設計思考 Design Thinking 2026-07-0359

加州設立全美首個AI失業追蹤儀表板，數據卻沒抓到大規模裁員—真正該盯緊的是這群人

讀完這篇，你會知道：

全美第一個AI失業追蹤儀表板怎麼設計，才能在裁員潮發生前就先發現徵兆
為什麼統計上「沒有大規模裁員」跟「灣區科技業正在受衝擊」可以同時成立
一個公部門用資料治理AI風險的案例，對台灣的公共服務設計有什麼啟發

思考的起點

當各界還在爭論AI到底會不會大規模取代工作時，加州選擇了一個很不一樣的做法：與其猜測，不如先蓋一套系統，把答案交給持續更新的真實資料。2026年6月25日，加州州長Gavin Newsom宣布啟用「California AI-Unemployment Tracker」（簡稱CAIT），這是全美第一個公開的AI失業追蹤儀表板，由加州就業發展廳（EDD）與加州大學旗下的California Policy Lab共同開發，每個月更新一次數據，任何人都能上網查閱。Newsom在聲明中表示：「隨著AI持續進展，我們不是站在場邊觀望，而是透過強健的治理與創新政策，重新思考該如何做好準備。」這句話某種程度上定義了這套工具的定位—它不是用來禁止或限制AI，而是用來讓政策制定的過程有憑有據。

這個案例值得深入拆解的原因，不只是因為它是全美第一個同類型工具，更因為它示範了一種公共政策設計的新姿態：面對一個高度不確定、各方說法互相矛盾的議題，與其急著訂出管制規則，不如先把「量測」這件事做對，讓政策的下一步建立在持續更新的證據之上，而不是建立在情緒或猜測之上。這對長期關注公共服務創新的人來說，是一個很值得參考的治理設計案例—它提醒我們，好的公共政策不一定從一套完整的解決方案開始，而可以從一套誠實的量測系統開始。

全美第一個AI失業追蹤儀表板長什麼樣子

CAIT的設計方法其實不複雜，但很聰明。系統把加州每個月的失業保險（UI）理賠申請資料，依照申請人原本職位受AI影響的暴露程度分類標記，然後長期追蹤「高AI暴露職位」的理賠申請比例有沒有隨時間上升。如果這個比例明顯攀升，就代表可能有AI相關的失業潮正在發生，值得政府提前介入；如果沒有明顯變化，至少可以先排除「大規模裁員已經發生」的疑慮。這套方法的核心價值在於：資料本身不會說謊，也不會被單一聳動的新聞標題牽著走。儀表板的資料還能依照地區、產業、年齡、教育程度、性別與種族進行細部拆解，讓不同層次的關注者都能找到自己需要的切面，這種細緻度也是過去許多一次性調查難以做到的。

這種「先建立長期追蹤基礎設施、再逐步累積判讀能力」的做法，跟許多政府單位習慣的「先訂出一次性報告、再等下一輪預算才更新」的節奏完全不同。月度更新的頻率，代表這套系統從第一天上線開始，就把自己定位成一項持續運作的公共基礎建設，而不是一次性的政策宣示。這種設計選擇背後，其實隱含著對「如何面對不確定性」的態度：與其等到有把握的答案才發布，不如先誠實公開目前掌握的資料樣貌，再隨著時間經過不斷修正判讀，這種漸進式、可被檢驗修正的姿態，正是這套工具真正的價值所在，也是許多政府數位轉型專案最欠缺的部分。

這個儀表板是Newsom今年5月簽署的行政命令的具體成果，該命令要求州政府各部門提前為AI帶來的「經濟性衝擊」做準備，並探索能協助勞工、企業與社區因應的政策工具。這已經是Newsom第三次針對AI議題簽署行政命令—2026年3月的命令強化了AI採購過程中的公民權利與隱私保護，並擴大政府服務中AI的應用；這次則是把焦點放在勞動市場的即時監測上。負責勞動與勞工發展廳的秘書長Stewart Knox表示，這套追蹤工具「讓我們對AI如何影響勞工與就業有更清楚的圖像，也知道該把支援與訓練資源集中在哪裡」，並強調州政府希望「用資料引導決策，及早回應，強化勞工邁向優質工作的路徑」。加州同時也投入75萬美元資助California Workforce Association，協助發展AI勞動力策略，讓地方就業媒合機構能提前準備因應新興職缺的需求。

好消息是，統計上還沒看到大規模裁員

儀表板上線後公布的初步分析，得到一個可能出乎許多人意料的結論：從2022年底ChatGPT問世以來，加州全州範圍內，並沒有觀察到AI暴露程度高的職位理賠申請比例出現明顯、大規模的攀升。負責分析的California Policy Lab資深研究員Ben Hyman直言：「目前我們並沒有看到加州勞動市場出現大規模AI相關裁員的證據。」這句話本身就值得放進台灣關於AI就業焦慮的討論裡：截至目前為止，最積極部署AI的加州，都還沒有在整體統計上看到系統性的裁員海嘯，這提醒我們評估AI衝擊時，需要區分「媒體報導的個案」與「總體統計的趨勢」。

