hero

城武導讀：如果你今年只讀一篇 AI 與勞動市場的論文，讀這篇。不是因為它的資料最新——它的勞動資料停在 2025 年。而是因為它問了一個所有人都沒問的問題：當 AI 取代了初階工作，十年後誰來檢查 AI 的工作？ 答案是那批被 AI 取代的人。而且這件事不會有任何警訊——資深專家還在崗位上，一切看起來正常，直到某天你發現整個產業沒有下一代了。

原文摘要

核心命題：認知公共財的悲劇

這篇發表於 Human Resource Development Review 的概念性論文，作者是 NATO 特種作戰大學的 Nolan Lovett。論文借用 Garrett Hardin（1968）「公共財的悲劇」框架，提出一個全新的概念：認知公共財（Cognitive Commons）——一個專業領域內集體持有的深度人類專業知識池（pool of deep human expertise），這個池子就像漁場或森林，是共享資源，會被理性個體在各自利益驅動下消耗殆盡。

Hardin 的原始命題是：每個牧人都多養一頭牛，自己賺到 100% 的收益，草場退化的成本卻由所有人分攤——結果是集體理性導致集體毀滅。Lovett 把這個邏輯搬到 AI 時代：每個公司用 AI 取代初階職位，自己省下 100% 的薪資成本，但「下一代專家無法被養成」的成本由整個產業分攤。

關鍵的理論移動是：Lovett 不滿足於描述一個悲劇，他引用 Ostrom（1990）的實證研究指出，公共財可以透過治理機制永續——前提是你先承認它是一個公共財。而 HRD（人力資源發展）領域至今仍把 AI 的衝擊框定為「組織培訓問題」，從未將其理解為集體行動問題。

認知公共財的三個定義特徵

論文為認知公共財給出三個結構性特徵，將它與鄰近概念區分開來：

第一，集體依賴（collectively dependent）。 任何領域的組織都依賴一個共享的人才池來招聘專家，這就產生了搭便車問題：大家都受益於現有專家池，但每個人都有動機避免承擔培養新專家的成本。醫院需要醫生能獨立診斷、金融機構需要分析師能驗證 AI 風險模型、軟體公司需要工程師能審計 AI 生成的程式碼——但養成這些能力需要長期的初階職位作為訓練場。

第二，非排他性（non-exclusive）。 一家公司砍掉所有初階職位、全靠 AI，仍然可以從產業整體的專家池中受益——招聘其他公司培養出來的資深人才、聘請外部顧問、依賴監管機構的專家來把關。你消滅了培養下一代的路徑，但別人家養出來的人你照用。

第三，再生機制可被過度消耗（degradable through overexploitation）。 這是整個框架最尖銳的洞見：認知公共財的枯竭不會像漁場那樣「魚越來越少」可以被直接觀測。現有的資深專家仍然在驗證 AI 輸出、處理例外狀況，一切看起來正常——但再生機制已經在不知不覺中停擺了。枯竭的訊號只出現在世代就業模式中：初階職位系統性消失，但被解讀為「短暫的勞動市場調整」，而非再生失靈。

這段分析直接對應 Hardin 悲劇的核心特徵：時間延遲。 如果 2023 年開始消滅初階職位，勞動市場上的資深專家看起來仍然很健康——因為他們是 2003-2020 年間的培養投資的產物。真正的短缺要等到 2030-2045 年才會顯現，而那時候已經沒有人記得當初的組織決策了。

兩種專業知識：Internalized Mastery vs Distributed Mastery

論文區分了兩種在 AI 時代必須並存的專業知識形式：

Internalized Mastery（內化精通）：透過持續的刻意練習、漸進式的複雜任務、認知掙扎（cognitive struggle）而形成的深層領域知識。這是存在於個人大腦中的東西——隱性知識、診斷判斷、模式識別。關鍵在於：這種能力不能透過觀察或 AI 輔助的表現來獲得。認知掙扎不是可以被工程化的摩擦力，它本身就是能力形成的機制。

Distributed Mastery（分散式精通）：在人機系統中協調 AI 的流暢度——prompt engineering、輸出策展、人機工作流設計。這是一種真實且有價值的技能，但它不需要深層領域知識作為前提。你可以很會用 Claude 寫程式但不懂記憶體管理。

論文的關鍵論證是：這兩者不是平行選項。Distributed Mastery 的有效性依賴 Internalized Mastery 作為基礎。 這就是 Validation Tether（驗證繫繩）。

Validation Tether：整篇論文最被低估的概念

Validation Tether 是論文最具原創性的理論貢獻。它的命題非常簡潔：AI 輸出的有效監督，依賴的是 AI 採用過程中正在被消滅的那種專業知識。

論文將驗證區分為兩個層級：

表面驗證（Surface Validation）：檢查 AI 輸出是否內部一致、格式正確、表面合理。這種能力可以透過與 AI 系統的互動本身來培養——不需要深層領域知識。你會發現明顯的格式錯誤、邏輯矛盾、基本常識錯誤。

