美國媒體、電影與藝術業累計流失約 20 萬個工作職缺。
這個數字來自 Apricitas 的報導《AI and the Fall of the Creative Class》。人們很容易順手加上一句:AI 開始搶走創意人的工作。
但該報導本身並未把全部就業損失歸因於 AI。它真正要回答的問題是:在這些損失中,生成式 AI 究竟貢獻了多少。
這也是兩個不同的問題。
前者回答「有多少職缺沒了」,後者則回答「為什麼沒了」。同一個結果,可能同時來自凍結招聘、削減預算、縮減專案、外包轉移、觀眾需求變化,以及 AI。
把同期發生的現象寫成因果關係,是就業數據分析最常見的技術錯誤。
20 萬個職缺,不等於 20 萬個職缺被 AI 取代
首先要把「約 20 萬個職缺」拆開來看。
至少有三類情況不能混為一談:
- 職缺消失。公司縮減團隊,或某類業務全面退出。原職缺不再招募,不代表每個職缺都由 AI 填補。
- 職務轉型。團隊仍在,但工作內容改變。設計師從交付完稿轉為管理模型生成流程;編輯則從主要負責撰寫,轉向審核、校對與整理素材。
- AI 直接替代。公司因 AI 降低某項任務的需求,因而明確取消或減少相關編制。
這三類情況對人的影響都可能為負,但背後的商業機制不同。職缺消失通常對應業務量下降;職務轉型代表任務重新組合;只有 AI 直接替代,才意味著生產力工具改變了勞動需求。
如果統計時只看職缺發布數量,看到的就是淨結果。把所有淨結果都歸給 AI,等於跳過了中間過程。
媒體、影視與藝術業還有一項特性:高度依賴數位內容生產。數位素材成本下降,不代表整個行業所需的職缺會按比例減少。原因很單純:職缺不只負責生產內容,也承擔判斷、溝通、審核與責任。
一支短劇團隊可能只需少畫幾版海報,卻不會因此自動取消專案協調、分鏡審核與版權合規流程。
先查裁員原因,再談 AI 責任
逐一檢視公司,通常比先按產業下結論更可靠。
| 觀察項目 | 需要釐清的問題 | 較可能的解釋 |
|---|---|---|
| 凍結招聘 | 是所有職缺暫停,還是只有創意職缺暫停? | 預算與週期風險 |
| 專案縮編 | 是專案數量減少,還是每個專案規模縮小? | 業務需求變化 |
| 外包轉移 | 工作是否改由低價供應商或海外團隊承接? | 成本結構調整 |
| 單價變化 | 同類內容的市場報價是否下降? | AI 帶來的局部競爭 |
| 流程變化 | 公司是否導入生成式 AI,並明確減少某些任務? | AI 直接替代 |
這張表不是為了替 AI 找存在感,而是用來排除其他解釋。
例如,廣告公司取消 20 個文案職位,同時把影片投放預算減少 30%。即使 AI 讓文案更便宜,也無法證明需求下降主要由 AI 造成。反過來,如果某個團隊明確把「每週 4 篇短文」改為「LLM 產生初稿、人工最終審核」,才進入 AI 替代的分析範圍。
Apricitas 報導的價值也在於此:它不是要替「AI 失業敘事」背書,而是嘗試量化 AI 對這些損失的實際貢獻。這個問題比「AI 會不會搶工作」狹窄得多,也更容易查證。
創意業為何更容易被重新定價
文案、插畫、圖片生成、影片剪輯與配音,確實比許多職位更容易被拆解成一連串模型呼叫。
過去,公司購買的是「一個人一週的產出」。現在,企業可以依任務購買:生成 20 張概念圖、修改 6 段文案,或從一支影片中擷取 30 個鏡頭。
計價單位因此下沉。
一家小型代理商過去需要兩人工作三天,AI 工具可能讓一人在一天內完成初稿,再花半天修改。客戶最終會問:為什麼還要依原本的團隊規模付款?