這個相對平靜的初步結果，某種程度上也呼應了業界其他聲音。OpenAI執行長Sam Altman先前就公開主張，外界對「AI造成大規模失業末日」的預期恐怕言過其實。與此同時，目前全美大約每五位勞工中就有一位已經在工作中使用AI，比例較一年前明顯攀升，顯示AI的普及程度其實遠遠跑在「AI造成的可觀測失業衝擊」前面—普及速度快，不代表衝擊速度同樣快，這中間的落差本身就是政策制定者需要持續關注的訊號。這也是為什麼像CAIT這樣的長期追蹤工具格外重要：一次性的抽樣調查很容易被單一時間點的數字誤導，唯有持續累積的月度資料，才能真正分辨出「暫時的雜訊」跟「正在成形的趨勢」之間的差別。對台灣而言，這也提醒我們在討論AI對就業市場的影響時，同樣需要區分「感受上的焦慮」與「統計上的事實」，兩者未必同步發生，但都值得政策制定者認真對待。

但灣區、科技業、大學學歷這群人不一樣

不過，把資料拆解到次族群層次，畫面就開始有了層次。研究團隊發現，擁有大學學歷、且原本任職於高AI暴露職位的勞工，理賠申請自ChatGPT-3.5上線後開始上升，並且持續維持在偏高的水準，一路延續到2026年5月都沒有回落；相對地，低AI暴露職位的勞工，並沒有出現類似的變化。從地理分布來看，舊金山灣區的理賠申請成長最明顯，這與灣區科技公司高度聚集的產業結構直接相關；從產業別來看，資訊業與專業服務業這類科技含量較高的產業，理賠申請也偏高。另有分析指出，25到35歲的勞工群體在AI暴露職位中受到的衝擊相對明顯，且部分資料顯示女性勞工的暴露程度高於男性。整體而言，種族與性別上並未觀察到特別顯著的落差擴大，但年齡與教育程度的落差已經足夠清楚，值得政策制定者優先關注。換句話說，這波影響呈現的不是「所有勞工一體適用」的均勻衝擊，而是集中在特定地區、特定產業、特定世代的「精準衝擊」，這也是為什麼籠統地討論「AI會不會造成大量失業」意義有限，真正該問的是「哪些人、在哪裡、最先受到影響」。

研究人員特別提醒，這些數據不能直接解讀為「AI造成了加州的失業」—廣泛的景氣循環、產業結構調整與招聘趨勢，都可能同時影響同一群數字，儀表板本身也無法證明某一筆失業理賠確實是AI造成的。加州首席經濟顧問與研究團隊都謹慎地把這套工具定位為「早期預警系統」，而不是「因果診斷工具」：它能幫助政策制定者知道該把注意力放在哪裡，卻不能單獨作為判斷因果的依據。有分析形容得很貼切：這套儀表板比較像是體溫計，而不是診斷書—它能告訴你哪裡開始發燒，卻沒辦法直接告訴你病因是什麼，這個誠實的自我定位，正是這套系統值得信賴的原因之一。

這種「先確認徵兆、再追查病因」的順序，其實也是公共政策設計裡經常被忽略的一步。許多政策討論習慣先預設答案—例如直接假設「AI一定會造成大規模失業」，再回頭找數據佐證這個立場，而不是反過來，先誠實地看數據呈現了什麼樣貌，再決定該提出什麼樣的政策工具。CAIT選擇公開揭露「目前沒有看到大規模裁員」這種不那麼聳動、卻更誠實的初步結論，某種程度上也是在示範一種比較健康的公共溝通方式：即使結果不符合外界預期的敘事，也照樣公開透明地呈現出來，這種誠實本身就是對公眾信任的一種投資。

儀表板能做什麼、不能做什麼

值得進一步追問的是，這套工具的侷限到底在哪裡。首先，它的資料來源是失業保險理賠申請，這代表它只能捕捉到「已經申請失業給付」的勞工，對於選擇不申請、提前轉職、或退出勞動市場的族群，儀表板無法完整反映。其次，AI暴露程度的分類方式雖然有學術基礎，但職位與AI之間的關係本身就在快速變動，今天被歸類為低暴露的職位，未必能保證明年依然如此，這代表分類架構需要持續校準，而不是一套訂了就不再更動的固定標準。第三，月度更新雖然比年度統計即時，但仍然存在資料落後的時間差，儀表板反映的永遠是「已經發生」的變化，而不是「即將發生」的變化，這也是為什麼研究團隊反覆強調，這套系統的價值在於長期趨勢的觀察，而不是單一月份數字的過度解讀。這三個侷限其實也是所有量化治理工具共同面對的挑戰，任何試圖用單一儀表板解釋複雜社會現象的嘗試，都需要保留這樣的謙遜。