實質驗證（Substantive Validation）：識別 AI 輸出中領域特定的錯誤、辨認看似技術正確但在特定情境下不適當的建議、偵測表面連貫但內容有問題的產出。這種能力必須建立在 Internalized Mastery 之上。 一個財務分析師需要深厚的市場知識才能發現 AI 風險評估中的隱含假設錯誤；一個醫生需要臨床專業才能判斷 AI 診斷建議忽略了病患特定因素；一個軟體工程師需要架構理解才能察覺 AI 生成的程式碼雖然能執行但會產生維護災難。

論文引用了兩組關鍵的實驗證據來支持這個區分：

Vicente & Matute（2023）：參與者在使用有偏誤的 AI 推薦後，即使 AI 輔助被移除，仍然在後續判斷中重現了那些偏誤。關鍵是：80.7% 的參與者偵測到了 AI 推薦中的錯誤（表面驗證正常運作），但他們繼續遵循錯誤建議——知道有問題，卻說不出問題在哪、為什麼，因此無法覆蓋演算法的輸出。表面驗證成功了，實質驗證失敗了。

Dell’Acqua et al.（2026）：頂尖顧問在 AI 能力範圍內的任務上生產力提升，但在 AI 能力邊界之外的任務上表現下降——而他們無法可靠地區分「這個任務 AI 能幫我」和「這個任務 AI 會害我」。做這種區分需要的正是深層領域知識。

論文的論證是：如果你消滅了培養 Internalized Mastery 的初階職位，你同時也就消滅了培養實質驗證能力的機制。然後你開始大規模部署 AI，倚賴那些只有 Distributed Mastery 的人來監督它——他們能抓到表面錯誤，但在真正致命的問題面前，他們跟你一樣瞎。

過度放牧機制：為什麼理性組織會集體毀滅公共財

這一段是論文把 Hardin 的架構套用到就業市場上最精采的部分。

每個組織的理性算計是這樣的：「我們不需要昂貴的初階職位和漫長的培養週期。當我們需要深度專業知識時（驗證、危機管理、新情境），我們從勞動市場上招聘資深人才就好。」

這個策略對個別組織完全成立——前提是有人在培養資深人才。你今天能從市場上招到的資深專家，是其他組織在 5-20 年前投資培養的：招聘初階員工、在漫長學習曲線中督導他們、提供漸進複雜的工作、承擔「培養好了可能跳槽」的風險。當所有組織同時採用相同的「從市場上買」策略時，沒有人在做那 5-20 年的前期投資了。

論文稱這個為「意外對齊的終結」：過去的再生系統不是任何治理機制的產物，而是營運必然性的副產品——組織需要初階勞工來做初階工作，專業知識的再生就順便發生了。AI 消滅了這個營運必然性，也就消滅了隱形的治理機制。

勞動市場的實證資料支持這個論證。Brynjolfsson et al.（2025）分析了超過 2500 萬美國勞工的薪資資料，發現：在最高 AI 暴露的職業中，22-25 歲勞工的就業率相對下降了 16%（2022 年 10 月至 2025 年 9 月），而同年齡層在低 AI 暴露職業中就業正常成長。同年齡層、同批人——差別只在 AI 暴露程度。Hampole et al.（2025）用 5800 萬 LinkedIn 檔案進行的補充分析確認了同樣的世代特定模式。

但更關鍵的是論文指出的第二種機制：即使初階職位沒有完全消失，留下來的初階員工使用 AI 達到了過去需要多年經驗才能達到的生產力——他們學會了 AI 協調（Distributed Mastery），但跳過了形成 Internalized Mastery 所必需的認知掙扎。就業數字看起來健康，再生品質卻在靜默退化。 這個機制比第一種更難偵測，也更陰險。

五個決定職業脆弱性的因素

論文提出五個結構性因素來預測哪些職業最容易發生公共財枯竭：

  1. 任務可替代性：AI 能在多大程度上執行過去提供初階者發展經驗的認知任務。常規資訊整合、標準文件產出、基礎資料分析的可替代性高 → 脆弱性高。
  2. 監管強度：像醫學、法律、工程這類有嚴格執照和督導實習要求的職業，制度性壓力會部分抵消市場力量驅動的 AI 替代。
  3. 安全關鍵性：專業失靈會立即產生可見災難後果的領域（如航空、醫療），會自然形成抗拒實質驗證能力退化的問責結構。
  4. 專業協會強度：有強大專業協會能執行培養標準的領域，具備其他人缺乏的公共財治理基礎設施。
  5. 工作模組化程度：專業工作可被拆解成獨立 AI 相容任務的程度。軟體工程、財務分析、法律研究的工作模組化程度高 → 脆弱性高。

