人工智慧研究機構 Anthropic 發布《What work can robots do?》（機器人能做哪些工作？），由學者 Russell Legate-Yang 與 Maxim Massenkoff 共同撰寫。報告內容核心在於建立了一套具備 50 年歷史驗證力的「機器人工作暴露度指標」，透過實際比對當前機器人的能力與部署成本，指出機器人技術上已能勝任許多體力工作，但成本仍高，短期內難以大規模取代人類。
很多人看到新聞展示會飛、會翻滾的人形機器人，就擔心職場很快會被機器人接管。但 Anthropic 的研究發現，雖然現在的機器人在技術上，已經能做出全美約 74% 的實體工作任務（換算下來占全美總工作時間的 34%），真正算盤打得響、能夠「比聘用人類勞工更划算」的工作任務，目前在全美國其實只有 0.3%。這個數據說明，面對實體自動化浪潮既不需要過度恐慌，也不該低估未來的轉型衝擊。
📎 這份報告適合誰閱讀？
這篇報告針對「實體自動化能力」與「經濟部署成本」進行具歷史驗證的量化分析，適合以下三類工作者閱讀與參考：
- 企業高層、營運與供應鏈/物流主管
- 政策制定者、勞動經濟學者與 HR / 人力資源規劃者
- AI 與機器人研發團隊、產品經理與技術投資人
🔴 報告洞見
機器人已能做哪些實體工作
要了解機器人對職場的影響，首先要定義什麼是「機器人」。報告中將機器人定義為「能夠自行感知周遭環境並採取行動的自主實體機器」，這包含路上跑的 Waymo 自駕車、倉庫裡的自動搬運機器人、工廠的自動焊接手臂，甚至是能自動掃描車身來調整噴水角度的洗車機；但不包含像「達文西手術手臂」這種，完全需要人類醫師手動遠端操控的非自主設備。
為了客觀衡量影響，研究團隊使用了美國勞工部的 O*NET 職業資料庫（裡面記錄了 900 種職業與約 19,000 項細部工作任務），並透過 Anthropic 開發的 Claude 模型，協助對每項任務進行分析與打分——在全美職場所有的工作時間裡，純粹靠大腦思考或與人溝通的「認知與社交任務」占了 54%，其餘 46% 則屬於需要動手或動身體的「實體任務」。
機器人「暴露度（Exposure）」，白話來說就是「這項工作有多容易被機器人接管」。由於機器人最怕遇到突發狀況或混亂環境，因此報告特別根據機器人運作時對「環境控制程度」的要求高低，把實體任務分成了四大等級（E0 到 E3）：
- E0（無法執行，占總工作時間 12% / 實體任務的 26.3%）：代表現在的機器人完全做不到的任務。這些工作通常需要極度精細的手部操作或複雜的身體平衡，像是給顧客染髮剪髮，或是在高空搭建施工腳手架。
- E1（專用自動化環境，占總工作時間 23% / 實體任務的 49.8%）：機器人只能在特別為它打造的封閉式廠房或生產線上運作。例如汽車工廠裡固定位置的車輪定位校正系統，或是在傳送帶上替餐盒配菜的食品裝盒機器人。
- E2（結構化人類場所，占總工作時間 10% / 實體任務的 22.0%）：機器人可以在為人類設計、但環境規則整齊可控的場所工作。像是物流倉庫裡順利導航與搬貨的自動搬運車、在醫院走廊幫忙送藥的遞送機器人，或是回收廠裡用視覺與吸盤挑揀廢棄物的機械手臂。
- E3（無結構開放環境，占總工作時間 1% / 實體任務的 1.9%）：機器人能在完全不可預測的戶外或公共場合運作。目前的代表就是載客的 Waymo 自駕計程車、無人耕作拖拉機，或是自動化鋪路設備。
把 E1 到 E3 加起來，機器人在技術上確實已經具備勝任全美 74% 實體任務的能力，涵蓋了 34% 的總工作時間。
機器人與 LLM 疊加，誰最受影響