即便如此，這套工具依然具有清楚的政策價值：它把原本分散在各種零星報導、企業公告與學術論文裡的訊號，整合成一套持續更新、公開透明、任何人都能查閱的資料基礎設施。對政策制定者而言，這代表他們不必再依賴單一企業的裁員新聞來判斷情勢，而是有一套系統性的依據，決定該把職業訓練資源、失業給付延長方案、或再就業媒合服務，優先投入到哪些地區與哪些產業。這種「用資料驅動資源分配」的做法，本身就是一種公共服務設計上的��步—它把原本容易流於口號的「超前部署」，落實成一套可被檢驗、可被追蹤成效的具體機制，而不只是一句政治語言，這也是它值得被完整記錄下來的原因。

政治時機與治理設計：為什麼是加州先做

加州會是第一個推出這種工具的州，並不令人意外。加州擁有全美前50大民營AI公司中的33家，既是這波AI浪潮的核心推手，同時也是最早要承受其勞動市場後果的地方；再加上加州目前的失業率是全美各州中最高的，這讓「AI是否加劇失業」成為特別敏感的政治議題。外界也普遍認為，被視為有意角逐2028年總統大選的Newsom，透過這類具體、可驗證的治理工具，向選民展示自己在AI議題上是主動出擊，而不是被動因應—這種姿態在AI焦慮升高的當下，本身就具有政治訊號的價值。全美各地政治人物目前都面臨類似的壓力：一方面選民對AI帶來的成本上漲、資料中心推升電價等議題感到焦慮，另一方面又必須在不扼殺產業競爭力的前提下回應這些疑慮，如何拿捏分寸，考驗的正是政策設計的細膩程度。

加州也不是唯一在行動的地方。紐約州在2025年修改了裁員預警通報規定，要求企業標註是否因AI導致裁員；康乃狄克州最近也通過了類似的法案。這些各州陸續推出的措施，共同指向一個趨勢：當聯邦層級對AI勞動市場衝擊的因應仍不明朗，愈來愈多地方政府選擇自己動手，建立屬於自己的監測與治理機制，而不是等待由上而下的統一規範。值得一提的是，這套追蹤工具並非孤立存在，而是加州近年一系列勞動力投資的其中一環—州政府表示，自Newsom上任以來，已經支持超過67萬4千個「邊做邊學」的訓練機會，其中包含超過25萬個正式學徒制名額；加州大學的推廣教育體系每年服務超過30萬人，新推出的「Degree Plus」計畫更把學士學位與技能證照、有薪實習結合在一起，目標是讓畢業生的能力組合能更快跟上職場的實際需求。

這套失業追蹤儀表板，其實只是加州近年一連串AI治理動作中最新的一塊拼圖。過去一段時間，加州陸續針對兒童安全與防止自我傷害內容、色情深偽（deepfake）內容的取締、AI浮水印標示要求、表演者數位肖像權保護，以及防範AI生成的詐騙電話，簽署了一系列保護性措施；今年3月的行政命令則進一步強化了AI採購過程中的公民權利與隱私保護，並擴大政府服務中AI的應用範圍。放在這個脈絡下看，CAIT不是一次孤立的政策亮點，而是加州治理AI風險這條主軸線上，補齊「勞動市場」這一塊拼圖的自然延伸。加州州長辦公室在聲明中形容，加州「一直是一個擁抱創新、同時認真看待隨之而來責任的地方」，這句話某種程度上也總結了這一系列動作背後的邏輯—鼓勵創新的同時，也建立相對應的監測與保護機制，而不是把兩者視為互斥的選項，這也是這一系列政策動作最值得台灣借鏡的地方。

我們的觀點

加州這個案例最打動我們的地方，不是「加州做了什麼」，而是「加州選擇先做什麼」。面對一個高度不確定、各種說法互相矛盾的議題，多數政府的直覺反應是先訂規則、先喊政策口號；但加州選擇的第一步，是先把「怎麼量測」這件事做扎實，讓後續的政策討論建立在持續更新、可被檢驗的證據之上。這跟我們在公部門工作坊現場經常強調的順序完全一致：在還沒看清楚問題的真實樣貌之前，急著提出解決方案，往往只是在解決一個被誤判的問題。

這也是為什麼我們長期主張，設計思考的價值在公部門場域裡格外珍貴—它提醒決策者，政策設計跟產品設計一樣，需要先有一套持續蒐集真實回饋的機制，才能避免用直覺或恐慌來訂定影響數百萬人的規則。CAIT的做法，本質上就是把「持續測試、持續修正」的精神，落實在公共治理的場域裡：每個月更新數據、承認工具的侷限、把因果判斷的空間留給後續研究，這種誠實而審慎的姿態，比起急著喊出一套一體適用的AI就業對策，反而更值得台灣的公部門借鏡。當我們在協助政府單位思考如何回應AI帶來的治理挑戰時，第一個問題往往不是「該訂什麼規範」，而是「我們有沒有先把現況看清楚」—這正是加州這個案例給我們最直接的提醒。