬，反而可能是接下來十年政策辯論的核心之一。但 Imas 對 UBI 的保留更值得抄下來：發錢很簡單，難的是怎麼替代工作帶給人的身份認同。他引用過一個樂高實驗，被告知「組完就毀掉」的那組人，組裝速度、品質、耐心全面下降。人需要知道自己做的事有意義，這不是心靈雞湯，是可以實驗測量的行為變數，也是所有「發錢就好」方案的結構性盲點。至於 AI 公司自己該做什麼，Tabarrok 講得很狠也很對：你不會叫蒸汽機發明人 James Watt 去設計失業保險，OpenAI 該做的不是煩惱 UBI，是把模型做到能解癌症，光是把癌症發生率降 10% 就值 8 兆美金。他更怕的其實是低成長：餅在長大的時候，分配是個簡單問題；餅不長的時候，分配才是地獄，整個社會會變成零和賽局然後撕裂給你看。

至於往哪個方向押，Imas 給的錨點我認為是六集裡最值得留十年的：AI 時代最重要的問題不是什麼會變便宜，是什麼會變稀缺。他的答案是時間、健康、注意力。已開發國家醫療支出佔 GDP 一路上升，不只是健保失靈，是人類本能：每一塊多賺的錢都想拿去延長自己活著的時間。要猜 AI 時代的新工作長什麼樣，從這三個錨點往外推，大概不會離譜。

寫在最後

六集聽完，我的判斷是三層。第一層，總量末日論站不住：數學、歷史、財報都不支持「工作會消失」這個版本，Solomon 說的 never different this time 大概率是對的。第二層，結構重寫是進行式而且不可逆：Block 證明了砍 40% 人獲利可以跳升，這套 playbook 會被整個產業複製，純任務型職位、搬資訊的中間層、入門級白領的位子是真的在消失。第三層才是真正的風險：速度。如果轉型被壓縮到五六年，再培訓跟政策都來不及，Gen Z 的噓聲就是這個 gap 的第一個政治訊號。

對台灣讀者來說，這張地圖有兩個對位。台灣工程師大量做的恰好是可驗證性最高的工作，寫 code、測試、接案交付，在打擊順序上其實排很前面，外商 PM 跟顧問業的入門位子也是同一條線。但另一面，台灣的產業結構裡 messy jobs 比例很高，供應鏈協調、跨廠溝通、那種一天處理十一件講不清楚的事，反而是這波裡相對安全的位置。我自己這兩年用 AI 把部落格 pipeline 自動化、拿 agent 跑各種工作流，一個人能做的事比五年前多好幾倍，那種停不下來也不敢停的感覺是真的，但衝進去跟被輾過去，是兩種完全不同的痛法。

接下來幾季我會盯三件事：Stanford 那條入門級職缺曲線會不會從窄樣本擴散到更多產業、「裁三萬招八千」有沒有變成 2026 下半年財報季的標準劇本、Gen Z 的反 AI 情緒會不會從畢業典禮的噓聲變成選票跟監管。這三條線的走向，會決定這場轉型是 1850 年那種花一百年換來週休二日的版本，還是被壓縮到五年、社會結構先崩給你看的版本。

---

本文整併自 2026 年 4 月到 6 月的六集 podcast：Odd Lots 訪 Alex Imas、Odd Lots 訪 Goldman Sachs CEO David Solomon、Lenny's Podcast 訪 Nikhyl Singhal、This Week in Startups 兩集（AI 裁員潮、Gen Z 與畢業典禮）、a16z Podcast 訪 Tyler Cowen 與 Alex Tabarrok。

這類把多集 podcast 串成一張產業地圖的深度文，我會持續寫，訂閱 wilsonhuang.xyz 就不會漏掉。

Sources:

• Alex Imas | The University of Chicago Booth School of Business
• Why half of product managers are in trouble | Nikhyl Singhal (Meta, Google)
• Block lays off nearly half its staff because of AI - CNN
• Block Q1 2026 earnings - StockTitan
• Marginal Revolution
• CNBC: Goldman CEO David Solomon on greed mode, AI firms and IPOs