近年大家熟知的大型語言模型（LLM），擅長寫文章、寫程式與處理文書表格；而機器人則專攻動手的實體操作。這兩大 AI 引擎在職場上形成了強烈的「互補關係」。
研究顯示，如果只看 LLM 的影響，全美大約有 50% 的工作時間會受到影響。但如果把「LLM 的腦力」加上「機器人的體力」一起算，全美受自動化波及的工作時間會直接大幅衝上 81%。
這意味著在整個經濟體中，除了剩下 19% 極度仰賴「真人情感互動」或「極複雜實體操作」的工作（例如護理師、幼兒照顧員、高難度設備維修工）之外，絕大多數職業都有部分任務能被 AI 或機器人分擔。
如果以 0 到 3 分來計算機器人暴露指數，目前受衝擊最嚴重的職業幾乎清一色是交通駕駛與倉儲物流業。暴露指數最高前幾名包括：計程車司機（暴露指數 2.2）、農用機器操作員（2.1）、小型貨車司機（2.1）、接駁車與私人司機（2.0）、工業搬運車操作員（2.0）、鋪路機器操作員（1.8）、垃圾與回收收集員（1.8）、送貨司機（1.7）以及回收物分類員（1.7）。
報告也利用美國官方的人口調查資料，分析了這些最容易被機器人影響的基層勞工特徵，發現他們與受 LLM 衝擊的高學歷白領截然不同：
- 薪資與學歷雙低：高暴露風險勞工的平均時薪為 22.88 美元，比起完全不受影響組的 52.97 美元，足足少了約 30 美元。在學歷方面，高暴露組擁有大學以上學位的比例只有 8.3%，比起完全不受影響組的 63.2%，低了 54.9 個百分點。
- 失業風險與體力負擔較重：高暴露組的失業率為 5.2%，是完全不受影響組（2.2%）的兩倍以上。此外，這些工作往往需要付出很大的體力代價，高達 79.1% 的工作時間需要長時間站立（不受影響組僅 18.3%）、60.7% 需要頻繁搬運重物（不受影響組僅 3.5%），而且處於高溫或有害污染環境的比例也高出許多。
機器人做得到，卻不一定比請人划算
既然機器人已經會做全美 34% 的工作內容，為什麼我們在日常生活中還沒有看到街上滿是機器人？答案就在於「成本」。
報告提出了「成本競爭力（Cost-Competitiveness）」的概念：只有當買機器人、裝設備、維修維護、付電費加上聘請人類監督的「年化總成本」，比聘用人類勞工拿到的薪資福利還要便宜時，企業老闆才會真的買單換掉人類。
算盤一打下來，雖然機器人技術上會做 34% 的工作，但真正達到「比請人便宜」的任務，全美目前只有 0.3%。
報告列舉了幾種代表性職業的實測成本算術：
少數達到規模划算的職業：手工包裝員（Packers and Packagers）
全美約有 56 萬名手工包裝員。要在倉庫裝設一整套能開紙箱、裝貨、檢查、貼標籤到封箱的機器人系統，初期買設備加安裝要花上近 200 萬美元。
以 10 年壽命攤提與維護費用計算，機器人替代單名勞工的年化成本約為 45,400 美元；比起僱用人類包裝員（年薪加福利約 49,000 美元），在扣除機器人無法執行的零星任務後，每年仍可替老闆淨省下約 2,500 美元。
這也解釋了為什麼包裝員是少數已被機器人實際替換的職業，其總就業人數自 2015 年以來已減少了 22%。
其他職業：機器人貴到老闆根本買不下手
- 計程車司機：自駕車每年營運與感測器攤提成本約 57,800 美元，仍略高於人類司機的 56,800 美元年薪。
- 洗碗工：自動洗碗機器人系統年化成本要 172,000 美元，但請人類洗碗工只要 45,000 美元，機器人足足貴了接近 4 倍。
- 清潔工：自動化清潔機器人年化部署費用高達 280,000 美元，比起人類清潔工的 47,700 美元年薪，貴了將近 6 倍。
