討論大語言模型對就業的影響，最容易走向兩個極端：一種說 AI 會替代所有白領，另一種說它只是提高效率，不會真的改變崗位結構。
更接近現實的說法是：LLM 不會按行業整齊地“消滅工作”，而是先重組任務。誰的工作裡有大量閱讀、寫作、摘要、分類、檢索、解釋、客服、程式碼、報表、流程文件，誰就會先感受到 workforce disruption。
這種衝擊不是簡單的“失業”，而是三件事同時發生：
- 一部分任務被自動化。
- 一部分崗位被 AI 增強。
- 一部分入門級、重複型、協調型工作被重新定價。
先看一個判斷框架
判斷一個行業會不會被 LLM 影響，不要只看行業名字，要看任務結構。
高暴露任務通常有幾個特徵：
- 輸入主要是文字、表格、程式碼、圖片或文件。
- 輸出主要是文字、結構化資料、方案、郵件、程式碼或報告。
- 判斷規則可以被寫成 checklist。
- 工作成果可以被人快速稽核。
- 錯誤成本可控，或者可以透過人工複核降低風險。
- 任務頻次高，流程重複。
低暴露任務則通常依賴現場操作、複雜人際關係、強責任背書、真實世界感知、監管許可或高風險決策。
所以，LLM 最先影響的不是“某個行業全部崗位”，而是行業裡的知識處理層、文件層、溝通層和初級分析層。
客服和客戶運營
客戶運營是最先被 LLM 改造的領域之一。
原因很直接：大量客服問題可以從知識庫、歷史工單和流程規則中回答。LLM 能做意圖識別、自動回覆、工單摘要、升級判斷、質檢、話術改寫和多語言支援。
最先被影響的崗位包括：
- 一線文字客服
- 工單處理員
- 售後支援
- 客服質檢
- 客戶成功助理
- 呼叫中心知識庫維護
但這不意味著客服全部消失。複雜投訴、重大客戶、強情緒溝通、退款爭議、合規邊界仍然需要人。變化更可能是：一個人管理更多會話，低複雜度問題被自動處理，高複雜度問題被升級給更少但更熟練的人。
行政、文秘和後臺運營
WEF Future of Jobs Report 2025 把文書、秘書、收銀、票務、資料錄入等角色列為明顯承壓方向。ILO 的生成式 AI 職業暴露研究也指出，文書類崗位暴露最高。
這類崗位的共同點是：大量工作圍繞資訊整理和流程流轉。
受影響任務包括：
- 會議紀要
- 日程協調
- 郵件起草
- 表格整理
- 資料錄入
- 文件歸檔
- 報銷和審批材料準備
- 內部通知和流程說明
這裡的 disruption 會很快，因為很多企業不需要重構整個業務系統，只要把 AI 接進辦公套件、IM、郵件和文件系統，就能減少大量低價值手工操作。
市場營銷、廣告和內容生產
營銷行業會被深度改造，但不是因為 AI 能寫幾句廣告語，而是因為內容生產鏈條被壓縮了。
過去一次營銷活動可能需要調研、定位、文案、海報、短影片指令碼、落地頁、郵件、社媒版本、A/B 測試素材。現在 LLM 和多模態工具可以把這些環節變成高併發生成和快速迭代。
受影響崗位包括：
- 初級文案
- SEO 編輯
- 社媒運營
- 廣告素材策劃
- 郵件營銷
- 商品描述編輯
- 內容本地化
- 品牌調性改寫
真正留下價值的，不是“會寫文案”，而是懂使用者、懂渠道、懂轉化、懂品牌邊界，能判斷什麼內容值得投放。
軟體開發和 IT 服務
軟體開發不是簡單被替代，而是被重新分層。
LLM 對程式碼生成、程式碼解釋、測試補全、重構建議、遷移指令碼、文件生成、日誌分析、錯誤定位都有明顯幫助。McKinsey 把軟體工程列為生成式 AI 潛在價值最高的職能之一。
最容易被衝擊的是：
- 簡單 CRUD
- 樣板程式碼
- 單元測試補齊
- 指令碼自動化
- API glue code
- 文件和註釋
- 低複雜度 bug 修復
- 初級前端頁面
但複雜系統設計、跨團隊協作、架構取捨、線上事故處理、效能最佳化、安全邊界、遺留系統遷移，仍然高度依賴經驗。
開發者的變化是：寫程式碼本身的重要性下降，定義問題、拆任務、審查 AI 輸出、設計驗證路徑的重要性上升。
金融、保險和銀行
金融行業會受到很大影響，因為它有大量文件、合規、分析、客服和銷售流程。McKinsey 也把銀行列為生成式 AI 影響較大的行業之一。
受影響任務包括：
- 投研摘要
- 客戶問答
- 風險報告初稿
- 合規材料檢索
- 貸款材料預審
- 保險理賠文字處理
- 反洗錢線索解釋
- 內部知識庫問答
不過金融不會輕易把最終決策交給模型。監管、責任、審計、資料安全都會讓 AI 更多處在“輔助分析”和“文件加速”位置。真正被壓縮的，是大量初級分析和後臺文件處理時間。
法律和合規
法律行業對 LLM 的暴露也很高，因為法律工作中有大量閱讀、檢索、摘要、條款對比和文字起草。
可能被影響的任務包括：
- 合同初稿
- 條款摘要
- 盡調資料整理
- 判例檢索
- 合規政策問答
- 法律意見書初稿
- 文件審閱
- 多版本合同對比
但法律服務的最終價值不只是文字。責任承擔、策略判斷、談判、庭審、客戶信任和監管許可仍然是人的壁壘。
更可能發生的是：初級律師和 paralegal 的大量文件勞動被自動化，資深律師負責更高層次的判斷和風險背書。