軟體工程是五個因素全部指向高脆弱性的典型案例：任務可替代性高、監管強度低、專業協會弱、工作高度模組化。

治理機制：三層次的制度設計

論文不主張禁止 AI，而是呼籲在不同層次設計治理機制：

組織層次：分階段引入 AI、保留無 AI 的學習空間（讓初階者在沒有演算法輔助的情況下進行刻意練習）、設計需要主動推理而非被動接受 AI 輸出的工作流。Everett et al.（2025）的臨床試驗顯示，要求醫師主動參與 AI 推理（而非被動接受輸出）的工作流設計，可以保留甚至提升診斷表現。

專業協會層次：這是 Ostrom 治理研究最直接適用的層次。她的八個設計原則（明確邊界、成本與收益的比例等價、集體選擇安排、監控、漸進制裁、衝突解決機制、組織權利的承認、嵌套規則）可以直接轉化為專業協會的實驗場域。

公共政策層次：訓練投資補貼（在 AI 消滅了傳統專業知識形成機制的領域）、保留培養管道的企業稅收抵免、專業協會治理實驗的競爭性補助、自願性的分級認證（認可具備 Internalized Mastery 的從業者，但不限制 AI 輔助實務）。

國家安全維度：論文最含蓄的一段

在結尾附近的一段中，論文觸及了一個極其敏感但刻意低調處理的論點：

國家依賴國內專業知識池來執行無法在危機中外包的職能——關鍵基礎設施、醫療、網路安全。如果一個國家的專業公共財透過無治理的市場動態侵蝕，而戰略競爭對手透過學徒投資、訓練補貼或其他激勵結構維持培養基礎設施，結果就是一個跨世代疊加的結構性能力差距。

這段話出現在一篇帶有「本文觀點不代表 NATO 立場」免責聲明的論文中，顯然是作者在制度限制下能說的最接近真相的話。論文呼籲進行比較國際研究，探討具有強大學徒傳統的國家，如何在 AI 採用過程中走出與市場媒介的專業發展不同的路徑。

城武觀點

第一，Validation Tether 是過去一年最被低估的概念，而整個 AI 產業刻意不討論它。

主流 AI 敘事把問題框定為「AI 做了多少工作、提升了多少生產力」，但從來不問後續問題：誰來檢查 AI 做的工作？答案是：被 AI 取代的那批人。論文點出了一個極其不舒服的事實——有效監督 AI 所需的知識，恰好是 AI 採用過程中正在消滅的東西。這不是一個技術問題，是一個結構性的依賴關係被切斷的問題。

更關鍵的是時間延遲。資深專家還在崗位上、表面驗證還在運作、錯誤率還沒有爆炸——一切看起來正常。但 10-20 年後，當這批資深專家退休、新生代完全沒養成 Internalized Mastery，你會突然發現整個產業沒有人能實質驗證 AI 的輸出。這就是 Hardin 悲劇的核心特徵：災難在每個時間點都看起來沒那麼嚴重，直到它已經不可逆。

Vicente & Matute 那個實驗尤其令人不安：80% 的人知道 AI 在犯錯，但說不出錯在哪、為什麼、怎麼修正。這不是「人類監督失靈」，這是「監督所需的知識基礎以經被掏空，而監督的動作還在機械性地執行」。我們正在訓練一整代只會說「好像哪裡怪怪的」但無法採取有效行動的專業人員。

第二，論文把國安論點放在結尾含蓄帶過，但我認為這才是整篇論文最該被放大討論的部分。

Lovett 是 NATO 的人，所以他只能寫一段、放在結尾、加上「不代表 NATO 觀點」的免責聲明。但正因為有這個免責聲明，這段話才更值得認真讀——一個人冒著制度風險也要放進去的論點，通常是他認為最重要但最不能明說的。

軟體工程的認知公共財正在透過市場動態被消耗。美國的軟體公司不需要「治理」這個問題——他們只需要從市場上買資深工程師，而那個市場是靠前一個世代的培養投資撐起來的。但當所有公司都在買、沒有人在養，10-15 年後那個市場會剩下什麼？

與此同時，論文暗示的另一種可能性是：有些國家不是靠市場機制維持再生產的。學徒制度、國有企業的強制培養配額、教育體系與產業的深度耦合——這些機制在市場效率的邏輯下看起來笨重且過時，但它們解決的恰好是市場無法解決的公共財再生問題。

這不是一個季度的 GDP 問題。這是一個世代的國安問題。當你的戰略競爭對手在培養能獨立思考、獨立驗證 AI 輸出、獨立處理 AI 能力邊界之外問題的工程師，而你的人才池正在被優化成只會 orchestrate AI 但不知道自己在 orchestrate 什麼的 prompt 操作員——這個差距不是用幾個 PhD 簽證就能追回來的。

論文的免責聲明寫著「不代表 NATO 觀點」——但當你是 NATO 的人，你寫一篇關於認知公共財枯竭的論文，然後你把國安的那段放在結尾，加上免責聲明：你其實已經把觀點說完了。剩下的只是讀者要不要聽懂。

城武的未解檔案——AI 不會取代你的工作。它會消滅培養你接班人的那條路，然後等你退休之後，沒有人知道 AI 做錯了什麼。