- 焊接工：自動焊接手臂雖然很厲害，但因為焊接前需要人類幫忙搬運金屬、爬高定位與事後磨光，整套機器人設備年化成本高達 334,600 美元，遠高於人類焊接工的 73,400 美元年薪。
在普及時間軸方面，歷史數據顯示自 1990 年代以來，工業機器人的價格平均每年僅下降約 3%。研究團隊推算，如果機器人要達到全美 10% 工作時間的成本效益，整體硬體成本必須大跌 70%；按照每年降價 3% 的速度，這需要漫長的 40 年。
在一般常態情境下，要達到半數實體工作具備成本划算性，甚至要等到 2085 年；就算技術出現超預期突破、降價速度加快 4 倍，也需要等到 2050 年。
成本之外，還有三道障礙
除了高昂的價格外，報告指出還有三大非成本因素在阻礙機器人的全面普及：
- 手部靈巧度瓶頸：這是最大的技術障礙，限制了全美 70% 的實體任務。其中有 50% 的任務是因為機器人做不到像人類手指一樣靈敏的觸覺操作（例如解開纏繞的電線、處理柔軟的布料縫製）；另有 8% 是因為機器人的即時反應與路徑規劃能力不足。
- 人類情感與信任偏好：限制了 25% 的任務。人們在很多情境下還是希望由真人服務，例如不放心讓機器人幫嬰兒換尿布，或是去餐廳用餐時偏好真人的接待與互動溫度。
- 政府法規與安全規範：限制了 14% 的任務。主要集中在醫療給藥、公共安全巡邏、民航機雙駕駛限制，以及自駕車路上行駛法規等嚴格管制的領域。
用 50 年資料檢驗這套指標
為了證明這套指標不是紙上談兵，研究團隊還特別做了跨越 50 年的歷史回測分析（從 1977 年到現在）。結果發現，1977 年時有 62% 的實體任務是機器人做不到的，而今天只剩 24% 做不到，說明機器人每年平均會解鎖約 2% 的新任務能力。
更重要的是，數據證實，早在 1977 年就被評估為「高機器人暴露度」的職業，在隨後幾十年間，其薪資與就業人數確實出現了極為顯著的下滑。這顯示這套指標在歷史上確實抓得到受衝擊的職業；換句話說，當機器人成本降到門檻以下，前面列出的高暴露職業，薪資與就業人數就可能出現類似的變化。
🧭 給企業與政府的三項建議
總結來說，Anthropic 的這份報告為我們拆解的實體自動化的真相是，AI 雖然給了機器人更聰明的大腦，但實體世界不是複製軟體那麼簡單，它深受硬體造價、物理邊界、法規與經濟效益的重重限制。
面對未來的發展，報告為企業決策者與政府政策提出了三點建議：
- 追蹤早期預警職業：政府與企業應將「交通駕駛」與「倉庫包裝員」這類兼具技術可行與成本接近划算的職業，視為自動化衝擊的第一線指標，密切觀察其就業波動並準備因應。
- 避免實體瓶頸拖累整體生產力：企業在投資 AI 轉型時，如果只投資文書辦公的 AI，卻忽視了實體機器人的發展與導入，那麼搬運、維修或清掃等實體環節的滯後，將成為拖累企業整體生產力提升的瓶頸。
- 精準重塑基層勞工的轉職培訓：由於容易被機器人影響的勞工大多屬於低薪、低學歷且體力負擔重的基層族群，政府的輔導政策應該協助他們轉向機器人短時間內無法取代的領域——特別是強調「高人際互動溝通」、「複雜長期照護」與「高精細客製化服務」等具備人類溫度的工作。
閱讀完整報告內容，請見：What work can robots do?
【更多產業研究報告】
◆ 【博通私有雲展望報告】97% IT 決策者坦言公有雲支出遭浪費，布局「私有 AI」翻轉昂貴算力架構
◆ 【英特爾「機器人準備度差距」報告】邊緣 AI 算力是自動化規模的後盾，專用型 AMR 與工業手臂是產出翻倍主力
◆ 【企業 AI 成本報告】代理型 AI 與 AI 開發工具成本衝擊商業決策，建立「主動式財務防線」防範失控帳單
>> 其他產業研究報告
＊初稿由 AI 協作，首圖來源：Gemini 生成