因此,AI 對創意業更常見的衝擊,可能不是一次清空整個職業,而是壓低標準化任務的價格。
有幾類工作會迅速重新定價:
- 模板化文案與商品描述;
- 社群媒體配圖的大量變體;
- 風格固定的概念圖與素材延伸;
- 粗剪、字幕與初步轉寫;
- 一般素材的檢索、標註與格式轉換。
另一類工作則沒有那麼容易取代:品牌策略、複雜調研、現場溝通、最終決策,以及出錯後的責任歸屬。
但職業邊界也會移動。插畫師可能不再親手畫出每一幅畫,卻必須撰寫視覺 brief、篩選模型輸出,以及處理一致性與版權問題。AI 減少的是某項交付物所需的人時,不一定減少整個專案所需的社會協作。
真正該追蹤的是「每份內容花費多少總成本」,而不是「還剩幾個職位」。
從 Apricitas 爭議看「AI 失業敘事」
原文連結如下:
https://www.apricitas.io/p/ai-and-the-fall-of-the-creative-class
當時對應的 Hacker News 頁面只有 14 分與 8 則留言:
https://news.ycombinator.com/item?id=50226419
這場討論的熱度不高,卻很適合用來說明爭論集中在哪些地方。
低分與少量留言首先表示:讀者並未把「20 萬個創意職缺」視為震撼性結論。這可能是理性折衷的結果,也可能只是社群注意力有限。不能直接把前者當成證據。
更重要的是,留言中容易出現三種不同的爭議:
- 數據爭議:這 20 萬個職缺如何定義?統計窗口多長?產業邊界又該如何劃定?
- 因果爭議:凍結招聘、預算變化與 AI 分別貢獻多少?
- 敘事爭議:標題是否讓讀者高估 AI 的作用?
這三個層次不能互相取代。數據口徑有疑慮,不代表因果判斷自然成立;因果比例難以精確,也不代表只能採用最強烈的標題。
我更關心的是:那些宣稱「職缺被 AI 替代」的公司,是否留下內部資料,例如模型採用紀錄、編制變化與任務工時?沒有這些材料,歸因仍主要依賴訪談與事後敘述。
企業該追蹤職缺成本,而不是只看裁員名單
裁員人數容易統計,也容易傳播。職缺全成本較難計算,卻更接近管理決策。
可以使用一個簡單框架,先不討論職缺是否應該消失,只計算現金變化:
from dataclasses import dataclass
@dataclass
class RoleEconomics:
salary: float
benefits: float
vendor_cost: float
ai_tool_cost: float
rework_cost: float
severance: float
def monthly_savings(self, retained_ai_cost: float) -> float:
return (
self.salary
+ self.benefits
+ self.vendor_cost
- self.ai_tool_cost
- retained_ai_cost
- self.rework_cost
- self.severance
)
role = RoleEconomics(
salary=7000,
benefits=1200,
vendor_cost=1500,
ai_tool_cost=400,
rework_cost=900,
severance=5000,
)
print(role.monthly_savings(retained_ai_cost=0))
這段程式碼不會替你判斷 AI 是否有用。它只是把經常被漏算的返工、工具訂閱與一次性裁員成本放進同一張表。
實際核算至少要記錄四項:
- AI 節省了多少任務工時;
- 減少了多少外包與素材採購費用;
- 增加了多少審核、返工與合規成本;
- 裁撤編制後,節省的現金是否超過一次性成本。
還要加入一項反向指標:交付週期是否縮短、客戶退稿是否減少,以及版權風險是否上升。
否則,公司可能只是在薪資表上省了錢,卻把成本轉嫁給審核人員、品質控管與法務團隊。
編輯觀察
「20 萬個職缺」真正重要的地方,不只在於 AI 取代了多少創意人,而是它迫使公司重新核算每個職缺對應多少收入、多少產出,以及哪些責任不能交給模型。對企業而言,這比爭論職業是否會消失更具可操作性。
我的判斷是,接下來更值得關注的,不是又一份「AI 造成 X 人失業」的總數,而是任務層級的數據:哪些內容由模型生成、人工修改了幾輪、交付週期縮短多少。任務數據能解釋替代機制,職缺總數只能描述結果。
這次與過去不同的地方,在於討論已從「AI 會不會取代創意工作」轉向「成本下降後,職缺與報價該如何重塑」。這個變化更接近真實的商業決策。不過,目前公開資料仍難以把 AI 從預算週期、需求波動與外包轉移中乾淨拆出;20 萬與 AI 之間,並不存在一條可以省略證據的直線。