媒體、出版和翻譯
媒體和翻譯行業會被直接衝擊，因為 LLM 的核心能力之一就是語言生成和語言轉換。
受影響任務包括：
- 快訊改寫
- 摘要生成
- 標題生成
- 多語言翻譯
- 字幕整理
- 採訪稿清理
- 編輯初審
- 內容分發版本改寫
高質量調查報道、深度採訪、事實核查、觀點判斷和獨家訊息仍然需要人。但低附加值、批次化、模板化內容會越來越便宜。
翻譯行業也會分層。通用文字和內部文件會被機器處理，高風險法律、醫療、文學、品牌創意和跨文化溝通仍需要專業譯者把關。
教育和培訓
教育不會被 LLM 整體替代，但會被重構。
LLM 可以做個性化答疑、作業反饋、測驗生成、教案初稿、課程大綱、學習路徑、語言練習和模擬面試。對培訓機構和線上教育平臺來說，這會顯著降低內容生產和輔導成本。
受影響崗位包括：
- 助教
- 題庫編輯
- 教案編寫
- 基礎答疑
- 課程運營
- 學習報告生成
但教育的核心不只是傳遞知識。激勵、陪伴、課堂管理、價值觀、成長判斷和複雜反饋仍需要人。AI 更可能先替代“批次輔導”和“內容準備”，而不是替代優秀教師。
諮詢、研究和企業服務
諮詢、研究、審計、人力資源、企業服務都會受到影響，因為這些行業高度依賴資訊收集、結構化分析和文件表達。
受影響任務包括：
- 行業資料初篩
- 競品分析
- 訪談紀要
- PPT 初稿
- 專案週報
- 資料解釋
- HR JD 生成
- 簡歷篩選
- 員工手冊問答
這裡最危險的不是合夥人，而是初級分析師的訓練路徑。過去新人透過大量資料整理、製表、寫初稿來學習業務。AI 接管這些任務後，企業要重新設計新人培養方式，否則中長期會出現經驗斷層。
醫療、藥企和生命科學
醫療領域的 AI 採用會更謹慎，但影響也會很深。
LLM 更容易先進入這些環節：
- 病歷摘要
- 醫患溝通材料
- 醫學文獻綜述
- 臨床試驗文件
- 藥物研發資料整理
- 醫保和理賠材料
- 醫療客服
- 醫生助手
醫療的核心診斷和治療責任不會輕易交給模型，但文書和知識檢索負擔會下降。對醫生來說，AI 更像減負工具；對醫療後臺和藥企研發支援崗位來說，任務結構會明顯變化。
哪些行業相對沒那麼快
相對不容易被 LLM 快速衝擊的行業，有幾個共同點：工作依賴實體世界、現場操作、真實風險和強人際互動。
例如：
- 建築施工
- 護理和養老現場服務
- 維修技工
- 物流搬運
- 餐飲後廚
- 消防和應急
- 農業現場作業
- 高階手工製造
但“沒那麼快”不等於不受影響。它們的排班、培訓、報價、客服、庫存、裝置維護記錄、質檢報告、內部知識庫，仍然會被 AI 改造。
真正會變化的是崗位結構
LLM 帶來的 workforce disruption，不是簡單的行業名單，而是崗位結構變化。
未來很多組織會出現三種變化：
第一，初級崗位減少。重複寫作、整理資料、基礎分析、簡單程式碼、客服回覆，會更容易被 AI 接管。
第二，中級崗位工具化。會用 AI 的員工能同時處理更多工，不會用的人會顯得更慢。
第三，高階崗位更強調判斷。戰略、審查、責任、複雜溝通、系統設計、風險取捨會更值錢。
所以真正的問題不是“AI 會不會影響我的行業”，而是“我的工作裡有多少任務可以被文字化、流程化、檢查清單化”。
小結
當前大語言模型最先影響的行業，集中在知識密集、文字密集、流程密集的領域：客服、行政、營銷、軟體、金融、法律、媒體、教育、諮詢、醫療文書和研發支援。
但它們不會以同樣速度、同樣方式被改變。監管強、錯誤成本高、信任要求高的行業，會更偏向增強；流程重複、輸出可稽核、替代成本低的崗位，會更偏向自動化。
對個人來說，最重要的準備不是恐慌，而是拆解自己的工作：哪些任務可以交給 AI，哪些任務必須由人負責，哪些能力能讓你成為稽核者、編排者和最終負責人。
參考資料：
- World Economic Forum, Future of Jobs Report 2025: https://www.weforum.org/publications/the-future-of-jobs-report-2025/
- International Labour Organization, Generative AI and Jobs: https://www.ilo.org/publications/generative-ai-and-jobs-global-analysis-potential-effects-job-quantity-and
- McKinsey, The economic potential of generative AI: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
- OpenAI / OpenResearch / University of Pennsylvania, GPTs are GPTs: https://openai.com/index/gpts-are-gpts/